30957

مديريت موثر در بحران‌هاي بلندمدت با استفاده از يك سيستم پشتيبان تصميم‌گيري مبتني بر داده از طريق استفاده از شبكه‌هاي اجتماعي: مطالعه موردي همه گيري COVID-19

دكتري تخصصي (PhD)

مهندسي كامپيوتر- نرم‌افزار

1399

1403/3/26

محمدرضا كنگاوري

ندارم

مهندسي كامپيوتر

اين تحقيق پتانسيل هوش مصنوعي براي استخراج بينش‌هاي ارزشمند از شبكه‌هاي اجتماعي X (توييتر) درباره بيماري كروناويروس سال 2019 (COVID-19)، به ويژه پس از اعلام واكسيناسيون COVID-19 توسط سازمان بهداشت جهاني (WHO) را بررسي مي‌كند. با استفاده از الگوريتم‌هاي پيشرفته يادگيري ماشين، اين مطالعه به منظور استخراج و تجزيه و تحليل اطلاعات، احساسات و روندهاي مرتبط از پيام‌هاي X هدف دارد تا براي مديريت بحران در فاز پس از واكسيناسيون از پاندمي COVID-19 بينش‌هاي ارزشمندي ارائه دهد. همچنين در اين تحقيق به تصميم‌گيري مبتني بر توييتر در طول پاندمي پرداخته شده است كه تحليل احساسات و ملاحظات منطقه‌اي را در بر مي‌گيرد. اين مطالعه توسعه يك سامانه پشتيبان تصميم‌گيري (DSS) كاملاً خودكار مبتني بر داده‌ها كه از الگوريتم‌هاي يادگيري عميق استفاده مي‌كند، ارائه مي‌دهد. براي تحقق DSS ، يك چارچوب جديد مبتني بر يادگيري ماشين براي استخراج اطلاعات پس از COVID-19 بر اساس مدل‌هاي CNN, BiLSTM و FFNN پيشنهاد شده است. بنابراين، نظرات كاربران در مورد موضوعات انتخاب شده قابل استخراج است. راه‌حل پيشنهادي با استفاده از مجموعه داده X (توييتر) آزمايش شد. بهترين عملكرد طبقه‌بندي با استفاده از BiLSTM، با امتياز F1 برابر با 0.84 در مجموعه آزمون بدست آمد. يك جنبه مهم از تحقيق ما اين است كه نتايج به منظور نمايش نظرات كشوري در مورد موضوعات انتخابي نشان داده شود. انتظار مي‌رود يافته‌هاي اين مطالعه به توسعه سامانه‌هاي پشتيبان تصميم‌گيري مبتني بر هوش مصنوعي براي پاسخگويي به موارد جديد بحران ها عمومي و بهداشتي كمك كند.

1403/03/28

Efficacious Management in Long-Lasting Crisis Using a Data- Driven Decision Support System Through Using Social Networks: A case Study of the COVID-19 Pandemic

6/15/2025 12:00:00 AM

This research investigates the potential of AI to extract valuable insights from X (Twitter) social networks regarding the coronavirus disease of 2019(COVID-19) pandemic, particularly after the World Health Organization WHO's COVID-19 vaccination announcement. By employing advanced Machine Learning algorithms, our study aims to extract and analyze relevant information, sentiments, and trends from X messages to provide valuable insights for crisis management in the post-vaccination phase of the COVID-19 pandemic. We also attended to Twitter-based decision-making during the pandemic, incorporating sentiment analysis and regional considerations. The study presents the development of a fully automated data driven Decision Support System (DSS) that utilizes deep learning algorithms. To realize our DSS, a new machine learning-based framework for post-COVID-19 information mining has been proposed based on CNN, BiLSTM and FFNN model. So, users' opinions on selected topics could be extracted. The proposed solution was tested using X (Twitter) dataset. The best classification performance was achieved using BiLSTM, with an F1-score of 0.84 on the test set. An important aspect of our research is that the results is visualized to show country-wised opinion on the selected topics. The findings of this study are expected to contribute to the development of AI-powered decision support systems for effectively responding to public health crises and emergencies.

هوش مصنوعي , كوويد-19 , واكنش به بحران , سيستم پشتيباني تصميم , تجزيه و تحليل داده‌هاي بلادرنگ , احساسات عمومي

Ai , Covid-19 , Crisis Response , Decision Support System , real-time data analysis , public sentiment

Ali Alseilavi

Dr. Mohammad reza Kangavari