تحلیل احساسات دانش آموزان از طریق پردازش زبان طبیعی متون فارسی با هدف پیشگیری از آسیب های اجتماعی

گسترش فناوری های هوش مصنوعی و توسعه سامانه های پردازش زبان طبیعی، فرصت های ارزشمندی را برای شناسایی زودهنگام مشکلات روان شناختی و اجتماعی دانش آموزان فراهم کرده است. بسیاری از دانش آموزان پیش از بروز رفتارهای پرخطر یا ترک تحصیل، احساسات، نگرانی ها، ناامیدی ها، اضطراب ها و مشکلات خود را در قالب متون نوشتاری، تکالیف کلاسی، شبکه های آموزشی، پیام های سامانه های یادگیری الکترونیکی یا نوشته های شخصی بیان می کنند. این داده های متنی در صورت تحلیل صحیح می توانند به عنوان یک منبع اطلاعاتی ارزشمند برای پیشگیری از آسیب های اجتماعی مورد استفاده قرار گیرند. هدف پژوهش حاضر، بررسی ظرفیت پردازش زبان طبیعی متون فارسی در تحلیل احساسات دانش آموزان و ارائه چارچوبی برای استفاده از این فناوری در شناسایی زودهنگام دانش آموزان در معرض آسیب های اجتماعی است. در این مقاله ابتدا مبانی نظری پردازش زبان طبیعی، تحلیل احساسات و ویژگی های خاص زبان فارسی بررسی شده و سپس کاربرد الگوریتم های یادگیری ماشین و یادگیری عمیق در طبقه بندی احساسات دانش آموزان تشریح می شود. همچنین ارتباط میان احساسات منفی استخراج شده از متون فارسی و بروز آسیب هایی نظیر افسردگی، خشونت، قلدری، انزوای اجتماعی، افت تحصیلی، فرار از مدرسه و گرایش به اعتیاد مورد تحلیل قرار می گیرد. نتایج مطالعات نشان می دهد که طراحی سامانه های هوشمند تحلیل احساسات می تواند دقت شناسایی دانش آموزان نیازمند مداخله روان شناختی را به میزان قابل توجهی افزایش داده و تصمیم گیری مدیران، مشاوران و معلمان را تسهیل کند. با این حال، رعایت اصول اخلاقی، حفظ محرمانگی داده ها، کسب رضایت آگاهانه و جلوگیری از برچسب زنی دانش آموزان از الزامات اساسی به کارگیری این فناوری محسوب می شود. در پایان نیز یک مدل مفهومی برای استقرار سامانه تحلیل احساسات در مدارس ایران ارائه شده است.

کلیدواژه ها:

پردازش زبان طبیعی ، تحلیل احساسات ، هوش مصنوعی ، متون فارسی ، آسیب های اجتماعی ، دانش آموزان ، مدارس هوشمند.