شناسایی مضامین پنهان در شاهنامه با هوش مصنوعی (مطالعه موردی داستان سیاوش از شاهنامه فردوسی)

در این پژوهش، مسئله استخراج خودکار موضوعات نهفته از متون ادبی کلاسیک و ارزیابی عملکرد مدل های مختلف مدل سازی موضوعی مورد بررسی قرار گرفت. هدف اصلی، مقایسه سه رویکرد مبتنی بر برت، تخصیص پنهان دیریکله و تجزیه ماتریس های غیرمنفی در تحلیل داستان سیاوش از شاهنامه فردوسی بود. برای این منظور، کل ۳۷۷۵ بیت این داستان به صورت یک پیکره یکپارچه مورد پردازش قرار گرفت و پس از پیش پردازش هدفمند، هر بیت به عنوان یک واحد معنایی مستقل در نظر گرفته شد. سپس با بهره گیری از مدل های مبتنی بر تعبیه های معنایی، بازنمایی برداری متن استخراج و مدل های موضوعی بر روی آن اعمال شدند. در مرحله ارزیابی، معیارهایی مانند آنتروپی و تنوع موضوعی برای سنجش میزان تمایز موضوعات و قطعیت تخصیص آن ها به کار گرفته شد. نوآوری این پژوهش در سه محور اصلی قابل بیان است: نخست، به کارگیری مدل های مبتنی بر تعبیه های زمینه محور در تحلیل یک متن ادبی کلاسیک فارسی؛ دوم، تحلیل یکپارچه کل ابیات داستان به جای نمونه های محدود؛ و سوم، ارائه چارچوبی پویا برای بررسی گذارهای موضوعی در طول روایت. یافته ها نشان دادند که مدل مبتنی بر برت بیشترین تنوع موضوعی را تولید می کند، در حالی که تجزیه ماتریس های غیرمنفی با کمترین آنتروپی، تمرکز موضوعی بالاتری دارد. این نتایج نشان می دهد انتخاب مدل به هدف تحلیل بستگی دارد و ترکیب رویکردها می تواند درک جامع تری از ساختار معنایی روایت فراهم سازد.

کلیدواژه ها:

مدل سازی موضوعی ، برت ، تخصیص پنهان دیریکله ، تجزیه ماتریس های غیرمنفی ، تنوع موضوعی ، هوش مصنوعی ، شاهنامه فردوسی