۱. معرفی مقاله و اهمیت آن

در دنیای امروز که تجربه‌ی سفر و جابجایی اهمیت روزافزونی یافته است، درک نگرش افراد نسبت به شیوه‌های مختلف حمل‌ونقل و فناوری‌های نوین، نقشی کلیدی در مدل‌سازی رفتار سفر ایفا می‌کند. این موضوع به‌ویژه در مواجهه با نوآوری‌هایی مانند خودروهای خودران، اهمیت دوچندانی پیدا می‌کند. محققان همواره به دنبال یافتن بهترین روش برای سنجش دقیق و کارآمد این نگرش‌ها بوده‌اند. در حالی که پیمایش‌های سنتی غالباً از پرسش‌های بسته‌ی از پیش تعریف‌شده بهره می‌برند، پرسش‌های باز که امکان بیان آزادانه‌تر دیدگاه‌ها را فراهم می‌کنند، نیز جایگاه ویژه‌ای دارند. اما چالش اصلی در اینجا، نحوه‌ی استخراج اطلاعات ارزشمند از حجم انبوه پاسخ‌های متنی و تفسیر صحیح آن‌هاست.

این مقاله علمی با عنوان “Open vs Closed-ended questions in attitudinal surveys — comparing, combining, and interpreting using natural language processing” (مقایسه، ترکیب و تفسیر پرسش‌های باز و بسته در پیمایش‌های نگرشی با پردازش زبان طبیعی)، به بررسی عمیق این چالش پرداخته و رویکردی نوین را برای غلبه بر آن معرفی می‌کند. اهمیت این پژوهش در ارائه راهکاری مبتنی بر پردازش زبان طبیعی (NLP) برای تحلیل داده‌های حاصل از پرسش‌های باز نهفته است؛ رویکردی که می‌تواند ضمن کاهش زمان و هزینه‌ی تحلیل، سوگیری‌های ذهنی تحلیل‌گران را نیز به حداقل برساند. علاوه بر این، مقاله به موضوع مهم انعطاف‌پذیری در طراحی پیمایش‌ها اشاره کرده و چارچوبی را پیشنهاد می‌دهد که به پاسخ‌دهندگان اجازه می‌دهد تا نوع پرسشنامه‌ی مورد علاقه‌ی خود را برای پاسخگویی انتخاب کنند، و همزمان به تحلیل‌گران امکان استفاده از مدل‌های تحلیلی دلخواه را می‌دهد.

۲. نویسندگان و زمینه تحقیق

این پژوهش توسط دانشمندان برجسته، ویشنو بابوراجان (Vishnu Baburajan)، ژوآو دِ آبرو اِ سیلوا (João de Abreu e Silva) و فرانسیسکو کامارا پریرا (Francisco Camara Pereira) به انجام رسیده است. زمینه تحقیقاتی این مقاله ترکیبی از حوزه‌های اقتصاد عمومی، محاسبات و زبان (Computation and Language)، و یادگیری ماشین (Machine Learning) است. تلفیق این رشته‌ها نشان‌دهنده ماهیت میان‌رشته‌ای پژوهش و استفاده از ابزارهای پیشرفته‌ی محاسباتی برای تحلیل مسائل پیچیده‌ی اجتماعی و اقتصادی است. تمرکز بر رفتار سفر و نگرش‌های مرتبط با آن، به‌ویژه در دوران گذار به فناوری‌های نوین مانند خودروهای خودران، این پژوهش را در زمره‌ی تحقیقات کاربردی و پیشرو در حوزه حمل‌ونقل و مطالعات رفتاری قرار می‌دهد.

۳. چکیده و خلاصه محتوا

چکیده مقاله به طور خلاصه به بررسی نقش نگرش‌ها در مدل‌سازی رفتار سفر می‌پردازد و چالش سنجش دقیق این نگرش‌ها را با استفاده از پرسش‌های باز و بسته مطرح می‌کند. نویسندگان نشان می‌دهند که چگونه می‌توان از تکنیک «مدل‌سازی موضوع» (Topic Modeling) برای استخراج سریع اطلاعات از پاسخ‌های باز استفاده کرد و سوگیری ذهنی را کاهش داد. هدف اصلی پژوهش، مقایسه‌ی عملکرد این روش با پاسخ‌های پرسش‌های بسته بوده است. علاوه بر این، مقاله‌ چارچوبی را پیشنهاد می‌دهد که به پاسخ‌دهندگان امکان انتخاب نوع پرسشنامه (باز یا بسته) را می‌دهد. این مطالعه بر روی داده‌های جمع‌آوری شده از ایالات متحده آمریکا در مورد قصد استفاده از خودروهای خودران برای سفرهای روزمره انجام شده است. نتایج نشان می‌دهد که مدل‌سازی موضوع برای استخراج اطلاعات از پاسخ‌های باز مناسب است، اما مدل‌های تخمین‌زده شده از پرسش‌های بسته عملکرد بهتری دارند. با این حال، چارچوب پیشنهادی مقاله نسبت به مدل‌های رایج فعلی، عملکرد بهتری از خود نشان می‌دهد و انعطاف‌پذیری آن، به‌ویژه در نظرسنجی‌های صوتی، مزایای قابل توجهی دارد.

خلاصه محتوا در ادامه، به تفصیل به این موضوعات می‌پردازد. مقاله با طرح مسئله‌ی اهمیت سنجش دقیق نگرش‌ها در پیش‌بینی رفتار سفر آغاز می‌شود. سپس، به مقایسه نقاط قوت و ضعف پرسش‌های باز و بسته در پیمایش‌های نگرشی می‌پردازد. پرسش‌های بسته، به دلیل سهولت در تحلیل و قابلیت کمی‌سازی، رایج‌ترند؛ اما ممکن است گزینه‌های محدود، دیدگاه‌های واقعی پاسخ‌دهندگان را به‌طور کامل منعکس نکنند. در مقابل، پرسش‌های باز، فضای بیشتری برای بیان نظرات و جزئیات فراهم می‌کنند، اما تحلیل آن‌ها زمان‌بر و نیازمند تخصص است.

برای غلبه بر این چالش‌ها، پژوهشگران روش مدل‌سازی موضوع (Topic Modeling) را معرفی می‌کنند. این تکنیک از پردازش زبان طبیعی بهره می‌برد تا الگوهای معنایی و موضوعات اصلی را در میان حجم عظیمی از متن استخراج کند. این امر به طور قابل توجهی فرآیند تحلیل پاسخ‌های باز را تسریع می‌بخشد و از تفسیرهای ذهنی که ممکن است توسط تحلیل‌گران انسانی رخ دهد، جلوگیری می‌کند.

نکته‌ی نوآورانه‌ی دیگر مقاله، رویکرد جامع‌نگر به طراحی پیمایش است. درک این موضوع که پاسخ‌دهندگان مختلف ممکن است با انواع متفاوتی از پرسشنامه‌ها راحت‌تر باشند، مقاله چارچوبی را پیشنهاد می‌دهد که در آن، پاسخ‌دهنده می‌تواند بین پاسخ دادن به سوالات به صورت باز یا بسته، انتخاب کند. این انعطاف‌پذیری می‌تواند میزان مشارکت و کیفیت داده‌ها را افزایش دهد.

۴. روش‌شناسی تحقیق

روش‌شناسی این پژوهش ترکیبی از جمع‌آوری داده‌های میدانی و تحلیل‌های پیشرفته‌ی محاسباتی است. برای جمع‌آوری داده‌ها، محققان یک پیمایش در ایالات متحده آمریکا طراحی کردند که هدف آن سنجش قصد استفاده از خودروهای خودران برای سفرهای روزمره (commute trips) بود. این پیمایش به گونه‌ای طراحی شد که تاثیر عوامل مداخله‌گر مانند بیان گزاره‌ها، چارچوب رفتاری، و آزمایش انتخاب، به حداقل برسد تا بتوان تمرکز را بر روی تفاوت بین انواع پرسشنامه‌ها و مدل‌های تحلیلی معطوف کرد.

دو نسخه از پرسشنامه به شرکت‌کنندگان ارائه شد:

• نسخه پرسش باز (Open-ended): در این نسخه، از شرکت‌کنندگان خواسته شد تا نظرات و تجربیات خود را در مورد استفاده از خودروهای خودران به صورت متنی بیان کنند.
• نسخه پرسش بسته (Closed-ended): در این نسخه، سوالات با گزینه‌های از پیش تعیین‌شده ارائه شد که انتظار می‌رفت طیف وسیعی از نگرش‌ها را پوشش دهد.

برای تحلیل داده‌های حاصل از پرسش‌های باز، از تکنیک مدل‌سازی موضوع (Topic Modeling)، به ویژه الگوریتم‌هایی مانند LDA (Latent Dirichlet Allocation)، استفاده شد. این الگوریتم‌ها قادرند موضوعات پنهان و الگوهای معنایی را از مجموعه‌ی بزرگی از اسناد متنی استخراج کنند. به عنوان مثال، اگر پاسخ‌دهندگان در مورد خودروهای خودران نظراتی مانند “نگران ایمنی هستم”، “از راحتی لذت می‌برم”، “هزینه‌های آن بالا خواهد بود” یا “پتانسیل آن برای کاهش ترافیک را می‌بینم” بیان کنند، مدل‌سازی موضوع می‌تواند این عبارات را به موضوعات کلی‌تری مانند “نگرانی‌های ایمنی”، “مزایای راحتی”، “ملاحظات اقتصادی” و “تاثیرات زیست‌محیطی/ترافیکی” دسته‌بندی کند.

برای مقایسه، نتایج حاصل از تحلیل پرسش‌های باز با نتایج حاصل از تحلیل پرسش‌های بسته، که مستقیماً با استفاده از روش‌های آماری استاندارد تحلیل شدند، مقایسه گردید. علاوه بر این، یک چارچوب مدل‌سازی ترکیبی پیشنهاد شد که امکان ادغام داده‌ها از هر دو نوع پرسشنامه را فراهم می‌آورد و به پاسخ‌دهندگان اجازه می‌داد تا نوع پرسشنامه ترجیحی خود را انتخاب کنند. این چارچوب به تحلیل‌گران اجازه می‌دهد تا مدل‌های پیش‌بینی رفتار خود را با انتخاب نوع پرسشنامه ورودی، انعطاف‌پذیرتر کنند.

۵. یافته‌های کلیدی

این پژوهش به یافته‌های مهم و کاربردی در زمینه طراحی پیمایش و تحلیل داده‌های نگرشی دست یافته است:

• مناسبت مدل‌سازی موضوع برای پرسش‌های باز: یافته‌ها به وضوح نشان دادند که مدل‌سازی موضوع (Topic Modeling) ابزاری بسیار قدرتمند و کارآمد برای استخراج اطلاعات و شناسایی موضوعات کلیدی از پاسخ‌های متنی باز است. این روش به طور قابل توجهی فرآیند تحلیل را ساده‌تر کرده و امکان درک سریع‌تر نگرش‌های پیچیده را فراهم می‌آورد.
• برتری عملکرد پرسش‌های بسته در برخی موارد: با وجود کارایی مدل‌سازی موضوع، پژوهش نشان داد که مدل‌های تخمین‌زده شده بر اساس داده‌های پرسش‌های بسته، عملکرد بهتری نسبت به مدل‌های مبتنی بر پرسش‌های باز (حتی پس از پردازش با مدل‌سازی موضوع) از خود نشان دادند. این بدان معناست که در پیش‌بینی رفتاری خاص (مانند قصد استفاده از خودروهای خودران)، اطلاعات کمی‌شده و ساختاریافته‌ی حاصل از پرسش‌های بسته، ممکن است قدرت پیش‌بینی بیشتری داشته باشند.
• عملکرد بهتر چارچوب پیشنهادی: مهمترین دستاورد مقاله، اثربخشی چارچوب مدل‌سازی ترکیبی پیشنهادی است. این چارچوب نه تنها به پاسخ‌دهندگان امکان انتخاب نوع پرسشنامه دلخواه را می‌دهد، بلکه در مقایسه با مدل‌های رایج و تکی (تنها استفاده از پرسش‌های باز یا بسته)، عملکرد بهتری از خود نشان داده است. این بدان معناست که ادغام دیدگاه‌ها از هر دو نوع پاسخ، یا اجازه دادن به انتخاب نوع پاسخ، منجر به مدل‌های پیش‌بینی‌کننده‌ی قوی‌تری می‌شود.
• مزیت در نظرسنجی‌های صوتی: مقاله به یک مزیت عملیاتی مهم چارچوب پیشنهادی اشاره می‌کند: مناسب بودن آن برای نظرسنجی‌های صوتی (voice-based surveys). در چنین سناریوهایی، امکان بیان آزادانه پاسخ‌ها (مانند پرسش‌های باز) و دریافت بازخوردهای ساختاریافته، می‌تواند تجربه کاربر را بهبود بخشد.

۶. کاربردها و دستاوردها

یافته‌های این پژوهش پیامدهای گسترده‌ای برای محققان، سیاست‌گذاران و طراحان پیمایش دارد:

• بهبود طراحی پیمایش: طراحان پیمایش می‌توانند با الهام از این چارچوب، پیمایش‌هایی انعطاف‌پذیرتر طراحی کنند که نیازهای متنوع پاسخ‌دهندگان را برآورده سازد. این امر می‌تواند منجر به افزایش نرخ پاسخ‌دهی، کاهش سوگیری ناشی از ناهمگونی در تجربه پاسخ‌دهی، و جمع‌آوری داده‌های غنی‌تر شود.
• تحلیل کارآمدتر داده‌های متنی: استفاده از پردازش زبان طبیعی، به‌ویژه مدل‌سازی موضوع، راه را برای تحلیل سریع‌تر و علمی‌تر داده‌های کیفی (پاسخ‌های باز) هموار می‌کند. این امر به ویژه در پروژه‌های بزرگ که با حجم عظیمی از داده‌های متنی روبرو هستند، بسیار ارزشمند است.
• مدل‌سازی پیشرفته‌تر رفتار: چارچوب ترکیبی پیشنهادی، ابزاری قدرتمندتر برای پیش‌بینی رفتار افراد در حوزه‌های مختلف، از جمله حمل‌ونقل، بازاریابی، و علوم اجتماعی، فراهم می‌آورد. ادغام دیدگاه‌های مختلف از طریق انواع پرسشنامه‌ها، دقت پیش‌بینی را افزایش می‌دهد.
• پیشبرد تحقیقات خودروهای خودران: با توجه به تمرکز مقاله بر خودروهای خودران، یافته‌ها می‌توانند مستقیماً به سیاست‌گذاران و توسعه‌دهندگان این فناوری کمک کنند تا درک عمیق‌تری از پذیرش عمومی، نگرانی‌ها و انتظارات مردم پیدا کنند و محصولات و خدمات خود را بر این اساس بهینه‌سازی نمایند.
• کاربرد در فناوری‌های نوظهور: قابلیت استفاده در نظرسنجی‌های صوتی، این پژوهش را برای عصر هوش مصنوعی و دستیارهای صوتی بسیار مرتبط می‌سازد. در آینده، جمع‌آوری بازخوردها از طریق رابط‌های صوتی، امری رایج خواهد شد و این چارچوب می‌تواند در این زمینه نیز مورد استفاده قرار گیرد.

۷. نتیجه‌گیری

مقاله “مقایسه، ترکیب و تفسیر پرسش‌های باز و بسته در پیمایش‌های نگرشی با پردازش زبان طبیعی”، گامی مهم در جهت ارتقاء کیفیت و کارایی پیمایش‌های علمی، به‌ویژه در حوزه مطالعات رفتاری و نگرشی، برداشته است. نویسندگان به روشنی نشان داده‌اند که چگونه می‌توان با بهره‌گیری از قدرت پردازش زبان طبیعی، موانع موجود در تحلیل داده‌های حاصل از پرسش‌های باز را برطرف نمود. اگرچه پرسش‌های بسته در برخی جنبه‌ها همچنان برتری دارند، اما راهکار ترکیبی پیشنهادی که هم به انعطاف‌پذیری پاسخ‌دهندگان توجه دارد و هم قدرت تحلیل مدل‌سازی موضوع را به کار می‌گیرد، نویدبخش آینده‌ای است که در آن پیمایش‌ها هم دقیق‌تر و هم کاربرپسندتر خواهند بود.

این پژوهش نشان می‌دهد که ترکیب بهترین‌های هر دو دنیا – ساختار و قابلیت کمی‌سازی پرسش‌های بسته، و عمق و غنای توصیفی پرسش‌های باز – همراه با ابزارهای تحلیلی هوشمند، منجر به مدل‌های پیش‌بینی‌کننده قوی‌تری می‌شود. اهمیت این یافته‌ها در پیش‌بینی رفتارهای پیچیده اجتماعی و اقتصادی، و همچنین در توسعه فناوری‌های نوین مانند خودروهای خودران، غیرقابل انکار است. در نهایت، این مقاله چارچوبی را برای تحقیقات آتی فراهم می‌کند تا بتوانیم با درک عمیق‌تر و جامع‌تر نگرش‌های انسانی، به راهکارهای مؤثرتری برای مواجهه با چالش‌های دنیای معاصر دست یابیم.