ارائه چارچوبی برای تحلیل احساس در شبکه‌های اجتماعی بر مبنای تفسیر محتوا
الموضوعات :
مریم طایفه محمودی
1
,
امیرمنصور یادگاری
2
,
پروین احمدی
3
,
کامبیز بدیع
4
1 -
2 - گروه ارزيابي امنيت شبكه و سامانه ها، پژوهشكده امنيت ارتباطات و فناوري اطلاعات، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
3 - پژوهشگاه ارتباطات و فناوری اطلاعات
4 -
الکلمات المفتاحية: تفسير محتوا, تحليل احساس (سنجمان), شبكه اجتماعي, طبقات پیام, قواعد اگر-آنگاه,
ملخص المقالة :
تفسير محتوا با هدف تحليل احساس (سنجمان) راويان آن در شبكههاي اجتماعي، به علت حساسيت محتوا از منظر نقشی که در اطلاع‌رساني و آگاهي‌رساني به آحاد و گروه‌هاي انساني دارد، از اهمیت ویژهای برخوردار است. در اين مقاله، چارچوبي براي تحليل احساس بر روي محتواهاي پيچيده در شبكه اجتماعي ارائه مي‌شود كه با استفاده از قواعدی از نوع اگر-آنگاه كه در سطح انتزاع بالا تعريف شده‌اند، قادر است تا پيام مضموني مستتر در يك محتوا را براي كاربران شبكههاي اجتماعي طبقهبندي نموده و از اين طريق آنان را در حد امكان با اصل محتوا آشنا سازد. طبق اين چارچوب، مواردي از قبيل لحن/ آهنگ اداي كلام، همبافت انتشار محتوا و گزاره‌هاي كليدي در متن محتوا، در بخش مقدم از قاعده اگر-آنگاه و طبقات ممكنه از پيام مستتر در يك محتوا، در بخش تالي از قاعده قرار مي‌گيرد. شايان ذكر است كه قواعد صورت‌بندی‌شده پيشنهادي برای تفسیر محتوا، مستقلّ از زبانی است که محتوا با آن بیان شده و این امر ناشی از خاصيت ذاتی مؤلفه‌هایی است که برای تفسیر محتوا مورد اتکا قرار می‌گیرند. آزمون طيف قابل ملاحظه‌اي از محتواهاي گوناگون در شبكههاي اجتماعي حاكي از آن است كه چارچوب پیشنهادی از توانايي لازم براي تحليل احساس (سنجمان) راويان محتوا برخوردار است.
[1] رجبی، زينب، محمدرضا ولوی و مریم حورعلی، "مروری بر روش¬های تحلیل احساس در متون فارسی"، فصلنامه پردازش علائم و داده‌ها، شمارة 2 پیاپی 52، 1401.
[2] عسگریان، احسان، محسن کاهانی و شهلا شریفی، "حس نگار: شبکه واژگان حسی فارسی"، فصلنامه پردازش علائم و داده‌ها، شمارة 1 پیاپی 35، 1401.
[3] علی‌مردانی، سعیده، عبداله آقایی، "ارائة روش نظارتی برای نظرکاوی در زبان فارسی با استفاده از لغت‌نامه و الگوریتم "SVM، نشریه مدیریت فناوری اطلاعات دانشکده مدیریت دانشگاه تهران، دوره 7 شماره 2، 1394.
[4] E. Asgarian, M. Kahani and S. Sharifi, "The impact of sentiment features on the sentiment polarity classification in Persian reviews", Cognitive Computation, vol. 10, no.1, pp. 117- 135, 2018.
[5] R. Dehkharghani, "SentiFars: A Persian Polarity Lexicon for Sentiment Analysis", ACM Transactions on Asian and Low Resource Language Information Processing, vol. 19, no. 2, pp. 21, 2019.
[6] مرادی، مهدی، پروین خسروی‌زاده، و بهرام وزیرنژاد، "ساخت پیکره‌های نشانه‌گذاری‌شده با رویکرد وب به عنوان پیکره"، دومین هم‌اندیشی زبانشناسی رایانشی، تهران، 1391.
[7] نجف‌زاده، محسن.، سعید راحتی قوچانی و رضا قائمی، "یک چارچوب نیمه نظارتی مبتنی بر لغت نامه وفقی خودساخت جهت تحلیل نظرات فارسی"، فصلنامه پردازش علائم و داده‌ها، جلد ۱۵ شماره ۲، صفحه 89-102، 1397.
[8] E. Cambria, "An introduction to concept-level sentiment analysis", in Proceedings of Mexican International Conference on Artificial Intelligence, Springer, Berlin, Heidelberg, November 2013, pp. 478-483.
[9] E. Cambria, B. Schuller, Y. Xia, and C. Havasi, "New avenues in opinion mining and sentiment analysis", IEEE Intelligent systems, vol. 28, no.2, pp.15-21. 2013.
[10] N. Ofek, S. Poria, L. Rokach, E. Cambria, A. Hussain, and A. Shabtai, "Unsupervised commonsense knowledge enrichment for domain-specific sentiment analysis", Cognitive Computation, vol. 8, no. 3, pp. 467-477, 2016.
[11] Z. Rajabi, M. Valavi, and M. Hourali, "A model for enriching sentiment lexicon based on semantic knowledge base", in Proceedings of 10th Iranian C4I Conference, Iran, 2017.
[12] شمس، م.، براآنی، ا.، هاشمی، م.، " بهبود استخراج جنبه های متن با استفاده از دانش دامنه و گراف کلمات"، دو فصلنامه علمی-پژوهشی فناوری اطلاعات و ارتباطات، شماره 55، دوره 15، بهار 1402.
[13] J. D. Kumar, S. Qamar, S. R. Sangwan, W. Ding, and A. J. Kulkarni, "Ontology-based Natural Language Processing for Sentimental Knowledge Analysis Using Deep Learning Architectures", ACM Transactions on Asian and Low-Resource Language Information Processing 23, no. 1, pp.1-17, 2024.
[14] A. Sureka and D. Correa, "Generating domain-specific ontology from common-sense semantic network for target specific sentiment analysis", in Proceedings of the 5th International Conference of the Global WordNet Association. Mumbai, India, 2010.
[15] E. Kontopoulos, C. Berberidis, T. Dergiades, and N. Bassiliades, "Ontology-based sentiment analysis of twitter posts", Expert systems with applications, vol. 40, no.10, pp. 4065-4074, 2013.
[16] B. Agarwal, N. Mittal, P. Bansal, and S. Garg, "Sentiment analysis using common-sense and context information", Computational Intelligence and Neuroscience, vol. 2015.
[17] B. Agarwal, and N. Mittal, "Sentiment analysis using conceptnet ontology and context information", Prominent Feature Extraction for Sentiment Analysis, Springer, Cham, 2016, pp. 63-75.
[18] F. Amiri, S. Scerri, and M. Khodashahi, "Lexicon-based sentiment analysis for Persian text", In Proceedings of the International Conference on Recent Advances in Natural Language Processing, 2015, September, pp. 9-16.
[19] A. Bagheri, and M. Saraee, "Persian sentiment analyzer: A framework based on a novel feature selection method", International Journal of Artificial Intelligence, vol. 12, no.2, pp. 115-129, 2014.
[20] حاجی عبدالله، شقایق، و میرزارضایی، میترا، "بهبود شناسایی قطبش در تحلیل احساسات به کمک طعنه کاوی و الگوریتمهای یادگیری ماشین در توییت های فارسی"، دو فصلنامه علمی-پژوهشی فناوری اطلاعات و ارتباطات، شماره 53، دوره 14، پائیز-زمستان 1401.
[21] E. Vaziripour, C. Giraud-Carrier, and D. Zappala,"Analyzing the political sentiment of tweets in Farsi", in Proceedings of the 10th International AAAI Conference on Web and Social Media, March 2016.
[22] S. S. Sadidpour, H. Shirazi, N. M. Sharef, B. Minaei-Bidgoli, and M. E. Sanjaghi, "Context-sensitive opinion mining using polarity patterns", International Journal of Advanced Computer Science and Applications, vol. 7, no. 9, 2016.
[23] ابومحمد حرّانی، "تُحَفُ العقول عَن آلِ الرّسول (ص)"، ترجمه صادق حسن¬زاده، انتشارات آل علی (ع)، چاپ یازدهم، 1388.
[24] سید روح‌الله موسوی خمینی، "شرح حدیث جنود عقل و جهل"، مؤسسه تنظیم و نشر آثار امام خمینی، چاپ پنجم، 1380.
[25] Hilgard, E.R. (1980). The trilogy of mind: Cognition, affection, and conation. The Journal of the History of Behavioral Sciences, vol.16, 107-117.
[26] Kolbe, K. (1990). The Conative Connection: Acting on Instinct, Reading, MA: Addison-Wesley.
[27] Waisel, L. (2013). On KOLBE Capabilities and Research. Report: Kolbe Corp.
Journal of Information and
Communication Technology
Volume 16, Issue 59-60, Spring and Summer 2024, pp. 71-83
A Framework for Sentiment Analysis in Social Networks based on Interpreting Contents
Maryam Tayefeh Mahmoudi11, Amirmansour Yadegari2, Parvin Ahmadi1, Kambiz Badie3
1 Data Analysis & Processing Research Group, IT Research Faculty, ICT Research Institute, Tehran, Iran
2 Network & System Security Assessment Research Group, ICT Security Faculty, ICT Research Institute, Tehran, Iran
3 E-Content & E-Services Research Group, IT Research Faculty, ICT Research Institute, Tehran, Iran
Received: 01 January 2023, Revised: 10 March 2023, Accepted: 29 March 2023
Paper type: Research
Abstract
Interpreting contents with the aim of analyzing the sentiment of their narrators in social networks, holds a high significance due to the role of a content in disseminating information to the corresponding human groups. In this paper, we propose a framework for analyzing sentiment on complex contents in a social network according to which a set of if-then type rules defined at high abstraction level, would be able to classify the messages behind these contents. According to this framework, items such as prosodic, context and key propositions are considered in the condition part of a rule and possible classes of message are taken into account in a rule’s action part. It is to be noted that the rules proposed for interpreting a content do not depend on the considered language due to the very inherent property of the items which are considered in interpretation. Results of experiments on a wide range of different contents in a social network support the fact that the proposed framework is sufficiently capable of analyzing the sentiments of contents’ narrators.
Keywords: Interpreting content, sentiment analysis, social network, classes of message, if-then type rules.
ارائه چارچوبی برای تحلیل احساس در شبکه‌های اجتماعی بر مبنای تفسیر محتوا
مریم طایفه محمودی12، امیرمنصور یادگاری2، پروین احمدی1، کامبیز بدیع3
1 استاديار، گروه سامانه‌های پردازش و تحلیل داده‌ها، پژوهشکده فناوری اطلاعات، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
2 مربی، گروه ارزيابي امنيت شبكه و سامانه ها، پژوهشكده امنيت ارتباطات و فناوري اطلاعات، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
3 استاد، گروه خدمات و محتوای الکترونیکی، پژوهشکده فناوری اطلاعات، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران
تاریخ دریافت: 11/10/1401 تاریخ بازبینی: 19/12/1401 تاریخ پذیرش: 09/01/1402
نوع مقاله: پژوهشی
چکيده
تفسير محتوا با هدف تحليل احساس (سنجمان) راويان آن در شبكههاي اجتماعي، به علت حساسيت محتوا از منظر نقشی که در اطلاع‌رساني و آگاهي‌رساني به آحاد و گروه‌هاي انساني دارد، از اهمیت ویژهای برخوردار است. در اين مقاله، چارچوبي براي تحليل احساس بر روي محتواهاي پيچيده در شبكه اجتماعي ارائه مي‌شود كه با استفاده از قواعدی از نوع اگر-آنگاه كه در سطح انتزاع بالا تعريف شده‌اند، قادر است تا پيام مضموني مستتر در يك محتوا را براي كاربران شبكههاي اجتماعي طبقهبندي نموده و از اين طريق آنان را در حد امكان با اصل محتوا آشنا سازد. طبق اين چارچوب، مواردي از قبيل لحن/ آهنگ اداي كلام، همبافت انتشار محتوا و گزاره‌هاي كليدي در متن محتوا، در بخش مقدم از قاعده اگر-آنگاه و طبقات ممكنه از پيام مستتر در يك محتوا، در بخش تالي از قاعده قرار مي‌گيرد. شايان ذكر است كه قواعد صورت‌بندی‌شده پيشنهادي برای تفسیر محتوا، مستقلّ از زبانی است که محتوا با آن بیان شده و این امر ناشی از خاصيت ذاتی مؤلفه‌هایی است که برای تفسیر محتوا مورد اتکا قرار می‌گیرند. آزمون طيف قابل ملاحظه‌اي از محتواهاي گوناگون در شبكههاي اجتماعي حاكي از آن است كه چارچوب پیشنهادی از توانايي لازم براي تحليل احساس (سنجمان) راويان محتوا برخوردار است.
کلیدواژگان: تفسير محتوا، تحليل احساس (سنجمان)، شبكه اجتماعي، طبقات پیام، قواعد اگر-آنگاه.
[1] * Corresponding Author’s email: mahmodi@itrc.ac.ir
[2] * رایانامة نويسنده مسؤول: mahmodi@itrc.ac.ir
1- مقدمه
دنیای امروز ما با پدیده فناورانه شگرفی تحت عنوان شبكههاي اجتماعي که تمامی ابعاد زندگی روزمره را در سطوح فردی، اجـتماعی، سـازمانی، مـلی، منطقه‌ای و بین‌المـللی تحـت‌الشـــعاع قرار داده، رویاروی گردیده است. آنچه در این میان بیش از هر نکته دیگر حائز توجه است، تجلیات این پدیده شگرف بر روی ابعاد فرهنگی و اجتماعی جوامع انسانی، از منظر نحوه تعامل، محتوای تعامل، مضامین مورد علاقه و حس آزاد بودن در بیان باورها علائق و نیّات آحادی است که در این فضا به جولان می‌پردازند. بدین منوال در شبكه هاي اجتماعي با حجم بیشماری از محتوا مواجه خواهیم بود که به نوعی انعکاس‌بخش این باورها، علائق و نیّات هستند. طبیعی است که رصد این محتواها و تحليل سنجمان آنها در قالبی سامان‌یافته، چه به کمک انسان و چه در قالب آمیزهای از انسان و ماشین، می‌تواند نقش به‌سزایی را در شناخت نیّات، علائق و عواطف آحاد انسانی در یک جامعه ایفاء نماید.
شایان ذکر است که مقاله حاضر بر آنچه مخاطب از محتوای منتشرشده در شبكه هاي اجتماعي فهم و درک می‌کند، متمرکز است و سعی دارد که با لحاظ نمودن عوامل مختلف مؤثر یا دخیل در احوال و ابعاد مرتبط با محتوا، به تفسیری قابل اتکا از آن دست یابد. قابل اتکا بودن تفسیر، از یک منظر، از روش تفسیری به کارگرفته‌شده نشأت میگیرد. به این معنا که به کارگیری روش، غالباً به نتایج تفسیری مشابه یا مرتبط با هم منتج گشته و پراکندگی تفاسیر محتمل برای یک مطلب مشخص، عملاً ناچیز باشد. برای این منظور، می‌بایست به عنوان یک رویکرد اساسی به مسأله تفسیر محتوا، مشخصات گوینده و شرایط ابراز آن، مدّنظر قرار گیرد. چنین امری به معنای آن است که در خلال فرآیند تفسیری مدّنظر، موضوع تحلیل عواطف و احساسات گوینده نیز عملا در دستور کار قرار میگیرد. از این رو، حل مسأله تفسیر، نوعی از حل مسأله تحلیل احساس (سنجمان) را نیز منتج می‌دهد. به عبارت دیگر، میتوان گفت که برای حل مسأله تحلیل احساس (سنجمان)، از رویکردهای تفسیری چندعامله نیز میتوان بهره برد و از این رهگذار، ره‌آوردهای مطئمن‌تری نسبت به شیوه‌های رایج تحلیل احساس (سنجمان) حاصل کرد.
آنچه مقاله حاضر به آن می‌‌پردازد، سامان‌بخشی به قواعدی از نوع اگر-آنگاه است که در پرتو اطلاعات دریافتی از محتواهای رؤیت‌شده، این توانایی را در اختیار می‌گذارد تا به طبقه‌بندی پیام مضمونی مستتر در یک محتوا، که نمایانگر احساس (سنجمان) گوینده محتواست، بپردازند. طبقاتی که در این پروژه مدّنظر قرار گرفته‌اند، برگرفته از صفات پایه‌ای است که به تعبیری منعکس‌کننده گرایش ذهنی و عاطفی راوی محتوا (و یا عناصر انسانی شرکت کننده در محتوا) نسبت به مضامین اقتصادی، اجتماعی، فرهنگی، سیاسی و زیست‌محیطی حاکم در جامعه است. با عنایت به این که در این ارتباط ملاحظاتی در قلمرو حاکمیت، ملّیت، دیانت، فرهنگ و علم نیز مدّنظر است، لذا در چارچوب پیشنهادی برای به‌کارگیری قاعده‌های اگر-آنگاه، سعی گردیده تا طبقات شناسایی‌شده برای پیامهای مضمونی، در نهایت امر منطبق بر خاستگاه این ملاحظات نیز باشند. شایان توجه است که رویکردهای متعارف در تحلیل احساس (سنجمان) عمدتاً بر روی محتواهایی که از پیچیدگی خاص برخوردارند صورت نگرفته است، لذا رویکرد پیشنهادی در مقاله حاضر، می‌تواند چارچوب جدیدی برای تحلیل سنجمان در قبال محتواهای پیچیده تلقی گردد.
2- مروری بر کارهای انجام‌شده
تحلیل احساس/سنجمان یا نظرکاوی روشی برای پی بردن به نظر، احساس، ارزیابی‌ها، گرایشها و تمایلات افراد، در مواجهه با محتواهاي ساختنيافته، نسبت به موجودیت‌هایی مانند محصولات، خدمات، سازمان‌ها، افراد، قضایا و موضوعات مختلف است. امروزه، با گسترش توليد محتوا بر روي شبكههاي اجتماعي، تحليل نظرات و احساس كاربران درشبكههاي اجتماعي از اهميت ويژه‌اي برخوردار گرديده است.
در حوزه دادههاي متني، طبقهبندي روشهای تحلیل احساس معمولاً با توجه به روش به‌کار بردهشده برای طبقه‌بندی قطبیت متون، ویژگی مورد استفاده و همبافت1 (اطلاعات مکان، زمان، منبع انتشار، دامنه و حوزه مورد بحث و ...) انجام مي‌گيرد.
در اين راستا، روشهاي بهكار بردهشده را ميتوان در حالت كلي به سه دسته پیوندگرا (شبکه‌های عصبی)، نمادگرا2 و تحلیلی عادي3 طبقهبندي نمود. ويژگيهاي مورد استفاده را نيز ميتوان از سه دسته تکواژه، مجموعه ساده واژگان و گراف واژگان برگزيد. از منظر همبافت نيز عموماً ميتوان دو دسته وابسته به همبافت و غیروابسته به همبافت را مد نظر قرار داد. شکل 1، بر اساس نتایج حاصل از مطالعات مروری، یک طبقه‌بندی از روشهاي رایج تحليل احساس متني را از منظرهای مختلف نشان مي‌دهد.
[1] Context
[2] Symbolic
[3] Analytical
شکل 1. دستهبندی روشهاي متداول تحليل احساس در محتوای متني (بر اساس نتایج مطالعات مروری)
2-1- روشهای تحلیل احساس از منظر ویژگی
مهمترین شاخص، در تجزیه و تحلیل قطبیت داده‌های متنی، واژگان حسی1 یا واژگان نظر2 هستند. این واژگان، کلماتی هستند که برای بیان احساسات مثبت یا منفی مورد استفاده قرار می‌گیرند.
قطبیت یک متن بر اساس قطبیت مجموع کل واژگان حسی مثبت یا منفی موجود در آن تعیین میشود ]1[. برای این منظور، واژگان برگرفته از لغت‌نامه‌های موجود همانند ]2[ تا ]5[ یا پیکره نظرات کاربران در مورد یک موضوع خاص همانند ]6[ و ]7[ و یا هر منبع دیگری، با روشهای دستی، خودکار و یا نیمهخودکار برچسب‌گذاری و در نهایت واژه‌نامه‌‌ای تهیه میشود که حاوی مجموعه‌ای از واژگان به همراه قطبیت آنها است. اما از آن‌جا که استفاده از تک واژگان حسی به خوبی نمی‌تواند قطبیت یک متن را مشخص کند، در پژوهش‌های متعددی]8 [تا ]11[ سعی شده بر اساس رخداد همزمان تعدادی واژه در قالب عبارت‌های چندکلمه‌ای یا گرافی از واژگان، به تحلیل احساس (سنجمان) بپردازند. این رویکردها معمولاً بر روی تجزیه و تحلیل معنایی متن با استفاده از هستان‌شناسی یا شبکه‌های معنایی تمرکز دارند، که اجازه تجمیع اطلاعات مفهومی و عاطفی در ارتباط با نظرات زبان طبیعی را می‌دهند ]1[. در چنین روش‌هایی، به جای استفاده ناآگاهانه از کلمات کلیدی یا واژگان حسی و شمارش تعداد کلمات هم‌رخداد، به ویژگیهای ضمنی در ارتباط با مفاهیم زبان طبیعی تکیه میشود. بر خلاف روشهای مبتنی بر تک واژه، روشهای مبتنی بر مفهوم قادر به تشخیص قطبیت متونی که به‌صراحت احساسی منتقل نمی‌کنند، هستند و تلاش میکنند به‌طور ضمنی از طریق پیوند با دیگر مفاهیم به قطبیت متن دست پیدا کنند ]12[.
2-2- روشهای تحلیل احساس از منظر همبافتی
در مسئله تحلیل احساس کلاسیک، قطبیت هر متن مستقل از دامنه‌ای که متعلق به آن است محاسبه میشود در حالیکه دامنه سخن و حوزه گفتگو تاثیر به¬سزایی روی تعیین قطبیت دارد. همچنین کلمات در حوزه‌های مختلف دارای معانی متفاوت می-باشند و بی‌توجهی به تعیین معانی آنها می‌تواند نتایجی ضعیف را به همراه داشته باشد ]12[. به طور کلی، تحلیل احساس (سنجمان) فقط بر اساس واژگان و بدون در نظر گرفتن همبافت معمولاً با نتایج خوبی همراه نیست. به ویژه، در نظر گرفتن همبافت در تحلیل نظرات کاربران در شبکه‌های اجتماعی تاثیر زیادی در دقت تحلیل‌ها خواهد داشت. به همین دلیل، در تحقیقات متعددی ]13[ تا ]17[، تلاش شده اطلاعات مربوط به دامنه و حوزه مورد بحث، شرایط و مقتضیات مسأله و … نیز در نظر گرفته شود.
2-3- روشهای تحلیل احساس از منظر روش طبقه‌بندی
برای طبقه‌بندی متون به قطبیت‌های مختلف، میتوان همانند آنچه در ]18[ انجام شده، از روشهای ساده آماری و یا همانند بسیاری از پژوهش‌ها ]19[ تا ]22[ از روشهای پیچیده‌تری مانند الگوریتمهای یادگیری ماشین استفاده نمود. روشهاي مبتني بر يادگيري ماشين مشتمل بر روشهاي يادگيري بانظارت، بدون نظارت و نیمه نظارتی هستند که از جمله آنها میتوان به روشهاي قاعده‌پي، درخت‌هاي تصميم، جنگل تصادفي، ماشين بردار پشتيبان، k امين نزديكترين همسايه و... اشاره نمود.
با توجه به بررسي‌هاي انجام شده، ميتوان ادعا کرد که، هرچند پيشرفت‌هاي بسياري جهت انجام و خودكارسازي تحليل احساس از منظرهاي گوناگون بعمل آمده، لیكن پاسخگوی پيچيدگيهاي شبكههاي اجتماعي نیست و به دليل وجود چالش‌هاي معنايي در تشخيص ذهنيت، لحن بيان ( طعنه، نفي و...)، تعدد نظرات در خصوص يك محتوا و وابستگي به دامنه و همبافت فرهنگي، اجتماعي و...، نياز به آن می‌رود که رويكردهايي مبتني بر شاخص‌هاي فرهنگي و اجتماعي نیز جهت تفسير محتوا مطرح گردند. جهت فائق آمدن بر چنين کاستی‌هايي، در اين مقاله افقي جهت تحليل احساس (سنجمان) در شبكههاي اجتماعي بر مبناي تفسير محتوا و برپایه قواعد معنايي ارائه مي‌گردد.
از طرفي، در روشهای تحلیل احساس (سنجمان) و مدلسازی نظر که تاکنون ارائه شده، صرفاً تشخیص قطبیت احساس و نظر مولف (به عنوان مثال منفی، مثبت و خنثی) مد نظر قرار مي‌گيرد. در این مقاله رویکردی ارائه میشود که در پرتو استفاده حداکثری از توانمندی‌های بالفطره قواعد از نوع اگر-آنگاه، بتوان نیت يا نگرش مولف را از منظر معنایی در حيطه امكان به قضاوت گذاشت. شايان ذكر است كه نکته قوت و قدرت رویکرد ارائه شده در این مقاله برای استخراج نظر ، این است که با ارائه تعداد محدودی از قاعده‌های از نوع اگر-آنگاه، میتوان کلیه متون حاوی نظر را پوشش داده و بدين ترتيب نیت و نگرش مولف را از آنها استخراج نمود.
با توجه به توضيحات ارائه شده، رویکرد اتخاذ شده در این مقاله برای تحلیل احساس، یک رویکرد وابسته به همبافت (با توجه به مقتضیات مساله) ، مبتنی بر طبقه‌بندی نمادگرا (قاعده پایه) است كه استفاده از ویژگی مجموعه ساده واژگان را دستور كار خود قرار مي‌دهد.
3- رویکرد پیشنهادی
3-1- ایده پایه (گزارههای معنایی برای تحلیل احساس)
در اين مقاله جهت تحليل احساس (سنجمان)، از گزاره‌هاي معنايي‌اي استفاده شده است که از نوعی ساختار ایجابی یا روال گونه (از نوع قاعده اگر-آنگاه) دارای مقدم و تالی بوده و در بخش مقدم آن مجموعه‌ای از شروط در قالب گزارههای معنایی مطرح میگردد. طبیعتاً در چنین رویکردی، تالی این روال نهایتاً حاکی از نوعی پيام مضمونی است که به تعبیری نمایانگر وضعیت یک محتوا از منظر پيام مضموني است كه به آن تعلق مي گيرد. حال سؤال اینجاست که این گزارههای معنایی که در بخش مقدم یک قاعده روالگونه قید می‌گردند، از کجا نشأت می‌گیرند. یا به عبارتی دیگر، عوامل اصلی دخیل در شکل‌گیری پيام مضموني یک محتوا چیست.
با نگاهی اجمالی بر نحوه حضور یک محتوا در فضای مجازی (رایاسپهر)، گزاره‌هاي معنايي را كه در شكل گيري پيام مضموني يك محتوا دخيل هستند، مي توان به شرح زیر خلاصه كرد:
همبافت انتشار محتوا که عمدتاً حکایت از آن دارد که محتوای مربوطه در چه زمان، مکان، موقعیت و یا توسط چه منبعی انتشار داده شده است.
لحن (آهنگ ادای) کلام که حاکی از آن است که فرد راوی (روایت کننده) یک متن، یک تصویر/ ویدئو و یا تلفیقی از آنها، با چه نیت یا غرضی در شکل دهی آن نقش داشته است. این نیت یا غرض می‌تواند از جنس نوعی تقدیر/ تشویق/ تبلیغ/ ...، و یا بالعکس از جنس نوعی اعتراض/ گلایه/ انتقاد/کنایه/ تحقیر/ ... باشد. نکته حائز اهمیت در خصوص لحن کلام، تشخیص سنجیده آن توسط كاربر شبكه هاي اجتماعي است که با توجه به پیچیدگی‌های فطری یک متن، نیاز به ممارست خاص دارد. ضمناً به این نکته نیز باید توجه داشت که در حالت کلی دو نوع روایت در دو سطح مختلف، حاکم بر فضای یک محتواست. روایت نوع اول همان روایتی است که لحن کلام در خصوص آن اهمیت می‌یابد و روایت نوع دوم روایت (نقل قول) مستتر در متن محتوا توسط یک شخصیت حقیقی یا حقوقی است که زیربنای آرگومان (کلام) راوی سطح اول را تشکیل می‌دهد. آنچه ما به طور خاص به آن می‌پردازیم، لحن کلام مرتبط با راوی سطح اول است.
گزارههای معنایی کلیدی در متن محتوا که به نوعی آشکارکننده لُبّ آن متن از منظر پیامی است که قصد تفهیم آن به مخاطبین مي‌رود.
شایان ذکر است که با عنایت به جایگاه رفیع صفات الهی و مصادیق مثبت (در خصوص سازگار بودن این صفات) و بالعکس مصادیق منفی (که حکایت از سازگار نبودن این صفات دارد)، بر آن شدیم که در بخش تالی یک قاعده، پنج طبقه اصلی برآمده از این صفات را به عنوان طبقات ممکنه برای کلیت مضمون یک محتوا مد نظر قرار دهیم. این پنج طبقه عبارت‌اند از: همیاری/ رواداری، حیا/ حرمت باوری، صداقت/ عدالت باوری، دانستن/ اندیشیدن و تعالی باوری.
جهت احصاء طبقات پنجگانه پيام‌‌های مضمونی، از یکسو از حدیث شریف جنود عقل و جهل ]23[ و ]24[ که از جامعیت و انتزاع کافی در پوشش تمامی ابعاد مورد نظر برخوردار است، استفاده شده است. حدیث مذکور، هفتاد جفت فضیلت و رذیلت اخلاقی را به عنوان لشکریان عقل و لشکریان جهل برشمرده شده است که پس از انجام چند مرحله کدگذاری به منظور افزایش سطح انتزاع و تقلیل داده‌ها و رسیدن به مفاهیم اساسی، مجموعاً پنج مجموعه پيام مضمونی پوشا و پویا حاصل گردید که هریک، بیانگر یک طبقه از پیامهای مضمونی نهفته در محتواها خواهند بود.
از سوی دیگر و از نقطهنظر هستان‌شناسانه، طبقات پنجگانه فوق‌الذکر، در ذیل سه مفهوم اساسی خرد، باور و مهر که از دیرباز در نوشتار بزرگان حکمت و معرفت مطرح بوده، قابل دستهبندی میباشند. مفاهیم سهگانه مذکور، با سهگانه معروف ذهن ]25[ که در حوزه روانشناسی نیز جایگاه دیرینهای دارد و طبقهبندیهای متناظر دیگری مبتنی بر آن در متون جدیدتر ]26[ و ]27[ شکل گرفته است، همسو میباشند. در شکل 2 و بر اساس ادبیات مذکور، تناظری میان مدل ذهن و سهگانههای دیگر شکلگرفته بر مبنای آن با سهگانه خرد، باور و مهر و در نتیجه طبقات پنجگانه پیامهای مضمونی مورد استفاده در مقاله حاضر نمایش داده شده است.
توصیفهای مدنظر در مقاله حاضر در خصوص هریک از طبقات پنجگانه به شرح ذیل میباشد:
· عدالت/صداقت باوری آنجایی است که امری مهم و حیاتی جامه عمل به خود پوشانیده و از هرگونه عملی که حقوق و کرامت انسانی را به خطر می‌اندازد، پرهیز گردد.
· حیا /حرمت باوری آنجایی است که انسان در حیطه آگاهی و اراده خود از دست زدن به هرگونه اقدام شرم‌آگین که جامعه و طبیعت پیرامونی را به سخره می‌کشد، پرهیز می‌ورزد.
شکل 2. ریشههای مفهومی طبقات پنجگانه مضامین مستتر در محتوا
· همیاری / رواداری آنجایی است که انسان از دست زدن به اقداماتی که یاریرسان دیگران برای رسیدن به آرامش و آسایش است، طفره نمیرود.
· جایگاه دانستن / اندیشیدن ایجاب می‌کند که انسان در مسیر دستیابی به چارچوب‌های کارآمد برای تحقق اهداف خود، از دانستن بیشتر و تعمق بر موارد دانسته شده و تجربه شده دریغ ننماید.
· تعالی باوری آنجایی است که انسان کلافه از ناملایمات زندگی و امور ناپسندی که در حول و حوش او رخ می‌دهد، هرچه بیشتر به اهمیت جنبه‌های معنوی زندگی پی برده و با سخت‌کوشی، نیایش و تفکر، خویشتن را دستخوش تزکیه سازد.
3-2- قواعد پیشنهادی
در این مقاله، علاوه بر مدون نمودن منطق اصلی طرح‌ریزی قواعد مناسب برای مطالعه نظام‌مند وضعیت فرهنگی و اجتماعی شبكههاي اجتماعي (یا به عبارتی سنجش بار فرهنگی و ارزشی / تحليل احساس (سنجمان) محتواهای مورد تبادل در شبكه اجتماعي)، قواعد طرح ریزی شده در یک مجموعه منتخب (به عنوان جامعه آماری نمونه) از محتواهایی با موضوعات متنوع، در بسترهای پرکاربرد شبکه‌های اجتماعی مانند: توئیتر، تلگرام و اینستاگرام، به شرحی که خواهد آمد به محک آزمون گذاشته شدند تا جامعیت و پوشایی آنها مورد تأیید قرار گیرد. قاعدتاً دو هدف عمده از چنین آزمونی مد نظر بوده است: یکی این که قدرت پاسخگویی قواعد به تفسیر و تحليل احساس (سنجمان) انواع محتوا بررسی شود و دیگر این که متناسب با نتایج آزمون و کاستی‌های احتمالی موجود در قواعد طرح‌ریزی شده، راه کارهای بازتنظیمی/ باز طراحی برای پوشش حداکثری (در امر تفسیر) انواع محتوا نیز شناسایی و در نسخ ارتقاء یافته قواعد تدوین گردد. نهایتاً، با توجه به بررسی‌هایی که در تحلیل نمونه محتواهای مختلف به عمل آمد، مجموعه قواعدي در رابطه با هریک از پنج طبقه مضمونی در سطح انتزاع بالاتر حاصل شدند كه برخي از آنها در جدول 1 ارائه شده است.
3-3- سازوکار چارچوب پیشنهادی بر اساس قواعد
سازو كار چارچوب پيشنهادي بر مبناي فازها و قواعد بكار گرفته شده همراه با مثالي در قالب شكل 3 نشان داده شده است:
مرحله 1: تشخیص "لحن ادای کلام راوی" و شناسایی "همبافت" محتوا با در نظر گرفتن مواردی از قبیل "منبع انتشار"، "زمان"، "مکان" و "موقعیت" ای که محتوا در آن ارائه گردیده است.
مرحله 2: استخراج "گزارههای مضمونی" کلیدی از متن محتوا
شایان ذکر است که منظور از گزارههای مضمونی کلیدی، گزاره‌هایی هستند که در ارتباط با مسائل مطروحه در شبكه هاي اجتماعي، بیش از هر چیز از منظر پنج طبقه کلی که مرتبط با "تعالی باوری"، "حیا/حرمت باوری"، "صداقت/عدالت باوری"، "همیاری/ رواداری" و "دانستن/اندیشیدن" است، حائز اهمیت می باشد.
مرحله 3: تعیین قاعده ( یا قواعد) مناسب جهت طبقه‌بندی کلی پیام مضمونی برپایه موارد به دست آمده در مراحل 1 و 2
مرحله 4: اعلام طبقه یا طبقات کلی پیام مضمونی بر مبنای قاعده‌های فعال شده به ازای مرحله 3
مرحله 5: تبیین نتایج به دست آمده در مرحله 4 از منظر ملاحظات پنجگانه در شبكه اجتماعي به عنوان نتیجه (نتایج) نهایی
[1] Sentiment words
[2] Opinion words
جدول 1. نمونه‌هايي از قواعد مرتبط با طبقات مضموني
طبقه مضموني | نمونه قاعده |
صداقت / عدالتباوری | اگر لحن کلام راوی، حاکی از نوعی اعتراض/گلایه/کنایه باشد نسبت به حضورامری مهم و حیاتی (در شرایط ناآگاهانه/ غیرارادی عنصر مخدوشگر)، تو گویی که فرد راوی به دنبال سلب صداقت و عدالت باوری است. |
اگر لحن کلام راوی، حاکی از نوعی اظهار/ تقدیر/ تشویق/ تبلیغ باشد، نسبت به مخدوش شدن نوعی کمک و یاری رسانی به افراد خاطی و معاند، تو گویی که فرد به دنبال صداقت/ عدالت باوری است. | |
حیا/ حرمت باوری | اگر لحن کلام راوی، حاکی از نوعی اعتراض/گلایه/کنایه باشد نسبت به مخدوش شدن امری مهم و حیاتی (در شرایط آگاهانه/ ارادی عنصر مخدوشگر)، تو گویی که فرد راوی به دنبال حیا و حرمت باوریاست. |
اگر لحن کلام راوی، حاکی از نوعی اظهار/ تقدیر/ تشویق/ تبلیغ باشد نسبت به حضور امری مهم و حیاتی (در شرایط آگاهانه/ ارادی عنصر مخدوشگر)، تو گویی که فرد راوی به دنبال حیا و حرمت باوریاست. | |
رواداری / همیاری | اگر لحن کلام راوی، حاکی از نوعی اعتراض/گلایه/کنایه باشد، نسبت به مخدوش شدن نوعی کمک و یاری رسانی به افراد غیرخاطی و غیر معاند، تو گویی که فرد راوی به دنبال همیاری/ رواداری است. |
اگر لحن کلام راوی، حاکی از نوعی اظهار/ تقدیر/ تشویق/ تبلیغ باشد، نسبت به حضور نوعی کمک و یاری رسانی به افراد غیرخاطی و غیر معاند، تو گویی که فرد راوی به دنبال همیاری/ رواداری است. | |
دانستن / اندیشیدن | گر لحن کلام راوی، حاکی از نوعی اعتراض/گلایه/کنایه باشد، نسبت به مخدوش شدن امر دانستن و اندیشیدن، تو گویی که فرد راوی به دنبال صحه گذاری برجایگاه/ اهمیت دانستن و اندیشیدن است. |
اگر لحن کلام راوی، حاکی از نوعی اظهار/ تقدیر/ تشویق/ تبلیغ باشد، نسبت به حضور امر دانستن و اندیشیدن، تو گویی که فرد راوی به دنبال صحه گذاری برجایگاه/ اهمیت دانستن و اندیشیدن است. | |
تعالیباوری | اگر لحن کلام راوی حاکی از نوعی اظهار/ تقدیر/ تشویق/ تبلیغ باشد نسبت به مخدوش شدن تعالی ارزش‌های انسانی و جنبه‌های معنوی در او ، تو گویی که فرد راوی به دنبال تعالی باوری نیس |
اگر لحن کلام راوی حاکی از نوعی اعتراض/گلایه/کنایه باشد نسبت به حضور تعالی ارزش‌های انسانی و جنبه‌های معنوی در او ، تو گویی که فرد راوی به دنبال تعالی باوری نیست. |
شکل 3. مثالي در خصوص تحليل احساس مبتني بر چارچوب پيشنهادي
شایان ذکر است که طی این فرآیند، کارشناس می باید به این نکته توجه نماید که گزارههای مضمونی مستخرج از متن محتوا با لحاظ کردن همبافت حاکم بر محتوا، در عمل به کدام (کدامین) این ملاحظات از لحاظ ماهوی نزدیکتر است.
شكل 3 در قالب يك مثال، مراحل تحليل احساس (سنجمان) را طبق چارچوب و قواعد پيشنهادي بیان مینماید. به عنوان مثال، نمونهاي از تفسير متن مبتني بر چارچوب و قواعد ارائه شده، در شكل 4 ارائه شده است.
شکل 4. نمونه اي از تفسير محتوا مبتني بر چارچوب پيشنهادی
4- اعتبارسنجی
جهت سنجش روش ارائه شده در این مقاله، دو رویکرد اتخاذ شده است. در رویکرد اول به بررسی میزان صحت و اعتبار قواعد پیشنهادی پرداخته میشود، حال آنكه در رویکرد دوم با فرض صحت این قواعد، توانایی اين قواعد در طبقهبندي صحيح محتوا مورد ارزیابی قرار میگیرد. در اين راستا، حدود 200 محتوای به اشتراک‌گذاری شده در شبكه هاي اجتماعي (اینستاگرام، توییتر و تلگرام) جمع‌آوری و از دیدگاه‌های مختلف مورد تجزیه و تحلیل قرار گرفته است.
در رویکرد اول، برای تأیید روش تفسیری پیشنهادی اين نكته بررسی میشود که آیا متخصصان متفاوتی که برای استفاده از قواعد مربوطه آموزش دیده‌اند، به نتایج مشابهی در تفسیر متون دست يافته‌اند یا خیر. در این راستا، دو عامل جنسیت و سابقه تحصیلی به عنوان عوامل اساسی برای تمایز متخصصان در نظر گرفته شده که بر اساس آن فرد مؤنث (از حوزه علوم مهندسی) و فرد مذكر (از حوزه علوم اجتماعی) جهت برچسب‌زني دویست محتوای جمع‌آوری شده انتخاب شده‌اند. دلیل در نظر گرفتن این عوامل این است که مشخص شود طرز فکر یک متخصص، تحت تأثیر شرایط فیزیولوژیکی او و همچنین سوگیری ذهنی و تجربه‌اش در رسیدگی به امور فکری، تا چه حد ممکن است بر سازوكارهاي ویژهای تاثیر بگذارد که لازمه درک لحن کلام راوی، شناسایی همبافت و استخراج گزارههای مضمونی محتوا (به عنوان شرایط یک قاعده) از يكسو و تعیین طبقه محتوا (به عنوان نتیجه قاعده) از سوي ديگر است. با توجه به نتایج برچسب‌گذاری، تفاوت بین دو متخصص، از منظر تحقق «لحن»، «همبافت» و «گزارههای مضمونی» در 200 مطلب جمع‌آوری شده کمتر از 3 درصد، و از منظر طبقه‌بندی این محتواها (در 5 کلاس شامل تعالی باوری، حیا/ حرمت باوری، صداقت/ عدالت باوری، همیاری/ رواداری و دانستن/ اندیشیدن) کمتر از 8 درصد بوده است. بدیهی است که هر چه میزان تجربه و تخصص متخصصان بیشتر باشد، تفاوت کمتری با توجه به نتایج طبقه‌بندی آنها انتظار می‌رود. همچنین شايان توجه است که تفاوت‌های مشاهده شده بیشتر در ارتباط با رجحان متخصصان است که در واقع آنها را به انتخاب طبقات خاصی در مقایسه با طبقات دیگر سوق می‌دهد. این نوع تفاوت به ویژه در مواردی رخ می‌دهد که یک محتوا شامل چندین طبقه باشد.
نتیجه مهم دیگردر ارتباط با برچسب‌گذاری این است که پنج طبقه مضمونی پیشنهادی در این مقاله توانایی پاسخ رضایت‌بخش به کلیه محتواها (به ویژه آنهایی که ماهیت غیر روایی دارند) را دارد. به عبارت دیگر، محتوای خاصی یافت نشد که به هیچ کدام از طبقات در نظر گرفته شده تعلق نداشته باشد. البته همانطور که قبلا نیز ذکر شد برخی محتواها ممکن است به طبقات مضمونی مختلفی تعلق داشته باشند. اما این مساله اشکالی ایجاد نمی‌کند، زیرا بر اساس میزان تجربه و تخصص یک متخصص، تمامی طبقات مربوطه میتوانند به طور همزمان مشمول شناسایی واقع شوند. نکته مهم دیگر در اين خصوص، کفایت گزاره‌هایی است که در بخش شرطی قواعد لحاظ شده است. به این معنا که ساختارهای مبتنی بر هستان‌شناسی که برای چنین هدفی توسعه یافته‌اند، به اندازه کافی اين توانايي را دارند که گزارههای مرتبط را به درستی تخصيص دهند. این مساله نشان دهنده آن است که گزارههای در نظر گرفته شده برای قواعد به اندازه کافی از اين كليت برخوردارند تا همه گزارههای ممکن را در محتوای به اشتراک گذاشته شده توسط کاربران انسانی پوشش دهند.
با درنظر گرفتن صحت قواعد پیشنهادی که در رویکرد اول اعتبارسنجی مورد تایید قرار گرفت، در رویکرد دوم به بررسی توانایی این قواعد در تشخیص نظر مولف متن می‌پردازیم. برای این منظور، ابتدا 200 محتوای جمع‌آوری شده توسط یک کارشناس حرفه‌ای برچسب‌گذاری و نتیجه طبقه‌بندی به عنوان برچسب مرجع در نظر گرفته شد. سپس یک متخصص با استفاده از قواعد پیشنهادی، به برچسب گذاري محتواهاي مربوطه پرداخت.
برای ارزیابی نتایج طبقه‌بندی از معیارهای میزان دقت (Precision)، فراخوانی (Recall) و معیار F1 برای هر طبقه استفاده میشود. همینطور معیار صحت (Accuracy) را میتوان محاسبه نمود که درستی کلی روش طبقه‌بندی را نشان می‌دهد. معیار Precision نسبت مقداری موارد صحیح طبقه‌بندی‌شده توسط الگوریتم از یک کلاس مشخص، به کل تعداد مواردی است که الگوریتم چه به‌صورت صحیح و چه به‌صورت غلط، در آن کلاس طبقه‌بندی کرده است. این معیار به‌صورت زیر محاسبه میشود:
Precision = TP / (TP+FP) (1)
معیار Recall نسبت مقداری موارد صحیح طبقه‌بندی شده توسط الگوریتم از یک کلاس به تعداد موارد حاضر در کلاس مذکور است و به‌صورت زیر محاسبه میشود:
Recall = Sensitivity = (TPR) = TP / (TP + FN) (2)
معیار F1 نیز Precision و Recall را با هم در نظر میگیرد و در بهترین حالت، یک و در بدترین حالت صفر است. این معیار طبق فرمول زیر محاسبه میشود:
F-measure=2×(Recall×Precision)/(Recall+Precision( (3)
شکل 5 مقدار این سه معیار را برای هر طبقه نشان می‌دهد.
معیار Accuracy به این معناست که الگوریتم طبقه‌بندی تا چه اندازه خروجی را درست پیش‌بینی می‌کند. این معیار به صورت زیر محاسبه میشود:
Accuracy = (TP+TN) / (TP+FN+FP+TN) (4)
بر اساس نتایج حاصل، صحت کلی روش پیشنهادی برای تفسیر محتواهاي مربوطه حدود 5/97 درصد است.
شکل 5. سنجش معیارهای طبقه‌بندی برای هر کلاس مضمونی
برای سنجش میزان توانایی قواعد پیشنهادی، آزمون دیگری نیز انجام شد. به این صورت که ابتدا متخصصی بدون اطلاع از قواعد پیشنهادی و صرفا با دانستن عناوین و مفاهیم پنج طبقه مضمونی، به برچسب زدن داده‌ها پرداخت. صحت کلی حاصل برای تفسیر محتوا، در مقایسه نتایج برچسبزنی با برچسب مرجع، در این حالت حدود 8/82 درصد به دست آمد. پس از آن، با اطلاع از قواعد پیشنهادی، برچسبزنی داده‌ها توسط همان متخصص بار ديگر صورت گرفت که این بار صحت کلی در حدود 1/95 درصد حاصل شد. نتیجه اينكه اطلاع از قواعد پیشنهادی به میزان 3/12 درصد، باعث بهبود صحت طبقه‌بندی محتواهای جمع‌آوری شده است. ماتریس درهم‌ریختگی (Confusion Matrix) که عملکرد الگوریتم طبقه‌بندی را نشان می‌دهد، برای دو حالت عدم به‌کارگیری قواعد پيشنهادي و به‌کارگیری آنها به ترتیب در جداول 2 و 3 نمایش داده شده است. همچنین مقادير دقت، فراخواني و F1 برای هر طبقه، در هر دو حالت به‌کارگیری قواعد پيشنهادي و عدم به‌کارگیری آنها در اشكال 6 و 7 و 8 نشان داده شده است. همانطور که در این جدول‌ها و شکل‌ها نیز مشاهده میشود، به کارگیری قواعد پیشنهادی موجب بهبود قابل ملاحظه نتایج طبقه‌بندی میشود.
جدول 2. ماتریس درهم‌ریختگی درحالت عدم به‌کارگیری قواعد پيشنهادي
| برچسب واقعی (مرجع) | |||||
رواداری / همیاری | حیا/ حرمت باوری | صداقت / عدالت باوری | دانستن / اندیشیدن | تعالیباوری | ||
برچسب پیش‌بینی‌شده | رواداری / همیاری | 21 | 3 | 4 | 1 | 2 |
حیا/ حرمت باوری | 2 | 49 | 4 | 2 | 1 | |
صداقت / عدالت باوری | 1 | 4 | 30 | 3 | 0 | |
دانستن / اندیشیدن | 3 | 2 | 0 | 32 | 2 | |
تعالیباوری | 2 | 2 | 1 | 3 | 70 | |
جدول 3. ماتریس درهم‌ریختگی در حالت به‌کارگیری قواعد پيشنهادي
| برچسب واقعی (مرجع) | |||||
رواداری / همیاری | حیا/ حرمت باوری | صداقت / عدالت باوری | دانستن / اندیشیدن | تعالیباوری | ||
برچسب پیش‌بینی‌شده | رواداری / همیاری | 26 | 0 | 0 | 1 | 1 |
حیا/ حرمت باوری | 2 | 59 | 2 | 0 | 0 | |
صداقت / عدالت باوری | 1 | 0 | 36 | 1 | 0 | |
دانستن / اندیشیدن | 0 | 1 | 1 | 38 | 1 | |
تعالیباوری | 0 | 0 | 0 | 1 | 73 | |
شکل 6. ميزان دقت به تفكيك هر طبقه مضموني
شکل 7. ميزان فراخواني به تفكيك هر طبقه مضموني
شکل 8. مقدار F1 به تفكيك هر طبقه مضموني
5- جمعبندي و پيشنهاد كارهاي آتي
تفسير محتوا با هدف غائی تحليل احساس (سنجمان) در شبكههاي اجتماعي از اهميت بهسزايي برخوردار است. بدينمنظور در اين مقاله، چارچوبي جهت احساس (سنجمان) راويان محتواهاي پيچيده ارائه شده است كه با ارائه قواعدی از نوع اگر- آنگاه، طبقه‌بندی پیام مضمونی مستتر در یک محتوا را براي کاربران شبكههاي اجتماعي، تسهيل مينمايد. در این ارتباط، مواردی از قبیل لحن/ آهنگ ادای کلام، همبافت انتشار محتوا و گزارههای کلیدی در متن محتوا، در بخش مقدم قاعده اگر-آنگاه و طبقات ممکنه از پیام مستتر در یک محتوا که به تعبیری همان احساس (سنجمان راوی) محتوا از منظری خاص است در بخش تالی قاعده قرار میگیرد.
قواعد پیشنهادی، به علت خاصیت ذاتی که در مؤلفههای لحن / آهنگ ادای کلام، همبافت انتشار محتوا و گزارههای مضمونی کلیدی در متن محتوا نهفته، مستقل از زبانی است که محتوا به آن بیان میشود و در نتیجه، قابل تسرّی به سایر زبان هاست. با عنایت به این نکته که در طی فرآیند تفسیر، این نیاز وجود خواهد داشت که گزارههای مضمونی یک محتوا با گزارههای درجشده در بخش مقدم قواعد به نحوی تطابق یابند (تا قاعده مربوطه بتواند فعال گردد)، لذا ایجاد ساختارهای هستاننگارگونه مرجع و واصلی که بتوانند به عنوان پل ارتباطی در این وادی ایفای نقش نماید، از اهمیت ویژهای برخوردار خواهد شد. زیرا چنین ساختارهایی میتوانند در طی زمان و برمبنای تجربیاتی که از تفسیر محتواهای پیشین حاصل میگردد، به بلوغ درخوری نایل آیند که ضامن موفقیت بیشتری برای امر تفسیر مطابق واقع محتوا باشند.
همچنانکه در متن مقاله بدان اشاره شد، در حال حاضر شناسایی مواردی از قبیل لحن / آهنگ ادای کلام و نیز گزارههای مضمونی کلیدی نهفته در یک محتوا به کمک عامل انسانی (به طور دستی) صورت میپذیرد. معذالک میتوان این انتظار را داشت که، به عنوان بخشی از فعالیتهای آتی، این امر به طور ماشینی (و یا حداقل به طور نیمه خودکار) با استفاده از روشهای هوش مصنوعی، به ویژه تکنیکهای پردازش زبان طبیعی و یا زبانشناسی رایانشی، جامه عمل به خود بپوشاند. این نکته خود نویدبخش جایگاه مؤثری برای هوش مصنوعی در قبال تحلیل احساس (سنجمان) انبوه محتواهایی است که در شبكه هاي اجتماعي به اشتراک گذاشته می‌شوند.
مراجع
[1] رجبی، زينب، محمدرضا ولوی و مریم حورعلی، "مروری بر روشهای تحلیل احساس در متون فارسی"، فصلنامه پردازش علائم و داده‌ها، شمارة 2 پیاپی 52، 1401.
[2] عسگریان، احسان، محسن کاهانی و شهلا شریفی، "حس نگار: شبکه واژگان حسی فارسی"، فصلنامه پردازش علائم و داده‌ها، شمارة 1 پیاپی 35، 1401.
[3] علی‌مردانی، سعیده، عبداله آقایی، "ارائة روش نظارتی برای نظرکاوی در زبان فارسی با استفاده از لغت‌نامه و الگوریتم "SVM، نشریه مدیریت فناوری اطلاعات دانشکده مدیریت دانشگاه تهران، دوره 7 شماره 2، 1394.
[4] E. Asgarian, M. Kahani and S. Sharifi, "The impact of sentiment features on the sentiment polarity classification in Persian reviews", Cognitive Computation, vol. 10, no.1, pp. 117- 135, 2018.
[5] R. Dehkharghani, "SentiFars: A Persian Polarity Lexicon for Sentiment Analysis", ACM Transactions on Asian and Low Resource Language Information Processing, vol. 19, no. 2, pp. 21, 2019.
[6] مرادی، مهدی، پروین خسروی‌زاده، و بهرام وزیرنژاد، "ساخت پیکره‌های نشانه‌گذاری‌شده با رویکرد وب به عنوان پیکره"، دومین هم‌اندیشی زبانشناسی رایانشی، تهران، 1391.
[7] نجف‌زاده، محسن.، سعید راحتی قوچانی و رضا قائمی، "یک چارچوب نیمه نظارتی مبتنی بر لغت نامه وفقی خودساخت جهت تحلیل نظرات فارسی"، فصلنامه پردازش علائم و داده‌ها، جلد ۱۵ شماره ۲، صفحه 89-102، 1397.
[8] E. Cambria, "An introduction to concept-level sentiment analysis", in Proceedings of Mexican International Conference on Artificial Intelligence, Springer, Berlin, Heidelberg, November 2013, pp. 478-483.
[9] E. Cambria, B. Schuller, Y. Xia, and C. Havasi, "New avenues in opinion mining and sentiment analysis", IEEE Intelligent systems, vol. 28, no.2, pp.15-21. 2013.
[10] N. Ofek, S. Poria, L. Rokach, E. Cambria, A. Hussain, and A. Shabtai, "Unsupervised commonsense knowledge enrichment for domain-specific sentiment analysis", Cognitive Computation, vol. 8, no. 3, pp. 467-477, 2016.
[11] Z. Rajabi, M. Valavi, and M. Hourali, "A model for enriching sentiment lexicon based on semantic knowledge base", in Proceedings of 10th Iranian C4I Conference, Iran, 2017.
[12] شمس، م.، براآنی، ا.، هاشمی، م.، " بهبود استخراج جنبه های متن با استفاده از دانش دامنه و گراف کلمات"، دو فصلنامه علمی-پژوهشی فناوری اطلاعات و ارتباطات، شماره 55، دوره 15، بهار 1402.
[13] J. D. Kumar, S. Qamar, S. R. Sangwan, W. Ding, and A. J. Kulkarni, "Ontology-based Natural Language Processing for Sentimental Knowledge Analysis Using Deep Learning Architectures", ACM Transactions on Asian and Low-Resource Language Information Processing 23, no. 1, pp.1-17, 2024.
[14] A. Sureka and D. Correa, "Generating domain-specific ontology from common-sense semantic network for target specific sentiment analysis", in Proceedings of the 5th International Conference of the Global WordNet Association. Mumbai, India, 2010.
[15] E. Kontopoulos, C. Berberidis, T. Dergiades, and N. Bassiliades, "Ontology-based sentiment analysis of twitter posts", Expert systems with applications, vol. 40, no.10, pp. 4065-4074, 2013.
[16] B. Agarwal, N. Mittal, P. Bansal, and S. Garg, "Sentiment analysis using common-sense and context information", Computational Intelligence and Neuroscience, vol. 2015.
[17] B. Agarwal, and N. Mittal, "Sentiment analysis using conceptnet ontology and context information", Prominent Feature Extraction for Sentiment Analysis, Springer, Cham, 2016, pp. 63-75.
[18] F. Amiri, S. Scerri, and M. Khodashahi, "Lexicon-based sentiment analysis for Persian text", In Proceedings of the International Conference on Recent Advances in Natural Language Processing, 2015, September, pp. 9-16.
[19] A. Bagheri, and M. Saraee, "Persian sentiment analyzer: A framework based on a novel feature selection method", International Journal of Artificial Intelligence, vol. 12, no.2, pp. 115-129, 2014.
[20] حاجی عبدالله، شقایق، و میرزارضایی، میترا، "بهبود شناسایی قطبش در تحلیل احساسات به کمک طعنه کاوی و الگوریتمهای یادگیری ماشین در توییت های فارسی"، دو فصلنامه علمی-پژوهشی فناوری اطلاعات و ارتباطات، شماره 53، دوره 14، پائیز-زمستان 1401.
[21] E. Vaziripour, C. Giraud-Carrier, and D. Zappala,"Analyzing the political sentiment of tweets in Farsi", in Proceedings of the 10th International AAAI Conference on Web and Social Media, March 2016.
[22] S. S. Sadidpour, H. Shirazi, N. M. Sharef, B. Minaei-Bidgoli, and M. E. Sanjaghi, "Context-sensitive opinion mining using polarity patterns", International Journal of Advanced Computer Science and Applications, vol. 7, no. 9, 2016.
[23] ابومحمد حرّانی، "تُحَفُ العقول عَن آلِ الرّسول (ص)"، ترجمه صادق حسنزاده، انتشارات آل علی (ع)، چاپ یازدهم، 1388.
[24] سید روح‌الله موسوی خمینی، "شرح حدیث جنود عقل و جهل"، مؤسسه تنظیم و نشر آثار امام خمینی، چاپ پنجم، 1380.
[25] Hilgard, E.R. (1980). The trilogy of mind: Cognition, affection, and conation. The Journal of the History of Behavioral Sciences, vol.16, 107-117.
[26] Kolbe, K. (1990). The Conative Connection: Acting on Instinct, Reading, MA: Addison-Wesley.
[27] Waisel, L. (2013). On KOLBE Capabilities and Research. Report: Kolbe Corp.
