زمینه: تلاقی هوش مصنوعی (AI)، روانشناسی و زبان­شناسی کاربردی به ویژه در حوزه یادگیری زبان، مسیری جذاب را برای کاوش در فرآیندها و مکانیسم­های پیچیده زیربنایی شناخت انسان باز کرده است. الگوریتم ‌های یادگیری ماشینی این پتانسیل را دارند که اصول اساسی یادگیری زبان به‌ویژه درک مطلب را به عنوان متغیر اصلی یادگیری زبان روشن کنند ولی بررسی ادبیات این حوزه نشان داد تاکنون مطالعه­ای به بررسی مهم­ترین ویژگی­های نحوی و واژگانی مؤثر بر درک مطلب زبان آموزان انگلیسی با تکنیک­های یادگیری ماشین انجام نشده است.
هدف: هدف پژوهش حاضر شناسایی مهم­ترین ویژگی­های نحوی و واژگانی مؤثر بر درک مطلب زبان­ آموزان انگلبسی با تکنیک­های یادگیری ماشین نظارت شده بود.
روش: طرح پژوهش حاضر از نوع علّی مقایسه ­ای بود. جامعه آماری در این مطالعه شامل همه دانش­آموزان متوسطه دوم شهر تهران در سال 1402 بود که زبان انگلیسی را در مؤسسات آموزش زبان یاد می­ گیرند. از این میان با استفاده از روش نمونه ­گیری در دسترس 360 نفر از آن­ها انتخاب شدند. ابزار گردآوری داده ­ها شامل آزمون BALA (یانگ، 2022) به صورت کتبی و گفتاری بود. برای تحلیل داده­ها از الگوریتم­ های موجود در بسته نرم ­افزاری COVFEFE (کمیلی و سایرین، 2019) تحت نرم ‌افزار Python استفاده شد.
یافته­ ها: 260 ویژگی از متون کامپیوتری تهیه ‌شده از پاسخ‌ های گفتاری و نوشتاری زبان ‌آموزان با استفاده از الگوریتم‌ های پردازش زبان طبیعی (NLP) استخراج شد. سپس از مدل‌ های یادگیری درخت تصمیم، نزدیک ‌ترین همسایه، روش بردار پشتیبان، شبکه عصبی و روش خطی منظم برای پیش ‌بینی درک مطلب با استفاده از ویژگی ‌های زبانی استخراج ‌شده استفاده شد.
نتیجه ‌گیری: نتایج نشان داد که تغییرات درک مطلب خواندن زبان ‌آموزان را می ‌توان با استفاده از ویژگی‌ های دستوری و واژگانی استخراج ‌شده به خوبی مدل ‌سازی کرد. علاوه بر این، بیست ویژگی که بیشترین نقش را در تبیین واریانس دارند، شناسایی شد. این مطالعه نشان می ‌دهد که روش‌ های ML می‌ توانند بررسی دقیق فرآیندهای زبانی مربوط به درک مطلب را تعیین کنند.