აბსტრაქტი

ტექსტის კითხვადობის გაანალიზება და სირთულის შეფასება გადამწყვეტ როლს თამაშობს ტექსტური ინფორმაციის დამუშავებაში. საკითხი მნიშვნელოვანია სხვადასხვა სფეროებისთვის, როგორიცაა განათლება, ჯანდაცვა და ციფრული მედია. არსებობს ტექსტის გაანალიზების ტრადიციული ფორმულები, რომლებიც მიუხედავად იმისა, რომ მარტივია, ეყრდნობა ზედაპირული დონის მახასიათებლებს და ხშირად ვერ ახერხებს თანამედროვე ტექსტების სირთულის გაანალიზებას. თანამედროვე მანქანური დასწავლის ალგორითმები  გვთავაზობენ ძლიერ ალტერნატივას ლექსიკური, სინტაქსური, სემანტიკური მახასიათებლების გამოყენებით დამუშავდეს და გაანალიზდეს ნებისმიერი სირთულის ტექსტური ინფორმაცია. 

ეს სტატია იკვლევს მანქანური სწავლების სხვადასხვა ალგორითმის გამოყენებას, როგორიცაა კლასიკური  მოდელების და გაფართოებული ღრმა დასწავლის (deep learning) არქიტექტურები. განხილული იქნება LSTM და BERT მოდელები, რომელიც აანალიზებს და აფასებს ტექსტის წაკითხვის შესაძლებლობას. 

შედეგები აჩვენებს, რომ მანქანური დასწავლის თანამედროვე მეთოდები უკეთესად მუშაობს, ვიდრე ტრადიციულ წესებზე დაფუძნებული ფორმულები, რადგან ისინი უფრო ზუსტი, მოქნილი არიან და შეუძლიათ უფრო დიდი რაოდენობის მონაცემების მართვა. თუმცა, ჯერ კიდევ არსებობს გარკვეული გამოწვევები, როგორიცაა ტექსტის გაანალიზების მანქანური დასწავლის მოდელების გაუმჯობესება, რათა მორგებული იქნას სხვადასხვა საგნობრივ სფეროსთვის დამახასიათებელ ლექსიკაზე.

Abstract

Text readability assessment plays a vital role in ensuring that written content is accessible and appropriate for its target audience across domains such as education, healthcare, and digital media. Traditional readability formulas, while simple and interpretable, rely on surface-level features and often fail against complexity of modern texts. Machine learning (ML) offers a powerful alternative using a wide range of lexical, syntactic, semantic, and discourse-level features.

This article explores the application of various machine learning algorithms, including classical supervised models and advanced deep learning architectures such as LSTM and transformer-based models like BERT, which is  predicting and evaluating text readability. It also examines key datasets, feature engineering strategies, and performance evaluation metrics relevant to this task.  

The results show that machine learning methods work better than traditional rule-based formulas because they are more accurate, flexible, and can handle larger amounts of data. However, there are still some challenges, like making the models easier to understand, using different types of data, and making sure they work well in different subject areas.

  პრეზენტაცია