معرفی مقاله و اهمیت آن

در دنیای امروز که شبکه‌های اجتماعی به بستر اصلی تعاملات عمومی تبدیل شده‌اند، درک پویایی‌های گفتمانی در زمان بحران‌ها از اهمیت حیاتی برخوردار است. مقاله حاضر با عنوان کامل «تحلیل گفتمان کووید-۱۹ در توییتر فارسی با رویکرد داده‌کاوی گراف و پردازش زبان طبیعی» (English Title: Discourse Analysis of Covid-19 in Persian Twitter Social Networks Using Graph Mining and Natural Language Processing)، گامی مهم در این راستا برمی‌دارد. این پژوهش نه تنها به بررسی پدیده جهانی کووید-۱۹ از منظر جامعه ایرانی می‌پردازد، بلکه با بهره‌گیری از رویکردهای نوین محاسباتی، یک چارچوب تحلیلی قدرتمند برای فهم پیچیدگی‌های گفتمانی در فضای مجازی ارائه می‌دهد.

اهمیت این مقاله از چند بعد قابل بررسی است. اولاً، در شرایط بحرانی مانند همه‌گیری کووید-۱۹، افکار عمومی و گفتمان غالب در جامعه می‌تواند تأثیر مستقیمی بر پذیرش سیاست‌های دولتی، همکاری‌های مردمی و مدیریت کلی بحران داشته باشد. ثانیاً، استفاده از داده‌کاوی گراف و پردازش زبان طبیعی (NLP) برای تحلیل گفتمان پساساختارگرا، یک رویکرد میان‌رشته‌ای نوآورانه است که شکاف بین علوم اجتماعی و علوم کامپیوتر را پر می‌کند. این ترکیب امکان تحلیل حجم عظیمی از داده‌های متنی و ارتباطی را فراهم می‌آورد که با روش‌های سنتی دشوار یا ناممکن است. ثالثاً، تمرکز بر توییتر فارسی، به عنوان یکی از پلتفرم‌های اصلی برای تبادل نظر در ایران، insights ویژه‌ای را در مورد نحوه واکنش جامعه ایرانی به یک بحران جهانی ارائه می‌دهد و می‌تواند در طراحی استراتژی‌های ارتباطی و سیاست‌گذاری‌های آتی بسیار راهگشا باشد.

نویسندگان و زمینه تحقیق

این پژوهش توسط آقای امید شکراللهی، خانم نیلوفر هاشمی و آقای محمد دهقانی به انجام رسیده است. تخصص و همکاری این تیم تحقیقاتی در حوزه‌های مختلف، نشان‌دهنده ماهیت بین‌رشته‌ای و عمیق مقاله است.

زمینه‌های تحقیقاتی اصلی که این مقاله در آن قرار می‌گیرد، شامل شبکه‌های اجتماعی و اطلاعاتی و محاسبات و زبان (Computation and Language) است. این دسته‌بندی‌ها به وضوح نشان می‌دهد که پژوهش حاضر در تقاطع تحلیل داده‌های بزرگ، مدل‌سازی شبکه‌های پیچیده و فهم زبان طبیعی قرار دارد. نویسندگان با تلفیق این حوزه‌ها، توانسته‌اند یک روش‌شناسی جامع برای تحلیل گفتمان در بستر شبکه‌های اجتماعی فارسی ارائه دهند.

رویکرد نظری این تحقیق، تحلیل گفتمان پساساختارگرا (PDA) است که از نظریه گفتمان لاکلاو و موفه الهام گرفته شده است. این رویکرد بر این باور است که واقعیت‌های اجتماعی از طریق گفتمان‌ها ساخته می‌شوند و بر نقش زبان و ساختارهای معنایی در شکل‌گیری ادراکات جمعی تأکید دارد. به جای تمرکز صرف بر محتوای آشکار، PDA به دنبال کشف لایه‌های پنهان معنا، روابط قدرت و هژمونی‌های گفتمانی است که در یک جامعه خاص عمل می‌کنند. در این پژوهش، چارچوب نظری PDA با ابزارهای داده‌کاوی هوشمند ترکیب شده تا بتوان این مفاهیم انتزاعی را در داده‌های واقعی توییتر فارسی شناسایی و تحلیل کرد.

چکیده و خلاصه محتوا

هدف اصلی این تحقیق، انجام تحلیل گفتمان پساساختارگرای پدیده کووید-۱۹ (با الهام از نظریه گفتمان لاکلاو و موفه) در جامعه فارسی‌زبان، با استفاده از داده‌کاوی هوشمند است. پژوهشگران برای این منظور، از یک مجموعه داده عظیم شامل پنج میلیون توییت از ۱۶۰,۰۰۰ کاربر شبکه توییتر فارسی بهره برده‌اند.

خلاصه محتوای مقاله را می‌توان در چند نکته کلیدی بیان کرد:

• مقایسه گفتمانی: پژوهش به مقایسه دو نوع گفتمان اصلی می‌پردازد.

• تجزیه و تحلیل متنی و شبکه‌ای: علاوه بر تحلیل جداگانه متون توییت‌ها، یک پایگاه داده گراف شبکه اجتماعی بر اساس روابط ریتوییت ایجاد شده است. این رویکرد امکان بررسی نحوه انتشار اطلاعات و تشکیل جوامع مجازی را فراهم می‌آورد.

• شناسایی کاربران مؤثر: از الگوریتم VoteRank برای معرفی و رتبه‌بندی افرادی استفاده شده است که پست‌هایشان به صورت “دهان به دهان” در شبکه منتشر می‌شود و بیشترین دامنه انتشار اطلاعات را دارند. این افراد به عنوان “نشردهندگان تاثیرگذار” شناسایی می‌شوند.

• خوشه‌بندی کاربران: کاربران بر اساس الگوی استفاده از کلمات خود (با استفاده از مدل مخلوط گوسی – Gaussian Mixture Model) خوشه‌بندی شده‌اند. این کار به شناسایی گروه‌های گفتمانی متمایز کمک می‌کند.

• تحلیل زمانی: تحلیل‌ها بر روی پست‌های مرتبط با کووید-۱۹ در طی هشت دوره زمانی انجام شده است که امکان مشاهده تحولات گفتمان را فراهم می‌کند.

• یافته اصلی: مهمترین نتیجه این تحقیق این است که ساختار گفتمان کاربران توییتر در ایران در مورد کووید-۱۹، “دولت‌محور” است تا “جامعه‌محور”. جامعه ایرانی خود را مسئول مشکل نمی‌داند و انتظار دارد دولت همه مشکلات را حل کند.

• گفتمان غالب: در میان فعال‌ترین و تاثیرگذارترین کاربران، گفتمان سیاسی، ملی و انتقادی غالب است.

این مقاله با ارائه یک روش‌شناسی قدرتمند، نه تنها به درک عمیق‌تر واکنش جامعه ایرانی به بحران کووید-۱۹ کمک می‌کند، بلکه راهکارهایی برای مواجهه با بحران‌های مشابه در آینده پیشنهاد می‌دهد.

روش‌شناسی تحقیق

روش‌شناسی این پژوهش، ترکیبی خلاقانه از تکنیک‌های داده‌کاوی پیشرفته، پردازش زبان طبیعی و چارچوب نظری تحلیل گفتمان پساساختارگرا است. در ادامه به تفصیل به اجزای این روش‌شناسی پرداخته می‌شود:

• جمع‌آوری داده‌ها (Data Collection):

  داده‌های مورد استفاده شامل پنج میلیون توییت جمع‌آوری شده از ۱۶۰,۰۰۰ کاربر منحصر به فرد در شبکه توییتر فارسی است. این حجم وسیع از داده‌ها، امکان تحلیل‌های آماری قوی و شناسایی الگوهای پنهان را فراهم می‌کند. داده‌ها مربوط به دوره‌های مختلف شیوع کووید-۱۹ بوده و امکان تحلیل تغییرات گفتمانی در طول زمان را می‌دهد.

• تحلیل گفتمان پساساختارگرا (Post-structuralist Discourse Analysis – PDA):

  این رویکرد، هسته نظری تحقیق است که به تحلیل چگونگی شکل‌گیری معانی، هویت‌ها و روابط قدرت در متون می‌پردازد. با الهام از نظریه لاکلاو و موفه، پژوهشگران به دنبال شناسایی “گره‌ها” و “زنجیره‌های هم‌ارزی” در گفتمان‌های مرتبط با کووید-۱۹ در توییتر فارسی بوده‌اند. این چارچوب به آن‌ها کمک کرده تا فراتر از ظاهر کلمات، به کشف ایدئولوژی‌ها و ساختارهای مسلط در گفتار بپردازند.

• داده‌کاوی گراف (Graph Mining):

  • ساخت گراف شبکه اجتماعی: بر اساس روابط “ریتوییت”، یک گراف (نمودار) شبکه اجتماعی ایجاد شده است. در این گراف، کاربران به عنوان “گره‌ها” (nodes) و ریتوییت‌ها به عنوان “یال‌ها” (edges) مدل‌سازی شده‌اند. این گراف نشان‌دهنده جریان اطلاعات و نحوه تعامل کاربران است.

  • الگوریتم VoteRank: برای شناسایی کاربران تاثیرگذار، از الگوریتم VoteRank استفاده شده است. این الگوریتم، افرادی را که پست‌هایشان بیشترین قابلیت انتشار “دهان به دهان” را دارند و می‌توانند دامنه انتشار اطلاعات را در کل شبکه به حداکثر برسانند، رتبه‌بندی می‌کند. این کاربران به عنوان عوامل کلیدی در شکل‌دهی افکار عمومی شناسایی می‌شوند.

• پردازش زبان طبیعی (Natural Language Processing – NLP):

  • تحلیل محتوای آماری: با استفاده از تکنیک‌های NLP، کلمات و عبارات کلیدی در توییت‌ها شناسایی و تحلیل شده‌اند. این شامل تحلیل فراوانی کلمات، عبارات پرکاربرد و موضوعات اصلی است.

  • تحلیل قطبیت (Polarity Analysis): قطبیت احساسی کلمات (مثبت، منفی، خنثی) در توییت‌ها تحلیل شده تا نگرش عمومی نسبت به جنبه‌های مختلف کووید-۱۹ و واکنش‌ها به آن مشخص شود. این کار به درک جو عاطفی و گرایشات عمومی کمک می‌کند.

• خوشه‌بندی کاربران (User Clustering):

  کاربران تاثیرگذار شناسایی شده توسط VoteRank، بر اساس الگوی استفاده از کلماتشان خوشه‌بندی شده‌اند. برای این منظور، از مدل مخلوط گوسی (Gaussian Mixture Model – GMM) استفاده شده است. این خوشه‌بندی به شناسایی گروه‌های متمایز با ویژگی‌های گفتمانی خاص در میان تاثیرگذاران کمک می‌کند.

• تحلیل مقایسه‌ای و زمانی:

  گفتمان‌های ساخته شده توسط نشردهندگان تاثیرگذار با گفتمان کاربران فعال مقایسه شده است. این مقایسه در هشت دوره زمانی مجزا انجام شده تا تحولات گفتمان در پاسخ به رخدادهای مختلف مرتبط با کووید-۱۹ در طول زمان رصد شود.

یافته‌های کلیدی

پژوهش حاضر به نتایج بسیار مهمی دست یافته است که تصویر روشنی از گفتمان کووید-۱۹ در توییتر فارسی ارائه می‌دهد:

• گفتمان دولت‌محور در مقابل جامعه‌محور: مهمترین و برجسته‌ترین نتیجه این تحقیق نشان می‌دهد که ساختار گفتمانی کاربران توییتر فارسی در خصوص کووید-۱۹، به شدت دولت‌محور است تا جامعه‌محور. این بدان معناست که بخش قابل توجهی از گفتمان عمومی بر عملکرد، ناکارآمدی‌ها یا انتظارات از دولت متمرکز است و کمتر به مسئولیت‌های فردی یا جمعی جامعه می‌پردازد. به عبارت دیگر، جامعه ایرانی خود را مسئول اصلی حل مشکل کووید-۱۹ نمی‌داند و انتظار دارد که دولت به تنهایی تمام مسائل را حل کند و نقش پررنگی در مشارکت عمومی برای حل مشکل مشاهده نمی‌شود.

• غالب بودن گفتمان سیاسی، ملی و انتقادی: چه در میان کاربران فعال‌تر و چه در میان کاربران تاثیرگذار (که با VoteRank شناسایی شده‌اند)، گفتمان غالب، ماهیت سیاسی، ملی و انتقادی دارد. این بدان معناست که حتی در مواجهه با یک بحران بهداشتی، مباحث اغلب به سمت نقد عملکرد مسئولین، مسائل کلان سیاسی و ملی منحرف می‌شود. کمتر شاهد گفتمان‌های متمرکز بر راهکارهای عملی، همکاری‌های اجتماعی یا تجربیات شخصی (به جز موارد مرتبط با نقد) هستیم.

• عدم اعتقاد به مشارکت: تحلیل‌ها نشان می‌دهد که کاربران در توییتر فارسی، تمایل چندانی به بحث درباره راه‌های مشارکت فعالانه در مدیریت بحران یا ایجاد راه‌حل‌های جامعه‌محور ندارند. این یافته ارتباط نزدیکی با دولت‌محور بودن گفتمان دارد و نشان‌دهنده یک شکاف در حس مسئولیت‌پذیری جمعی در قبال مشکلات ملی است.

• نقش تاثیرگذاران: کاربران تاثیرگذار که از طریق الگوریتم VoteRank شناسایی شده‌اند، نقش مهمی در انتشار اطلاعات و شکل‌دهی به گفتمان غالب ایفا می‌کنند. تحلیل خوشه‌های این کاربران نشان می‌دهد که آن‌ها عمدتاً در تقویت همین گفتمان‌های سیاسی و انتقادی نقش دارند و کمتر به ترویج مشارکت یا راهکارهای عملی می‌پردازند.

• تحلیل محتوایی و قطبیت: بررسی آماری محتوا و قطبیت کلمات در توییت‌ها نیز این نتایج را تایید می‌کند. لحن غالب در مورد کووید-۱۹ در توییتر فارسی، بیشتر متمایل به ابراز نارضایتی، انتقاد و انتظار از نهادهای دولتی است.

این یافته‌ها برای سیاست‌گذاران و متخصصان ارتباطات بسیار حیاتی هستند، زیرا نشان می‌دهند که در زمان بحران، چالش اصلی تنها مدیریت بهداشتی نیست، بلکه مدیریت افکار عمومی و تغییر نگرش‌ها به سمت مشارکت جمعی و مسئولیت‌پذیری فردی نیز از اهمیت بالایی برخوردار است.

کاربردها و دستاوردها

این پژوهش نه تنها از نظر تئوریک دارای اهمیت است، بلکه کاربردهای عملی و دستاوردهای قابل توجهی برای حوزه‌های مختلف دارد:

• مدیریت بحران و سیاست‌گذاری: نتایج این تحقیق می‌تواند به نهادهای دولتی و سازمان‌های مدیریت بحران کمک کند تا درک بهتری از نحوه واکنش جامعه به بحران‌ها داشته باشند. با شناسایی گفتمان‌های غالب و انتظارات عمومی، می‌توان استراتژی‌های ارتباطی موثرتری طراحی کرد که به جای تقابل، به سمت افزایش مشارکت عمومی و حس مسئولیت‌پذیری سوق یابد. به عنوان مثال، اگر گفتمان، دولت‌محور است، دولت می‌تواند با شفافیت بیشتر و دعوت به مشارکت در سطوح مختلف، به تدریج این گفتمان را تغییر دهد.

• شناسایی کاربران تاثیرگذار و انتشار اطلاعات: استفاده از الگوریتم VoteRank برای شناسایی نشردهندگان تاثیرگذار، ابزاری قدرتمند برای کمپین‌های اطلاع‌رسانی فراهم می‌آورد. دولت‌ها یا سازمان‌های مردم‌نهاد می‌توانند از این افراد برای انتشار اطلاعات صحیح، مبارزه با اخبار جعلی و ترویج رفتارهای بهداشتی مناسب بهره ببرند.

• پیش‌بینی روندها و هشدارهای اولیه: تحلیل مداوم گفتمان در شبکه‌های اجتماعی می‌تواند به عنوان یک سیستم هشدار اولیه عمل کند. تغییر در الگوهای گفتمانی یا افزایش ناگهانی لحن‌های انتقادی می‌تواند نشانه‌ای از نارضایتی عمومی، بی‌اعتمادی یا شیوع اطلاعات غلط باشد که نیاز به واکنش سریع دارد.

• پایش سلامت عمومی: با تحلیل محتوای توییت‌ها و قطبیت آن‌ها، می‌توان به وضعیت سلامت روانی جامعه در دوران بحران پی برد. شناسایی افزایش اضطراب، نگرانی‌ها یا حتی افسردگی می‌تواند به نهادهای بهداشتی کمک کند تا خدمات حمایتی مناسبی را ارائه دهند.

• توسعه روش‌شناسی تحقیقات اجتماعی: این پژوهش نمونه‌ای درخشان از تلفیق موفقیت‌آمیز علوم اجتماعی و علوم کامپیوتر است. این دستاورد، راه را برای تحقیقات آتی در زمینه تحلیل گفتمان و افکار عمومی در مقیاس بزرگ با استفاده از داده‌های شبکه‌های اجتماعی هموار می‌کند. این روش‌شناسی می‌تواند برای تحلیل گفتمان در موضوعات دیگری مانند انتخابات، مسائل اقتصادی یا محیط زیست نیز به کار گرفته شود.

• درک عمیق‌تر از جامعه ایرانی: این مطالعه با تمرکز بر توییتر فارسی، به درک عمیق‌تری از ویژگی‌های فرهنگی و اجتماعی جامعه ایرانی در مواجهه با یک بحران جهانی کمک می‌کند. شناسایی تمایلات دولت‌محور و فقدان مشارکت می‌تواند مبنایی برای اصلاحات فرهنگی و آموزشی در بلندمدت باشد.

به طور خلاصه، دستاوردهای این مقاله از سطح آکادمیک فراتر رفته و می‌تواند به ابزاری کاربردی برای بهبود واکنش‌های ملی در برابر بحران‌ها و تقویت پیوندهای اجتماعی تبدیل شود.

نتیجه‌گیری

پژوهش “تحلیل گفتمان کووید-۱۹ در توییتر فارسی با رویکرد داده‌کاوی گراف و پردازش زبان طبیعی” به قلم شکراللهی، هاشمی و دهقانی، یک گام مهم و نوآورانه در درک پیچیدگی‌های تعاملات اجتماعی در فضای مجازی، به ویژه در شرایط بحرانی، برداشته است. این مقاله با تلفیق هنرمندانه رویکرد پساساختارگرای لاکلاو و موفه با تکنیک‌های پیشرفته داده‌کاوی گراف و پردازش زبان طبیعی، موفق به ارائه تحلیل‌های عمیقی از گفتمان کووید-۱۹ در توییتر فارسی شده است.

مهمترین یافته این تحقیق، تایید تسلط یک گفتمان “دولت‌محور” در میان کاربران ایرانی است، که در آن مسئولیت اصلی حل بحران به دوش دولت انداخته شده و تمایل به مشارکت جمعی یا مسئولیت‌پذیری فردی کمتر مشاهده می‌شود. همچنین، گفتمان سیاسی، ملی و انتقادی به عنوان لحن غالب در میان تاثیرگذارترین و فعال‌ترین کاربران شناسایی شده است.

این نتایج پیامدهای مهمی برای سیاست‌گذاران و استراتژیست‌های ارتباطی دارند. درک این پویایی‌ها می‌تواند به طراحی کمپین‌های اطلاع‌رسانی موثرتر، تشویق مشارکت عمومی و ساختن یک گفتمان سازنده‌تر در زمان بحران‌ها کمک کند. به عنوان مثال، می‌توان با ایجاد بستر‌های مناسب برای طرح ایده‌های مردمی و نشان دادن نتایج مشارکت‌های کوچک، به تدریج گفتمان را از حالت انفعالی به فعال تغییر داد.

با این حال، مانند هر تحقیق علمی دیگری، این مطالعه نیز محدودیت‌هایی دارد. از جمله این محدودیت‌ها می‌توان به تمرکز صرف بر پلتفرم توییتر (که ممکن است نماینده تمام اقشار جامعه نباشد) و ماهیت پویا و دائماً در حال تغییر شبکه‌های اجتماعی اشاره کرد. برای تحقیقات آتی، پیشنهاد می‌شود که پلتفرم‌های دیگر اجتماعی نیز مورد بررسی قرار گیرند و تحلیل‌های طولی با بازه زمانی طولانی‌تری انجام شود تا الگوهای گفتمانی در بلندمدت نیز قابل شناسایی باشند. همچنین، بررسی عوامل فرهنگی و اجتماعی عمیق‌تری که به این نوع گفتمان دامن می‌زنند، می‌تواند زمینه‌های پژوهشی جدیدی را بگشاید.

در نهایت، این مقاله نه تنها یک دستاورد علمی مهم است، بلکه یک دعوت به تفکر درباره نحوه مواجهه جوامع با بحران‌ها و نقش محوری گفتمان در شکل‌دهی به واکنش‌های جمعی محسوب می‌شود. درسی که می‌توان از این پژوهش گرفت این است که برای مقابله موثر با چالش‌های بزرگ، نه تنها به راهکارهای علمی و اجرایی نیاز داریم، بلکه فهم و مدیریت گفتمان‌های عمومی نیز از اهمیت حیاتی برخوردار است.