ابراهیم صحافی زاده

این پژوهش با استفاده از روشهای شناسایی جوامع به ارائه یک مدل برای بهبود شناسایی مواضع و قطبیت افراد در شبکه های اجتماعی با کمک از مدلهای یادگیری ماشین مانند SVM و BERT میپردازد. با توجه به اهمیت درک مواضع کاربران در تحلیلهای اجتماعی و سیاسی، هدف این پژوهش بهبود عملکرد مدلهای شناسایی مواضع از طریق استفاده از ساختارهای متنی کاربران در شبکههای متنی است. این پژوهش به دنبال اثبات این فرضیه است که در نظر گرفتن اطلاعات جوامع میتواند دقت مدلهای شناسایی مواضع را بهبود بخشد. جامعه آماری این پژوهش شامل مجموعهای از توییتها با برچسبهای مواضع مشخص است. برای نمونه گیری، از توییتهای مرتبط با موضوعات خاص و کاربران فعال استفاده شده است. روش مدلسازی در این پژوهش شامل ساخت شبکهای متنی از توییتها، شناسایی جوامع در این شبکه ها و به کارگیری مدلهای پایه مانند SVM وBERT است. ویژگیهای ساختاری جوامع که از طریق الگوریتمهای شناسایی جامعه مانند الگوریتم لووین استخراج شدهاند به این مدلها اضافه میشود. یافتههای پژوهش نشان میدهند که استفاده از اطلاعات جوامع منجر به بهبود قابل توجهی در دقت شناسایی مواضع میشود. به ویژه، مدلهای ترکیبی که هم از ویژگیهای متنی و هم از ویژگیهای موضوعی استفاده کردهاند، عملکرد قابل اطمینان و متعادلتری نسبت به مدلهای دیگر نشان دادهاند. نتایج این پژوهش نشان میدهد که در نظر گرفتن ساختارهای شبکه متنی میتواند به طور مؤثری دقت مدلهای شناسایی مواضع را بهبود بخشد. این امر اهمیت استفاده از اطلاعات شناسایی جوامع شبکه متنی در کنار ویژگیهای متنی را برای مدلهای یادگیری ماشین در تحلیلهای اجتماعی برجسته میسازد.