چکیده: سیستم پرسش و پاسخ، یک سیستم خودکار جهت پاسخ به سؤالاتی است که توسط انسان در زبان طبیعی مطرح می‌شود. در این سیستم‌ها در صورتی‌که پاسخ مورد انتظار کاربر نبوده و یا کاربر، نیاز به دریافت اطلاعات بیشتر داشته باشد، امکان تبادل اطلاعات، بین سیستم و کاربر وجود ندارد. بنابراین برای رفع این معضل، سیستم‌های پرسش و پاسخ تعاملی بوجود آمدند. ارزیابی نقش مهمی در ارتقای سیستم‌های پرسش و پاسخ تعاملی ایفا می‌نماید. تحقیقات صورت گرفته در این زمینه نشان داده، تاکنون روش خاصی که به ارزیابی کلی این سیستم‌ها بپردازد، وجود نداشته و تنها امکان بهره‌گیری از روش‌های ارزیابی در سیستم‌های پرسش و پاسخ، سیستم‌های گفت‌وگو محور و استفاده از ارزیاب انسانی میسر می‌باشد. لذا ارائه یک راهکار مناسب جهت خودکار کردن روند ارزیابی سیستم‌های پرسش و پاسخ تعاملی، می‌تواند کمک شایانی به ارتقای این سیستم‌ها نماید. ارائه یک مدل به جای ارزیاب انسانی می‌تواند یک کار چالش برانگیز برای ارزیابی سیستم‌های تعاملی باشد بطوریکه خروجی مدل بتواند امتیاز داده شده توسط ارزیاب را پیش‌بینی نماید. بنابراین در این رساله تلاش شده است تا با تعیین و انتخاب پارامترهای مناسب در ارزیابی، یک مدل آماری برای ارزیابی سیستم‌های پرسش و پاسخ تعاملی ارائه گردیده تا در روند ارزیابی مورد استفاده قرار گیرد. هدف از ارائه مدل آماری، عدم وابستگی مدل به زبان سیستم تعاملی می‌باشد. در این راستا به منظور رسیدن به مناسب‌ترین مدل، چندین ویژگی آماری ایجاد و با استفاده از رگرسیون و برنامه‌نویسی بیان ژن به استخراج مدل پرداختیم. ابتدا، یک پایگاه داده از مکالمات صورت گرفته با چهار سیستم پرسش و پاسخ تعاملی ایجاد گردید. سپس استخراج ویژگی بر روی هر مکالمه صورت پذیرفت و در نهایت با استفاده از رگرسیون به استخراج مدل پرداختیم. با توجه به تعداد بالای ویژگی‌های پیشنهادی و برای جلوگیری از برازش خطا، بهترین ویژگی‌ها با استفاده از روش حذف ویژگی به روش بازگشتی انتخاب گردید تا مدل پیشنهادی بر اساس ویژگی‌های باقیمانده شکل گیرد. بهترین مدل ارائه شده با توجه به معیار ارزیابی جذر میانگین مربعات خطا، توسط رگرسیون لسو و سری توانی حاصل گردید. در ادامه برای رسیدن به مدل مناسب‌تر، برنامه‌نویسی بیان ژن مورد استفاده قرار گرفت. در اولین مرحله، یک معادله رگرسیونی جهت پیش‌بینی امتیاز ارزیاب‌ها براساس کل مکالمات صورت پذیرفت. در ادامه مکالمات به سه کلاس با امتیاز خوب، متوسط و ضعیف دسته‌بندی شدند و برای هر کلاس یک معادله رگرسیونی حاصل گردید. بنابراین برای یک مکالمه جدید، بعد از مرحله استخراج ویژگی و تخصیص آن به یک کلاس، می‌توان امتیاز را بر اساس مدل رگرسیونی، محاسبه نمود. با توجه به ارزیابی‌های صورت گرفته بر روی مدل، میزان میانگین خطای خروجی مدل نسبت به خروجی واقعی برابر با 09/0 حاصل گردید که نشان از ارائه مدل مناسب به منظور ارزیابی این سیستم‌ها می‌باشد. روش ارائه شده در این پژوهش نشان داد که اگر یک مجموعه استاندارد از مکالمات صورت گرفته بین کاربران و سیستم موجود باشد، می‌توان در صورت عدم وجود ارزیاب انسانی، امتیاز حاصل از ارزیابی را برای سیستم پرسش و پاسخ تعاملی پیش‌بینی نمود.