نرم‌افزارهای نمونه در حوزه تحلیل متن: مزایا و کاربردها برای کاربران نهایی
  •   آرشیو : نسخه تابستان 1405
  •   کد پذیرش : 15318
  •   موضوع : سایر شاخه های علوم رایانه
  • نویسنده/گان : | محمدرضا فلاحتی قدیمی فومنی، محمد خسروانیان
  •   زبان : فارسی
  •   نوع مقاله : پژوهشی
  •   چکیده مقاله به فارسی : در سال‌های اخیر، گسترش روزافزون تولید متون دیجیتال، استفاده از ابزارهای برخط تحلیل متن را به بخشی جدایی‌ناپذیر از فرایندهای پژوهشی، آموزشی و تولید محتوا تبدیل کرده است. پیشینه این حوزه از بنیان‌های زبان‌شناسی پیکره‌ای و پردازش آماری زبان آغاز شده و با پژوهش‌هایی در زمینه نمره‌دهی خودکار نوشتار، تحلیل خطای دستوری و بررسی انسجام متن تداوم یافته است. با وجود این سابقه پژوهشی، شکاف قابل توجهی میان یافته‌های نظری و آگاهی کاربران عادی از ابزارهای در دسترس برای تحلیل عملی متن وجود دارد. مقاله حاضر با رویکردی توصیفی-مقایسه‌ای، شش نرم‌افزار برخط و رایگان تحلیل متن، شامل آنلاین یوتیلیتی، تکست اَنلایزر، یوزینگ اینگلیش، رود تو گرامر، تکست فیکسر و تکست اَنالیسیس آنلاین را بررسی کرده است. برای این منظور، شیوه کاربری، شیوه‌های ورود داده (تایپ مستقیم، بارگذاری فایل یا درونداد نشانی وب‌گاه)، دامنه شاخص‌های آماری و زبانی قابل استخراج و میزان پشتیبانی از زبان فارسی در هر نرم‌افزار بررسی و در قالب جدولی مقایسه‌ای با معیارهای نقاط قوت، نقاط ضعف، هزینه دسترسی و مخاطب پیشنهادی تحلیل شد. یافته‌ها نشان می‌دهد آنلاین یوتیلیتی برای کاربران فارسی‌زبان غیرمتخصص، تکست اَنلایزر برای بهینه‌سازی محتوای وب، یوزینگ اینگلیش و رود تو گرامر برای پژوهشگران و مدرسان زبان انگلیسی، تکست فیکسر برای پردازش حجیم اسناد و تکست اَنالیسیس آنلاین برای کاربردهای تخصصی پردازش زبان طبیعی مناسب‌ترند. مهم‌ترین محدودیت مشترک این ابزارها، پشتیبانی ناقص یا محدود از زبان فارسی است که عمدتاً به شمارش واژه و کاراکتر منحصر می‌ماند. نتایج این پژوهش می‌تواند راهنمای عملی کاربران در انتخاب ابزار متناسب با نیاز، زبان و سطح تحلیل مورد نظر باشد و ضرورت توسعه منابع پردازش زبان فارسی را برجسته سازد.
  •   لیست منابع : [1] فلاحتی قدیمی فومنی، م. ر. و خسروانیان، م. (1402). نگاهی به چند نرم‌افزار کاربردی در حوزه تلفظ اسامی خاص. مجله‌ی علمی پژوهش در علوم رایانه، 1(29)، 23-34.
    [2] Alharbi, W. (2023). AI in the foreign language classroom: A pedagogical overview of automated writing assistance tools. Education Research International, 2023(1), 1-15. https://doi.org/10.1155/2023/4253331
    [3] Alsudais, A. (2025). Exploring the change in scientific readability following the release of ChatGPT. Journal of Informetrics, 19(3), Article 101679. https://doi.org/10.1016/j.joi.2025.101679
    [4] Crossley, S. A., Kyle, K., & McNamara, D. S. (2016). The development and use of cohesive devices in L2 writing and their relations to judgments of essay quality. Journal of Second Language Writing, 32, 1-16. https://doi.org/10.1016/j.jslw.2016.01.003
    [5] Deeva, G., Bogdanova, D., Serral, E., Snoeck, M., & De Weerdt, J. (2020). A review of automated feedback systems for learners: Classification framework, challenges and opportunities. Computers & Education, 162(3), Article 104094. https://doi.org/10.1016/j.compedu.2020.104094
    [6] Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), 4171-4186. https://doi.org/10.18653/v1/N19-1423
    [7] Ding, L., & Zou, D. (2024). Automated writing evaluation systems: A systematic review of Grammarly, Pigai, and Criterion with a perspective on future directions in the age of generative artificial intelligence. Education and Information Technologies, 29(11), 14151-14203. https://doi.org/10.1007/s10639-023-12402-3
    [8] Dizon, G., & Gayed, J. M. (2021). Examining the impact of Grammarly on the quality of mobile L2 writing. The JALT CALL Journal, 17(2), 74-92. https://doi.org/10.29140/jaltcall.v17n2.336
    [9] Fu, Q., Zou, D., Xie, H., & Cheng, G. (2022). A review of AWE feedback: Types, learning outcomes, and implications. Computer Assisted Language Learning, 37(2), 179-221. https://doi.org/10.1080/09588221.2022.2033787
    [10] Graesser, A. C., McNamara, D. S., Louwerse, M. M., & Cai, Zh. (2004). Coh-Metrix: Analysis of text on cohesion and language. Behavior Research Methods, Instruments, & Computers, 36(2), 193-202. https://doi.org/10.3758/BF03195564
    [11] Janda, H. K., Pawar, A., Du, Sh., & Mago, V. (2019). Syntactic, semantic and sentiment analysis: The joint effect on automated essay evaluation. IEEE Access, 7, 108486-108503. https://doi.org/10.1109/ACCESS.2019.2933354
    [12] Ke, Z., & Ng, V. (2019). Automated essay scoring: A survey of the state of the art. In Proceedings of the 28th International Joint Conference on Artificial Intelligence (pp. 6300-6308). IJCAI. https://doi.org/10.24963/ijcai.2019/879
    [13] Lu, X. (2012). The relationship of lexical richness to the quality of ESL learners’ oral narratives. The Modern Language Journal, 96(2), 190-208. https://doi.org/10.1111/j.1540-4781.2011.01232.x
    [14] Manning, C. D., & Schütze, H. (1999). Foundations of statistical natural language processing. MIT press.
    [15] Nunes, A., Cordeiro, C., Limpo, T., & Castro, S. L. (2021). Effectiveness of automated writing evaluation systems in school settings: A systematic review of studies from 2000 to 2020. Journal of Computer Assisted Learning, 38(2), 599-620. https://doi.org/10.1111/jcal.12635
    [16] Online Utility. Retrieved May 12, 2026, from https://www.online-utility.org/text/analyzer.jsp
    [17] Petchprasert, A. (2021). Utilizing an automated tool analysis to evaluate EFL students’ writing performances. Asian-Pacific Journal of Second and Foreign Language Education, 6(1), 1-16. https://doi.org/10.1186/s40862-020-00107-w
    [18] Road To Grammar. Retrieved May 12, 2026, from http://www.roadtogrammar.com/textanalysis/
    [19] Sinclair, J. (1991). Corpus, concordance, collocation. Oxford University Press.
    [20] Siregar, J., Nurlela, N., & Zein, T. T. (2023). An analysis of cohesive devices in EFL students’ essay writing. Indonesian Journal of EFL and Linguistics, 8(1). 39-53. https://doi.org/10.21462/ijefl.v8i1.577
    [21] Steiss, J., Tate, T., Graham, S., Cruz, J., Hebert, M., Wang, J., Moon, Y., Tseng, W., Warschauer, M., & Olson, C. B. (2024). Comparing the quality of human and ChatGPT feedback of students’ writing. Learning and Instruction, 91(1), 101894. https://doi.org/10.1016/j.learninstruc.2024.101894
    [22] Takaki, P., & Dutra, M. L. (2024). Text mining applied to distance higher education: A systematic literature review. Education and Information Technologies, 29(9), 10851-10878. https://doi.org/10.1007/s10639-023-12235-0
    [23] Textalyser. Retrieved May 12, 2026, from http://textalyser.net/
    [24] Text Analysis Online. Retrieved May 12, 2026, from http://textanalysisonline.com/
    [25] Text fixer. Retrieved May 12, 2026, from https://www.textfixer.com
    [26] Usingenglish. Retrieved May 12, 2026, from https://www.usingenglish.com/resources/text-statistics.php
    [27] Wulandari, R. S., & Harida, R. (2021). Grammatical error analysis in essay writing. DEIKSIS, 13(1), 73-81. https://doi.org/10.30998/deiksis.v13i1.5356
    [28] Zhou, T., Cao, S., Zhou, S., Zhang, Y., & He, A. (2023). Chinese intermediate English learners outdid ChatGPT in deep cohesion: Evidence from English narrative writing. System, 118, Article 103141. https://doi.org/10.1016/j.system.2023.103141
    [29] Zhu, H., Wang, T., & Pang, N. (2024). Diachronic changes in lexical density of research article abstracts: A corpus-based study. Lingua, 312(3), Article 103837. https://doi.org/10.1016/j.lingua.2024.103837
  •   کلمات کلیدی به فارسی : ابزارهای تحلیل متن، تحلیل متن رایانشی، خوانایی و چگالی واژگانی، ارتقاء کیفیت نگارش، نرم‌افزارهای پشتیبان زبان فارسی.
  •   چکیده مقاله به انگلیسی :
  •   کلمات کلیدی به انگلیسی :
  •  صفحات : 1-15
  •   دانلود فایل ( 1.66 MB )