در عصر کلان‌داده‌ها، متون دیجیتال به آینه‌ای تمام‌نما از جوامع، فرهنگ‌ها و تعاملات انسانی تبدیل شده‌اند. از اخبار و شبکه‌های اجتماعی گرفته تا متون تاریخی و ادبی، این منابع عظیم اطلاعاتی، سرشار از سرنخ‌هایی درباره ساختارهای قدرت، سوگیری‌های پنهان و پویایی‌های اجتماعی هستند. اما چگونه می‌توان این مفاهیم پیچیده و غالباً نامحسوس را از دل میلیون‌ها کلمه استخراج کرد؟ مقاله «ریوتر: سنجش قدرت و پویایی‌های اجتماعی بین موجودیت‌ها» پاسخی نوآورانه به این پرسش اساسی ارائه می‌دهد.

اهمیت این پژوهش در ارائه یک ابزار محاسباتی قدرتمند و در عین حال کاربرپسند به نام Riveter است. این ابزار به پژوهشگران رشته‌های مختلف، از علوم اجتماعی و علوم انسانی دیجیتال گرفته تا مطالعات رسانه، اجازه می‌دهد تا بدون نیاز به دانش عمیق در زمینه پردازش زبان طبیعی (NLP)، به تحلیل لایه‌های معنایی پنهان در زبان بپردازند. ریوتر با تمرکز بر «افعال» و بارهای معنایی آن‌ها، نشان می‌دهد که نحوه توصیف کنش‌های یک فرد یا یک گروه (موجودیت)، چگونه می‌تواند جایگاه آن‌ها را در سلسله‌مراتب قدرت و عاملیت اجتماعی آشکار سازد. این مقاله نه تنها یک ابزار، بلکه یک پل میان‌رشته‌ای است که تحلیل‌های محاسباتی پیشرفته را در دسترس همگان قرار می‌دهد.

این مقاله محصول همکاری گروهی از پژوهشگران برجسته در حوزه‌های متقاطع علوم کامپیوتر، پردازش زبان طبیعی و علوم انسانی دیجیتال است: ماریا آنتونیاک، آنجالی فیلد، جیمین مون، ملانی والش، لورن اف. کلاین و مارتن ساپ. این ترکیب بین‌رشته‌ای، خود گواهی بر ماهیت پژوهش است که تلاش دارد مرزهای سنتی میان حوزه‌های فنی و علوم انسانی را از میان بردارد.

زمینه این تحقیق در تقاطع سه حوزه کلیدی قرار دارد:

• علوم اجتماعی محاسباتی (Computational Social Science): استفاده از روش‌های محاسباتی برای مطالعه پدیده‌های اجتماعی در مقیاس بزرگ.
• علوم انسانی دیجیتال (Digital Humanities): به‌کارگیری ابزارهای دیجیتال برای پاسخ به پرسش‌های پژوهشی در علوم انسانی.
• پردازش زبان طبیعی (Natural Language Processing – NLP): شاخه‌ای از هوش مصنوعی که به کامپیوترها توانایی درک و تحلیل زبان انسان را می‌دهد.

نویسندگان با درک این واقعیت که بسیاری از ابزارهای قدرتمند NLP برای محققان غیرفنی پیچیده و دور از دسترس هستند، ریوتر را به عنوان راهکاری برای پر کردن این «شکاف دسترسی» طراحی کرده‌اند.

مقاله، ریوتر را به عنوان یک «خط لوله» (pipeline) کامل و با کاربری آسان برای تحلیل بارهای معنایی افعال مرتبط با موجودیت‌ها در مجموعه‌های متنی معرفی می‌کند. منظور از خط لوله، مجموعه‌ای از فرآیندهای خودکار است که داده متنی خام را به عنوان ورودی دریافت کرده و در نهایت، تحلیل‌ها و بصری‌سازی‌های معناداری را به عنوان خروجی ارائه می‌دهد.

محور اصلی ریوتر، استفاده از «چارچوب‌های معنایی» (Connotation Frames) است. این چارچوب‌ها در واقع واژه‌نامه‌هایی از افعال هستند که بر اساس ابعاد اجتماعی خاصی مانند قدرت، عاملیت (Agency) و احساسات (Sentiment) امتیازدهی شده‌اند. برای مثال، فعل «فرمان دادن» امتیاز بالایی در بعد قدرت دارد، در حالی که فعل «درخواست کردن» امتیاز پایین‌تری می‌گیرد. ریوتر با این چارچوب‌های از پیش‌آماده‌شده عرضه می‌شود و نشان می‌دهد که چگونه می‌توان از آن‌ها برای کشف پدیده‌هایی مانند سوگیری جنسیتی در رسانه‌ها یا تحلیل شخصیت در رمان‌ها استفاده کرد.

مشکل اصلی که ریوتر به آن می‌پردازد این است که کار با واژه‌نامه‌های فعل‌محور نیازمند مهارت‌های فنی در زمینه NLP است. ریوتر با خودکارسازی فرآیندهای پیچیده، ارائه امتیازات نهایی برای تمام موجودیت‌های یک متن و فراهم کردن قابلیت‌هایی برای طرح پرسش‌های تحقیقاتی خاص، دسترسی به این نوع تحلیل را به شکل چشمگیری افزایش داده و راه را برای طیف وسیعی از پژوهش‌های آینده هموار می‌کند.

ریوتر به عنوان یک خط لوله محاسباتی، مراحل مختلفی را برای تبدیل متن خام به تحلیل‌های قابل فهم طی می‌کند. این فرآیند را می‌توان به چند گام اصلی تقسیم کرد:

• گام اول: پردازش متن و شناسایی موجودیت‌ها:
  در ابتدا، ابزار با استفاده از تکنیک تشخیص موجودیت‌های نام‌دار (Named Entity Recognition – NER)، اسامی افراد، سازمان‌ها، مکان‌ها و دیگر موجودیت‌های کلیدی را در متن شناسایی می‌کند.
• گام دوم: تحلیل گرامری و ارتباط فعل و فاعل:
  سپس، با به‌کارگیری تحلیل وابستگی (Dependency Parsing)، ساختار گرامری جملات را تجزیه می‌کند. این مرحله حیاتی است زیرا مشخص می‌کند کدام موجودیت، فاعل (انجام‌دهنده) یک فعل و کدام یک، مفعول (پذیرنده) آن است. برای مثال، در جمله «مدیر پروژه را تایید کرد»، سیستم تشخیص می‌دهد که «مدیر» فاعل و «پروژه» مفعول فعل «تایید کرد» است.
• گام سوم: استخراج زوج‌های (موجودیت-فعل):
  ریوتر تمام افعالی که هر موجودیت به عنوان فاعل یا مفعول با آن‌ها در ارتباط بوده را استخراج کرده و فهرستی از این زوج‌ها تهیه می‌کند.
• گام چهارم: امتیازدهی با چارچوب‌های معنایی:
  در این مرحله، هر فعل با استفاده از چارچوب‌های معنایی از پیش‌تعریف‌شده (قدرت، عاملیت، و احساسات) امتیازدهی می‌شود. به عنوان مثال، فعل «رهبری کردن» امتیاز بالایی در بعد عاملیت و قدرت کسب می‌کند، در حالی که فعل «تبعیت کردن» امتیاز پایینی می‌گیرد. این قابلیت همچنین به کاربر اجازه می‌دهد تا چارچوب‌های معنایی سفارشی خود را برای تحلیل ابعاد دیگر (مانند خشونت، ادب، یا نوآوری) ایجاد کند.
• گام پنجم: تجمیع نتایج و بصری‌سازی:
  در نهایت، ریوتر امتیازات هر موجودیت را در کل مجموعه متنی جمع‌بندی کرده و آن‌ها را در قالب نمودارها و جداول قابل فهم ارائه می‌دهد. این بصری‌سازی‌ها به پژوهشگر کمک می‌کنند تا الگوهای کلی را به سرعت شناسایی کند؛ مثلاً اینکه کدام گروه از افراد به طور مداوم با افعال حاکی از قدرت توصیف می‌شوند.

مقاله برای اثبات کارایی ریوتر، نتایج کاربرد آن را روی چند مجموعه داده واقعی نمایش می‌دهد. یافته‌های کلیدی این پژوهش، بیش از آنکه کشفیات جدید اجتماعی باشند، اثباتی بر قدرت و صحت عملکرد خود ابزار هستند:

• تایید و توسعه مطالعات پیشین: ریوتر توانست نتایج مطالعات قبلی در زمینه سوگیری جنسیتی را با سرعت و در مقیاس بسیار بزرگ‌تر بازتولید کند. برای مثال، با تحلیل متون خبری، نشان داده شد که شخصیت‌های مرد اغلب با افعال کنش‌گرانه و قدرتمند (مانند «ادعا کردن»، «هدایت کردن») توصیف می‌شوند، در حالی که شخصیت‌های زن بیشتر با افعال مربوط به احساسات یا حالت‌های انفعالی (مانند «احساس کردن»، «باور داشتن») همراه هستند.
• تحلیل کمی شخصیت‌های داستانی: این ابزار برای تحلیل میزان عاملیت شخصیت‌ها در آثار ادبی به کار گرفته شد. با بررسی یک رمان، ریوتر توانست به صورت کمی نشان دهد که شخصیت اصلی داستان در مقایسه با شخصیت‌های فرعی، امتیاز بسیار بالاتری در بعد «عاملیت» دارد، که با درک شهودی خوانندگان از داستان مطابقت دارد.
• کارایی و مقیاس‌پذیری: یکی از یافته‌های مهم، توانایی ریوتر در تحلیل سریع و کارآمد حجم عظیمی از داده‌هاست. این ویژگی به محققان اجازه می‌دهد تا فرضیه‌های خود را بر روی مجموعه‌هایی که تحلیل دستی آن‌ها غیرممکن است، بیازمایند.

دستاورد اصلی ریوتر، دموکراتیک کردن یک روش تحلیلی قدرتمند است. این ابزار درهای جدیدی را به روی پژوهشگران در حوزه‌های گوناگون باز می‌کند. برخی از کاربردهای بالقوه آن عبارتند از:

• مطالعات سیاسی و رسانه: تحلیل نحوه بازنمایی کاندیداهای سیاسی یا گروه‌های مختلف اجتماعی در رسانه‌ها و شناسایی سوگیری‌های پنهان.
• جامعه‌شناسی: بررسی پویایی‌های قدرت در جوامع آنلاین، مانند فروم‌ها یا شبکه‌های اجتماعی، از طریق تحلیل زبان کاربران.
• مطالعات ادبی: ردیابی تحول شخصیت‌ها، سنجش عاملیت آن‌ها و مقایسه سبک نویسندگان مختلف در به‌کارگیری افعال.
• تاریخ: مطالعه چگونگی توصیف شخصیت‌ها و گروه‌های تاریخی در اسناد و متون یک دوره زمانی خاص برای فهم بهتر جایگاه اجتماعی آن‌ها.
• بازاریابی و برندینگ: تحلیل نظرات مصرف‌کنندگان برای درک اینکه یک برند یا محصول چگونه (به صورت فعال یا منفعل) در ذهن آن‌ها جای گرفته است.

مهم‌ترین دستاوردهای ریوتر را می‌توان افزایش دسترسی، مقیاس‌پذیری تحلیل‌ها، تکرارپذیری پژوهش از طریق یک روش استاندارد، و انعطاف‌پذیری برای انطباق با پرسش‌های تحقیقاتی جدید دانست.

مقاله «ریوتر» چیزی فراتر از معرفی یک نرم‌افزار جدید است؛ این پژوهش یک بیانیه مهم در مورد اهمیت ساخت ابزارهایی است که به عنوان پلی میان‌رشته‌ای عمل کرده و شکاف بین تخصص‌های فنی و علوم انسانی-اجتماعی را پر می‌کنند. ریوتر با تمرکز بر یکی از اساسی‌ترین عناصر زبان، یعنی فعل، به ما نشان می‌دهد که چگونه انتخاب کلمات می‌تواند بازتاب‌دهنده و در عین حال تقویت‌کننده ساختارهای قدرت اجتماعی باشد.

این ابزار با فراهم آوردن یک چارچوب قابل تفسیر برای درک پویایی‌های اجتماعی پنهان در زبان، به پژوهشگران این قدرت را می‌دهد که با داده‌های متنی در مقیاسی بی‌سابقه کار کنند و به سوالاتی پاسخ دهند که پیش از این تنها از طریق تحلیل‌های کیفی و محدود امکان‌پذیر بود. در نهایت، ریوتر گامی مهم در جهت توانمندسازی نسل جدیدی از محققان برای کشف پیچیدگی‌های جامعه انسانی از طریق لنز زبان‌شناسی محاسباتی است.