با ظهور ویروس کرونای جدید (COVID-19) در اواخر سال ۲۰۱۹ و تبدیل آن به یک همه‌گیری جهانی، جامعه علمی با چالشی بی‌سابقه روبرو شد: انفجار اطلاعات یا «اینفودمی» (Infodemic). در مدت کوتاهی، هزاران مقاله پژوهشی در مورد جنبه‌های مختلف این بیماری، از ویروس‌شناسی و همه‌گیرشناسی گرفته تا روش‌های درمانی و واکسن‌ها، منتشر شد. این حجم عظیم از داده‌های متنی، اگرچه نشان‌دهنده تلاش جهانی برای مقابله با بحران بود، اما خود به مانعی بزرگ برای پژوهشگران تبدیل شد. یافتن اطلاعات مرتبط و دقیق در میان این اقیانوس از مقالات، کاری طاقت‌فرسا و زمان‌بر بود که می‌توانست روند پیشرفت‌های علمی را کند سازد.

مقاله «استخراج و بازیابی اطلاعات کووید-۱۹ از متون علمی با رویکردهای داده‌کاوی» به قلم سانکو ساتیا اودی و همکارانش، پاسخی نوآورانه به این چالش ارائه می‌دهد. این پژوهش با بهره‌گیری از تکنیک‌های پیشرفته پردازش زبان طبیعی (NLP) و بازیابی اطلاعات، مدلی را پیشنهاد می‌کند که قادر است به‌طور خودکار، مقالات مرتبط با یک پرسش یا موضوع تحقیقاتی خاص را از میان یک مجموعه داده عظیم شناسایی و رتبه‌بندی کند. اهمیت این کار در توانایی آن برای تسریع فرآیند تحقیق و توسعه، کمک به دانشمندان برای یافتن سریع‌تر پاسخ‌های حیاتی، و در نهایت، تقویت توان جامعه جهانی برای مقابله با بحران‌های بهداشتی نهفته است. این مقاله نمونه‌ای برجسته از کاربرد هوش مصنوعی برای حل یکی از مبرم‌ترین مشکلات عصر ماست.

این مقاله حاصل تلاش مشترک تیمی از پژوهشگران هندی است:

• Sanku Satya Uday
• Satti Thanuja Pavani
• T. Jaya Lakshmi
• Rohit Chivukula

حوزه تخصصی این پژوهش در تقاطع سه رشته کلیدی علوم کامپیوتر قرار دارد:

۱. بازیابی اطلاعات (Information Retrieval): علمی که به جستجو و استخراج اطلاعات مرتبط از میان مجموعه‌های بزرگ داده (مانند پایگاه داده مقالات) می‌پردازد. هدف اصلی، ارائه مرتبط‌ترین نتایج به کاربر بر اساس نیاز اطلاعاتی اوست.

۲. پردازش زبان طبیعی (Natural Language Processing – NLP): شاخه‌ای از هوش مصنوعی که به کامپیوترها توانایی درک، تفسیر و تولید زبان انسان را می‌دهد. در این مقاله، از NLP برای فهم محتوای عناوین مقالات و پرسش‌های کاربران استفاده شده است.

۳. زبان‌شناسی محاسباتی (Computation and Language): زمینه گسترده‌تری که به مدل‌سازی زبان با استفاده از روش‌های محاسباتی می‌پردازد و زیربنای نظری بسیاری از تکنیک‌های NLP را تشکیل می‌دهد.

محور اصلی این پژوهش، توسعه یک سیستم هوشمند برای بازیابی اسناد علمی مرتبط با کووید-۱۹ است. نویسندگان از مجموعه داده CORD-19 که توسط موسسه آلن برای هوش مصنوعی (Allen Institute for AI) منتشر شده، استفاده کرده‌اند. این مجموعه داده شامل بیش از ۲۰۰,۰۰۰ مقاله علمی از منابع معتبری چون PubMed، سازمان بهداشت جهانی (WHO) و پیش‌چاپ‌های bioRxiv و medRxiv است.

چالش مطرح شده در این مقاله، که در قالب رقابت TREC-COVID در پلتفرم Kaggle نیز تعریف شده، این است: چگونه می‌توان برای یک موضوع تحقیقاتی خاص (که به صورت پرسش، کوئری یا روایت مطرح می‌شود)، مرتبط‌ترین اسناد را از میان مجموعه CORD-19 پیدا کرد؟

رویکرد پیشنهادی نویسندگان شامل دو مرحله اصلی است:

۱. تبدیل متن به بردار (Vectorization): در این مرحله، هم پرسش‌های کاربران و هم عناوین مقالات با استفاده از مدل‌های مختلف NLP به بردارهای عددی تبدیل می‌شوند. این بردارها، بازنمایی ریاضیاتی از معنای متن هستند.

۲. محاسبه شباهت (Similarity Calculation): پس از تبدیل متون به بردار، از معیاری به نام شباهت کسینوسی (Cosine Similarity) برای سنجش میزان نزدیکی معنایی بین بردار پرسش و بردار هر یک از عناوین مقالات استفاده می‌شود. هرچه این شباهت بیشتر باشد، مقاله مرتبط‌تر تلقی می‌گردد.

در نهایت، سیستم با رتبه‌بندی مقالات بر اساس امتیاز شباهت، لیستی از مرتبط‌ترین اسناد را به پژوهشگر ارائه می‌دهد و فرآیند طاقت‌فرسای جستجوی دستی را به یک فرآیند خودکار و کارآمد تبدیل می‌کند.

روش‌شناسی این مقاله بر پایه یک خط لوله (pipeline) پردازش داده استوار است که با دقت طراحی شده تا متون را به بردارهای معنادار تبدیل کرده و شباهت آن‌ها را بسنجد. در ادامه، اجزای کلیدی این روش‌شناسی تشریح می‌شوند.

مجموعه داده‌ها:

• CORD-19: پایگاه داده اصلی شامل بیش از ۲۰۰,۰۰۰ مقاله علمی مرتبط با خانواده ویروس‌های کرونا. در این تحقیق، از عناوین این مقالات به عنوان نماینده محتوای آن‌ها استفاده شده است.
• topics-rnd3: مجموعه‌ای از موضوعات تحقیقاتی که هر کدام در سه قالب ارائه شده‌اند: کوئری (چند کلمه کلیدی)، پرسش (یک سوال کامل) و روایت (توضیح مختصر نیاز اطلاعاتی). مدل باید برای این موضوعات، اسناد مرتبط را بیابد.

تکنیک‌های تبدیل متن به بردار:

قلب این پژوهش، مقایسه چهار مدل مختلف برای تبدیل متن (پرسش‌ها و عناوین مقالات) به بردارهای عددی است:

• مدل کیسه کلمات (Bag-of-Words – BoW): ساده‌ترین رویکرد که در آن هر متن به صورت یک بردار از فراوانی کلمات موجود در آن نمایش داده می‌شود. این مدل ساختار و ترتیب کلمات را نادیده می‌گیرد و تنها به حضور و تکرار آن‌ها اهمیت می‌دهد. با وجود سادگی، سرعت بالایی دارد و به عنوان یک مدل پایه (baseline) مناسب است.
• مدل میانگین Word2Vec: در این روش، ابتدا با استفاده از مدل از پیش آموزش‌دیده Word2Vec، برای هر کلمه در متن یک بردار معنایی (semantic vector) استخراج می‌شود. این بردارها جایگاه کلمه را در یک فضای معنایی چندبعدی نشان می‌دهند. سپس، با میانگین‌گیری از بردارهای تمام کلمات یک عنوان یا پرسش، یک بردار واحد برای کل آن متن به دست می‌آید. این روش نسبت به BoW، درک بهتری از معنای کلمات دارد.
• مدل Word2Vec وزن‌دهی شده با Tf-Idf: این مدل، نسخه بهبودیافته روش قبلی است. در اینجا، هنگام میانگین‌گیری از بردارهای کلمات، به کلمات مهم‌تر وزن بیشتری داده می‌شود. معیار اهمیت کلمات Tf-Idf (Term Frequency-Inverse Document Frequency) است که به کلماتی که در یک متن خاص زیاد تکرار شده اما در کل مجموعه داده نادر هستند، امتیاز بالاتری می‌دهد. این کار باعث می‌شود کلمات کلیدی و تخصصی تأثیر بیشتری در بردار نهایی داشته باشند.
• مدل پایه میانگین BERT: پیچیده‌ترین و قدرتمندترین مدل استفاده شده در این مقاله، BERT (Bidirectional Encoder Representations from Transformers) است. بر خلاف Word2Vec که معنای کلمات را مستقل از متن در نظر می‌گیرد، BERT معنای هر کلمه را بر اساس کلمات قبل و بعد از آن (یعنی بافتار کامل جمله) درک می‌کند. این مدل بازنمایی‌های بسیار غنی و دقیقی از متن تولید می‌کند. در این پژوهش، از میانگین بردارهای خروجی BERT برای ساخت بردار نهایی متن استفاده شده است.

اندازه‌گیری شباهت:

پس از اینکه تمام پرسش‌ها و عناوین مقالات به بردارهای عددی تبدیل شدند، از شباهت کسینوسی برای مقایسه آن‌ها استفاده می‌شود. این معیار، کسینوس زاویه بین دو بردار را محاسبه می‌کند. اگر دو بردار در یک جهت باشند (زاویه نزدیک به صفر)، مقدار شباهت به ۱ نزدیک می‌شود که نشان‌دهنده ارتباط معنایی قوی است. اگر بردارها بر هم عمود باشند، شباهت صفر و اگر در جهات مخالف باشند، شباهت ۱- خواهد بود. سیستم با محاسبه این امتیاز برای هر زوجِ (پرسش، عنوان)، مقالات را از مرتبط‌ترین به کم‌ارتباط‌ترین مرتب می‌کند.

اگرچه مقاله به طور مستقیم نتایج عددی مقایسه مدل‌ها را ارائه نمی‌دهد، یافته‌های کلیدی آن را می‌توان در چند محور اصلی خلاصه کرد:

• اثبات کارایی رویکرد: پژوهش به وضوح نشان می‌دهد که استفاده از تکنیک‌های برداری‌سازی متن و محاسبه شباهت کسینوسی، یک روش مؤثر و عملی برای ساختن موتورهای جستجوی تخصصی در حوزه مقالات علمی است. این سیستم توانست با موفقیت اسناد مرتبط را از میان یک مجموعه بسیار بزرگ استخراج کند.
• مقایسه مفهومی مدل‌ها: این تحقیق یک مقایسه کاربردی بین مدل‌های مختلف NLP، از ساده تا پیچیده، فراهم می‌کند. مدل BoW به عنوان یک نقطه شروع سریع عمل می‌کند، اما فاقد درک معنایی است. مدل‌های مبتنی بر Word2Vec با در نظر گرفتن معنای کلمات، عملکرد بهتری دارند و نسخه وزن‌دهی شده با Tf-Idf با تمرکز بر کلمات کلیدی، این عملکرد را بهبود می‌بخشد. در نهایت، مدل BERT به دلیل درک عمیق از بافتار، دقیق‌ترین بازنمایی معنایی را ارائه می‌دهد، هرچند که از نظر محاسباتی سنگین‌تر است.
• توسعه یک خط لوله کامل: دستاورد اصلی، ساخت یک خط لوله (pipeline) سرتاسری و کارآمد است که می‌تواند هر پرسش تحقیقاتی را دریافت کرده و لیستی رتبه‌بندی‌شده از مقالات مرتبط را بازگرداند. این خود یک موفقیت مهندسی نرم‌افزار و علم داده محسوب می‌شود.

نتایج و دستاوردهای این پژوهش فراتر از یک مقاله علمی صرف بوده و کاربردهای عملی گسترده‌ای دارد:

• ابزار قدرتمند برای پژوهشگران: این مدل می‌تواند به عنوان هسته اصلی یک موتور جستجوی هوشمند برای دانشمندان علوم پزشکی و زیستی عمل کند. پژوهشگران می‌توانند به جای جستجوی کلیدواژه‌های ساده، پرسش‌های پیچیده خود را مطرح کرده و مقالاتی را بیابند که به بهترین شکل به آن پرسش‌ها پاسخ می‌دهند.
• تسریع روند اکتشافات علمی: با کاهش چشمگیر زمان لازم برای مرور مقالات، این سیستم به محققان اجازه می‌دهد تا زمان بیشتری را به تحلیل داده‌ها، آزمایش و نتیجه‌گیری اختصاص دهند. این امر می‌تواند به طور مستقیم به تسریع روند کشف درمان‌ها و واکسن‌های جدید کمک کند.
• مقابله با «اینفودمی»: در شرایط بحرانی مانند یک همه‌گیری، دسترسی سریع به اطلاعات معتبر و مرتبط حیاتی است. این ابزار با فیلتر کردن هوشمندانه اطلاعات، به پژوهشگران کمک می‌کند تا از سردرگمی ناشی از حجم بالای اطلاعات رهایی یابند.
• ترویج علم باز (Open Science): این پژوهش با استفاده از مجموعه داده‌های در دسترس عموم (CORD-19) و مشارکت در یک رقابت علمی باز (TREC-COVID)، به ترویج فرهنگ همکاری، شفافیت و بازتولیدپذیری در علم کمک می‌کند.

مقاله «استخراج و بازیابی اطلاعات کووید-۱۹ از متون علمی با رویکردهای داده‌کاوی» یک نمونه موفق از به کارگیری هوش مصنوعی برای حل یک چالش جهانی واقعی است. نویسندگان با هوشمندی، مسئله «انفجار اطلاعات» در دوران همه‌گیری کرونا را شناسایی کرده و راه‌حلی عملی مبتنی بر تکنیک‌های پیشرفته پردازش زبان طبیعی ارائه داده‌اند.

این پژوهش با مقایسه مدل‌های مختلف، از Bag-of-Words گرفته تا BERT، نشان داد که چگونه می‌توان معنای متون علمی را به صورت محاسباتی بازنمایی کرد و از آن برای یافتن اسناد مرتبط بهره برد. دستاورد نهایی، یک سیستم کارآمد است که می‌تواند به عنوان دستیار هوشمند پژوهشگران عمل کرده و به آن‌ها در پیمایش دریای عظیم مقالات علمی یاری رساند. این کار نه تنها در زمینه کووید-۱۹، بلکه در هر حوزه علمی دیگری که با حجم بالای داده‌های متنی روبروست، کاربرد دارد و مسیر را برای نسل جدیدی از ابزارهای جستجوی هوشمند و معنایی هموار می‌سازد.