سنجشگر هوشمند تناسب سنی داستان‌های کودک فارسی با سیستم فازی- عصبی

سنجشگر هوشمند تناسب سنی داستان‌های کودک فارسی با سیستم فازی- عصبی

شاید برای شما هم پیش آمده باشد؛ وارد یک کتاب‌فروشی می‌شوید، به قفسه رنگارنگ کتاب‌های کودک نگاه می‌کنید و می‌خواهید برای یک کودک هفت یا هشت ساله کتابی بخرید. روی جلد بعضی از آن‌ها نوشته شده «گروه سنی ب» یا «مناسب برای ۷ تا ۹ سال». اما آیا تا به حال فکر کرده‌اید این دسته‌بندی‌ها دقیقاً بر چه اساسی انجام می‌شوند؟ آیا فقط به این خاطر که جملات کتاب کوتاه هستند، خواندنش برای یک کودک خردسال مناسب است؟

راستش را بخواهید، داستان انتخاب کتاب مناسب برای کودکان پیچیده‌تر از شمردن تعداد کلمات است.

گره کار کجاست؟ (بیان مشکل)

در حال حاضر، بیشتر روش‌هایی که برای سنجش سختی یا آسانی یک متن استفاده می‌شوند، نگاهی بسیار ساده و مکانیکی دارند. آن‌ها معمولاً طول کلمات و جمله‌ها را می‌شمارند. مثلاً می‌گویند چون این متن کلمات طولانی ندارد، پس برای کودک ۶ ساله خوب است.

اما این روش یک شکاف و ایراد بزرگ دارد. یک جمله می‌تواند بسیار کوتاه باشد، اما بار معنایی سنگین یا احساسات ترسناک و غم‌انگیزی در خود پنهان کرده باشد. روش‌های سنتی اصلاً متوجه «عمق مفهوم» و «نوع احساسات» داستان نمی‌شوند. جای خالی یک نگاه همه‌جانبه که بتواند داستان‌های کودکانه (به‌ویژه در زبان فارسی) را نه فقط از روی ظاهر کلمات، بلکه از روی احساس و منطق بررسی کند، به‌شدت احساس می‌شود.

یک ایده پژوهشی جذاب؛ وقتی ماشین‌ها شبیه مربیان فکر می‌کنند

برای پر کردن این خلأ، یک ایده پژوهشی جالب در دنیای فناوری مطرح است: ساخت یک سیستم ارزیاب هوشمند و چندبُعدی.

ایده اصلی این است که متن فقط از یک زاویه بررسی نشود، بلکه سه بُعد مختلف آن هم‌زمان زیر ذره‌بین برود:

1. ۱ سادگی ظاهری متن: همان طول کلمات و جملات.
2. ۲ بار شناختی و مفهومی: اینکه چقدر طول می‌کشد تا ذهن کودک مفهوم پشت سر همِ جملات را هضم کند.
3. ۳ تراکم عاطفی: بررسی احساساتی مثل شادی، غم، ترس یا هیجان که در تار و پود قصه نهفته است.

از چه دانش‌ها و روش‌هایی کمک گرفته می‌شود؟

برای اینکه یک ماشین بتواند چنین تحلیل عمیقی انجام دهد، باید علوم مختلفی دست به دست هم بدهند. در این ایده، ترکیبی از دانش روان‌شناسی رشد کودک (برای درک نیازهای هر سن) با زبان‌شناسی محاسباتی و پردازش زبان طبیعی (NLP) استفاده می‌شود.

از نظر روش‌های فنی، ابزارهای جالبی پای کار می‌آیند. مثلاً از مدل‌های زبانی مانند ParsBERT برای درک «فاصله معنایی» بین جملات استفاده می‌شود تا بفهمیم آیا پریدن از یک جمله به جمله بعدی برای ذهن کودک پرش بزرگی است یا خیر.

همچنین برای اینکه تصمیم‌گیری نهایی ماشینی و خشک نباشد، از «منطق فازی» (Fuzzy Logic) در کنار شبکه‌های عصبی استفاده می‌شود. منطق فازی به سیستم کمک می‌کند تا مثل یک انسان فکر کند؛ یعنی به جای اینکه بگوید یک کتاب «مطلقاً خوب» یا «مطلقاً بد» است، طیفی از مناسب بودن را در نظر بگیرد و تصمیمی منعطف و مربی‌گونه بگیرد.

یک یادآوری بسیار مهم

دنیای ذهن کودکان بسیار پیچیده است و برای اینکه این ابزارهای هوشمند بتوانند به یک استاندارد بی‌نقص تبدیل شوند، نیازمند آزمون و خطاهای فراوان، ارزیابی با داده‌های کاملاً واقعی و البته نظارت مستقیم متخصصان انسانی هستند. تا آن روز، این پژوهش‌ها چراغ راهی برای درک بهتر دنیای کلمات و کودکان خواهند بود.

✨ چراغ راهی برای درک بهتر دنیای کلمات و کودکان ✨