پایش و تحلیل تغییرات ذهنیت افراد جامعه ایرانی در مواجهه با پاندمی کرونا بر مبنای تشخیص رانش مفهوم در جریان داده ها

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 83

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSCIT-13-2_004

تاریخ نمایه سازی: 5 آذر 1403

چکیده مقاله:

در بررسی وقایع غیرمترقبه و داده های متغیر با زمان، توجه به رانش مفهوم برای ارائه یک تحلیل معتبر ضروری می باشد. هرچند، پژوهشهای مرتبط با رانش مفهوم، اکثرا به جنبه فنی و تئوری روش ها پرداخته و استفاده از این روش ها در داده های غیر ساخت یافته کاربردهای واقعی کمتر مورد توجه قرار گرفته است. هم چنین، پژوهش های اندکی بطور همزمان تغییر مفهوم در شبکه های اجتماعی و ارتباط آن با رویدادهای جهان واقع را در نظر گرفته اند. از جمله وقایع غیرمترقبه، اپیدمی بیماری کرونا (با نرخ بالای ابتلا، مرگ و میر، به همراه طبیعت ناشناخته) بود. در این بین، نگرانی های جامعه -بویژه در روزهای ابتدایی- در فضای مجازی و در خلال انبوه متون مرتبط با کرونا منعکس شد. در این پژوهش، روشی برای بررسی تغییرات ذهنیت جامعه در جریان داده های برخط پیشنهاد می دهیم. دادگان این پژوهش، پست های شبکه های اجتماعی تلگرام، اینستاگرام و توئیتر و متون فارسی خبری مرتبط با کرونا در بازه ۱۰۰ روزه ابتدایی شیوع کروناست. درآنها ویژگی های قطبیت نظرات، دیدگاه نسبت به عملکرد مسئولین، و امید را رصد و تحلیل می کنیم.  بدین منظور از روشهای آماری توصیفی و روش پیشنهادی تحلیل رانش مفهوم استفاده می کنیم. سپس، با تحلیل محتوایی متون کلیدی در نقاط زمانی تغییر مفهوم، به کشف علت تغییر مفاهیم منفی به مثبت، و ارائه راهکارهای موثق به دادگان می پردازیم. یافته های این پژوهش نشان می دهند بطور کلی، مطالب منتشر شده در بازه مورد بررسی با شیب کندی به سمت مفاهیم خنثی و مثبت پیش می رود. در مورد ویژگی امید، امیدواری در کل بازه مورد بررسی وجود دارد. همچنین بازه مرتبط با تعطیلات سال نو شمسی یک بازه کلیدی از نظر هر سه ویژگی مورد بررسی است. بررسی متون کلیدی، نشان دهنده تاثیرگذاری راهکارهایی همچون تقویت روحیه ملی، ارتقای امکانات درمانی و عدالت در دسترسی به امکانات، از سمت مسئولین، طنزپردازی و توجه به وقایع مناسبتی بمنظور بالا بردن بهداشت روان جامعه است. نتایج این پژوهش نشان می دهند که تحلیل داده های فضای مجازی و رصد تغییرات ذهنیت افراد در این جریان داده با استفاده از رانش مفهوم، منجر به استخراج اطلاعات مفید برای برنامه ریزی آگاهانه تر، اطلاع رسانی درست تر، و ارتقای سلامت روان جامعه می گردد؛ که در تصمیم گیری های کلان و بازگشت آرامش به جامعه راهگشاست.

نویسندگان

Hoda Mashayekhi

دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، ایران.

Fatemeh Jafarinejad

دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • P. Bastani and M. A. Bahrami, “COVID-۱۹ Related Misinformation on ...
  • S. N. Saleh, C. U. Lehmann, S. A. McDonald, M. ...
  • H. Sha, M. Al Hasan, G. Mohler, and P. J. ...
  • C. Ordun, S. Purushotham, and E. Raff, “Exploratory Analysis of ...
  • T. Wang, K. Lu, K. P. Chow, and Q. Zhu, ...
  • H. W. Park, S. Park, and M. Chong, “Conversations and ...
  • K. Chakraborty, S. Bhatia, S. Bhattacharyya, J. Platos, R. Bag, ...
  • H. Jelodar, Y. Wang, R. Orji, and S. Huang, “Deep ...
  • S. Vijaykumar, G. Nowak, I. Himelboim, and Y. Jin, “Virtual ...
  • H. Liang, I. C. H. Fung, Z. T. H. Tse, ...
  • M. J. Paul, M. Dredze, and D. Broniatowski, “Twitter Improves ...
  • T. R. Berry, J. Wharf-Higgins, and P. J. Naylor, “SARS ...
  • P. Breen, J. Kelly, T. Heckman, and S. Quinn, “Mining ...
  • J. S. P. Tulloch, R. Vivancos, R. M. Christley, A. ...
  • J. Ginsberg, M. H. Mohebbi, R. S. Patel, L. Brammer, ...
  • A. Suprem and C. Pu, “EDNA-Covid : A Large-Scale Covid-۱۹ Tweets ...
  • C. Pu, A. Suprem, and R. A. Lima, “Challenges and ...
  • F. Jafarinejad, M. Rahimi, and H. Mashayekhi, “Tracking and Analysis ...
  • C. Aggarwal, “Data Streams: Models and Algorithms,” Vol. ۳۱. ۲۰۰۷ ...
  • G. Ditzler, M. Roveri, C. Alippi, and R. Polikar, “Learning ...
  • H.-L. Nguyen, Y.-K. Woon, and W. K. Ng, “A Survey ...
  • V. Lemaire, C. Salperwyck, and A. Bondu, “A Survey on ...
  • J. A. Silva, E. R. Faria, R. C. Barros, E. ...
  • J. Gama, I. Žliobaitun, A. Bifet, M. Pechenizkiy, and A. ...
  • G. I. Webb, R. Hyde, H. Cao, H. L. Nguyen, ...
  • W. Fan and A. Bifet, “Mining Big Data: Current Status, ...
  • I. Žliobaitė, “Learning Under Concept Drift: an Overview.” Technical report, ...
  • A. Haque, L. Khan, and M. Baron, Semi Supervised Adaptive ...
  • G. Krempl, I. Žliobaite, D. Brzeziński, E. Hüllermeier, M. Last, ...
  • M. A. Patil, S. Kumar, S. Kumar, and M. Garg. ...
  • E. Susi, and A. P. Shanthi, “Sentiment Drift Detection and ...
  • T. Uchida, and K. Yoshida. “Concept Drift in Japanese COVID-۱۹ ...
  • Y. Xu, and K. Wilson, “Early Alert Systems During a ...
  • C. Duckworth, F. P. Chmiel, D. K. Burns, Z. D. ...
  • M. Müller, and M. Salathé, “Adressing Machine Learning Concept Drift ...
  • M. Jantscher, and R. Kern. “Causal Investigation of Public Opinion ...
  • A. Umair, and Masciari, E. “Sentimental and Spatial Analysis of ...
  • L. Baier, N. Kühl, J. Schöffer, and G. Satzger, “Utilizing ...
  • A. Bechini, A. Bondielli, P. Ducange, F. Marcelloni, and A. ...
  • J. Lu, A. Liu, F. Dong, F. Gu, J. Gama, ...
  • F. Bayram, B. S. Ahmed, & A. Kassler, A. “From ...
  • J. Gama, P. Medas, G. Castillo, and P. Rodrigues, “Gama ...
  • I. Frías-Blanco, J. d. Campo-Ávila, G. Ramos-Jiménez, R. Morales-Bueno, A. ...
  • R. S. M. Barros and S. G. T. C. Santos, ...
  • W. Hoeffding, “Probability Inequalities for Sums of Bounded Random Variables,” ...
  • A. Shokri, G. Moradi, B. Piroozi, et al. “Perceived Stress ...
  • Paykani, G. D. Zimet, R. Esmaeili, A. R. Khajedaluee, and ...
  • نمایش کامل مراجع