با افزایش روزافزون جمعیت شهرنشین در سراسر جهان، سیستم‌های حمل‌ونقل شهری به یکی از حیاتی‌ترین زیرساخت‌ها برای کیفیت زندگی، توسعه اقتصادی و پایداری محیط‌زیست تبدیل شده‌اند. درک گونه‌شناسی (Typology) یا ماهیت سیستم حمل‌ونقل یک شهر – اینکه آیا متکی بر خودروی شخصی، حمل‌ونقل عمومی یا دوچرخه است – برای برنامه‌ریزان شهری و سیاست‌گذاران اهمیتی استراتژیک دارد. با این حال، یکی از بزرگ‌ترین چالش‌ها در این زمینه، کمبود داده‌های برچسب‌دار و استاندارد در مقیاس جهانی است. مجموعه داده‌های موجود در بهترین حالت، تنها چند صد شهر را پوشش می‌دهند که این امر تحلیل‌های جامع و تطبیقی را ناممکن می‌سازد.

مقاله «پیش‌بینی گونه‌شناسی ترابری شهری جهانی با یادگیری نظارت‌شده مبتنی بر Sentence-BERT از طریق ویکی‌پدیا» که توسط Srushti Rath و Joseph Y. J. Chow به رشته تحریر درآمده است، راهکاری نوآورانه و قدرتمند برای عبور از این مانع ارائه می‌دهد. این پژوهش نشان می‌دهد که چگونه می‌توان با استفاده از هوش مصنوعی پیشرفته، به‌ویژه در حوزه پردازش زبان طبیعی (NLP)، و یک منبع داده عظیم و در دسترس همگانی یعنی ویکی‌پدیا، به طبقه‌بندی سیستم‌های حمل‌ونقل هزاران شهر در سراسر جهان پرداخت. اهمیت این مقاله در ارائه روشی کم‌هزینه، مقیاس‌پذیر و دقیق برای تولید داده‌های ارزشمند شهری نهفته است که می‌تواند تحولی در نحوه مطالعه و مدیریت شهرها ایجاد کند.

این مقاله محصول همکاری Srushti Rath و Joseph Y. J. Chow، دو پژوهشگر فعال در تقاطع علوم داده، مهندسی حمل‌ونقل و برنامه‌ریزی شهری است. تحقیقات آن‌ها بر استفاده از تکنیک‌های یادگیری ماشین برای حل مسائل پیچیده شهری متمرکز است. این پژوهش در بستر یک گرایش علمی بزرگ‌تر قرار می‌گیرد که به دنبال بهره‌گیری از منابع داده غیرسنتی (مانند متون، تصاویر ماهواره‌ای و داده‌های شبکه‌های اجتماعی) برای درک عمیق‌تر پدیده‌های شهری است. در گذشته، مطالعات شهری عمدتاً به داده‌های ساختاریافته و آماری (مانند سرشماری‌ها یا پیمایش‌های حمل‌ونقل) متکی بودند که جمع‌آوری آن‌ها بسیار پرهزینه و زمان‌بر است. این مقاله با نشان دادن پتانسیل داده‌های متنی بدون ساختار، افق‌های جدیدی را در تحقیقات شهری می‌گشاید.

مسئله اصلی که این مقاله به آن می‌پردازد، کمبود داده‌های برچسب‌دار برای گونه‌شناسی حمل‌ونقل شهری در مقیاس جهانی است. نویسندگان برای حل این مشکل، یک رویکرد یادگیری ماشین نظارت‌شده را پیشنهاد می‌کنند که اطلاعات موجود در صفحات ویکی‌پدیای شهرها را به عنوان منبع اصلی داده به کار می‌گیرد. ایده اصلی این است که نحوه توصیف یک شهر در یک دانشنامه جامع مانند ویکی‌پدیا، سرنخ‌های ارزشمندی درباره ویژگی‌های زیرساختی و فرهنگی آن، از جمله سیستم حمل‌ونقل، در اختیار می‌گذارد.

این پژوهش از یکی از جدیدترین دستاوردهای پردازش زبان طبیعی، یعنی مدل Sentence-BERT، برای تبدیل محتوای متنی صفحات ویکی‌پدیا به بازنمایی‌های عددی فشرده و معنادار (Embedding) استفاده می‌کند. این بازنمایی‌های کم‌بُعدی، ویژگی‌های اصلی هر شهر را در خود خلاصه می‌کنند و فرآیند یادگیری را حتی با تعداد محدودی نمونه برچسب‌دار (چند صد شهر) ممکن می‌سازند. در نهایت، با استفاده از این ویژگی‌های استخراج‌شده و داده‌های برچسب‌دار موجود، مدل‌های طبقه‌بندی دودویی (رگرسیون لجستیک) برای چهار گونه‌شناسی مختلف آموزش داده می‌شوند:

• شهرهای دچار تراکم ترافیکی (Congestion)
• شهرهای وابسته به خودرو (Auto-heavy)
• شهرهای متکی بر حمل‌ونقل عمومی (Transit-heavy)
• شهرهای دوستدار دوچرخه (Bike-friendly)

نتایج نشان‌دهنده عملکرد بسیار خوب مدل در پیش‌بینی این گونه‌شناسی‌ها است و راه را برای تحلیل بیش از ۲۰۰۰ شهر در سراسر جهان هموار می‌کند.

روش‌شناسی این تحقیق بر ترکیبی هوشمندانه از داده‌های عمومی و الگوریتم‌های پیشرفته استوار است. مراحل اصلی این فرآیند را می‌توان به شرح زیر خلاصه کرد:

1. گردآوری داده‌ها از ویکی‌پدیا: اولین گام، جمع‌آوری مقالات انگلیسی ویکی‌پدیا برای هزاران شهر در سراسر جهان است. ویکی‌پدیا به دلیل پوشش گسترده، به‌روزرسانی مداوم و دارا بودن اطلاعات متنوع (تاریخی، جغرافیایی، اقتصادی و زیرساختی) به عنوان یک منبع داده ایده‌آل انتخاب شده است.
2. استخراج ویژگی با Sentence-BERT: این بخش، قلب فنی مقاله است. متن کامل مقاله ویکی‌پدیا برای هر شهر به یک مدل زبان از پیش آموزش‌دیده به نام Sentence-BERT داده می‌شود. این مدل، که نسخه بهینه‌سازی‌شده‌ای از مدل معروف BERT است، قادر است معنای کل متن را درک کرده و آن را به یک بردار عددی با ابعاد ثابت (مثلاً ۷۶۸ بُعد) تبدیل کند. این بردار که به آن «تعبیه» یا Embedding می‌گویند، به مثابه یک «اثر انگشت متنی» برای هر شهر عمل می‌کند و جوهره اطلاعات مربوط به آن شهر را در خود جای داده است.
3. آماده‌سازی داده‌های برچسب‌دار: نویسندگان از مجموعه داده‌های موجود در مطالعات پیشین استفاده کردند که در آن، چند صد شهر بر اساس معیارهای حمل‌ونقلی برچسب‌گذاری شده بودند. این مجموعه داده کوچک اما معتبر، به عنوان «داده آموزشی» (Ground Truth) برای مدل عمل می‌کند.
4. آموزش مدل‌های طبقه‌بندی: برای هر یک از چهار گونه‌شناسی، یک طبقه‌بند دودویی جداگانه (از نوع رگرسیون لجستیک) آموزش داده شد. ورودی این مدل‌ها، بردارهای عددی استخراج‌شده توسط Sentence-BERT و خروجی آن‌ها، احتمال تعلق آن شهر به گونه‌شناسی مورد نظر است (مثلاً احتمال اینکه یک شهر «دوستدار دوچرخه» باشد). به عبارت ساده‌تر، مدل یاد می‌گیرد که چه الگوهایی در «اثر انگشت متنی» یک شهر با برچسبی مانند «وابسته به خودرو» ارتباط دارد.
5. اعتبارسنجی و پیش‌بینی: پس از آموزش، عملکرد مدل‌ها با استفاده از معیارهای استاندارد ارزیابی شد. سپس، مدل‌های آموزش‌دیده برای پیش‌بینی گونه‌شناسی هزاران شهر دیگر که داده برچسب‌دار برای آن‌ها وجود نداشت، به کار گرفته شدند.

مهم‌ترین دستاورد این تحقیق، اثبات کارایی بالای رویکرد پیشنهادی است. عملکرد مدل‌ها با استفاده از معیار AUC (Area Under the Curve) سنجیده شد که مقداری بین ۰.۵ (حدس تصادفی) تا ۱.۰ (طبقه‌بندی کامل) دارد. نتایج به دست آمده بسیار امیدوارکننده بودند:

• شهرهای دوستدار دوچرخه: امتیاز AUC برابر با 0.94، که نشان‌دهنده عملکرد فوق‌العاده مدل در شناسایی این شهرها است. این امر احتمالاً به این دلیل است که مفاهیمی مانند «مسیر دوچرخه»، «فرهنگ دوچرخه‌سواری» و «اشتراک دوچرخه» به وضوح در متون ویکی‌پدیا ذکر می‌شوند.
• شهرهای دچار تراکم ترافیکی: امتیاز AUC برابر با 0.87، که عملکردی بسیار خوب محسوب می‌شود. عباراتی مانند «ترافیک سنگین»، «راه‌بندان» و «ساعت اوج» به مدل در تشخیص این شهرها کمک می‌کنند.
• شهرهای وابسته به خودرو: امتیاز AUC برابر با 0.86، که این نیز نشان‌دهنده قدرت تفکیک بالای مدل است. توصیفاتی از «بزرگراه‌ها»، «حومه شهر» و «فرهنگ اتومبیل» احتمالاً در این تشخیص مؤثر بوده‌اند.
• شهرهای متکی بر حمل‌ونقل عمومی: امتیاز AUC برابر با 0.61. این امتیاز، اگرچه بالاتر از حدس تصادفی است، اما عملکردی متوسط را نشان می‌دهد. دلایل احتمالی این امر می‌تواند تنوع زیاد سیستم‌های حمل‌ونقل عمومی (مترو، اتوبوس، تراموا) و زبان توصیفی پیچیده‌تر و کمتر متمایز در ویکی‌پدیا برای این دسته باشد.

این یافته‌ها نشان می‌دهند که اطلاعات متنی به تنهایی می‌توانند پیش‌بینی‌کننده‌های قدرتمندی برای ویژگی‌های پیچیده شهری باشند. مهم‌تر از آن، این روش مقیاس‌پذیری بی‌نظیری را فراهم می‌کند و امکان تحلیل‌هایی را به وجود می‌آورد که پیش از این به دلیل محدودیت داده ممکن نبود.

پیامدهای این پژوهش برای حوزه‌های مختلف گسترده است و دستاوردهای مهمی را به همراه دارد:

• برای برنامه‌ریزان شهری و سیاست‌گذاران: این ابزار به مدیران شهری اجازه می‌دهد تا به سرعت شهر خود را با هزاران شهر دیگر در سراسر جهان مقایسه کنند. برای مثال، یک شهردار در شهری که به عنوان «وابسته به خودرو» و «دچار تراکم ترافیکی» طبقه‌بندی شده، می‌تواند به راحتی شهرهایی که به عنوان «دوستدار دوچرخه» یا «متکی بر حمل‌ونقل عمومی» شناخته شده‌اند را شناسایی کرده و سیاست‌های موفق آن‌ها را مطالعه و بومی‌سازی کند.
• برای محققان علوم شهری: این مقاله یک روش‌شناسی جدید و قدرتمند برای استخراج دانش از داده‌های متنی بدون ساختار معرفی می‌کند. این رویکرد می‌تواند برای مطالعه سایر ابعاد شهری مانند کیفیت فضای سبز، عدالت اجتماعی، پویایی اقتصادی یا تاب‌آوری شهری نیز به کار گرفته شود.
• غلبه بر شکاف داده: این روش به ویژه برای شهرهای کشورهای در حال توسعه که اغلب فاقد داده‌های آماری جامع هستند، ارزشمند است. از آنجایی که ویکی‌پدیا پوشش جهانی دارد، می‌توان به درک بهتری از وضعیت این شهرها دست یافت.
• انعطاف‌پذیری و توسعه‌پذیری: مدل ارائه‌شده بسیار انعطاف‌پذیر است. می‌توان با افزودن متغیرهای دیگر (مانند داده‌های اقتصادی یا جغرافیایی) آن را تقویت کرد یا برای پیش‌بینی گونه‌شناسی‌های جدید (مانند شهرهای پیاده‌محور یا شهرهای هوشمند) آن را توسعه داد.

مقاله «پیش‌بینی گونه‌شناسی ترابری شهری جهانی با یادگیری نظارت‌شده مبتنی بر Sentence-BERT از طریق ویکی‌پدیا» یک گام مهم در جهت استفاده از هوش مصنوعی برای درک بهتر شهرهای جهان است. این پژوهش با موفقیت نشان می‌دهد که چگونه می‌توان با ترکیب خلاقانه یک منبع داده در دسترس همگانی (ویکی‌پدیا) و یک مدل پردازش زبان طبیعی پیشرفته (Sentence-BERT)، بر یکی از بزرگ‌ترین موانع مطالعات شهری، یعنی کمبود داده، غلبه کرد.

این رویکرد نه تنها یک ابزار عملی برای طبقه‌بندی سیستم‌های حمل‌ونقل ارائه می‌دهد، بلکه یک پارادایم جدید را برای تحقیقات شهری معرفی می‌کند که در آن، داده‌های متنی بدون ساختار به عنوان منبعی غنی برای تحلیل‌های کمی شناخته می‌شوند. در عصر شهرنشینی سریع و تصمیم‌گیری مبتنی بر داده، چنین نوآوری‌هایی برای ساختن شهرهای پایدارتر، کارآمدتر و زیست‌پذیرتر ضروری هستند. این تحقیق، نمونه‌ای درخشان از قدرت علم داده در خدمت حل مسائل واقعی جهان است.