در دنیای امروز، شبکه‌های اجتماعی به بستری برای تبادل نظر و بحث پیرامون مسائل مختلف تبدیل شده‌اند. حجم بالای اطلاعات و تعاملات در این شبکه‌ها، فرصت‌های ارزشمندی را برای محققان فراهم کرده تا بتوانند به تحلیل مسائل اجتماعی، سیاسی و فرهنگی بپردازند. یکی از چالش‌های مهم در این زمینه، درک و تحلیل موضع افراد در قبال موضوعات مختلف است. به عنوان مثال، در هنگام انتشار شایعات یا اخبار نادرست، شناسایی پاسخ‌هایی که به رد یا تصحیح این اطلاعات می‌پردازند، می‌تواند بسیار ارزشمند باشد. این مقاله به بررسی روشی نوین برای طبقه‌بندی خودکار موضع افراد در پاسخ‌های توییتر می‌پردازد، با استفاده از رویکردی که نیازمند نظارت (برچسب‌زنی) کمتری است.

این مقاله توسط سومت کومار (Sumeet Kumar)، رامون ویلا کاکس (Ramon Villa Cox)، متیو بابکاک (Matthew Babcock) و کاتلین ام. کارلی (Kathleen M. Carley) به نگارش درآمده است. نویسندگان این مقاله، متخصصان در زمینه‌های پردازش زبان طبیعی (NLP)، شبکه‌های اجتماعی و علوم اطلاعات هستند. زمینه تحقیقاتی آنها بر روی تحلیل محتوای شبکه‌های اجتماعی، به منظور درک بهتر پدیده‌های اجتماعی و اطلاعاتی متمرکز است. کارلی به ویژه به خاطر تحقیقاتش در حوزه مدلسازی و تحلیل شبکه‌های اجتماعی و رفتارهای سازمانی شناخته شده است.

چکیده این مقاله به این نکته اشاره دارد که مکالمات در شبکه‌های اجتماعی به طور فزاینده‌ای برای بررسی مسائل اجتماعی مورد استفاده قرار می‌گیرند. یکی از کاربردهای مهم این تحلیل‌ها، شناسایی واکنش‌های مخالف و نقادانه نسبت به اطلاعات نادرست یا گمراه‌کننده است. با این حال، استخراج خودکار موضع افراد از متن پاسخ‌ها، یک چالش پیچیده در حوزه پردازش زبان طبیعی به شمار می‌رود. مدل‌های سنتی پردازش زبان طبیعی برای این منظور، نیازمند داده‌های برچسب‌گذاری شده هستند، که جمع‌آوری آن‌ها می‌تواند زمان‌بر و پرهزینه باشد. این مقاله یک روش با نظارت ضعیف (Weakly Supervised) را برای طبقه‌بندی موضع در پاسخ‌های توییتر پیشنهاد می‌کند. این روش با استفاده از تعداد محدودی هشتگ، برچسب‌های ضعیفی را برای آموزش مدل تولید می‌کند. نتایج نشان می‌دهد که این روش، بدون نیاز به داده‌های برچسب‌گذاری شده دستی در مرحله آموزش، عملکرد بهتری نسبت به روش‌های یادگیری با نظارت کامل دارد. همچنین، این مقاله به بررسی کاربرد این روش در تحلیل مکالمات مربوط به COVID-19 در توییتر می‌پردازد.

به طور خلاصه، این مقاله یک راه حل عملی و کارآمد برای مشکل طبقه‌بندی موضع در شبکه‌های اجتماعی ارائه می‌دهد، که می‌تواند در زمینه‌های مختلفی از جمله تشخیص شایعات، تحلیل افکار عمومی و شناسایی رفتارهای مخرب آنلاین مورد استفاده قرار گیرد.

روش‌شناسی این تحقیق شامل چندین مرحله کلیدی است:

1. ایجاد مجموعه داده جدید: محققان ابتدا یک مجموعه داده جدید شامل توییت‌ها و پاسخ‌های مربوط به سه موضوع مختلف ایجاد کردند. این مجموعه داده شامل برچسب‌هایی است که هم نظر کاربران در مورد موضوعات (طرفدار/مخالف) و هم موضع آن‌ها در پاسخ به توییت‌های دیگران (موافق/مخالف) را مشخص می‌کند. این مرحله به منظور ارزیابی عملکرد روش پیشنهادی در مقایسه با روش‌های سنتی یادگیری با نظارت انجام شد.
2. بررسی محدودیت‌های روش‌های یادگیری با نظارت: نویسندگان به این نتیجه رسیدند که روش‌های یادگیری با نظارت، به دلیل نیاز به حجم بالای داده‌های برچسب‌گذاری شده و تغییر مداوم موضوعات مورد بحث در شبکه‌های اجتماعی، دارای محدودیت‌هایی هستند. جمع‌آوری و برچسب‌گذاری داده‌ها برای هر موضوع جدید، زمان و تلاش زیادی را می‌طلبد.
3. پیشنهاد رویکرد با نظارت ضعیف: به منظور غلبه بر محدودیت‌های روش‌های یادگیری با نظارت، یک روش با نظارت ضعیف پیشنهاد شد. این روش از هشتگ‌ها به عنوان سیگنال‌های ضعیف برای برچسب‌گذاری خودکار داده‌ها استفاده می‌کند. به این ترتیب که توییت‌هایی که حاوی هشتگ‌های مرتبط با یک موضع خاص هستند، به عنوان نمونه‌هایی از آن موضع در نظر گرفته می‌شوند.
4. ارزیابی عملکرد: عملکرد روش پیشنهادی با روش‌های یادگیری با نظارت بر روی مجموعه داده برچسب‌گذاری شده دستی مقایسه شد. نتایج نشان داد که روش با نظارت ضعیف، بدون استفاده از داده‌های برچسب‌گذاری شده دستی در مرحله آموزش، عملکرد بهتری دارد.
5. بررسی کاربرد در مکالمات COVID-19: برای نشان دادن کاربرد عملی روش پیشنهادی، آن را بر روی مکالمات مربوط به COVID-19 در توییتر اعمال کردند. این بررسی نشان داد که روش با نظارت ضعیف می‌تواند به طور موثری موضع افراد را در قبال این موضوع مهم و پربحث شناسایی کند.

به عنوان مثال، فرض کنید می‌خواهیم موضع افراد در مورد واکسیناسیون را تحلیل کنیم. می‌توانیم از هشتگ‌هایی مانند “#واکسن_بزنیم” به عنوان سیگنال برای توییت‌های طرفدار واکسیناسیون و هشتگ‌هایی مانند “#نه_به_واکسن_اجباری” به عنوان سیگنال برای توییت‌های مخالف واکسیناسیون استفاده کنیم. روش پیشنهادی با استفاده از این هشتگ‌ها، می‌تواند به طور خودکار داده‌های آموزشی را برچسب‌گذاری کند و یک مدل طبقه‌بندی موضع را آموزش دهد.

یافته‌های کلیدی این تحقیق عبارتند از:

• رویکرد با نظارت ضعیف پیشنهادی، عملکرد بهتری نسبت به روش‌های یادگیری با نظارت در طبقه‌بندی موضع در پاسخ‌های توییتر دارد.
• این روش می‌تواند بدون نیاز به داده‌های برچسب‌گذاری شده دستی در مرحله آموزش، به دقت قابل قبولی دست یابد.
• استفاده از هشتگ‌ها به عنوان سیگنال‌های ضعیف، یک روش موثر و کارآمد برای برچسب‌گذاری خودکار داده‌ها است.
• این روش می‌تواند در تحلیل مکالمات مربوط به موضوعات مختلف، از جمله COVID-19، مورد استفاده قرار گیرد.
• بهبود میانگین F1-macro به میزان 8% در مقایسه با روش‌های یادگیری با نظارت. این یک دستاورد قابل توجه است، به خصوص با توجه به این که روش پیشنهادی از هیچ داده برچسب‌گذاری شده دستی در آموزش استفاده نمی‌کند.

به عبارت دیگر، این تحقیق نشان داد که می‌توان با استفاده از سیگنال‌های ضعیف و کم‌هزینه، یک مدل طبقه‌بندی موضع قوی و کارآمد ایجاد کرد.

این تحقیق دارای کاربردها و دستاوردهای متعددی است:

• تشخیص شایعات و اطلاعات نادرست: شناسایی پاسخ‌هایی که به رد یا تصحیح شایعات و اطلاعات نادرست می‌پردازند.
• تحلیل افکار عمومی: درک بهتر نظرات و مواضع مردم در مورد موضوعات مختلف.
• شناسایی رفتارهای مخرب آنلاین: شناسایی پیام‌های نفرت‌پراکنانه، تهدیدآمیز و آزاردهنده.
• بهبود سیستم‌های توصیه‌گر: پیشنهاد محتوای مرتبط و متناسب با نظرات و علایق کاربران.
• تحقیقات علوم اجتماعی: بررسی پدیده‌های اجتماعی و سیاسی از طریق تحلیل داده‌های شبکه‌های اجتماعی.

دستاورد اصلی این تحقیق، ارائه یک روش عملی و کارآمد برای طبقه‌بندی موضع در شبکه‌های اجتماعی است که می‌تواند در زمینه‌های مختلف مورد استفاده قرار گیرد. این روش می‌تواند به محققان، سازمان‌ها و شرکت‌ها کمک کند تا درک بهتری از افکار عمومی داشته باشند و تصمیمات بهتری اتخاذ کنند.

به عنوان مثال، یک شرکت می‌تواند از این روش برای تحلیل نظرات مشتریان در مورد محصولات خود استفاده کند و بر اساس آن، بهبودهایی در محصولات خود ایجاد کند. یک سازمان دولتی می‌تواند از این روش برای رصد افکار عمومی در مورد سیاست‌های خود استفاده کند و در صورت لزوم، تغییراتی در این سیاست‌ها ایجاد کند.

این مقاله یک رویکرد نوآورانه و کارآمد برای طبقه‌بندی موضع در پاسخ‌های توییتر ارائه می‌دهد. روش پیشنهادی، با استفاده از نظارت ضعیف و بهره‌گیری از هشتگ‌ها، می‌تواند به دقت قابل قبولی در شناسایی موضع افراد دست یابد. این روش، بدون نیاز به داده‌های برچسب‌گذاری شده دستی در مرحله آموزش، عملکرد بهتری نسبت به روش‌های یادگیری با نظارت دارد. دستاوردهای این تحقیق می‌تواند در زمینه‌های مختلفی از جمله تشخیص شایعات، تحلیل افکار عمومی و شناسایی رفتارهای مخرب آنلاین مورد استفاده قرار گیرد. به طور کلی، این مقاله یک گام مهم در جهت توسعه روش‌های خودکار برای درک و تحلیل محتوای شبکه‌های اجتماعی است.