۱. مقدمه و اهمیت مقاله

تغییرات اقلیمی یکی از بزرگترین چالش‌های پیش روی بشریت در قرن بیست و یکم است. درک نحوه واکنش عمومی به این پدیده، شناسایی نگرانی‌های اصلی و رصد روند تحولات دیدگاه‌ها، برای تدوین سیاست‌های مؤثر و افزایش آگاهی عمومی امری حیاتی است. روش‌های سنتی سنجش افکار عمومی، مانند نظرسنجی‌ها، غالباً زمان‌بر، پرهزینه و محدود به گروه‌های خاصی از جامعه هستند. در مقابل، ظهور شبکه‌های اجتماعی مانند توییتر، فرصتی بی‌سابقه برای دسترسی به حجم عظیمی از داده‌های واقعی و لحظه‌ای از افکار و احساسات کاربران فراهم آورده است. مقاله حاضر با بهره‌گیری از قدرت یادگیری ماشین و تحلیل داده‌های حجیم شبکه‌های اجتماعی، به دنبال روشن کردن این جنبه‌ها و ارائه دیدگاه‌های نوین در درک نگرانی‌های مرتبط با تغییرات اقلیمی است.

اهمیت این پژوهش در توانایی آن برای ارائه تصویری پویا و گسترده از نگرانی عمومی نسبت به تغییرات اقلیمی نهفته است. این درک عمیق‌تر می‌تواند به سیاست‌گذاران، سازمان‌های زیست‌محیطی و حتی عموم مردم کمک کند تا استراتژی‌های خود را در مواجهه با این بحران جهانی بهبود بخشند.

۲. نویسندگان و زمینه تحقیق

این پژوهش توسط Zhongkai Shangguan، Zihe Zheng و Lei Lin انجام شده است. زمینه تخصصی نویسندگان به طور گسترده در حوزه محاسبات و زبان (Computation and Language) قرار می‌گیرد. این حوزه ترکیبی از علوم کامپیوتر، پردازش زبان طبیعی (NLP) و هوش مصنوعی را در بر می‌گیرد تا بتواند از زبان انسان در قالب متن یا گفتار، داده استخراج کرده و آن را تحلیل کند. تمرکز بر استفاده از تکنیک‌های یادگیری ماشین برای تحلیل داده‌های متنی از شبکه‌های اجتماعی، نشان‌دهنده تخصص این گروه تحقیقاتی در به کارگیری ابزارهای پیشرفته محاسباتی برای درک پدیده‌های اجتماعی و فرهنگی است.

۳. چکیده و خلاصه محتوا

چکیده این مقاله بیان می‌کند که پلتفرم‌های شبکه‌های اجتماعی مانند توییتر، فرصت بزرگی برای درک عقاید عمومی در مورد تغییرات اقلیمی نسبت به روش‌های سنتی نظرسنجی فراهم می‌کنند. در این پژوهش، یک مجموعه داده عظیم از توییت‌های مرتبط با تغییرات اقلیمی جمع‌آوری و با استفاده از یادگیری ماشین مورد تحلیل جامع قرار گرفته است. نویسندگان با استفاده از تکنیک‌های مدل‌سازی موضوعی (Topic Modeling) و پردازش زبان طبیعی (NLP)، به بررسی موارد زیر پرداخته‌اند:

• رابطه بین تعداد توییت‌های مربوط به تغییرات اقلیمی و رویدادهای مهم اقلیمی.
• موضوعات رایجی که مردم در بحث‌های خود پیرامون تغییرات اقلیمی مطرح می‌کنند.
• روند تغییرات احساسات (Sentiment) در توییت‌ها در طول زمان.

یکی از دستاوردهای مهم این تحقیق، انتشار مجموعه داده جمع‌آوری شده در پلتفرم Kaggle (با آدرس https://www.kaggle.com/leonshangguan/climate-change-tweets-ids-until-aug-2021) است که امکان استفاده و تحقیقات بیشتر را برای جامعه علمی فراهم می‌آورد.

۴. روش‌شناسی تحقیق

روش‌شناسی این تحقیق بر پایه تحلیل داده‌های حجیم شبکه‌های اجتماعی با استفاده از تکنیک‌های پیشرفته یادگیری ماشین و پردازش زبان طبیعی استوار است. مراحل کلیدی این روش‌شناسی به شرح زیر است:

• گردآوری داده:
  اولین گام، ساخت یک مجموعه داده گسترده از توییت‌های مرتبط با تغییرات اقلیمی بوده است. این مجموعه داده، با هدف پوشش وسیع زمانی و مکانی، تا آگوست ۲۰۲۱ جمع‌آوری شده است. استفاده از APIهای توییتر و فیلتر کردن توییت‌ها بر اساس کلمات کلیدی مرتبط با تغییرات اقلیمی، بخش مهمی از این مرحله بوده است.
• پردازش زبان طبیعی (NLP):
  پس از گردآوری داده‌ها، لازم بود تا متون خام توییت‌ها پردازش شوند. این شامل مراحل زیر است:
  • پاکسازی متن: حذف کاراکترهای اضافی، لینک‌ها، هشتگ‌های غیرضروری و کاراکترهای خاص.
  • توکنایز کردن (Tokenization): تقسیم متن به واحد‌های کوچک‌تر (کلمات یا عبارات).
  • حذف کلمات توقف (Stop Words Removal): حذف کلمات رایج که بار معنایی کمی دارند (مانند “و”، “در”، “از”).
  • ریشه‌یابی (Stemming/Lemmatization): کاهش کلمات به ریشه یا شکل پایه آن‌ها برای یکسان‌سازی.
• مدل‌سازی موضوعی (Topic Modeling):
  برای شناسایی مضامین و موضوعات اصلی که کاربران در مورد تغییرات اقلیمی بحث می‌کنند، از تکنیک‌های مدل‌سازی موضوعی مانند الگوریتم Latent Dirichlet Allocation (LDA) استفاده شده است. این الگوریتم قادر است به طور خودکار موضوعات پنهان در مجموعه بزرگی از متون را کشف کند. هر موضوع به مجموعه‌ای از کلمات مرتبط با آن موضوع نسبت داده می‌شود.
• تحلیل احساسات (Sentiment Analysis):
  برای درک نگرش و احساسات کاربران نسبت به موضوع تغییرات اقلیمی، تحلیل احساسات انجام شده است. این تکنیک با استفاده از مدل‌های یادگیری ماشین، توییت‌ها را در دسته‌های مثبت، منفی یا خنثی طبقه‌بندی می‌کند. این امر به درک واکنش‌های عمومی نسبت به رویدادها و اخبار اقلیمی کمک شایانی می‌کند.
• تحلیل روند (Trend Analysis):
  با ترکیب داده‌های زمانی توییت‌ها و رویدادهای مهم اقلیمی، محققان به دنبال شناسایی همبستگی‌ها و الگوهای زمانی بوده‌اند. این شامل بررسی چگونگی افزایش یا کاهش حجم بحث‌ها در پاسخ به گزارش‌های علمی، بلایای طبیعی یا سیاست‌های اقلیمی است.
• یادگیری ماشین:
  الگوریتم‌های یادگیری ماشین در تمام مراحل فوق، از طبقه‌بندی توییت‌ها برای تحلیل احساسات گرفته تا استخراج موضوعات، نقش اساسی ایفا کرده‌اند. انتخاب الگوریتم‌های مناسب و آموزش آن‌ها بر روی داده‌های مرتبط، کلید موفقیت این تحلیل‌ها بوده است.

۵. یافته‌های کلیدی

این پژوهش یافته‌های مهمی را در خصوص نحوه درک و واکنش عمومی به موضوع تغییرات اقلیمی از طریق داده‌های شبکه‌های اجتماعی ارائه می‌دهد:

• ارتباط با رویدادهای اقلیمی:
  یکی از یافته‌های برجسته، وجود همبستگی قوی بین وقوع رویدادهای اقلیمی مهم (مانند بلایای طبیعی گسترده، گزارش‌های علمی جدید یا کنفرانس‌های بین‌المللی) و افزایش چشمگیر حجم توییت‌ها در مورد تغییرات اقلیمی است. این نشان می‌دهد که رویدادهای ملموس، محرک اصلی در افزایش توجه عمومی به این موضوع هستند. برای مثال، پس از وقوع سیل یا آتش‌سوزی‌های گسترده، بحث‌ها در توییتر پیرامون تغییرات اقلیمی به طور قابل توجهی افزایش می‌یابد.
• موضوعات رایج بحث:
  مدل‌سازی موضوعی نشان داده است که بحث‌های کاربران حول محور تغییرات اقلیمی حول چند موضوع کلیدی متمرکز است. این موضوعات شامل:
  • تأثیرات مستقیم: بحث در مورد اثرات قابل مشاهده تغییرات اقلیمی مانند افزایش دمای هوا، تغییر الگوهای بارش، ذوب شدن یخ‌های قطبی و تأثیر بر حیات وحش.
  • راهکارها و سیاست‌ها: گفتگو پیرامون راه‌حل‌های ممکن، انرژی‌های تجدیدپذیر، توافق‌نامه‌های بین‌المللی (مانند توافق پاریس)، و سیاست‌های دولتی.
  • علم و عدم قطعیت: بحث در مورد یافته‌های علمی، انکار تغییرات اقلیمی یا بحث بر سر میزان قطعیت علم.
  • مسئولیت‌پذیری: تمرکز بر نقش شرکت‌ها، دولت‌ها و افراد در تشدید یا رفع مشکل.
  • تأثیرات اجتماعی و اقتصادی: گفتگو درباره پیامدهای تغییرات اقلیمی بر زندگی مردم، اقتصاد و مهاجرت.
• روند احساسات (Sentiment Trend):
  تحلیل احساسات نشان می‌دهد که در میان انبوهی از بحث‌ها، نگرش عمومی نسبت به تغییرات اقلیمی اغلب ترکیبی از نگرانی، اضطراب و گاهی ناامیدی است. با این حال، بسته به رویدادها و بحث‌های خاص، ممکن است دوره‌هایی با احساسات مثبت‌تر (مثلاً در مورد پیشرفت‌های تکنولوژیکی) یا منفی‌تر (مثلاً در مورد عدم اقدام کافی) نیز مشاهده شود. رصد این روندها می‌تواند نشان‌دهنده بلوغ یا آشفتگی درک عمومی نسبت به این مسئله باشد.
• وجود شکاف‌های اطلاعاتی و سوءتفاهم‌ها:
  بررسی توییت‌ها همچنین می‌تواند شکاف‌های اطلاعاتی و سوءتفاهم‌های رایج در میان عموم مردم را آشکار سازد. برخی از بحث‌ها نشان‌دهنده درک نادرست از مفاهیم علمی یا تأثیرات بلندمدت تغییرات اقلیمی است.

۶. کاربردها و دستاوردها

این پژوهش دارای کاربردهای عملی و دستاوردهای علمی قابل توجهی است:

• ابزار پایش افکار عمومی:
  مجموعه داده عظیم جمع‌آوری شده و روش‌شناسی به کار رفته، یک بستر قوی برای پایش مداوم افکار عمومی در مورد تغییرات اقلیمی فراهم می‌آورد. این امر به سازمان‌ها و محققان اجازه می‌دهد تا بدون نیاز به سرمایه‌گذاری سنگین در نظرسنجی‌های سنتی، به داده‌های غنی دسترسی یابند.
• راهنمایی برای ارتباطات علمی:
  شناسایی موضوعات رایج و همچنین سوءتفاهم‌های موجود، به دانشمندان و مبلغان محیط زیست کمک می‌کند تا پیام‌های خود را مؤثرتر تدوین کنند. آن‌ها می‌توانند بر روی شفاف‌سازی مفاهیم کلیدی و پاسخ به نگرانی‌های واقعی مردم تمرکز نمایند.
• اطلاع‌رسانی به سیاست‌گذاران:
  درک واکنش عمومی به رویدادها و سیاست‌های اقلیمی، می‌تواند به سیاست‌گذاران در ارزیابی تأثیرات اجتماعی ارتباطات خود و طراحی مداخلات مؤثرتر کمک کند. به عنوان مثال، اگر تحلیل‌ها نشان دهند که نگرانی عمومی نسبت به موضوع خاصی در حال افزایش است، سیاست‌گذاران می‌توانند برای اطلاع‌رسانی و اقدام در آن زمینه، اولویت قائل شوند.
• پیش‌بینی واکنش‌های اجتماعی:
  با تحلیل الگوهای گذشته، این روش‌ها می‌توانند به پیش‌بینی چگونگی واکنش عمومی به رویدادهای آینده یا اطلاعیه‌های جدید اقلیمی کمک کنند.
• مشارکت در جامعه علمی:
  انتشار مجموعه داده بر روی Kaggle، گامی مهم در جهت ترویج تحقیقات باز و همکاری علمی در حوزه تغییرات اقلیمی و تحلیل داده‌های شبکه‌های اجتماعی است. این امر به سایر پژوهشگران امکان می‌دهد تا بر اساس این کار، تحقیقات جدیدی را آغاز کنند.

۷. نتیجه‌گیری

مقاله “روندها و دیدگاه‌ها: درک نگرانی تغییرات اقلیمی با یادگیری ماشین و داده‌های شبکه‌های اجتماعی” نشان می‌دهد که شبکه‌های اجتماعی، به ویژه توییتر، منبعی ارزشمند برای رصد و تحلیل پویای افکار عمومی در مورد تغییرات اقلیمی هستند. محققان با به‌کارگیری قدرتمند یادگیری ماشین و پردازش زبان طبیعی، توانسته‌اند ارتباط میان رویدادهای اقلیمی و توجه عمومی، مضامین اصلی بحث‌ها و روند تحولات احساسات کاربران را شناسایی کنند. این یافته‌ها نه تنها درک عمیق‌تری از چگونگی واکنش جامعه به یکی از بحران‌های جهانی ارائه می‌دهند، بلکه ابزارهای عملی را برای ارتباطات علمی، سیاست‌گذاری و تحقیقات آینده فراهم می‌آورند.

در نهایت، این پژوهش بر اهمیت استفاده از فناوری‌های نوین برای فهم بهتر مسائل پیچیده اجتماعی و زیست‌محیطی تأکید می‌کند و امیدوار است که با انتشار داده‌ها و روش‌شناسی خود، راه را برای تحقیقات بیشتر در این حوزه هموار سازد. درک عمیق‌تر نگرانی عمومی، گامی ضروری در جهت اقدام جمعی و مؤثر برای مقابله با چالش تغییرات اقلیمی است.