چارچوب ترکیبی تحلیل احساسات متون فارسی با تلفیق مدل های زبانی مبتنی بر ترنسفورمر، تحلیل جنبه محور و کالیبراسیون اعتماد

تحلیل احساسات یکی از مهم ترین کاربردهای پردازش زبان طبیعی و هوش مصنوعی است که با هدف شناسایی و استخراج نگرش، احساس و قطبیت موجود در متون انسانی انجام می شود. اگرچه مدل های یادگیری عمیق و به ویژه معماری های مبتنی بر ترنسفورمر موجب افزایش چشمگیر توانایی سامانه های تحلیل احساسات شده اند، تحلیل متون فارسی همچنان با چالش هایی نظیر تنوع نوشتاری، نیم فاصله، شکل های مختلف حروف، ابهام معنایی، کنایه، نفی، چندجنبه ای بودن دیدگاه، کمبود داده های برچسب خورده و عدم تطابق میان اطمینان مدل و صحت واقعی پیش بینی مواجه است. افزون بر این، بسیاری از سامانه های موجود تنها یک برچسب کلی مثبت، منفی یا خنثی تولید می کنند و میزان اعتماد خود به تصمیم را در نظر نمی گیرند. بمنظور مواجه با چالش های موجود، در این پژوهش، یک چارچوب چندمرحله ای، زمینه آگاه و عدم قطعیت محور برای تحلیل احساسات فارسی پیشنهاد می شود که از چهار لایه اصلی شامل پیش پردازش و نرمال سازی فارسی، استخراج نمایش های عمیق با مدل های ترنسفورمری، تحلیل احساسات جنبه محور و در نهایت کالیبراسیون و تخمین عدم قطعیت تشکیل شده است. این ساختار امکان تفکیک «احساس کلی» از «احساس نسبت به جنبه مشخص» را فراهم می سازد نتایج ارزیابی نشان می­دهد که چارچوب عملیاتی پیشنهادی در تمامی شاخص های ارزیابی شامل Accuracy، Precision، Recall و Macro-F۱ نسبت به مدل های پایه عملکرد بالاتری دارد. همچنین مقدار SCCI برابر با ۹۱% نشان دهنده سطح بالای سازگاری و انسجام مدل در شناسایی احساسات در سطح جنبه در متن های فارسی است. این نتایج نشان می دهد که بهره گیری از معماری پیشنهادی، بهبود قابل توجهی را نه تنها در عملکرد طبقه بندی، بلکه در تشخیص متوازن و هم زمان برچسب های احساسی ایجاد کرده است.

کلیدواژه ها:

پردازش زبان طبیعی ، ترنسفورمر ، تحلیل احساسات جنبه محور ، کالیبراسیون ، یادگیری عمیق