مقاله حاضر به بررسی یک تحقیق نوآورانه در زمینه پردازش زبان طبیعی (NLP) با تمرکز بر تشخیص محتوای آزارگرانه در متون روایی ویتنامی می‌پردازد. با توجه به گسترش روزافزون فضای مجازی و افزایش چشمگیر محتوای آنلاین، شناسایی و مقابله با سوء‌استفاده‌های گوناگون، از جمله آزار جسمی، روانی، کلامی، جنسی، مالی و فرهنگی، به یک دغدغه جدی در جوامع مختلف تبدیل شده است. متاسفانه، تحقیقات انجام شده در حوزه NLP به زبان ویتنامی در این زمینه محدود بوده است، و این مقاله سعی دارد با ارائه یک مجموعه داده (Dataset) غنی و بررسی مدل‌های مختلف، گامی موثر در جهت پر کردن این خلاء بردارد.

اهمیت این تحقیق از جنبه‌های مختلف قابل بررسی است:

• بهبود سلامت روان: شناسایی و حذف محتوای آزارگرانه می‌تواند به کاهش اثرات منفی روانی بر روی افراد آسیب‌پذیر کمک کند.
• ایجاد فضای آنلاین امن‌تر: تشخیص خودکار محتوای آزارگرانه می‌تواند به مدیران وب‌سایت‌ها و شبکه‌های اجتماعی در ایجاد یک محیط آنلاین امن‌تر و سالم‌تر کمک کند.
• توسعه تحقیقات NLP در زبان ویتنامی: این تحقیق با ارائه یک مجموعه داده استاندارد و ارزیابی مدل‌های مختلف، بستری مناسب برای توسعه تحقیقات بیشتر در زمینه پردازش زبان طبیعی به زبان ویتنامی فراهم می‌کند.

این مقاله توسط Nhu-Thanh Nguyen، Khoa Thi-Kim Phan، Duc-Vu Nguyen و Ngan Luu-Thuy Nguyen نگارش شده است. زمینه تخصصی نویسندگان در حوزه‌های محاسبات و زبان و یادگیری ماشین قرار دارد. تخصص این محققان در این زمینه‌ها، آنها را قادر ساخته تا با رویکردی علمی و دقیق، به بررسی چالش‌های مربوط به تشخیص محتوای آزارگرانه در متون ویتنامی بپردازند.

انتخاب زبان ویتنامی به عنوان محور اصلی تحقیق، نشان‌دهنده توجه نویسندگان به نیازهای خاص جوامع محلی و تلاش برای ارائه راهکارهای متناسب با فرهنگ و زبان بومی است. این رویکرد، به افزایش اثربخشی و کاربردی بودن نتایج تحقیق کمک می‌کند.

چکیده مقاله بر اهمیت مقابله با سوء‌استفاده‌های مختلف و تاثیرات منفی آنها بر سلامت روان تاکید دارد. در حالی که تحقیقات در زمینه NLP به طور گسترده‌ای انجام شده‌اند، تعداد مطالعاتی که به طور خاص به زبان ویتنامی و تشخیص محتوای آزارگرانه در این زبان می‌پردازند، بسیار محدود است. هدف اصلی این تحقیق، ارائه یک مجموعه داده (Dataset) انسانی-حاشیه نویسی شده (Human-Annotated) برای شناسایی محتوای آزارگرانه در متون روایی ویتنامی است.

نویسندگان، متون مورد نیاز برای این مجموعه داده را از وب‌سایت VnExpress، یک روزنامه آنلاین محبوب در ویتنام، جمع‌آوری کرده‌اند. در این وب‌سایت، کاربران اغلب داستان‌هایی را به اشتراک می‌گذارند که حاوی محتوای آزارگرانه هستند. ایجاد این مجموعه داده با چالش‌های متعددی همراه بوده است، از جمله شناسایی دقیق بازه‌های آزارگرانه و دسته‌بندی آنها. با این حال، این چالش‌ها، انگیزه اصلی برای انجام این تحقیق بوده است.

محققان، با استفاده از مدل‌های پایه سبک وزن (Lightweight Baseline Models) و فریز کردن مدل‌های PhoBERT و XLM-RoBERTa و استفاده از حالت‌های پنهان (Hidden States) آنها در یک شبکه عصبی بازگشتی دوطرفه (BiLSTM)، به ارزیابی پیچیدگی مجموعه داده پرداخته‌اند. نتایج تجربی نشان می‌دهد که مدل PhoBERT در هر دو وظیفه شناسایی بازه‌های آزارگرانه برچسب‌گذاری شده و برچسب‌گذاری نشده، عملکرد بهتری نسبت به سایر مدل‌ها دارد. این نتایج نشان می‌دهد که مدل PhoBERT پتانسیل بالایی برای بهبودهای آینده دارد.

روش‌شناسی تحقیق شامل مراحل زیر است:

• جمع‌آوری داده‌ها: جمع‌آوری متون روایی از وب‌سایت VnExpress که حاوی محتوای آزارگرانه بالقوه هستند.
• حاشیه‌نویسی انسانی: برچسب‌گذاری دقیق بازه‌های آزارگرانه در متون جمع‌آوری شده توسط افراد متخصص. این مرحله شامل شناسایی نوع آزار (جسمی، روانی، کلامی و غیره) نیز می‌شود.
• آماده‌سازی مجموعه داده: تبدیل داده‌های برچسب‌گذاری شده به یک فرمت استاندارد قابل استفاده برای مدل‌های یادگیری ماشین.
• انتخاب مدل‌های پایه: انتخاب مدل‌های PhoBERT و XLM-RoBERTa به عنوان مدل‌های پایه. این مدل‌ها به دلیل عملکرد خوب در پردازش زبان ویتنامی انتخاب شده‌اند.
• پیاده‌سازی و آموزش مدل‌ها: فریز کردن لایه‌های مدل‌های پایه و استفاده از حالت‌های پنهان آنها در یک شبکه عصبی بازگشتی دوطرفه (BiLSTM) برای شناسایی بازه‌های آزارگرانه.
• ارزیابی عملکرد مدل‌ها: ارزیابی عملکرد مدل‌ها با استفاده از معیارهای استاندارد مانند دقت (Accuracy)، صحت (Precision)، فراخوانی (Recall) و نمره F1.

استفاده از حاشیه‌نویسی انسانی در این تحقیق، تضمین می‌کند که مجموعه داده از کیفیت بالایی برخوردار است و بازتاب‌دهنده درک صحیح از مفهوم آزار در زبان ویتنامی است. انتخاب مدل‌های پایه مناسب و استفاده از شبکه عصبی بازگشتی دوطرفه (BiLSTM) نیز به مدل‌ها کمک می‌کند تا بافت زبانی متون را به خوبی درک کرده و بازه‌های آزارگرانه را با دقت بیشتری شناسایی کنند.

یافته‌های کلیدی این تحقیق عبارتند از:

• مدل PhoBERT در هر دو وظیفه شناسایی بازه‌های آزارگرانه برچسب‌گذاری شده و برچسب‌گذاری نشده، عملکرد بهتری نسبت به مدل XLM-RoBERTa دارد.
• استفاده از شبکه عصبی بازگشتی دوطرفه (BiLSTM) به بهبود عملکرد مدل‌ها در شناسایی بازه‌های آزارگرانه کمک می‌کند.
• ایجاد مجموعه داده حاشیه‌نویسی شده (Human-Annotated) یک گام مهم در جهت توسعه تحقیقات NLP در زمینه تشخیص محتوای آزارگرانه در زبان ویتنامی است.

برتری مدل PhoBERT نسبت به XLM-RoBERTa نشان می‌دهد که این مدل برای پردازش زبان ویتنامی بهینه‌تر است. این یافته می‌تواند در تحقیقات آینده در زمینه NLP به زبان ویتنامی مورد استفاده قرار گیرد.

این تحقیق دارای کاربردها و دستاوردهای متعددی است:

• ارائه یک مجموعه داده استاندارد: مجموعه داده ارائه شده در این تحقیق می‌تواند به عنوان یک مرجع برای سایر محققان در زمینه پردازش زبان طبیعی به زبان ویتنامی مورد استفاده قرار گیرد.
• توسعه ابزارهای تشخیص خودکار محتوای آزارگرانه: نتایج این تحقیق می‌تواند در توسعه ابزارهای تشخیص خودکار محتوای آزارگرانه در وب‌سایت‌ها و شبکه‌های اجتماعی مورد استفاده قرار گیرد.
• بهبود سلامت روان: تشخیص و حذف محتوای آزارگرانه می‌تواند به کاهش اثرات منفی روانی بر روی افراد آسیب‌پذیر کمک کند.
• افزایش آگاهی عمومی: این تحقیق می‌تواند به افزایش آگاهی عمومی در مورد سوء‌استفاده‌های مختلف و تاثیرات منفی آنها بر سلامت روان کمک کند.

دستاورد اصلی این تحقیق، ایجاد یک پایه قوی برای توسعه تحقیقات بیشتر در زمینه پردازش زبان طبیعی به زبان ویتنامی و مقابله با محتوای آزارگرانه در فضای مجازی است.

این مقاله به بررسی یک تحقیق مهم و نوآورانه در زمینه تشخیص بازه‌های آزارگرانه در متون روایی ویتنامی پرداخت. نویسندگان با ارائه یک مجموعه داده (Dataset) حاشیه‌نویسی شده (Human-Annotated) و بررسی مدل‌های مختلف، گامی موثر در جهت توسعه تحقیقات NLP در این زمینه برداشته‌اند. نتایج این تحقیق نشان می‌دهد که مدل PhoBERT پتانسیل بالایی برای بهبودهای آینده در زمینه تشخیص محتوای آزارگرانه در زبان ویتنامی دارد.

این تحقیق، یک نقطه شروع ارزشمند برای تحقیقات آینده در زمینه NLP به زبان ویتنامی است و می‌تواند به توسعه ابزارهای موثر برای مقابله با سوء‌استفاده‌های مختلف در فضای مجازی کمک کند. با ادامه تحقیقات در این زمینه، می‌توان به یک فضای آنلاین امن‌تر و سالم‌تر برای همه افراد دست یافت.