2023, випуск 2, c. 55-68
Одержано 11.07.2023; Виправлено 22.07.2023; Прийнято 25.07.2023
Надруковано 28.07.2023; Вперше Online 18.08.2023
https://doi.org/10.34229/2707-451X.23.2.6
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Математичні методи обробки природної мови у системі оперативного визначення рівня напруженості в суспільстві
М.О. Щьоголєв 1 * 
, О.В. Андрійчук 2
1 Національний технічний університет України «Київський політехнічний інститут ім. І. Сікорського», Київ
2 Інститут проблем реєстрації інформації Національної академії наук України, Київ
* Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Найголовнішими чинниками, що спричиняють підвищення рівня напруженості в суспільстві, є кризові явища та інформаційні операції. Сьогодні основним способом визначення рівня напруженості, що виникає у деякої групи людей у зв’язку з певною подією, вважаються соціологічні опитування. Однак цей спосіб не дозволяє отримувати детальну інформацію про динаміку зміни напруженості, пов’язаної з певними новинними подіями, та про вплив цих новинних подій за загальний рівень напруженості в суспільстві, що ускладнює процес прийняття рішень державними посадовими особами у кризових ситуаціях.
Мета роботи – підвищення ситуаційної обізнаності представників державних установ щодо поточного рівня соціальної напруженості, спровокованої кризовими явищами, новинними подіями чи інформаційними операціями. Отримана інформація допомагатиме державним посадовим особам приймати швидкі рішення для подолання цих кризових явищ та протидії дезінформації.
Основна задача дослідження – розробити архітектуру та математичне забезпечення системи оперативного визначення рівня напруженості в суспільстві за даними з соціальних мереж.
Результати. Розроблено архітектуру та математичне забезпечення системи оперативного визначення рівня напруженості в суспільстві. Продемонстровано приклад застосування цієї системи для визначення рівня напруженості, яку провокує одна новинна публікація. Визначено основні переваги, недоліки розробленої системи, а також напрямки подальших досліджень.
Висновки. Розроблена система оперативного визначення рівня напруженості в суспільстві допомагає швидко визначати новинні події та новинні публікації, які найбільше впливають на підвищення рівня соціальної напруженості у масштабах країни у певні конкретні момент часу. Використання системи з опорою на соціальні мережі дозволяє будувати на основі актуальних даних оцінки, за якими можна досліджувати динаміку зміни соціальної напруженості, пов’язаної з певною новинною подією чи новинною публікацією.
Ключові слова: рівень напруженості в суспільстві, соціальні мережі, сентимент-аналіз, TF-IDF, Word2vec, нейронні мережі.
Цитувати так: Щьоголєв М.О., Андрійчук О.В. Математичні методи обробки природної мови у системі оперативного визначення рівня напруженості в суспільстві. Cybernetics and Computer Technologies. 2023. 2. С. 55–68. https://doi.org/10.34229/2707-451X.23.2.6
Список літератури
1. Shchoholiev M., Andriichuk O., Tsyganok V., Tretynyk V. Decision-making and computational linguistic tools application for overall estimation of the level of social tension. Journal of Physics: Conference Series. 1780. 9 p.
2. Щьоголєв М.О. Методи підтримки прийняття рішень та обчислювальної лінгвістики для визначення загальної оцінки рівня напруженості в суспільстві. Прикладна математика та комп’ютинг. ПМК, 2022 : XV Наук. конф. магістрантів та аспірантів, Київ, 16–18 лист. 2022 р. : зб. тез. доп. С. 192–200.
3. Рудаченко О., Клебанова Т. Сучасні підходи до аналізу соціальної напруженості. Науковий вісник Ужгородського національного університету. Серія: Міжнародні економічні відносини та світове господарство. 2020. Вип. 30. С. 140–144.
4. Slyusarevskyy M.M., Chunikhina S., Flaherty M. Social Tension as a macro indicator of the psychological well-being of society. Wiadomości Lekarskie. 2021. Vol. 74, No. 11, part 1. P. 2813–2817. https://wiadlek.pl/wp-content/uploads/archive/2021/WLek202111123.pdf
5. Artemov G., Aleinikov A., Daur A., Pinkevich A. Social Tension: the Possibility of Conflict Diagnosis (on the Example of St. Petersburg). Economics and Sociology. 2017. Vol. 10, No. 1. P. 192–208. https://www.researchgate.net/publication/316256578_Social_Tension_the_Possibility_of_Conflict_Diagnosis_on_the_Example_of_St_Petersburg
6. Баранова Г., Фролов В., Кондрашин А. Особенности социальной напряженности в регионах России. Социологический исследования. 2011. № 6. С. 48–55.
7. Андрієнко О., Мордовцев С. Інтегральна оцінка напруженості регіонів. Соціально-економічні проблеми і держава. 2011. Вип. 13(2). С. 161–168. http://nbuv.gov.ua/UJRN/Sepid_2015_2_21
8. Яценко Л., Коломієць О. Регіональні аспекти соціальної напруженості в Україні: стан, фактори ормування та шляхи подолання. Аналітична доповідь. 2015. https://niss.gov.ua/sites/default/files/2015-09/socialna_napruzhenist-fc95d.pdf
9. Быковский В. Социальная напряженность на муниципальном уровне: методика оценки работы администрации. Социологические исследования. 2005. № 10. С. 22–26.
10. Iqbal A., Amin R., Iqbal J., Alroobaea R., Binmahfoudh A., Hussain M. Sentiment Analysis of Consumer Reviews Using Deep Learning. Sustainability. 2022. Vol. 14, No. 17. https://www.mdpi.com/2071-1050/14/17/10844
11. Sri Devi T., Dhanalakshmi R., Sankar S. An Improved Framework for Sentiment Analysis for Collage Rewiews. International Journal of Advanced Trends in Computer Science and Engineering. 2020. Vol. 9, No. 2. P. 1959–1963. https://doi.org/10.30534/ijatcse/2020/162922020
12. Bhimanadham H., Areti S. A., Kolluri B. S., Yanam P., Peda Gopi A. Sentimental Analysis on Movie Review System using deep learning approach. Juni Khyat. 2021. Vol. 11, issue 1. P. 371–380. http://junikhyatjournal.in/no_1_Online_21/47.pdf
13. Sri Lalitha Y., Vijendar Reddy G., Swapnika K., Akunuri R., Jahagirdar H. K. Analysis of Customer Review using Deep Neural Network. 2022 First International Conference on Artificial Intelligence Trends and Pattern Recognition (ICAITPR). 2022. 5 p. https://doi.org/10.1109/ICAITPR51569.2022.9844183
14. Bekesiene S., Smaliukiene R., Vaicaitiene R. Using Artificial Neural Networks in Predicting the Level of Stress among Military Conscripts. Mathematics. 2021. Vol. 9, No. 6. 626. 23 p. https://doi.org/10.3390/math9060626
15. Donchenko D., Ovchar N., Sadovnikova N., Parygin D., Shabalina O., Ather D. Analysis of Comments of Users of Social Networks to Assess the Level of Social Tension. Procedia Computer Science. 2017. No. 119. P. 359–367. https://doi.org/10.1016/j.procs.2017.11.195
16. Naga Mounika S., Kanumuri P. K., Narasimha rao K., Manne S. Detection of Stress Levels in Students using Social Media Feed. Proceedings of the International Conference on Intelligent Computing and Control Systems (ICICCS 2019). 2020. P. 1178–1183. https://doi.org/10.1109/ICCS45141.2019.9065720
17. Chakraborty S., Talukdar M. B. U., Adib M. Y. M., Mitra S., Alam Md. G. R. LSTM-ANN Based Price Hike Sentiment Analysis from Bangla Social Media Comments. 2022 25th International Conference on Computer and Information Technology (ICCIT). 2023. P. 733–738. https://doi.org/10.1109/ICCIT57492.2022.10055290
18. Selvadass S., Malin Bruntha P., Priyadharsini K. Stress Analysis in Social Media using ML Algorithms. 2022 4th International Conference on Smart Systems and Inventive Technology (ICSSIT). 2022. P. 1502–1506. https://doi.org/10.1109/ICSSIT53264.2022.9716396
19. Ahmed U., Lin J. C.-W. Deep Explainable Hate Speech Active Learning on Social-Media. IEEE Transactions on Computational Social Systems. 2022. P. 1–11. https://doi.org/10.1109/TCSS.2022.3165136
20. Danuri M. S. N., Rahman R. A., Mohamed I., Amin A. The Improvement of Stress Level Detection in Twitter: Imbalance Classification Using SMOTE. 2022 IEEE International Conference on Computing (ICOCO). 2023. P. 294–298. https://doi.org/10.1109/ICOCO56118.2022.10031684
21. Ghosh S., Anwar T. Depression Intensity Estimation via Social Media: A Deep Learning Approach. IEEE Transactions on Computational Social Systems. 2021. Vol. 8, No. 6. P. 1465–1474. https://doi.org/10.1109/TCSS.2021.3084154
22. Sharma C., Saxena P. Stress Analysis for Students in Online Classes. 2021 Grace Hopper Celebration India (GHCI). 2021. 5 p. https://doi.org/10.1109/GHCI50508.2021.9514059
23. Cheng L.-C., Tsai S.-L. Deep Learning for Automated Sentiment Analysis of Social Media. 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM). 2020. P. 1001–1004. https://doi.org/10.1145/3341161.3344821
24. Manning C.D., Raghavan P., Schütze H. Introduction to Information Retrieval. Cambridge University Press. 2008. 506 p. https://doi.org/10.1017/CBO9780511809071
25. Mikolov T., Chen K., Corrado G., Dean J. Efficient Estimation of Word Representations in Vector Space. arXiv:1301.3781v3. 2013. 12 p. https://doi.org/10.48550/arXiv.1301.3781
26. Mikolov T., Le Q. V., Sutskever I. Exploiting Similarities among Languages for Machine Translation. arXiv:1309.4168v1. 2013. 10 p. https://doi.org/10.48550/arXiv.1309.4168
27. Rong X. word2vec Parameter Learning Explained. arXiv:1411.2738v4. 2016. 21 p. https://doi.org/10.48550/arXiv.1411.2738
28. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagation errors. Nature. 1986. P. 533–536. https://doi.org/10.1038/323533a0
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна