ترغب بنشر مسار تعليمي؟ اضغط هنا

تحليل توجهات الطلاب الجامعيين عن طريق وسائل التواصل الاجتماعي (تطبيق رأي خاص بطلاب الجامعة الافتراضية)

Analyzing University Students' Attitudes Through Social Media

1467   2   1   0.0 ( 0 )
 تاريخ النشر 2020
  مجال البحث الهندسة المعلوماتية
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

قمنا في هذا البحث باتباع نهج تحليل المشاعر المعتمد على المعجم لتحديد التوجه العام للطلاب، ايجابي او سلبي او محايد، اذ قمنا بداية ببناء معجم مشاعر انطلاقا من بعض المعاجم المعدة مسبقا ليتم اعتماده في عملية تحليل المشاعر، ثم قمنا بوضع نموذج يوجد رأي الطلاب العام بالاعتماد على المعجم السابق، يعالج النموذج الكتابي الكلمات التي تزيد من حدة المشاعر والرموز التعبيرية وبعض حالات النفي، وقمنا باضافة تفاعلات المستخدمين الأخرين مع المنشورات عند ايجاد التوجه العام بهدف اخذ أراء الطلاب الذين لم يعبروا عن أرائهم بنصوص مكتوبة.


ملخص البحث
تتناول هذه الأطروحة تحليل توجهات الطلاب الجامعيين من خلال وسائل التواصل الاجتماعي، مع التركيز على الجامعة الافتراضية السورية. تهدف الدراسة إلى تصميم وبناء نظام يحلل منشورات ومراجعات الطلاب المنشورة باللغة العربية على وسائل التواصل الاجتماعي لتحديد الرأي العام لهم، سواء كان إيجابيًا أو سلبيًا أو محايدًا. تعتمد الدراسة على مفاهيم وتقنيات تحليل المشاعر والتنقيب عن الآراء. تم بناء معجم مشاعر خاص باللهجة السورية، ومعالجة النصوص باستخدام تقنيات معالجة اللغات الطبيعية. كما تم إدخال تفاعلات المستخدمين الآخرين مع المنشورات في الحسابات النهائية لتحديد التوجه العام. تم اختبار النموذج المقترح باستخدام مجموعة من المراجعات المصنفة يدويًا، وأظهرت النتائج دقة جيدة في تحديد التوجهات العامة للطلاب.
قراءة نقدية
تعتبر هذه الأطروحة خطوة مهمة في مجال تحليل المشاعر باللغة العربية، وخاصة اللهجات المحكية. ومع ذلك، يمكن الإشارة إلى بعض النقاط التي قد تحتاج إلى تحسين. أولاً، الاعتماد على معاجم مشاعر مترجمة من لغات أخرى قد يؤثر على دقة النتائج، لذا يفضل تطوير معاجم محلية دقيقة. ثانيًا، لم يتم تناول تأثير السخرية بشكل كافٍ، وهو عنصر مهم في تحليل المشاعر. ثالثًا، يمكن تحسين النموذج بإدخال تقنيات تعلم الآلة لتعزيز دقة التصنيف. وأخيرًا، يمكن توسيع الدراسة لتشمل منصات تواصل اجتماعي أخرى غير فيسبوك للحصول على نتائج أكثر شمولية.
أسئلة حول البحث
  1. ما هو الهدف الرئيسي من هذه الأطروحة؟

    الهدف الرئيسي هو تصميم وبناء نظام يحلل منشورات ومراجعات الطلاب المنشورة باللغة العربية على وسائل التواصل الاجتماعي لتحديد الرأي العام لهم، سواء كان إيجابيًا أو سلبيًا أو محايدًا.

  2. ما هي التحديات الرئيسية التي تواجه تحليل المشاعر باللغة العربية؟

    تشمل التحديات الرئيسية تعقيد اللغة العربية، نقص الموارد المتاحة، تنوع اللهجات المحكية، وصعوبة التعامل مع السخرية والأخطاء الإملائية والنحوية في النصوص.

  3. كيف تم جمع بيانات المراجعات المستخدمة في الدراسة؟

    تم جمع بيانات المراجعات من صفحة الجامعة الافتراضية السورية على فيسبوك باستخدام واجهة التطبيقات المقدمة من فيسبوك (Facebook Graph API).

  4. ما هي المعايير المستخدمة لتقييم دقة النموذج المقترح؟

    تم تقييم دقة النموذج باستخدام ثلاثة معايير رئيسية: الدقة (Accuracy)، الضبط (Precision)، والاستجابة (Recall).


المراجع المستخدمة
Bekkali, M., & Lachkar, A. (2019, March). Arabic Sentiment Analysis based on Topic Modeling. In Proceedings of the New Challenges in Data Sciences: Acts of the Second Conference of the Moroccan Classification Society(p. 17). ACM.
Rao, K. P., Koneru, A., & Raju, D. N. (2019). OEFC Algorithm—Sentiment Analysis on Goods and Service Tax System in India. In Cognitive Informatics and Soft Computing (pp. 441-451). Springer, Singapore
Guellil, I., Adeel, A., Azouaou, F., & Hussain, A. (2018, July). Sentialg: Automated corpus annotation for algerian sentiment analysis. In International Conference on Brain Inspired Cognitive Systems (pp. 557-567). Springer, Cham
Abdellaoui, H., & Zrigui, M. (2018). Using tweets and emojis to build TEAD: an Arabic dataset for sentiment analysis. Computación y Sistemas, 22(3).
قيم البحث

اقرأ أيضاً

اللغة المسيئة هي ظاهرة متزايدة على منصات وسائل التواصل الاجتماعي. يمكن أن تصل آثارها إلى ما بعد السياق عبر الإنترنت، والمساهمة في الضغط العقلي أو العاطفي على المستخدمين. يمكن للأدوات التلقائية للكشف عن سوء المعاملة تخفيف المشكلة. في الممارسة العملية، تعتمد تطوير طرق تلقائية للكشف عن لغة مسيئة على بيانات ذات نوعية جيدة. ومع ذلك، هناك حاليا نقص المعايير لإنشاء مجموعات البيانات في هذا المجال. وتشمل هذه المعايير تعريفات لما يعتبر لغة مسيئة وإرشادات التوضيحية والإبلاغ عن العملية. تقدم هذه الورقة إطارا شرحا مستوحى من المفاهيم القانونية لتحديد اللغة المسيئة في سياق المضايقات عبر الإنترنت. يستخدم الإطار مقياسا Likert 7 نقاط للوضع العلامات بدلا من التسميات الفئة. نحن نقود أيضا Alyt - مجموعة بيانات من لغة مسيئة على YouTube. يتضمن Alyt تعليقات YouTube باللغة الإنجليزية من مقاطع الفيديو حول موضوعات مختلفة مثيرة للجدل ومسمى طلاب القانون. تم أخذ عينات من التعليقات من البيانات التي تم جمعها فعليا، دون أساليب اصطناعية لزيادة المحتوى المسيء. تصف الورقة عملية التوضيحية بدقة، بما في ذلك جميع المبادئ التوجيهية وخطوات التدريب.
تصف هذه الورقة مساهمة Helsinki - Ljubljana المهمة المشتركة في عام 2021 في مجال تحديد الموقع الجغرافي للوسائط الجغرافية الاجتماعية.بعد مشاركتنا الناجحة في 32020، اقترحنا مرة أخرى أنظمة مقيدة وغير مقيدة بناء على بنية بيرت.في هذه الورقة، نقوم بالإبلاغ ع ن تجارب مع إعدادات التكوين المختلفة ونماذج مختلفة تم تدريبها مسبقا، وننظر إلى نهج الانحدار الخالي من المعلمة مع مخططات التصنيف المختلفة التي اقترحها المشاركين الآخرون في كل من التعليمات الفاردة 2020. كل من التعليمات البرمجية وأفضل أداء مسبقا مسبقايتم تقديم النماذج بحرية المتاحة.
البحث الحديث في التعدين في الرأي أساليب النمذجة القائم على الكلمات القائمة على الكلمات التي توفر متماسكة متفوقة مقارنة بنمذجة الموضوع التقليدية. في هذه الورقة، نوضح كيف يمكن استخدام هذه الطرق لعرض نماذج موضوع مرتبطة على نصوص الوسائط الاجتماعية باستخد ام SocialVistum، لدينا مجموعة أدوات التصور التفاعلية المقترحة. يعرض رسم بياني مع موضوعات كعقدات وارتباطاتهم كحضب. يتم عرض مزيد من التفاصيل بشكل تفاعلي لدعم استكشاف مجموعات نصية كبيرة، على سبيل المثال، الكلمات والجمل التمثيلية والجمل من المواضيع، وتوزيع الموضوع والشعور، وتجميع موضوعات التسلسل الهرمي، وتسميات موضوعية قابلة للتخصيص وموضوعية محددة مسبقا. تعمل مجموعة الأدوات تلقائيا على البيانات المخصصة للتماسك الأمثل. نعرض مثالا عاما من مجموعة الأدوات على البيانات الزحف من مناقشات وسائل التواصل الاجتماعي الإنجليزية حول استهلاك الأغذية العضوية. تؤكد التصور نتائج دراسة بحثية مستهلكية نوعية. SocialVistum وإجراءات التدريب الخاصة به يمكن الوصول إليها عبر الإنترنت.
تشعر الدراسات المرتبطة بالتبغ المعاصرة في الغالب بمنصة وسائط اجتماعية واحدة أثناء تفويتها على جمهور أوسع.علاوة على ذلك، فإنها تعتمد بشدة على مجموعات البيانات المسمى، وهي مكلفة لجعلها.في هذا العمل، نستكشف المعنويات وتحديد المنتج على النص المتعلق بالتب غ من منصات وسائط التواصل الاجتماعي.نطلق سراح مجموعات البيانات المرسلة - Twitter و Relismoke-Reddit، إلى جانب مخطط شرح شامل لتحديد شعور منتجات التبغ.ثم نقوم بإجراء تجارب تصنيف النص باستخدام النماذج الحديثة، بما في ذلك بيرت روبرتا، والتقطير.تظهر تجاربنا نتائج F1 تصل إلى 0.72 لتحديد المعنويات في DataSet Twitter، 0.46 لتحديد المعنويات، و 0.57 للحصول على تحديد المنتج باستخدام تعلم شبه إشرافه Reddit.
يستخدم عمل خطاب الشكوى من قبل البشر للتواصل مع عدم وجود عدم تطابق سلبي بين الواقع والتوقعات كرد فعل على وضع غير موات. تصنف النظرية اللغوية للبراغماتية شكاوى إلى مستويات شدة مختلفة تعتمد على تهديد الوجه الذي يرغب فيه الشكوى في القيام به. هذا مفيد بشكل خاص لفهم نية الشكوكيين وكيف يطور البشر استراتيجيات اعتذار مناسبة. في هذه الورقة، ندرس مستوى شدة الشكاوى لأول مرة في اللغويات الحاسوبية. لتسهيل ذلك، فإننا نشعر بإثراء مجموعة بيانات متاحة للجمهور من الشكاوى مع أربع فئات شدة وتدريب شبكات مختلفة قائمة على المحولات جنبا إلى جنب مع المعلومات اللغوية التي تحقق 55.7 ماكرو F1. كما نقوم بالاشتراك في تصنيف تصنيف الشكاوى الثنائية وشدة الشكاوى في إعدادات متعددة المهام التي تحقق نتائج جديدة لتحقيق نتائج جديدة على اكتشاف الشكاوى الثنائية تصل إلى 88.2 ماكرو F1. أخيرا، نقدم تحليلا نوعيا لسلوك نماذجنا في التنبؤ بمستويات شدة الشكوى.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا