محمد دهقانی

محمد دهقانی

مدرک تحصیلی: دکترای شیعه شناسی دانشگاه ادیان و مذاهب

مطالب
ترتیب بر اساس: جدیدترینپربازدید‌ترین

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۴۱ تا ۴۲ مورد از کل ۴۲ مورد.
۴۱.

بررسی تطبیقی ارتباط الفاظ با معانی در قرآن کریم با تأکید بر تفاسیر؛ مجمع البیان، المیزان و تسنیم(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات تفسیر تطبیقی سال ۸ پاییز و زمستان ۱۴۰۲ شماره ۱۶ 112 - 137

کلید واژه ها: لفظ معنا مجاز روح معنا مجمع البیان المیزان و تسنیم

حوزه های تخصصی:
تعداد بازدید : ۲۸ تعداد دانلود : ۲۲
چگونگی ارتباط الفاظ با معانی همواره منشأ اختلافات تفسیر یک متن بوده است. این موضوع در تفسیر قرآن کریم به شدّت دیده می شود. خلأ پژوهشی در این زمینه نگارنده را بر آن داشت تا موضوع «بررسی تطبیقی ارتباط الفاظ با معانی در قرآن با تأکید بر تفاسیر؛ مجمع البیان، المیزان و تسنیم» را با روش توصیفی – تحلیلی مورد بررسی قرار دهد. در پایان چنین حاصل گشت که می توان اختلاف اصلی را در دو نظریه «حقیقت و مجاز» و «روح معنا» پیگیری کرد. برخی همچون طبرسی با پذیرش نظریه «حقیقت و مجاز» تمامی استعمالات الفاظ در غیر موضوعٌ له را مَجازی در نظر گرفته اند اما پس از بوجود آمدن نظریه روح معنا و پذیرش آن توسط علامه طباطبایی وجود مَجاز در عبارت های قرآنی کاهش چشمگیری یافت زیرا ایشان معانی قرآن را دارای تأویل می دانست که در کاربرد مفاهیم به صورت حقیقی بر تمامی الفاظ دلالت می کنند ولی کاربرد آن معانی در محسوسات را مَجازی می دانست. در مقابل، جوادی آملی با انکار مَجاز در قرآن معتقد است که الفاظ برای ارواح معانی وضع شده اند و استعمالشان در مفاهیم عام و تطبیق آن مفاهیم بر هر مصداق محسوس یا معقول «حقیقی» است. ایشان قرآن را به حبل آویخته ای تشبیه می کند که روح معنا در تمامی مراحل از جمله؛ لفظ، معنا، مفهوم، حقایق خارجی و باطنی و تکوینی و... به صورت حقیقی بر آن ها دلالت می نماید.
۴۲.

Political Sentiment Analysis of Persian Tweets Using CNN-LSTM Model(مقاله علمی وزارت علوم)

نویسنده:
منبع: International Journal of Web Research, Volume ۶, Issue ۱,Winter-Spring ۲۰۲۳ 29 - 37
تعداد بازدید : ۱۶ تعداد دانلود : ۱۲
Sentiment analysis is the process of identifying and categorizing people’s emotions or opinions regarding various topics. The analysis of Twitter sentiment has become an increasingly popular topic in recent years. In this paper, we present several machine learning and a deep learning model to analysis sentiment of Persian political tweets. Our analysis was conducted using Bag of Words and ParsBERT for word representation. We applied Gaussian Naive Bayes, Gradient Boosting, Logistic Regression, Decision Trees, Random Forests, as well as a combination of CNN and LSTM to classify the polarities of tweets. The results of this study indicate that deep learning with ParsBERT embedding performs better than machine learning. The CNN-LSTM model had the highest classification accuracy with 89 percent on the first dataset and 71 percent on the second dataset. Due to the complexity of Persian, it was a difficult task to achieve this level of efficiency. The main objective of our research was to reduce the training time while maintaining the model's performance. As a result, several adjustments were made to the model architecture and parameters. In addition to achieving the objective, the performance was slightly improved as well.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان