جمع‌آوری و پیش‌پردازش داده‌ (منابع داده: متون دینی و داده های اجتماعی)

جمع‌آوری و پیش‌پردازش داده‌ها

منابع داده

1. متون دینی

متون دینی به‌ویژه در منابع قرآن، نهج‌البلاغه، کتب حدیثی و تفاسیر شیعه دارای ساختار پیچیده‌ای هستند که فهم و استخراج روابط معنایی آن‌ها نیازمند دقت بسیار بالا و استفاده از تکنیک‌های پیشرفته پردازش زبان طبیعی (NLP) است. این متون از نظر معنایی پر از لایه‌ها و ابعاد مختلف هستند که باید به‌درستی شبیه‌سازی شوند.

چالش نخست در این مرحله، استخراج روابط معنایی از متون دینی است که به‌طور خاص در تفاسیر شیعی مانند "المیزان" اثر علامه طباطبایی، "البرهان" اثر شیخ طوسی و دیگر منابع فقهی و کلامی قابل مشاهده است. متون دینی همواره به‌صورت ضمنی، مفاهیم اجتماعی را مطرح کرده‌اند، برای مثال در قرآن، مفاهیم مرتبط با عدالت اجتماعی، توزیع عادلانه ثروت و نظارت اجتماعی به‌شکلی پیچیده و چندبعدی با یکدیگر در هم آمیخته‌اند. به‌عنوان نمونه، آیات مرتبط با زکات و صدقات نه تنها مفاهیم اخلاقی و دینی را مطرح می‌کنند، بلکه به‌طور ضمنی به مسائل اجتماعی چون فقر و نابرابری اجتماعی نیز اشاره دارند.

اما استخراج این روابط نیازمند توجه ویژه به دقت تفسیر و فهم ساختار معنایی متن است. آیات قرآن و روایات اهل بیت (ع) به‌ویژه در زمینه‌هایی چون عدالت، حکومت اسلامی، حقوق بشر و رهبری جامعه به‌طور مستمر، نقش‌های اجتماعی و فرهنگی را معرفی می‌کنند که باید به‌درستی مدل‌سازی شوند تا در چارچوب الگوریتم‌های پردازش داده قرار گیرند.

در این راستا، برای تحلیل و استخراج روابط معنایی از این متون، از روش‌هایSemantic Role Labeling (SRL)[1]  و Deep Semantic Parsing[2]  استفاده می‌شود تا بتوان ارتباطات معنایی بین واژه‌ها و جملات در متون دینی را استخراج کرد. علاوه بر این، Topic Modeling[3]  و Latent Dirichlet Allocation (LDA)[4] می‌توانند برای تحلیل محتوای متن و شناسایی موضوعات کلیدی در این متون به‌کار گرفته شوند.

2. داده‌های اجتماعی:

داده‌های اجتماعی که از منابع مختلفی چون مقالات علمی، گزارش‌های خبری و آمارهای رسمی جمع‌آوری می‌شوند، تصویری از وضعیت اجتماعی و فرهنگی جوامع ارائه می‌دهند. این داده‌ها نه تنها مسائل اجتماعی و فرهنگی را بازتاب می‌دهند، بلکه مفاهیم دینی نیز در بسیاری از آن‌ها وجود دارد. با این حال، یکی از چالش‌های اصلی در تحلیل این داده‌ها، تطبیق مفاهیم دینی با مسائل اجتماعی است. در دنیای معاصر، موضوعاتی مانند حقوق بشر، عدالت اجتماعی، نابرابری اقتصادی و حکمرانی اسلامی به‌طور مداوم مطرح می‌شوند، اما تطبیق این مسائل با آموزه‌های دینی، به‌ویژه از دیدگاه قرآن و احادیث، نیازمند تحلیل دقیقی است.

چالش اصلی در این زمینه، تفاوت‌های ساختاری و مفهومی میان داده‌های اجتماعی و مفاهیم دینی است. مفاهیم دینی معمولاً در قالب‌هایی خاص و با زبانی متفاوت از زبان روزمره جوامع اجتماعی بیان می‌شوند. برای مثال، مسائلی چون عدالت اجتماعی یا حقوق بشر در گزارش‌های اجتماعی ممکن است به‌طور ضمنی و در قالب مفاهیم مدرن‌تری چون برابری حقوقی یا آزادی‌های فردی مطرح شوند، در حالی که در آموزه‌های دینی این مفاهیم می‌توانند جنبه‌های اخلاقی، معنوی و فلسفی عمیق‌تری داشته باشند. این تفاوت‌های زبانی و معنایی ممکن است در روند تحلیل و تطبیق داده‌ها با مشکلاتی مواجه شود.

برای مقابله با این چالش‌ها، استفاده از مدل‌های تحلیلی پیشرفته مانندClustering  وTopic Modeling  ضروری است. Clustering  یا خوشه‌بندی، روشی است که هدف آن گروه‌بندی داده‌ها بر اساس شباهت‌ها و ویژگی‌های مشترک است. در این مدل، داده‌ها به خوشه‌هایی تقسیم می‌شوند که هر خوشه شامل داده‌هایی است که بیشترین شباهت را به یکدیگر دارند. در تحلیل داده‌های اجتماعی، از خوشه‌بندی می‌توان برای شناسایی موضوعاتی چون عدالت اجتماعی، حقوق بشر و نابرابری اقتصادی استفاده کرد. این الگوریتم‌ها قادرند مفاهیم دینی و اجتماعی مشابه را شناسایی کرده و آن‌ها را در دسته‌های مختلف قرار دهند، به‌گونه‌ای که تحلیل‌گران بتوانند ارتباطات میان این مفاهیم را در بستر مسائل اجتماعی و دینی شناسایی کنند.[5]

Topic Modeling  یا مدل‌سازی موضوعات، به استخراج موضوعات و الگوهای معنایی موجود در مجموعه‌ای از متون کمک می‌کند. یکی از الگوریتم‌های مشهور در این زمینه Latent Dirichlet Allocation (LDA)[6] است که می‌تواند موضوعات مختلف را از مجموعه‌ای از داده‌ها استخراج کند. این مدل به‌ویژه در شناسایی موضوعات اصلی و مرتبط در متون مفید است. در تحلیل داده‌های اجتماعی، با استفاده از این مدل می‌توان موضوعاتی مانند عدالت، حقوق بشر و نابرابری اقتصادی را شناسایی کرد و ارتباط آن‌ها با مفاهیم دینی را بررسی نمود. مدل‌سازی موضوعات به‌ویژه زمانی کاربرد دارد که بخواهیم درک کنیم چگونه مفاهیم دینی در قالب‌های اجتماعی مدرن ظاهر می‌شوند و چه الگوهایی از این مفاهیم در بحث‌های عمومی مشاهده می‌شود.

استفاده از این مدل‌ها نه تنها به شناسایی مفاهیم اجتماعی و دینی کمک می‌کند، بلکه امکان استخراج و تحلیل الگوهای جدیدی را فراهم می‌آورد که ممکن است به‌طور ضمنی در داده‌ها وجود داشته باشند. این مدل‌ها به تحلیل‌گران این امکان را می‌دهند که داده‌های پیچیده و پراکنده را به‌صورت ساختارمند و قابل‌تحلیل سازماندهی کنند و ارتباطات میان مفاهیم دینی و اجتماعی را در بستر مسائل معاصر بررسی کنند. با این حال، همچنان با چالش‌هایی در استفاده از این مدل‌ها مواجه هستیم، چرا که الگوریتم‌ها ممکن است قادر نباشند به‌طور کامل عمق معنایی مفاهیم دینی را درک کنند یا نتایج تحلیل‌شده ممکن است از دقت کافی برای انطباق با اصول دینی برخوردار نباشند. برای بهره‌برداری مؤثر از این مدل‌ها، تحلیل‌گر باید به‌طور همزمان به ابعاد معنوی مفاهیم دینی و تحولات اجتماعی و فرهنگی توجه داشته باشد. این رویکرد جامع می‌تواند به ایجاد پیوندهای معنادار میان اصول دینی و مسائل اجتماعی روز کمک کند.

پاورقی

[1]  شیوه استفاده: Semantic Role Labeling (SRL)  فرآیندی است که در آن جملات به اجزای معنایی مختلف تجزیه می‌شوند و نقش‌های مختلف هر جزء شناسایی می‌شود. در این فرایند، کلمات به‌طور خودکار به نقش‌های معنایی مانند فاعل (Agent)، مفعول (Patient)، هدف (Goal) و غیره برچسب‌گذاری می‌شوند. این کار معمولاً با استفاده از الگوریتم‌های یادگیری ماشین مانند شبکه‌های عصبی عمیق یا مدل‌های درخت تصمیم‌گیری انجام می‌شود. این الگوریتم‌ها پس از آموزش، قادر به شناسایی نقش‌های معنایی در جملات به‌طور خودکار هستند.

بستر استفاده: در متون دینی که اغلب جملات پیچیده و معانی استعاری دارند، SRL می‌تواند برای استخراج روابط معنایی دقیق میان واژه‌ها و جملات کمک کند. به‌عنوان مثال، در تحلیل آیات قرآن یا متون حدیثی، SRL می‌تواند مشخص کند که کدام شخصیت دینی در آیه‌ای خاص نقش فعال دارد و چه ویژگی‌هایی به آن نسبت داده شده است. این روش در تفسیر متون دینی و شفاف‌سازی معانی پیچیده نیز بسیار مفید است.

منبع پیشنهادی:

He, Luheng, Kenton Lee, Mike Lewis, and Luke Zettlemoyer. "Deep Semantic Role Labeling: What Works and What’s Next." Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (ACL), 2017, pp. 473–483. P17-1044

[2] شیوه استفاده: Deep Semantic Parsing  به تحلیل معنای عمیق جملات پرداخته و روابط پیچیده‌تر میان اجزای جمله را شبیه‌سازی می‌کند. برخلاف مدل‌های صرف‌و نحو سنتی که تنها ساختار گرامری جملات را تحلیل می‌کنند، این روش به تحلیل روابط معنایی و نحوه تعامل مفاهیم مختلف در جمله توجه دارد. جملات پس از تحلیل به گراف‌های معنایی تبدیل می‌شوند که روابط پیچیده میان کلمات و موجودات مختلف را نشان می‌دهند.

بستر استفاده: در متون دینی که اغلب دارای معانی چندگانه و پیچیده هستند، Deep Semantic Parsing می‌تواند به تحلیل دقیق‌تر روابط معنایی میان مفاهیم مختلف کمک کند. به‌عنوان مثال، در تحلیل آیات قرآن یا روایات دینی، این روش می‌تواند به کشف مفاهیم پنهان و استخراج معانی عمیق‌تر بپردازد. همچنین در تفسیر قرآن و حدیث، این روش به درک پیچیدگی‌های معنایی جملات و آیات کمک می‌کند، به‌ویژه زمانی که واژگان یا جملات چندین معنا دارند.

[3] شیوه استفاده: Topic Modeling  به شناسایی و استخراج موضوعات پنهان در مجموعه‌ای از متون پرداخته و به‌طور خودکار آن‌ها را دسته‌بندی می‌کند. در این روش، از مدل‌های آماری مانند Latent Dirichlet Allocation (LDA)  برای شناسایی موضوعات غالب استفاده می‌شود. این مدل‌ها تلاش می‌کنند تا الگوهای معنایی مشابه را در داده‌ها شبیه‌سازی کنند و در نهایت موضوعات مختلفی را که در مجموعه متون وجود دارند، استخراج نمایند.

بستر استفاده: در تحلیل مجموعه‌های بزرگ از متون دینی مانند مجموعه‌های حدیثی یا آثار فقهی، Topic Modeling می‌تواند به شناسایی موضوعات کلیدی مانند اصول اعتقادی، تاریخ پیامبران، فقه اسلامی و مفاهیم اخلاقی کمک کند. این روش برای تحلیل تطبیقی متون دینی در مکتب‌های مختلف فقهی یا حتی در دین‌های مختلف کاربرد دارد. با استفاده از این تکنیک، می‌توان نقاط اشتراک یا تفاوت میان موضوعات مختلف را شناسایی کرد.

[4] شیوه استفاده: Latent Dirichlet Allocation (LDA)  یک مدل آماری است که برای کشف موضوعات نهفته در مجموعه‌ای از متون استفاده می‌شود. این مدل فرض می‌کند که هر سند متنی ترکیبی از چندین موضوع است و هر موضوع یک توزیع خاص از کلمات دارد. LDA با استفاده از الگوریتم‌های احتمالاتی، تلاش می‌کند توزیع‌های موضوعات مختلف را شبیه‌سازی کرده و در نهایت، موضوعات غالب در مجموعه‌ای از متون را استخراج کند.

بستر استفاده: در متون دینی، LDA می‌تواند به شناسایی موضوعات نهفته مانند عدالت، طهارت، روابط اجتماعی یا اصول دینی کمک کند که ممکن است در ظاهر به‌طور پراکنده در متن ظاهر شوند. این مدل همچنین برای تحلیل تمایلات فکری و مباحث موجود در متون دینی کاربرد دارد و می‌تواند نشان دهد که کدام موضوعات در مقاطع تاریخی یا فکری مختلف برجسته‌تر بوده‌اند.

 [5]  منبع پیشنهادی:

Petukhova, A., Matos-Carvalho, J. P., & Fachada, N. (2024). Text clustering with large language model embeddings. International Journal of Cognitive Computing in Engineering, 2024.

[6]   منبع پیشنهادی:
Blei, David M., Andrew Y. Ng, and Michael I. Jordan. 2003. "Latent Dirichlet Allocation." Journal of Machine Learning Research, vol. 3, pp. 993-1022, January. Accessed 2020-01-13