رضا صالحی چگنی

رضا صالحی چگنی

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۲ مورد از کل ۲ مورد.
۱.

توسعه و بررسی ویژگی های روان سنجی نسخه فارسی تحقیق زبانی و شمارش کلمات (P-LIWC): طبقات هیجانات و فرآیندهای شناختی(مقاله علمی وزارت علوم)

کلید واژه ها: نسخه فارسی تحقیق زبانی و شمارش کلمات پردازش زبان طبیعی روان سنجی فرآیندهای شناختی هیجانات متن کاوی

حوزه های تخصصی:
تعداد بازدید : ۱۰۶ تعداد دانلود : ۶۵
زمینه: تحقیق زبانی و شمارش کلمات به عنوان یک نمایشگر واژگان در متون شناخته می شود. به طور خاص، به کمک الگوریتم ها و فرآیندهای محاسباتی، می تواند عناصری مانند هیجانات، شناخت ها، نگرش ها، واژگان، سبک زبانی و ارتباطات اجتماعی را در متون تحلیل کند و نبود نسخه فارسی از مهم ترین دلایل انجام این پژوهش بود. هدف: هدف از انجام این پژوهش توسعه و بررسی ویژگی های روان سنجی نسخه فارسی تحقیق زبانی و شمارش کلمات: طبقات هیجانات و فرآیندهای شناختی بود. روش: روش پژوهش حاضر نوصیفی و همبستگی بود. روش توسعه طبقات فرآیندهای شناختی و هیجانات از چند مرحله تشکیل شده است. توسعه فرهنگ لغت با ترجمه اولیه کلمات نسخه اصلی انگلیسی در سال 1402 شروع شد و پس از آن برای به حداکثر رساندن پوشش دهی کلمات هر طبقه در زبان فارسی با استفاده از روش های تحلیل متن، پیکره عظیمی از متون فارسی مورد تجزیه وتحلیل قرار گرفت. در گام بعدی کلمات توسط داوران روانشناس مورد ارزیابی قرار گرفت و سپس برای کلمات تأیید شده لما آن ها توسط زبان شناسان به منظور تشخیص اشکال مختلف کلمه تعیین گردید. بعد از اتمام این مراحل به منظور بررسی پایایی فرهنگ لغت های فرآیندهای شناختی و هیجانات و زیر طبقات آن ها آلفای کرونباخ و کودر-ریچاردسون 20 محاسبه گردید و سپس برای بررسی روایی بیرونی، هم ارزی نسخه فارسی تحقیق زبانی و شمارش کلمات (P-LIWC) با نسخه اصلی انگلیسی LIWC-2022 مورد تجزیه وتحلیل قرار گرفت. یافته ها: نتایج نشان داد همه طبقات هیجان ها و فرآیندهای شناختی در نسخه فارسی با نسخه نهایی انگلیسی LIWC-2022 دارای همبستگی معنادار بودند (0/01 >p) و این ابزار از روایی و پایایی مناسبی برخوردار است. نتیجه گیری: با توجه به یافته های این پژوهش، می توان نتیجه گرفت که این نرم افزار در طیف گسترده ای از زمینه های پژوهشی و تجزیه وتحلیل متون فارسی کاربرد دارد و همچنین می توان در تحلیل متون جلسه درمان مراجعه کنندگان به کلینیک های روانشناسی نیز استفاده کرد
۲.

Multimodal Sentiment Analysis of Social Media Posts Using Deep Neural Networks

تعداد بازدید : ۲۲۸ تعداد دانلود : ۱۲۷
With the fast growth of social media, they have become the most important platform for posting multimodal content generated by users. Much of the data on social networks such as Instagram and Telegram is multimodal data. With the aim of analyzing such multimodal data in social networks, multimodal sentiment analysis has become one of the most significant subjects for researchers in the field of emotion recognition and data mining. Although multimodal sentiment analysis of social media data for English language has been addressed in several researches recently, few studies addressed the problem for the Persian language which is the official language of more than 120 million of people around the word. In this study, a multimodal deep learning model is proposed to address this problem. The proposed method utilizes a bi-directional long short-term memory (bi-LSTM) for processing text posts and a VGG16 convolutional network for analyzing images. A new dataset of Instagram and Telegram posts, MPerSocial, containing 1000 pairs of images and Persian comments is introduced in the current study and used for evaluating the proposed method. The results of experiments show that using the fusion of textual and image modalities improves sentiment polarity detection accuracy by 20% and 8% compared with the scenario in which image and text modalities in isolation. Also, the performance of the proposed model is better than three similar deep and four traditional machine learning models. All codes and dataset used in the current study are publicly available at GitHub.  

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان