چکیده: چکیده‌ بسیاری از سیستم‌های بازیابی اطلاعات (IR) در پاسخ به درخواست‌های کاربران دچار نوسانات قابل توجهی در عملکرد هستند. حتی برای سیستم‌هایی که به طور میانگین عملکرد خوبی دارند، کیفیت نتایج پرسش برای برخی از درخواست‌ها پایین است. بنابراین، شایسته است که سیستم‌های IR قادر به شناسایی پرسش‌های "سخت" باشند تا بتوانند به‌طور مناسب به آن‌ها پاسخ دهند. درک دلایل ذاتی دشواری برخی پرسش‌ها در مقایسه با دیگران، برای پیشرفت در حوزه IR ضروری است و پاسخ مناسب به این پرسش مهم می‌تواند به موتورهای جستجو کمک کند تا نوسانات عملکرد را کاهش دهند و در نتیجه بهتر به نیازهای مشتریان خود پاسخ دهند. وظیفه‌ی پیش‌بینی عملکرد پرسش (QPP)، به عنوان تخمین اثربخشی بازیابی در غیاب قضاوت‌های مرتبط توصیف شده است و تخمین دشواری پرسش، تلاشی برای کمی‌سازی کیفیت نتایج جستجو است که برای یک پرسش خاص از مجموعه‌ای معین از اسناد بازیابی می‌شود. بنابراین، هدف ما در این پژوهش پیش‌بینی عملکرد پرسش با استفاده از معیارهای گراف است. این معیارها بر روی گرافی محاسبه می‌شوند که نودهای آن شامل اسناد بازیابی‌شده و یال‌های آن نشان‌دهنده شباهت بین این اسناد هستند. محاسبه شباهت اسناد با مدل‌سازی گراف، از طریق تکنیک جدید Sentence-BERT و تکنیک قدیمی و پراستفاده Word2Vec انجام می‌شود. همچنین، آزمایشاتی برای بررسی وابستگی عملکرد واقعی پرسش و دشواری تخمین‌زده‌شده پرسش از نظر ضرایب همبستگی پیرسون، اسپیرمن و کندال صورت گرفته است که این آزمایشات بر روی مجموعه داده MSMARCO انجام شده‌اند.