در عصر دیجیتال، شبکه‌های اجتماعی به بستری برای بیان نظرات، احساسات و دیدگاه‌های میلیاردها انسان تبدیل شده‌اند. تحلیل این حجم عظیم از داده‌های متنی، که با عنوان تحلیل احساسات (Sentiment Analysis) شناخته می‌شود، یکی از وظایف بنیادین در حوزه پردازش زبان طبیعی (NLP) است. این فناوری به سازمان‌ها، دولت‌ها و محققان امکان می‌دهد تا نبض جامعه را در دست بگیرند، بازخورد مشتریان را درک کنند و روندهای اجتماعی را شناسایی نمایند.

با وجود پیشرفت‌های چشمگیر در این حوزه برای زبان‌های پرکاربردی مانند انگلیسی، چینی و عربی، بسیاری از زبان‌های دیگر با کمبود منابع و ابزارهای لازم مواجه هستند. زبان مراتی (Marathi)، که سومین زبان پرگویشور در هندوستان با بیش از ۸۰ میلیون گوینده است، یکی از همین زبان‌هاست. کمبود مجموعه داده‌های استاندارد و برچسب‌گذاری‌شده، مانعی جدی بر سر راه توسعه مدل‌های هوش مصنوعی دقیق برای این زبان بوده است.

مقاله “L3CubeMahaSent: A Marathi Tweet-based Sentiment Analysis Dataset” پاسخی مستقیم به این چالش است. این پژوهش با ارائه اولین مجموعه داده عمومی و بزرگ برای تحلیل احساسات در زبان مراتی، گامی حیاتی در جهت توانمندسازی تحقیقات پردازش زبان طبیعی برای این زبان برداشته است. اهمیت این کار نه تنها در ایجاد یک منبع جدید، بلکه در فراهم آوردن یک معیار استاندارد (Benchmark) برای ارزیابی و مقایسه مدل‌های آتی است.

این مقاله حاصل تلاش تیمی از پژوهشگران به نام‌های آتاروا کولکارنی (Atharva Kulkarni)، میت مندهانی (Meet Mandhane)، مانالی لیکیتکار (Manali Likhitkar)، گایاتری کشیرساگار (Gayatri Kshirsagar) و راویراج جوشی (Raviraj Joshi) است. این تیم تحقیقاتی، که احتمالاً با آزمایشگاه تحقیقاتی L3Cube در ارتباط هستند، بر توسعه منابع و مدل‌های پردازش زبان طبیعی برای زبان‌های هندی، به‌ویژه زبان‌های کم‌منبع (Low-resource Languages)، تمرکز دارند.

زمینه اصلی این تحقیق، پر کردن شکاف منابع در حوزه NLP برای زبان‌های بومی هندوستان است. در حالی که زبان‌هایی مانند هندی و بنگالی توجه بیشتری را به خود جلب کرده‌اند، زبان مراتی علی‌رغم جمعیت بالای گویشوران، از این قافله عقب مانده بود. این پژوهش نشان‌دهنده یک حرکت استراتژیک برای ایجاد برابری دیجیتال میان زبان‌های مختلف و دموکراتیزه کردن دسترسی به فناوری‌های هوش مصنوعی است.

هدف اصلی این مقاله، معرفی و تشریح مجموعه داده L3CubeMahaSent است. این مجموعه داده به‌طور خاص برای وظیفه تحلیل احساسات در زبان مراتی طراحی شده و شامل حدود ۱۶,۰۰۰ توئیت منحصربه‌فرد است. این توئیت‌ها با دقت جمع‌آوری و به سه دسته اصلی طبقه‌بندی شده‌اند:

• مثبت (Positive): توئیت‌هایی که حاوی احساسات، نظرات یا بازخوردهای مثبت هستند.
• منفی (Negative): توئیت‌هایی که بیانگر نارضایتی، انتقاد یا احساسات منفی می‌باشند.
• خنثی (Neutral): توئیت‌هایی که فاقد بار احساسی مشخص بوده و بیشتر جنبه اطلاع‌رسانی یا خبری دارند.

نویسندگان در این مقاله نه‌تنها خود مجموعه داده را ارائه می‌دهند، بلکه دستورالعمل‌های دقیقی را که برای برچسب‌گذاری (Annotation) توئیت‌ها به کار گرفته‌اند، شرح می‌دهند. این شفافیت در فرآیند، اعتبار و قابلیت استفاده مجدد مجموعه داده را افزایش می‌دهد. در نهایت، مقاله با ارائه نتایج حاصل از ارزیابی مدل‌های یادگیری عمیق پیشرفته بر روی این مجموعه داده، یک خط پایه (Baseline) برای تحقیقات آینده ایجاد می‌کند.

فرآیند ایجاد مجموعه داده L3CubeMahaSent شامل چند مرحله کلیدی بود که با دقت و وسواس علمی انجام شده است:

الف) جمع‌آوری داده‌ها:

منبع اصلی داده‌ها، پلتفرم توئیتر بود. محققان توئیت‌هایی را از حساب‌های کاربری شخصیت‌های برجسته مهاراشترایی (Maharashtrian personalities) استخراج کردند. این انتخاب هوشمندانه بود، زیرا توئیت‌های این افراد معمولاً شامل موضوعات متنوعی از جمله سیاست، سینما، ورزش و مسائل اجتماعی است و از زبان طبیعی و محاوره‌ای استفاده می‌کند که نماینده خوبی از زبان واقعی مردم است. این رویکرد تضمین می‌کند که داده‌ها صرفاً محدود به زبان رسمی و کتابی نباشند.

ب) پیش‌پردازش و فیلتر کردن:

پس از استخراج، توئیت‌ها تحت فرآیند پیش‌پردازش قرار گرفتند. این مرحله شامل حذف توئیت‌های تکراری، پاک‌سازی کاراکترهای نامعتبر، و احتمالاً حذف توئیت‌هایی بود که به زبان مراتی نبودند یا محتوای نامرتبط داشتند. هدف، ایجاد یک مجموعه داده تمیز و باکیفیت بود.

ج) برچسب‌گذاری (Annotation):

این مرحله، قلب تپنده تحقیق است. تیمی از برچسب‌گذاران انسانی، هر یک از حدود ۱۶,۰۰۰ توئیت را مطالعه کرده و آن را به یکی از سه دسته مثبت، منفی یا خنثی اختصاص دادند. برای اطمینان از ثبات و دقت در برچسب‌گذاری، نویسندگان دستورالعمل‌های مشخصی را تدوین کردند. برای مثال:

• مثبت: توئیتی که فیلم جدیدی را تحسین می‌کند: “हा चित्रपट अप्रतिम आहे! सर्वांनी नक्की पहा.” (این فیلم فوق‌العاده است! همه حتماً ببینید.)
• منفی: توئیتی که از ترافیک شهری شکایت می‌کند: “पुन्हा एकदा वाहतूक कोंडी… रोजचा त्रास!” (باز هم ترافیک… مصیبت هر روزه!)
• خنثی: توئیتی که یک خبر را اعلام می‌کند: “आज शहरात पाणीपुरवठा बंद राहील.” (امروز آبرسانی در شهر قطع خواهد بود.)

وجود این دستورالعمل‌ها به کاهش سوگیری و افزایش توافق بین برچسب‌گذاران (Inter-annotator Agreement) کمک شایانی می‌کند.

پس از ساخت مجموعه داده، گام بعدی استفاده از آن برای آموزش و ارزیابی مدل‌های استاندارد تحلیل احساسات بود. این کار به دو دلیل اهمیت دارد: اول، کارایی خود مجموعه داده را اثبات می‌کند و دوم، یک معیار عملکرد برای مقایسه مدل‌های آینده فراهم می‌سازد. نویسندگان از طیف وسیعی از معماری‌های یادگیری عمیق استفاده کردند:

• CNN (Convolutional Neural Network): شبکه‌های کانولوشنی که قادر به شناسایی الگوهای محلی (مانند ترکیب کلمات کلیدی) در متن هستند.
• LSTM (Long Short-Term Memory): نوعی از شبکه‌های بازگشتی که برای پردازش داده‌های متوالی مانند متن بسیار مناسب است و می‌تواند وابستگی‌های طولانی‌مدت بین کلمات را به خاطر بسپارد.
• ULMFiT (Universal Language Model Fine-tuning): یک رویکرد مبتنی بر یادگیری انتقالی (Transfer Learning) که در آن یک مدل زبان از پیش آموزش‌دیده، برای وظیفه خاص تحلیل احساسات تنظیم دقیق (Fine-tune) می‌شود.
• مدل‌های مبتنی بر BERT: مدل‌های ترنسفورمر مانند BERT که درک عمیقی از زمینه و معنای کلمات در جمله دارند و معمولاً پیشرفته‌ترین نتایج را در وظایف NLP به دست می‌آورند.

نتایج نشان داد که مدل‌های مبتنی بر ترنسفورمر (BERT) بهترین عملکرد را در طبقه‌بندی احساسات توئیت‌های مراتی داشتند. این یافته با روندهای جهانی در حوزه NLP همخوانی دارد و نشان می‌دهد که این معماری‌های پیشرفته برای زبان مراتی نیز کارآمد هستند. ارائه این نتایج به عنوان یک “خط پایه” به محققان بعدی اجازه می‌دهد تا به‌جای شروع از صفر، مستقیماً به بهبود این نتایج بپردازند.

ایجاد مجموعه داده L3CubeMahaSent دستاوردهای مهم و کاربردهای گسترده‌ای را به همراه دارد:

دستاورد اصلی:

مهم‌ترین دستاورد این پژوهش، ارائه اولین مجموعه داده عمومی و بزرگ برای تحلیل احساسات به زبان مراتی است. این منبع، زیرساخت لازم برای پیشرفت تحقیقات در این زمینه را فراهم می‌کند و زبان مراتی را یک قدم به حضور پررنگ‌تر در دنیای دیجیتال نزدیک‌تر می‌کند.

کاربردهای عملی:

• تحلیل نظرات عمومی: دولت‌ها و سازمان‌های مردم‌نهاد می‌توانند از این فناوری برای تحلیل دیدگاه مردم در مورد سیاست‌ها، کمپین‌های اجتماعی یا رویدادهای جاری در ایالت ماهاراشترا استفاده کنند.
• مدیریت برند و بازخورد مشتریان: شرکت‌ها می‌توانند نظرات مشتریان مراتی‌زبان خود را در شبکه‌های اجتماعی رصد کرده و به سرعت به بازخوردهای مثبت یا منفی واکنش نشان دهند.
• تحقیقات علوم اجتماعی: پژوهشگران می‌توانند از تحلیل احساسات برای مطالعه روندهای فرهنگی، پویایی‌های اجتماعی و سلامت روان جامعه در مناطق مراتی‌زبان بهره ببرند.
• سیستم‌های توصیه‌گر: پلتفرم‌های محتوا می‌توانند با تحلیل نظرات کاربران، محتوای متناسب با سلیقه آن‌ها را پیشنهاد دهند.

این مجموعه داده به عنوان یک کاتالیزور عمل کرده و راه را برای توسعه ابزارهای هوشمندتر و کاربردی‌تر برای میلیون‌ها گویشور زبان مراتی هموار می‌سازد.

مقاله “L3CubeMahaSent” یک پژوهش بنیادین و تاثیرگذار در حوزه پردازش زبان طبیعی برای زبان‌های هندی است. این مقاله با شناسایی یک خلاء مهم – یعنی نبود مجموعه داده مناسب برای تحلیل احساسات در زبان مراتی – و ارائه یک راه‌حل جامع و باکیفیت، سهم بسزایی در پیشرفت این حوزه ایفا می‌کند. مجموعه داده L3CubeMahaSent، با گردآوری و برچسب‌گذاری دقیق بیش از ۱۶,۰۰۰ توئیت، منبعی ارزشمند برای جامعه تحقیقاتی فراهم آورده است.

علاوه بر این، با ارائه نتایج مدل‌های پایه، این مقاله یک نقطه شروع استاندارد برای کارهای آینده تعیین می‌کند. این پژوهش نمونه‌ای درخشان از تحقیقاتی است که زیرساخت‌های لازم برای توسعه فناوری‌های هوش مصنوعی را در زبان‌های کم‌منبع فراهم می‌کند و گامی مهم در جهت ایجاد یک اکوسیستم دیجیتال فراگیر و چندزبانه محسوب می‌شود. انتظار می‌رود که L3CubeMahaSent الهام‌بخش پروژه‌های مشابه برای دیگر زبان‌های کمتر مورد توجه قرار گیرد و نوآوری در این عرصه را تسریع بخشد.