چکیده: چکیده برآورد میزان نقاط داستان در مدیریت پروژه‌ها با روش‌های چابک، نقش کلیدی در برنامه‌ریزی و تخصیص منابع دارد. روش‌های سنتی تخمین نقاط داستان، معمولاً به دلیل وابستگی به قضاوت‌های انسانی و عدم شفافیت، دارای خطای قابل‌توجهی هستند. این پژوهش، یک مدل یادگیری ماشین دسته‌بند مبتنی بر برت برای تخمین نقاط داستان را ارائه می‌دهد. این مدل علاوه بر افزایش دقت، با توضیح‌پذیر کردن نتایج آن می‌تواند اعتماد متخصصین را جلب کند. برای این منظور، داده‌های متنی مربوط به داستان پردازش شده و ویژگی‌های معنایی آن‌ها با استفاده از مدل از پیش‌آموزش‌یافته برت استخراج شده و در چهار دسته کوچک، متوسط، بزرگ و عظیم دسته‌بندی می‌شود. همچنین، این مدل با خوشه‌بندی نتایج با الگوریتم K-Means نتایج حاصل از مدل را توضیح‌پذیر می‌کند. نتایج حاصل از آزمایش‌ها نشان می‌دهد که مدل پیشنهادی با دقت 71/88% نقاط داستان را دسته‌بندی کرده و دقت بالاتری نسبت به روش‌های مشابه دارد و قادر است الگوهای پیچیده را در متن وظایف شناسایی کند. تحلیل خطاها نشان داده است که برخی وظایف ممکن است به دلیل شباهت‌های معنایی اشتباه دسته‌بندی شوند. به طور خاص این مدل در دسته‌های بزرگ و عظیم دقت کافی را دارد امّا در دسته‌بندی دسته‌های کوچک و متوسط می‌تواند دچار خطا شود. ارائه روشی سیستماتیک برای بررسی میزان اعتمادپذیری تخمین‌های مدل به تیم‌های توسعه نرم‌افزار امکان می‌دهد تخمین‌های نادرست را شناسایی و اصلاح کنند. این پژوهش نشان می‌دهد که استفاده از مدل‌های یادگیری ماشین قابل‌توضیح مبتنی بر برت در تخمین نقاط داستان، نه تنها باعث افزایش دقت تخمین می‌شود، بلکه درک بهتری از نحوه تصمیم‌گیری مدل را برای مدیران پروژه و تیم‌های توسعه فراهم می‌آورد. این امر می‌تواند منجر به بهبود فرآیندهای برنامه‌ریزی و کاهش هزینه‌های ناشی از تخصیص نامناسب منابع در پروژه‌ها شود.