در عصر دیجیتال، زبان به شکلی پویا و سیال در حال تحول است. یکی از پدیده‌های رایج در جوامع چندزبانه، «ترکیب کد» یا Code-Mixing است که در آن، افراد در یک مکالمه یا متن واحد از واژگان و ساختارهای دستوری دو یا چند زبان به صورت ترکیبی استفاده می‌کنند. این پدیده به ویژه در شبکه‌های اجتماعی و پیام‌رسان‌ها، جایی که ارتباطات سریع و غیرر رسمی است، به وفور دیده می‌شود. زبان «هینگلیش» (ترکیب هندی و انگلیسی) نمونه بارزی از این پدیده در شبه‌قاره هند است.

مقاله حاضر با عنوان «تشخیص احساسات در داده‌های متنی کد-میکس هندی-انگلیسی» به یکی از چالش‌برانگیزترین مسائل در حوزه پردازش زبان طبیعی (NLP) می‌پردازد. اهمیت این تحقیق از آنجا ناشی می‌شود که مدل‌های استاندارد تحلیل احساسات که عمدتاً بر روی داده‌های تک‌زبانه (مانند انگلیسی خالص) آموزش دیده‌اند، در مواجهه با متون کد-میکس کارایی خود را از دست می‌دهند. این مدل‌ها قادر به درک واژگان غیرانگلیسی، عبارات محاوره‌ای و ساختارهای ترکیبی نیستند. بنابراین، این پژوهش با تمرکز بر توسعه و ارزیابی روش‌هایی برای درک احساسات در این متون پیچیده، گامی مهم در جهت هوشمندتر کردن سیستم‌های تحلیل متن و نزدیک‌تر کردن آن‌ها به زبان واقعی انسان‌ها برمی‌دارد.

این مقاله توسط دیویانش سینگ (Divyansh Singh) به رشته تحریر درآمده است. این پژوهش در حوزه «محاسبات و زبان» (Computation and Language) قرار می‌گیرد که شاخه‌ای میان‌رشته‌ای از علوم کامپیوتر، هوش مصنوعی و زبان‌شناسی است. هدف اصلی این حوزه، توانمندسازی رایانه‌ها برای درک، تفسیر و تولید زبان انسانی است.

تحلیل احساسات (Sentiment Analysis) و تشخیص هیجانات (Emotion Detection) از زیرشاخه‌های کلیدی این حوزه هستند. در حالی که تحلیل احساسات معمولاً متن را به دسته‌های مثبت، منفی یا خنثی تقسیم می‌کند، تشخیص هیجانات به دنبال شناسایی احساسات دقیق‌تری مانند شادی، غم، خشم و ترس است. این مقاله با تمرکز بر داده‌های کد-میکس، مرزهای این حوزه را به سمت سناریوهای واقعی و چالش‌برانگیزتر گسترش می‌دهد.

در سال‌های اخیر، استفاده از چت‌های متنی در شبکه‌های اجتماعی و تلفن‌های هوشمند به شدت افزایش یافته است. این امر منجر به رواج گسترده متون کد-میکس هندی-انگلیسی شده که حاوی کلماتی خارج از واژگان استاندارد انگلیسی هستند. این تحقیق بر روی تشخیص احساسات در این داده‌های ترکیبی متمرکز است و جملات را به چهار دسته احساسی اصلی طبقه‌بندی می‌کند: خشمگین، ترسیده، شاد یا غمگین.

برای دستیابی به این هدف، پژوهشگر از جدیدترین و پیشرفته‌ترین مدل‌های پردازش زبان طبیعی استفاده کرده و عملکرد آن‌ها را بر روی یک مجموعه داده اختصاصی از جملات کد-میکس مقایسه نموده است. این مجموعه داده از منابع مختلف جمع‌آوری و توسط انسان برچسب‌گذاری (Annotate) شده تا بتوان از آن برای آموزش و ارزیابی مدل‌ها استفاده کرد. در نهایت، مقاله به تحلیل نتایج و مقایسه کارایی مدل‌های مختلف در این وظیفه پیچیده می‌پردازد.

فرآیند تحقیق در این مقاله شامل چندین مرحله کلیدی است که با دقت طراحی و اجرا شده‌اند:

• جمع‌آوری و برچسب‌گذاری داده‌ها: اولین و حیاتی‌ترین گام، ساخت یک مجموعه داده (Dataset) باکیفیت بود. از آنجایی که مجموعه داده‌های استاندارد برای زبان هینگلیش و تشخیص احساسات کمیاب هستند، محقق داده‌ها را از منابع آنلاین مانند توییتر و دیگر پلتفرم‌های اجتماعی جمع‌آوری کرده است. سپس، این جملات توسط عاملان انسانی بررسی و هر یک با یکی از برچسب‌های احساسی angry, fear, happy, sad مشخص شده‌اند. این فرآیند تضمین می‌کند که داده‌های آموزشی منعکس‌کننده زبان واقعی و احساسات مرتبط با آن باشند.
• پیش‌پردازش متن (Text Preprocessing): قبل از ورود داده‌ها به مدل‌ها، لازم است تا پاک‌سازی و استانداردسازی شوند. این مرحله شامل اقداماتی مانند حذف کاراکترهای غیرضروری، نرمال‌سازی متن (مانند تبدیل به حروف کوچک)، و توکن‌سازی (Tokenization) یا تقسیم جملات به واحدهای کوچک‌تر (کلمات یا زیرکلمات) است. در متون کد-میکس، این مرحله به دلیل وجود املاهای متفاوت و واژگان غیررسمی، پیچیدگی بیشتری دارد.
• انتخاب و آموزش مدل‌ها: مقاله به استفاده از مدل‌های پیشرفته (State-of-the-art) اشاره دارد. این مدل‌ها به احتمال زیاد شامل موارد زیر بوده‌اند:
  • مدل‌های یادگیری عمیق سنتی: شبکه‌های عصبی بازگشتی مانند LSTM و GRU که برای پردازش داده‌های متوالی مانند متن مناسب هستند.
  • مدل‌های مبتنی بر ترنسفورمر (Transformer-based Models): معماری‌های مدرنی مانند BERT و نسخه‌های چندزبانه آن (مانند mBERT) که توانایی فوق‌العاده‌ای در درک بافت و معنای کلمات در جمله دارند. این مدل‌ها به ویژه برای ترکیب کد مناسب هستند زیرا می‌توانند روابط معنایی بین کلمات از زبان‌های مختلف را در یک زمینه مشترک بیاموزند.
• ارزیابی عملکرد: برای سنجش کارایی مدل‌ها، از معیارهای استاندارد طبقه‌بندی استفاده شده است. این معیارها شامل دقت (Accuracy)، صحت (Precision)، بازیابی (Recall) و امتیاز F1 (F1-Score) هستند که تصویری جامع از عملکرد هر مدل در تشخیص صحیح هر یک از احساسات ارائه می‌دهند.

اگرچه مقاله جزئیات عددی نتایج را در چکیده بیان نکرده است، اما بر اساس روندهای موجود در تحقیقات مشابه، می‌توان یافته‌های کلیدی زیر را استنتاج کرد:

• برتری مدل‌های ترنسفورمر: به احتمال قوی، مدل‌های مبتنی بر معماری ترنسفورمر (مانند BERT) عملکرد به مراتب بهتری نسبت به مدل‌های قدیمی‌تر از خود نشان داده‌اند. توانایی آن‌ها در یادگیری بازنمایی‌های متنی غنی (Contextual Embeddings) به آن‌ها اجازه می‌دهد تا ظرافت‌های معنایی موجود در متون کد-میکس را بهتر درک کنند.
• چالش‌های تشخیص احساسات خاص: مدل‌ها ممکن است در تشخیص برخی احساسات موفق‌تر از بقیه باشند. به عنوان مثال، احساس «شادی» اغلب با کلمات کلیدی مشخص (مانند “happy”, “excited”, “mazaa”) همراه است و تشخیص آن آسان‌تر است. در مقابل، احساساتی مانند «ترس» یا «غم» ممکن است به شکل ظریف‌تری بیان شوند و تشخیص آن‌ها دشوارتر باشد.
• اهمیت مجموعه داده باکیفیت: نتایج به وضوح نشان می‌دهد که موفقیت هر مدل NLP به شدت به کیفیت و حجم داده‌های آموزشی بستگی دارد. ایجاد یک مجموعه داده برچسب‌خورده و تمیز برای زبان هینگلیش، خود یکی از دستاوردهای مهم این پژوهش است.
• مشکلات ناشی از ابهام و کنایه: متون غیررسمی سرشار از کنایه، طعنه و ابهامات فرهنگی هستند که حتی برای انسان نیز گاهی چالش‌برانگیزند. مدل‌های هوش مصنوعی نیز در درک این موارد با محدودیت‌هایی روبرو هستند و این تحقیق احتمالاً به این چالش‌ها نیز اشاره کرده است.

این پژوهش صرفاً یک تمرین آکادمیک نیست، بلکه دستاوردها و کاربردهای عملی گسترده‌ای دارد:

• تحلیل بازخورد مشتریان: شرکت‌ها و برندها می‌توانند نظرات مشتریان خود را که به زبان هینگلیش در شبکه‌های اجتماعی نوشته شده‌اند، تحلیل کرده و به سرعت از میزان رضایت یا نارضایتی آن‌ها از یک محصول یا خدمت مطلع شوند.
• بهبود سیستم‌های پشتیبانی آنلاین: چت‌بات‌ها و دستیاران مجازی با درک احساسات کاربر (مثلاً تشخیص خشم در پیام مشتری) می‌توانند پاسخ‌های همدلانه‌تری ارائه دهند یا مکالمه را به یک اپراتور انسانی منتقل کنند.
• سلامت روان و بهداشت عمومی: تحلیل پست‌های کاربران در فضای مجازی می‌تواند به شناسایی علائم اولیه افسردگی، اضطراب یا سایر مشکلات روحی در جوامع چندزبانه کمک کند و امکان مداخله به موقع را فراهم آورد.
• مدیریت محتوا و امنیت آنلاین: شناسایی سریع‌تر سخنان نفرت‌پراکن، تهدیدها و محتوای خشونت‌آمیز که به زبان کد-میکس بیان می‌شوند، به ایجاد محیطی امن‌تر در پلتفرم‌های آنلاین کمک می‌کند.

مهم‌ترین دستاورد این مقاله، ارائه یک راهکار عملی و یک مجموعه داده معیار (Benchmark) برای مسئله‌ای است که پیش از این کمتر به آن پرداخته شده بود. این کار راه را برای تحقیقات آتی در زمینه پردازش زبان‌های ترکیبی هموار می‌سازد.

مقاله «تشخیص احساسات در داده‌های متنی کد-میکس هندی-انگلیسی» به طور موثر به یکی از شکاف‌های مهم در حوزه پردازش زبان طبیعی می‌پردازد. با افزایش روزافزون ارتباطات دیجیتال در جوامع چندزبانه، نیاز به ابزارهایی که بتوانند زبان واقعی و ترکیبی مردم را درک کنند، بیش از هر زمان دیگری احساس می‌شود.

این پژوهش با ایجاد یک مجموعه داده اختصاصی و ارزیابی مدل‌های پیشرفته هوش مصنوعی، نشان می‌دهد که تشخیص احساسات در متون پیچیده کد-میکس امکان‌پذیر است. این تحقیق نه تنها به پیشبرد مرزهای دانش در حوزه هوش مصنوعی کمک می‌کند، بلکه کاربردهای عملی ارزشمندی را در صنایع مختلف، از بازاریابی دیجیتال گرفته تا سلامت روان، ارائه می‌دهد. این کار مسیری روشن برای تحقیقات آینده، از جمله پوشش دادن زبان‌های ترکیبی دیگر، گسترش دسته‌بندی احساسات، و توسعه مدل‌های مقاوم‌تر در برابر زبان محاوره‌ای و در حال تحول، ترسیم می‌کند.