در دنیای امروز، جوامع آنلاین نقش حیاتی در توسعه و پیشرفت حوزه‌های مختلف علمی و تخصصی ایفا می‌کنند. جوامع مهندسی نرم‌افزار (SE) نیز از این قاعده مستثنی نیستند. پلتفرم‌هایی مانند Stack Overflow، GitHub، Gitter و Slack بستری را فراهم می‌کنند تا مهندسان نرم‌افزار به تبادل نظر، حل مسائل و یادگیری از یکدیگر بپردازند. با این حال، متاسفانه استفاده از زبان توهین‌آمیز در این جوامع به یک معضل جدی تبدیل شده است.

این مقاله به بررسی این مشکل پرداخته و راهکارهایی را برای شناسایی و کاهش زبان توهین‌آمیز در این جوامع ارائه می‌دهد. هدف اصلی این تحقیق، ایجاد محیطی سالم‌تر و سازنده‌تر برای تعامل اعضای جوامع مهندسی نرم‌افزار است.

این مقاله توسط Jithin Cheriyan، Bastin Tony Roy Savarimuthu و Stephen Cranefield به رشته تحریر درآمده است. نویسندگان این مقاله در زمینه پردازش زبان طبیعی (NLP)، یادگیری عمیق و مهندسی نرم‌افزار تخصص دارند.

زمینه تحقیق این مقاله، بررسی تاثیر زبان توهین‌آمیز بر تعاملات در جوامع مهندسی نرم‌افزار و ارائه راهکارهایی برای کاهش این تاثیرات است. این تحقیق با هدف ارتقای کیفیت تعاملات و حفظ اعضای فعال در این جوامع انجام شده است.

چکیده این مقاله به شرح زیر است:

“جوامع مهندسی نرم‌افزار (SE) مانند Stack Overflow به دلیل استفاده اعضا از زبان توهین‌آمیز، محیطی نامطلوب پیدا کرده‌اند. تحقیقات نشان داده است که زبان توهین‌آمیز باعث می‌شود کاربران از مشارکت فعال در این پلتفرم‌ها دوری کنند. این تحقیق به بررسی گسترده‌تر این موضوع با بررسی ماهیت زبان توهین‌آمیز در نظرات ارسالی کاربران در چهار پلتفرم برجسته SE – GitHub، Gitter، Slack و Stack Overflow (SO) می‌پردازد. رویکردی برای تشخیص و طبقه‌بندی زبان توهین‌آمیز در جوامع SE با استفاده از پردازش زبان طبیعی و تکنیک‌های یادگیری عمیق پیشنهاد شده است. علاوه بر این، یک سیستم کاهش تعارض (CRS) پیشنهاد شده است که توهین را شناسایی می‌کند و سپس پیشنهاد می‌کند چه تغییراتی می‌توان برای به حداقل رساندن توهین ایجاد کرد. نتایج ما فراتر از نشان دادن شیوع زبان توهین‌آمیز در بیش از 1 میلیون نظر از چهار جامعه مختلف که از 0.07٪ تا 0.43٪ متغیر است، نویدبخش تشخیص و طبقه‌بندی موفقیت‌آمیز چنین زبانی است. سیستم CRS این پتانسیل را دارد که تلاش‌های تعدیل دستی برای تشخیص و کاهش توهین در جوامع SE را به شدت کاهش دهد.”

به طور خلاصه، این مقاله نشان می‌دهد که زبان توهین‌آمیز در جوامع مهندسی نرم‌افزار یک مشکل واقعی است و ارائه راهکارهایی برای شناسایی و کاهش آن می‌تواند به بهبود کیفیت این جوامع کمک کند. محققان یک سیستم به نام CRS (Conflict Reduction System) پیشنهاد داده‌اند که می‌تواند به طور خودکار زبان توهین‌آمیز را تشخیص داده و پیشنهادهایی برای اصلاح آن ارائه دهد.

روش‌شناسی تحقیق این مقاله شامل مراحل زیر است:

1. جمع‌آوری داده: محققان بیش از یک میلیون نظر از چهار پلتفرم GitHub، Gitter، Slack و Stack Overflow جمع‌آوری کرده‌اند.
2. برچسب‌گذاری داده: داده‌های جمع‌آوری شده توسط افراد متخصص برچسب‌گذاری شده‌اند تا نظرات توهین‌آمیز و غیرتوهین‌آمیز مشخص شوند.
3. آموزش مدل یادگیری عمیق: از داده‌های برچسب‌گذاری شده برای آموزش یک مدل یادگیری عمیق استفاده شده است تا بتواند زبان توهین‌آمیز را به طور خودکار تشخیص دهد.
4. ارزیابی مدل: عملکرد مدل آموزش داده شده با استفاده از معیارهای مختلف ارزیابی شده است تا دقت و کارایی آن سنجیده شود.
5. توسعه سیستم CRS: بر اساس مدل یادگیری عمیق، یک سیستم CRS توسعه داده شده است که می‌تواند زبان توهین‌آمیز را شناسایی کرده و پیشنهادهایی برای اصلاح آن ارائه دهد.

مدل‌های مختلف یادگیری عمیق از جمله شبکه‌های عصبی بازگشتی (RNN) و شبکه‌های عصبی پیچشی (CNN) برای این منظور مورد استفاده قرار گرفته‌اند. انتخاب بهترین مدل بر اساس عملکرد آن در تشخیص زبان توهین‌آمیز صورت گرفته است.

یافته‌های کلیدی این تحقیق عبارتند از:

• شیوع زبان توهین‌آمیز در جوامع مهندسی نرم‌افزار قابل توجه است. میزان زبان توهین‌آمیز در نظرات جمع‌آوری شده از 0.07% تا 0.43% متغیر بوده است.
• مدل‌های یادگیری عمیق می‌توانند با دقت بالایی زبان توهین‌آمیز را تشخیص دهند. دقت مدل‌های آموزش داده شده در این تحقیق بین 80% تا 90% بوده است.
• سیستم CRS می‌تواند به طور موثری به کاهش زبان توهین‌آمیز در جوامع مهندسی نرم‌افزار کمک کند. این سیستم می‌تواند به تعدیل‌کنندگان انسانی (human moderators) در شناسایی و رسیدگی به موارد توهین‌آمیز کمک کند.

به عنوان مثال، سیستم CRS می‌تواند یک جمله مانند “این کد مزخرف است!” را به “به نظر می‌رسد که این کد نیاز به بازبینی دارد.” تغییر دهد. این تغییر کوچک می‌تواند تاثیر بزرگی بر لحن و احساس کلی پیام داشته باشد.

این تحقیق دارای کاربردهای متعددی است. از جمله:

• بهبود محیط جوامع آنلاین: با استفاده از این تحقیق، می‌توان محیط سالم‌تر و سازنده‌تری را در جوامع مهندسی نرم‌افزار ایجاد کرد.
• کاهش بار کاری تعدیل‌کنندگان انسانی: سیستم CRS می‌تواند به طور خودکار زبان توهین‌آمیز را تشخیص داده و به تعدیل‌کنندگان انسانی در رسیدگی به موارد توهین‌آمیز کمک کند.
• افزایش مشارکت کاربران: با کاهش زبان توهین‌آمیز، می‌توان کاربران بیشتری را به مشارکت فعال در جوامع مهندسی نرم‌افزار ترغیب کرد.

دستاورد اصلی این تحقیق، ارائه یک رویکرد عملی و موثر برای شناسایی و کاهش زبان توهین‌آمیز در جوامع مهندسی نرم‌افزار است. سیستم CRS می‌تواند به عنوان یک ابزار ارزشمند برای مدیران و اعضای این جوامع مورد استفاده قرار گیرد.

زبان توهین‌آمیز یک مشکل جدی در جوامع مهندسی نرم‌افزار است که می‌تواند تاثیر منفی بر تعاملات و مشارکت اعضا داشته باشد. این مقاله با ارائه یک رویکرد مبتنی بر پردازش زبان طبیعی و یادگیری عمیق، راهکارهایی را برای شناسایی و کاهش این مشکل ارائه می‌دهد.

سیستم CRS ارائه شده در این مقاله می‌تواند به طور موثری به کاهش زبان توهین‌آمیز در جوامع مهندسی نرم‌افزار کمک کند و محیطی سالم‌تر و سازنده‌تر را برای تعامل اعضا ایجاد کند. با استفاده از این تحقیق، می‌توان گامی مهم در جهت ارتقای کیفیت جوامع آنلاین مهندسی نرم‌افزار برداشت.