توسعه و ارزیابی مدل NLP پیشرفته برای تشخیص توهین در زبان فارسی

این مقاله با هدف توسعه و ارزیابی مدل های پردازش طبیعی زبان برای تشخیص متون توهین آمیز در زبان فارسی نوشته شده است. در این پژوهش سه مدل شامل BiLSTM، Logistic Regression و ParsBERT روی مجموعه داده ParsOffensive آموزش داده شده اند. عملکرد آنها با معیارهای Recall، Precision و F۱-Score سنجیده شده و نتایج نشان می دهد که مدل ParsBERT با کسب بالاترین F۱-Score معادل ۰.۸۴۶ و میانگین نمره ۰.۸۵۵ بهترین عملکرد را در تشخیص توهین درون متن داشته است. مدل Logistic Regression و BiLSTM به ترتیب داشتن نمرات ۰.۷۴۰ و ۰.۶۸۹ در شاخص F۱-Score عملکرد پایین تری داشتند. این مقایسه جامع نشان می دهد که استفاده از مدل های Transformer فارسی مانند ParsBERT می تواند به طرز قابل توجهی دقت و توانایی تشخیص الگوهای پنهان در متون فارسی را بهبود ببخشد. البته برای کاربردهای عملی علاوه بر دقت، سرعت پردازش و مصرف منابع را هم باید در نظر گرفت. یافته های این مقاله می تواند به توسعه مدیریت خودکار نظرات در پلتفرم ها و صفحات مجازی فارسی و هم سیستم فیلترینگ محتوای ناسالم کمک کند.

کلیدواژه ها:

تشخیص توهین ، پردازش زبان طبیعی ، Logistic Regression ، BiLSTM ، ParsBERT ، مدل NLP فارسی