📌معرفی مقالات حوزه عظیم داده‌ها

❇️ نام مقاله:
Leveraging Large Language Model ChatGPT for enhanced understanding of end-user emotions in social media feedbacks

✍ نویسندگان:

Nek Dil Khan, Javed Ali Khan, Jianqiang Li, Tahir Ullah, Qing Zhao

📔ژورنال :
Expert Systems With Applications

🗓سال انتشار:
2025

🔸نویسندگان این مقاله با ذکر اهمیت دریافت بازخورد کاربران در جهت بهبود نرم­‌افزارهای توسعه یافته،  بر این موضوع تاکید دارند که بیشتر تحقیقات قبلی بر روی نرم‌افزارهای پرطرفدار و با امتیاز بالا متمرکز بوده‌اند و کمتر به نرم‌افزارهای با امتیاز پایین توجه شده است. در واقع شناسایی مسائل یا اشکالات و احساسات مرتبط با آن‌ها در برنامه‌های نرم‌افزاری با رتبه پایین نادیده گرفته شده، که این امر منجر به حذف اپلیکیشن از بازار آنلاین شده است.

🔸همچنین این مقاله تاکید دارد که در پژوهش­های انجام گرفته پیشین، کمتر به موضوع تحلیل عاطفی پرداخته شده و بیشتر حول محور تحلیل احساسات و تعیین قطبیت بصورت مثبت، منفی و خنثی قرار دارند.

🔸 لذا این مقاله با تمرکز بر نرم‌افزارهای با امتیاز پایین، سعی دارد عواطف کاربران را در بازخوردهای منفی آنها تحلیل کند.

🔸نکته دیگری که به عنوان یک چالش موجود در این مقاله به آن اشاره شده، حاشیه‌نویسی (لیبل گذاری) دستی برای رویکرد یادگیری نظارت‌شده (supervised learning) به عنوان یک کار زمان‌بر و چالش‌برانگیز برای حاشیه‌نویسان انسانی است، به‌ویژه زمانی که تعداد زیادی کلاس‌ برای طبقه‌بندی وجود داشته باشد.

🔸لذا با درنظر گرفتن این مسائل، هدف این مقاله تحلیل عاطفی بازخورد کاربران نهایی برای نرم‌افزارهای با امتیاز پایین است. در این راستا،  از هوش مصنوعی مولد (Generative AI)، یعنی ChatGPT، به‌عنوان annotator و negotiator در تهیه مجموعه داده‌های حقیقی برای طبقه‌بندی‌ عواطف کاربران با رویکرد یادگیری عمیق (DL) استفاده شده است.

🔸در پیاده ­سازی رویکرد پیشنهادی این مقاله ، ابتدا ۷۱,۸۵۳ بازخورد از ۴۵ برنامه در فروشگاه آمازون جمع‌آوری شد. در گام بعد برای شناسایی بازخوردهای منفی کاربران، از رابط برنامه‌نویسی کاربردی (API) ChatGPTاستفاده شد تا تنها کامنت‌های منفی برای ادامه تحلیل‌ها باقی بمانند. برای اطمینان از عملکرد gpt، بطور موازی از Vader برای تحلیل احساسات کامنت ها هم استفاده شد و نتیجه حاکی از عملکرد مناسب gpt در شناخت کامنت های منفی بود.

🔸در گام بعد،  با پردازش دستی بازخوردهای منفی کاربران، یک نظریه زمینه­‌ای جدید توسعه داده شد تا انواع عواطف منفی مرتبط با این بازخوردها، از جمله خشم، سردرگمی، انزجار، بی‌اعتمادی، ناامیدی، ترس، ناکامی و غم، شناسایی شود.

🔸پس از آن، مجموعه دادگان بطور موازی هم با استفاده از annotatorهای انسانی و رویکرد تحلیل محتوا، و دیگری با استفاده از API ChatGPT  مورد تحلیل قرار گرفت و انواع عواطف منفی ذکر شده در کامنت‌ها شناسایی شد. با توجه به وجود برخی تفاوت‌ها در لیبل گذاری دستی و ماشینی، دور دیگری با ChatGPT انجام شد تا اختلافات بین مجموعه داده‌های حاشیه‌نویسی شده توسط انسان و ChatGPT مورد مذاکره قرار گیرد و در نهایت یک مجموعه داده بدون تعارض برای تشخیص عواطف ایجاد شود.

🔸پس از نهایی کردن لیبل‌گذاری،  از روش‌های مختلف یادگیری عمیق، از جمله  LSTM، BiLSTM، CNN، RNN، GRU، BiGRU و BiRNN، برای شناسایی اثربخشی آن‌ها در تشخیص عواطف کاربران استفاده شد. این کار با پیش‌پردازش داده‌های ورودی، مهندسی ویژگی‌ها، متعادل‌سازی مجموعه داده و سپس آموزش و آزمایش آن‌ها با استفاده از رویکرد اعتبارسنجی متقابل انجام شد. نتایج به دقت متوسط ۹۴%، ۹۴%، ۹۳%، ۹۲%، ۹۱%، ۹۱% و ۸۵% به ترتیب برای مدل‌های LSTM، BiLSTM، RNN، CNN، GRU ، BiGRU و BiRNN اشاره دارد که نشان‌دهنده بهبود نتایج با استفاده از مجموعه داده‌های حقیقی تهیه شده توسط انسان و ChatGPT است.

🔸این مقاله نه‌ تنها رویکرد روش‌شناختی برای تجزیه و تحلیل بازخورد کاربران را بهبود می‌بخشد، بلکه ابزاری قدرتمند برای توسعه ‌دهندگان نرم ‌افزار ارائه می‌دهد تا نیازها و احساسات کاربران خود را بهتر درک کرده و به آنها پاسخ دهند. این امر در نهایت به توسعه محصولات نرم‌افزاری کاربرمحورتر و باکیفیت‌تر کمک می‌کند.