LinkedIn

 آمار

تعداد نشریات20
تعداد شماره‌ها1,187
تعداد مقالات10,824
تعداد مشاهده مقاله72,821,446
تعداد دریافت فایل اصل مقاله12,901,230
فروتن, فائزه, خیامی, رئوف, شمسی نژاد, پیروز. (1403). استفاده از FastText-BERT برای استخراج روابط معنایی و بهبود نتایج تحلیل احساسات نظرات فارسی خدمات مراقبت‌های بهداشتی. سامانه مدیریت نشریات علمی, 13(1), 155-168. doi: 10.30476/smsj.2025.100979.1469
فائزه فروتن; رئوف خیامی; پیروز شمسی نژاد. "استفاده از FastText-BERT برای استخراج روابط معنایی و بهبود نتایج تحلیل احساسات نظرات فارسی خدمات مراقبت‌های بهداشتی". سامانه مدیریت نشریات علمی, 13, 1, 1403, 155-168. doi: 10.30476/smsj.2025.100979.1469
فروتن, فائزه, خیامی, رئوف, شمسی نژاد, پیروز. (1403). 'استفاده از FastText-BERT برای استخراج روابط معنایی و بهبود نتایج تحلیل احساسات نظرات فارسی خدمات مراقبت‌های بهداشتی', سامانه مدیریت نشریات علمی, 13(1), pp. 155-168. doi: 10.30476/smsj.2025.100979.1469
فروتن, فائزه, خیامی, رئوف, شمسی نژاد, پیروز. استفاده از FastText-BERT برای استخراج روابط معنایی و بهبود نتایج تحلیل احساسات نظرات فارسی خدمات مراقبت‌های بهداشتی. سامانه مدیریت نشریات علمی, 1403; 13(1): 155-168. doi: 10.30476/smsj.2025.100979.1469

استفاده از FastText-BERT برای استخراج روابط معنایی و بهبود نتایج تحلیل احساسات نظرات فارسی خدمات مراقبت‌های بهداشتی

مجله علوم پزشکی صدرا
دوره 13، شماره 1، دی 1403، صفحه 155-168    اصل مقاله (813.44 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.30476/smsj.2025.100979.1469
نویسندگان
فائزه فروتن1؛ رئوف خیامی* 2؛ پیروز شمسی نژاد3
1دانشجوی دکتری مهندسی فناوری اطلاعات، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شیراز، شیراز، ایران
2دانشیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شیراز، شیراز، ایران
3استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شیراز، شیراز، ایران
چکیده
مقدمه: امروزه تحلیل نظرات بیماران به‌عنوان یک شاخص ارزشمند، برای سنجش کیفیت خدمات مراقبت‌های بهداشتی محسوب می‌گردد. افزایش نظرات متنی پیرامون مراقبت‌های بهداشتی، منجر گردیده تا این نظرات نقش مهمی درزمینۀ تصمیم‌گیری سایر بیماران برای انتخاب خدمات پزشکی و درمانی داشته باشند. بر همین اساس پژوهشگران در تلاش‌اند تا ضمن استخراج اطلاعات ارزشمند و طبقه‌بندی احساسات، بتوانند نیازها و الگوی رفتاری بیماران را شناسایی و استراتژی‌های مناسبی را برای بهبود سطح رضایت آن‌ها در نظر بگیرند. اما نظرات بیماران شامل حجم بالایی از عبارات تخصصی است و ابزارهای پردازشی موجود در حوزه تحلیل احساسات بر اساس دامنه‌های عمومی آموزش ‌دیده‌اند. بنابراین برای تحلیل دقیق این نظرات باید از مدل‌ها و ترکیب آن‌ها به نحوی استفاده گردد که عملکرد نهایی به دریافت نتایج معتبر بیانجامد.
مواد و روش‌ها: در این تحقیق با هدف بهبود کارایی و افزایش دقت تحلیل احساسات در حیطه نظرات فارسی مراقبت‌های بهداشتی، از مدل ترکیبی تعبیه‌سازی FastText-BERT برای استخراج روابط معنایی و از CNN-BiLSTM برای طبقه‌بندی احساسات در سطح جمله استفاده شد.
یافته‌ها: نتایج نهایی دقت 86% و 84/99%=F1-score را برای چارچوب پیشنهادی نشان داد.
نتیجه‌گیری: بر اساس نتایج می‌توان اذعان داشت، ترکیب مدل‌های تعبیه‌سازی به واسطه بهره‌مندی از نقاط قوت فراوان (در هر دو روش) در شناسایی عبارات تخصصی و خارج از دامنه، و همچنین استخراج روابط معنایی میان آن‌ها، باعث بهبود کارایی و افزایش دقت تحلیل احساسات می‌گردند.

تازه های تحقیق

Faezeh Forootan (Google Scholar)

Raouf Khayami (Google Scholar)

کلیدواژه‌ها
تحلیل احساسات؛ ارائه مراقبت های بهداشتی؛ همزیستی؛ معنایی؛ فارسی؛ کدگذاری بالینی
مراجع
  1. DataReportal [Internet]. Digital Around the World, Global Digital Insights. [Accessed Sep. 06, 2022]. Available from: https://datareportal.com/global-digital-overview
  2. Digitalis [Internet]. Healthcare Marketing Statistics Digitalis Medical. [Accessed Sep. 06, 2022]. Available from: https://digitalismedical.com/blog/healthcare-marketing-statistics/
  3. Abualigah L, Alfar HE, Shehab M, Hussein AMA. Sentiment analysis in healthcare: a brief review. Recent advances in NLP: the case of Arabic language. 2020:129-41 doi: 10.1007/978-3-030-34614-0_7.
  4. Khattak FK, Jeblee S, Pou-Prom C, Abdalla M, Meaney C, Rudzicz F. A survey of word embeddings for clinical text. J Biomed Inform. 2019;100S:100057.
  5. Parvinnia E, Mohammadi M, BANANZADEH A, Khayami SP. Analysis of data on patients with colon cancer using the data mining techniques Case study: Patients at colorectal research center of Shaheed Faghihi hospital in Shiraz. RAZI JOURNAL OF MEDICAL SCIENCES (JOURNAL OF IRAN UNIVERSITY OF MEDICAL SCIENCES),[online]. 2018;25(9):46-56
  6. Boroumandzadeh M, Parvinnia E. Automated classification of BI-RADS in textual mammography reports. Turkish Journal of Electrical Engineering and Computer Sciences. 2021;29(2):632-47. doi; 10.3906/elk-2002-31.
  7. Greaves F, Ramirez-Cano D, Millett C, Darzi A, Donaldson L. Use of sentiment analysis for capturing patient experience from free-text comments posted online. J Med Internet Res. 2013;15(11):e239.
  8. Jimenez-Zafra SM, Martin-Valdivia MT, Molina-Gonzalez MD, Urena-Lopez LA. How do we talk about doctors and drugs? Sentiment analysis in forums expressing opinions for medical domain. Artif Intell Med. 2019;93:50-7.
  9. Garg S, editor Drug recommendation system based on sentiment analysis of drug reviews using machine learning. 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence); 2021: IEEE. doi10.1109/Confluence51648.2021.9377188:
  10. Serrano-Guerrero J, Bani-Doumi M, Romero FP, Olivas JA. Understanding what patients think about hospitals: A deep learning approach for detecting emotions in patient opinions. Artif Intell Med. 2022;128:102298.
  11. Bokaee Nezhad Z, Deihimi MA. Twitter sentiment analysis from Iran about COVID 19 vaccine. Diabetes Metab Syndr. 2022;16(1):102367.
  12. Taghizadeh N, Doostmohammadi E, Seifossadat E, Rabiee HR, Tahaei MS. SINA-BERT: a pre-trained language model for analysis of medical texts in Persian. arXiv preprint arXiv:210407613. 2021.
  13. Maity K, Kumar A, Saha S, editors. Attention Based BERT-FastText Model for Hate Speech and Offensive Content Identification in English and Hindi Languages. FIRE (Working Notes); 2021.
  14. Badri N, Kboubi F, Chaibi AH. Combining fasttext and glove word embedding for offensive and hate speech text detection. Procedia Computer Science. 2022;207:769-78.doi: 10.1016/j.procs.2022.09.132.
  15. Alotaibi FS, Gupta V. Sentiment analysis system using hybrid word embeddings with convolutional recurrent neural network. Int Arab J Inf Technol. 2022;19(3):330-5 doi: 10.34028/iajit/19/3/6.
  16. Didi Y, Walha A, Wali A. COVID-19 tweets classification based on a hybrid word embedding method. Big Data and Cognitive Computing. 2022;6(2):58.doi; 10.3390/bdcc6020058.
  17. Kinsta [Internet]. Usage Statistics and Market Share of Persian for Websites. [Accessed Oct. 13, 2023]. Available from: https://w3techs.com/technologies/details/cl-fa-
  18. Asgarian E, Kahani M, Sharifi S. The impact of sentiment features on the sentiment polarity classification in Persian reviews. Cognitive Computation. 2018;10:117-35.doi: 10.1007/s12559-017-9513-1.
  19. Jbene M, Tigani S, Saadane R, Chehri A. Deep Neural Network and Boosting Based Hybrid Quality Ranking for e-Commerce Product Search. Big Data and Cognitive Computing. 2021;5(3):35.doi: 10.3390/bdcc5030035.
  20. Jurafsky D, Martin JH [Internet]. Speech and Language Processing.” [Accessed Oct. 14, 2023]. Available from: https://web.stanford.edu/~jurafsky/slp3/
  21. Lil’Log [Internet]. Learning Word Embedding. [Accessed Nov. 23, 2020]. Available from: https://lilianweng.github.io/lil-log/2017/10/15/learning-word-embedding.html
  22. Cheng Y, Yao L, Xiang G, Zhang G, Tang T, Zhong L. Text sentiment orientation analysis based on multi-channel CNN and bidirectional GRU with attention mechanism. IEEE Access. 2020;8:134964-75.doi: 10.1109/ACCESS.2020.3005823.
  23. Liang H, Sun X, Sun Y, Gao Y. Text feature extraction based on deep learning: a review. EURASIP J Wirel Commun Netw. 2017;2017(1):211.
  24. Rhanoui M, Mikram M, Yousfi S, Barzali S. A CNN-BiLSTM model for document-level sentiment analysis. Machine Learning and Knowledge Extraction. 2019;1(3):832-47.doi: 10.3390/make1030048.
آمار
تعداد مشاهده مقاله: 70
تعداد دریافت فایل اصل مقاله: 46


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب