31175

استخراج و تحليل داده‌هاي شبكه‌هاي اجتماعي و رسانه‌هاي خبري مرتبط با حمل‌ونقل با استفاده از تكنيك‌هاي متن‌كاوي

كارشناسي ارشد

مهندسي ايمني در راه‌آهن

1400

1403/6/25

مسعود يقيني

نداشتم

دانشكده را‌ه‌آهن

اين پژوهش به تحليل داده‌هاي متني از سكوهاي شبكه‌هاي اجتماعي و خبرگزاري‌ها مي‌پردازد تا واكنش‌هاي عمومي و بازنمايي رسانه‌اي رويدادهاي حمل‌ونقل، با تمركز بر مسائل ايمني در مدهاي مختلف حمل‌ونقل از جمله ريلي، جاده‌اي، هوايي و دريايي را درك كند. با به‌كارگيري تكنيك‌هاي پيشرفته متن‌كاوي و پردازش زبان طبيعي، اين مطالعه به كشف الگوها، احساسات و سوگيري‌ها در گفتمان مرتبط با ايمني حمل‌ونقل مي‌پردازد. تحليل اين مطالعه به شناسايي موضوعات كليدي و احساسات بيان‌شده در محتواي توليدشده توسط كاربران و مقالات خبري پرداخته و با بررسي توزيع زماني اين موضوعات، به شناسايي روندهاي نوظهور و تغييرات در افكار عمومي و بازنمايي رسانه‌اي مي‌پردازد. داده‌هاي استخراج‌شده از سكوهاي ايكس، اينستاگرام و رسانه‌هاي خبري به‌ترتيب براي دوره‌هاي پنج ساله، سه ماهه و يك‌ساله مي‌باشند و با استفاده از تكنيك‌هاي پردازش زبان طبيعي پردازش شدند. ParsBERT به‌عنوان مدل تحليل احساسات استفاده شد و داده‌ها به كمك ابزار هضم پيش‌پردازش شده‌اند كه شامل توكنيزاسيون، نرمال‌سازي و حذف واژه‌هاي توقف است. همچنين از تكنيك‌هاي تجسم‌سازي مانند ابر كلماتبراي نمايش الگوهاي كليدي استفاده شد. در تحليل احساسات، نتايج ParsBERT نشان داد كه اكثر پست‌ها داراي احساسات خنثي بودند. به‌طور خاص، در ايكس 88% از پست‌ها خنثي و 12% منفي بودند، در اينستاگرام 80.7% پست‌ها خنثي و 19.3% منفي بودند، و در رسانه‌ها نيز 88.1% خنثي و 11.9% منفي بودند. در مقابل، در تحليل احساسات ساده، نسبت پست‌هاي مثبت به‌طور محسوسي بالاتر است. اين مطالعه چارچوبي براي استفاده از تحليل شبكه‌هاي اجتماعي به‌منظور افزايش آگاهي موقعيتي و تحليل احساسات كاربران در رابطه با موضوعات مطرح شده توسط آن‌ها در سكو‌هاي ايكس، اينستاگرام و اخبار رسانه‌هاي خبري در رابطه با حمل‌ونقل را توسعه مي‌دهد. تكنيك‌هايي مانند تخصيص پنهان ديريكله براي دسته‌بندي موضوعات مرتبط با چالش‌هاي حمل‌و‌نقل به كار گرفته مي‌شوند. از طريق مطالعات موردي، اين پژوهش اثربخشي چارچوب پيشنهادي را در ارائه اطلاعات به‌موقع و مرتبط براي تشخيص و پاسخ به چالش‌هاي حمل‌ونقل نشان مي‌دهد. نتايج مدل‌سازي موضوعي نشان مي‌دهد كه هر سكوي ارتباطي به صورت متمايزي به موضوعات مرتبط با حمل‌ونقل مي‌پردازد. در ايكس، كاربران به واكنش‌هاي سريع و موضوعات روزمره مانند تصادفات و آلودگي هوا تمايل دارند و از اين فضا براي بيان نگراني‌هاي فوري و تحليل رويدادهاي جاري استفاده مي‌كنند. اينستاگرام با تأكيد بر محتواي بصري و احساسي، بيشتر به اشتراك تجربيات شخصي كاربران از حوادث و مشكلات حمل‌ونقل اختصاص دارد، كه باعث ايجاد ارتباط احساسي بين كاربران و خدمات حمل‌ونقل مي‌شود. در مقابل، رسانه‌ها با تمركز بر مسائل كلان و ساختاري نظير زيرساخت‌ها و آلودگي هوا، نقشي اساسي در شكل‌دهي به افكار عمومي و تأثيرگذاري بر سياست‌گذاري‌هاي حمل‌ونقل دارند. اين تفاوت‌ها نشان مي‌دهد كه هر سكو مي‌تواند به عنوان ابزاري قدرتمند براي مديريت چالش‌هاي حمل‌ونقل و ارائه بازخورد عمومي به كار گرفته شود. نتيجه مدل‌سازي موضوعي به‌وضوح نشان مي‌دهد ايكس به مراتب اطلاعات لحظه‌اي چالش‌ها و موضوعات مطرح شده بيشتري با حمل‌ونقل نسبت به اينستاگرام و رسانه‌هاي خبري دارد. يافته‌ها بر اهميت ادغام داده‌هاي لحظه‌اي شبكه‌هاي اجتماعي و خبري در سيستم‌هاي نظارتي سنتي حمل‌ونقل تأكيد مي‌كنند. اين ادغام رويكردي مقرون‌به‌صرفه براي بهبود پاسخ به حوادث، افزايش ايمني عمومي، و كاهش اختلالات در سيستم‌هاي حمل‌ونقل ارائه مي‌دهد. با درك پويايي‌هاي پيچيده ادراك عمومي و چارچوب‌بندي رسانه‌اي در ايمني حمل‌ونقل، اين پژوهش مفاهيم ارزشمندي را براي مقامات حمل‌ونقل و سياست‌گذاران در جهت بهبود آگاهي موقعيتي، استراتژي‌هاي ارتباطي و مداخلات سياستي ارائه مي‌دهد.

1403/06/26

Extraction and Analysis of Social Media and News Media Data Related to Transportation Using Text Mining Techniques

9/16/2025 12:00:00 AM

This study analyzes textual data from social media platforms and news outlets to understand public reactions and media representations of transportation events, focusing on safety issues in various transportation modes, including rail, road, air, and sea. Using advanced text mining techniques and natural language processing (NLP), the study aims to uncover patterns, sentiments, and biases in discourse related to transportation safety. The analysis identifies key topics and sentiments expressed in user-generated content and news articles, and examines the temporal distribution of these topics to identify emerging trends and shifts in public opinion and media representation. The extracted data from platforms such as X (formerly Twitter), Instagram, and news media cover five-year, three-month, and one-year periods, respectively. The data were processed using natural language processing techniques. ParsBERT was employed for sentiment analysis, and the data were preprocessed with the Hazm tool, which included tokenization, normalization, and the removal of stop words. Visualization techniques such as word clouds were used to display key patterns. In sentiment analysis, ParsBERT results showed that most posts were neutral. Specifically, on X, 88% of posts were neutral and 12% negative; on Instagram, 80.7% of posts were neutral and 19.3% negative; and in the media, 88.1% were neutral and 11.9% negative. In contrast, in simple sentiment analysis, the proportion of positive posts was significantly higher. This study develops a framework for using social media analysis to enhance situational awareness and analyze user sentiments on transportation-related issues discussed on platforms such as X, Instagram, and news media. Techniques like Latent Dirichlet Allocation (LDA) were used to categorize topics related to transportation challenges. Through case studies, this research demonstrates the effectiveness of the proposed framework in providing timely and relevant information for identifying and responding to transportation challenges. The results of topic modeling indicate that each communication platform addresses transportation issues in a distinct way. On X, users react quickly to everyday issues such as accidents and air pollution, using the platform to express immediate concerns and analyze ongoing events. Instagram, with its focus on visual and emotional content, is more dedicated to sharing users' personal experiences with transportation problems, fostering an emotional connection between users and transportation services. In contrast, the media focuses on broader structural issues, such as infrastructure and air pollution, playing a key role in shaping public opinion and influencing transportation policy. These differences show that each platform can be a powerful tool for managing transportation challenges and providing public feedback. The topic modeling results clearly indicate that X offers much more real-time information about transportation-related challenges and issues compared to Instagram and news outlets. The findings emphasize the importance of integrating real-time social and news data into traditional transportation monitoring systems. This integration offers a cost-effective approach to improving incident response, enhancing public safety, and reducing disruptions in transportation systems. By understanding the complex dynamics of public perception and media framing in transportation safety, this research provides valuable insights for transportation authorities and policymakers to improve situational awareness, communication strategies, and policy interventions.

متن‌كاوي , حمل‌و‌نقل , رسانه اجتماعي , رسانه خبري , ايكس , اينستاگرام

Text Mining , Transportation , Social Media , News Media , X , Instagram

Alireza Mohafezatkar Sareshkeh

Masoud Yaghini