نگاهی مقایسه‌ای به چند نرم‌افزار کاربردی در حوزه تصحیح خودکار متن
  •   آرشیو : تابستان 1405
  •   کد پذیرش : 28364
  •   موضوع : سایر شاخه‌ها
  • نویسنده/گان : | ‌ محمدرضا فلاحتی قدیمی فومنی
  •   زبان : فارسی
  •   نوع مقاله : پژوهشی
  •   چکیده مقاله به فارسی : در عصر دیجیتال، نوشتار باکیفیت و عاری از خطا نقش حیاتی در ارتباطات علمی، آموزشی و حرفه‌ای ایفا می‌کند. نرم‌افزارهای تصحیح خودکار متن با هدف تسهیل و دقت‌بخشی به فرآیند ویرایش متون تولید شده‌اند. مقاله حاضر با روشی توصیفی-تحلیلی به بررسی سیر تکاملی، کاربردها، مزایا و محدودیت‌های این نرم‌افزارها می‌پردازد. یافته‌ها نشان می‌دهد این ابزارها امروزه قابلیت‌هایی فراتر از تصحیح املاء و دستور (از جمله تحلیل سبک، بهبود انسجام و حتی تشخیص سرقت ادبی) را ارائه می‌دهند. با این حال، تعدد و تنوع گسترده این نرم‌افزارها، انتخاب ابزار مناسب را برای کاربر به چالشی جدی تبدیل کرده است. این مسئله در مورد زبان‌هایی نظیر فارسی با چالش‌هایی اضافی مانند کمبود پیکره‌های آموزشی استاندارد همراه است. مقاله حاضر با مرور پیشینه پژوهشی، استدلال می‌کند که ارزیابی تطبیقی و نظام‌مند این نرم‌افزارها بر اساس معیارهای عینی یک ضرورت اجتناب‌ناپذیر است. محققان پس از بررسی 9 نرم‌افزار تصحیح متن به این نتیجه رسیدند که دو نرم‌افزار ویراستیار و ویراست لایو برای تصحیح متون فارسی مناسب‌تراند. نرم‌افزارهای ویرچوئال رایتینگ تیوتر، گرامرلی و پیپر ریتر به لحاظ سادگی و تمرکز بر زبان انگلیسی برای دانشجویان در انجام کارهای دانشجویی نظیر گزارش نویسی، تکالیف دانشجویی و... بسیار مناسب‌اند. از نظر تعداد زبان‌های تحت پوشش نیز نرم‌افزار لنگوئج تول بسیار مناسب است. چنانچه تمرکز کاربر بر روی ارتقاء کیفیت خوانش یا سبک متن باشد همینگوی ادیتور بهترین گزینه خواهد بود. همچنین در صورتی که کاربر به دنبال نرم‌افزاری باشد که بتواند به او در اصلاح متون حرفه‌ای و دانشگاهی کمک کند، بهترین گزینه گرامرلی و در رتبه بعدی لنگوئج تول خواهد بود.
  •   لیست منابع : 1) Burstein, J., Chodorow, M., & Leacock, C. (2004). Automated essay evaluation: The criterion online writing service. AI Magazine, 25(3), 27-36. https://doi.org/10.1609/aimag.v25i3.1774
    2) Chen, C. F., & Cheng, W. Y. (2008). Beyond the design of automated writing evaluation: Pedagogical practices and perceived learning effectiveness in EFL writing classes. Language Learning & Technology, 12(2), 94-112. https://doi.org/10.64152/10125/44145
    3) Chodorow, M., Gamon, M., & Tetreault, J. (2010). The utility of article and preposition error correction systems for English language learners: Feedback and assessment. ETS Research Report Series, 27(3), 419-436. https://doi.org/10.1177/0265532210364391
    4) Crossley, S. A. (2020). Linguistic features in writing quality and development: An overview. Journal of Writing Research, 11(3), 415-443. https://doi.org/10.17239/jowr-2020.11.03.01
    5) Dahlmeier, D., Ng, H. T., & Wu, S. M. (2013). Building a large annotated corpus of learner English: The NUS Corpus of Learner English. Proceedings of the Eighth Workshop on Innovative Use of NLP for Building Educational Applications, 22-31.
    6) Ehsan, N., & Faili, H. (2010). Towards grammar checker development for Persian language. In International Conference on Natural Language Processing and Knowledge Engineering (NLP-KE). IEEE. https://doi.org/10.1109/NLPKE.2010.5587839
    7) Knight, K., & Chander, I. (1994). Automated postediting of documents. Proceedings of the 12th National Conference on Artificial Intelligence, 779-784.
    8) Kukich, K. (1992). Techniques for automatically correcting words in text. ACM Computing Surveys (CSUR), 24(4), 377-439. https://doi.org/10.1145/146370.146380
    9) Labib, A., Wang, Q., Huang, Y., & Yuan, Zh. (2026). Multi-dimensional evaluation of LLMs for grammatical error correction. https://doi.org/10.48550/arXiv.2605.07635
    10) Pan, L., Saxon, M., Xu, W., Nathani, D., Wang, X., & Yang Wang, W. (2024). Automatically correcting large language models: Surveying the landscape of diverse self-correction strategies. Transactions of the Association for Computational Linguistics, 12, 484-506. https://doi.org/10.1162/tacl_a_00660
    11) Raheem, B. R., Anjum, F., & Ghafar, Z. N. (2023). Exploring the profound impact of artificial intelligence applications (Quillbot, Grammarly and ChatGPT) on English academic writing: A systematic review. International Journal of Integrative Research (IJIR), 1(10), 599-622. https://doi.org/10.59890/ijir.v1i10.366
    12) Septiani, R. E. (2025). Accuracy analysis of automated grammar checkers: A comparative study between Grammarly and Quillbot in detecting syntactic errors. International Journal of Research and Applied Technology, 5(2), 402-406. https://ojs.unikom.ac.id/index.php/injuratech
    13) Shen, Ch., Tian, J., & Qu, Sh. (2023). Examining the effects of automated writing evaluation (AWE) feedback on EFL learners’ revision and writing quality. In Proceedings of the 2023 4th International Conference on Education, Knowledge and Information Management (ICEKIM 2023) (pp.558-566). https://doi.org/10.2991/978-94-6463-172-2_60
    14) Wei, P., Wang, X., & Dong, H. (2023). The impact of automated writing evaluation on second language writing skills of Chinese EFL learners: A randomized controlled trial. Frontiers in Psychology, 14, 1249991. https://doi.org/10.3389/fpsyg.2023.1249991
  •   کلمات کلیدی به فارسی : پردازش زبان طبیعی، نرم‌افزارهای تصحیح متن، ارزیابی خودکار نوشتار ، ویراستیار، گرامرلی، سرقت ادبی، زبان فارسی.
  •   چکیده مقاله به انگلیسی :
  •   کلمات کلیدی به انگلیسی :
  •  صفحات : 67-83
  •   دانلود فایل ( 1.96 MB )