انتشار بيانات وسائل التواصل الاجتماعي عالميًا،
.
انتشار بيانات وسائل التواصل الاجتماعي عالميًا
تتزايد المشكلات المتعلقة بكثافة هذه البيانات. ويصبح من الصعب على أدوات البرمجيات والتقنيات تصور البيانات وتخزينها وإدارتها وتحليلها نظرًا للنمو التدريجي وسهولة الوصول إلى البيانات الرقمية. ويُعدّ الارتفاع الهائل في حجم البيانات، وتنوعها الكبير، وسرعة تدفقها، من الأسباب الرئيسية لتزايد بيانات وسائل التواصل الاجتماعي (Chen & Lin, 2014). ورغم أن وسائل التواصل الاجتماعي تربط الناس في جميع أنحاء العالم،
إلا أن استخراج البيانات منها يتطلب معرفة واسعة. يتم استخلاص المعلومات المهمة من البيانات الأولية المتاحة، إلا أن استخراج المعرفة منها لا يزال يمثل تحديًا كبيرًا. بالإضافة إلى ذلك، يُعد تخزين البيانات والوصول إليها من التحديات الكبيرة. كما أن جمع البيانات من قواعد بيانات مختلفة لأغراض متعددة يمثل تحديًا آخر. ووفقًا للخبراء، تُعد قواعد البيانات العلائقية وأنظمة إدارة قواعد البيانات الخيار الأمثل الذي يدعمه المطورون (فيال، 2018). تتوفر لغة SQL للتعامل مع حالات الاستخدام مع قواعد البيانات الموجهة للكائنات،
والتي تتعامل مع منصات التواصل الاجتماعي مثل تويتر وفيسبوك وجوجل وياهو وغيرها. يُعد تويتر، أحد منصات التواصل الاجتماعي التي تحظى باهتمام كبير في حياة الناس اليومية، مثالًا على ذلك. يتطلب التعامل مع هذه المنصات استخدام تقنيات مثل التعلم الآلي ومعالجة اللغات الطبيعية وغيرها (هانا، روم، وكريتندن، 2011). تُسهم تقنيات التعلم الآلي والتعلم العميق، إلى جانب التطورات الحاصلة في مجال الحوسبة، في استخلاص المعلومات من البيانات المتاحة.
ونتيجة لذلك، يُعد التعلم العميق تقنية فعالة في تحليل بيانات وسائل التواصل الاجتماعي. تتعدد طرق تناول الموضوع، بدءًا من الأساليب الترتيبية البسيطة وصولًا إلى الشبكات العصبية للتعلم العميق الأكثر تطورًا. لتدريب النموذج باستخدام خوارزميات تصنيف التعلم العميق، يمكن تصنيف التغريدات ذات الصلة بناءً على قطبيتها العاطفية (نيمس وكيس، 2021). ونتيجةً لدراسة الحركات العالمية وتأثير الأفراد عليها، تُعد البيانات الاجتماعية أداةً قيّمةً لإدارة هذا النوع من الحركات. انطلقت حركة #BlackLivesMatter في عام 2013 في الولايات المتحدة، مُشيرةً إلى عمليات القتل غير المبررة التي ترتكبها الشرطة بحق السود.
كانت هذه الحركة الإلكترونية هي الشرارة التي أشعلت فتيل هذه الحركة. وقد تباينت ردود الفعل عليها بين الإيجابية والسلبية. تُعدّ حركة Black Lives Matter احتجاجًا على حوادث الشرطة الوحشية والعنف العنصري ضد الأمريكيين من أصول أفريقية. تسعى هذه الدراسة إلى تحليل البيانات المُجمّعة من منصة Kaggle. وكما هو واضح
في ظل الوضع الراهن، يكاد يكون من المستحيل تخيّل الأمور دون مشاعر مختلطة، سواءً أكان ذلك في الأخبار أو في أي حركة إلكترونية انطلقت عبر منصات التواصل الاجتماعي. على سبيل المثال، أطلق تويتر حركة #BlackLivesMatter، حيث شارك فيها أفراد من مختلف أنحاء العالم، مُظهرين ردود فعل ومشاعر متباينة، من تأييد الحركة إلى انتقادها، مرورًا بالشعور بالاشمئزاز والغضب، وغيرها. في هذه الدراسة، تم استخدام مُصنِّف التعلّم العميق، الشبكة العصبية الالتفافية (CNN) والذاكرة طويلة المدى (LSTM)، للكشف عن مشاعر وأحاسيس المشاركين بناءً على تغريدات من ولايتي مينيسوتا وواشنطن العاصمة في الولايات المتحدة الأمريكية.
وقد تم التحقق من صحة النموذج الهجين المقترح باستخدام نماذج الغابة العشوائية، والشبكة العصبية الالتفافية، والذاكرة طويلة المدى، والذاكرة طويلة المدى ثنائية الاتجاه. من المثير للدهشة حقًا رؤية النتائج، حيث أبدى الناس في كلتا المقاطعتين اهتمامًا بالحركة وثقتهم بها، بنسبة 48% في مينيسوتا و54% في واشنطن العاصمة. يتميز نموذجنا المقترح، CNN-LSTM، بدقة 94% في رصد مختلف المشاعر بناءً على المعلمات الفائقة مثل عدد الدورات التدريبية، وحجم المرشح، والتجميع، ودالة التنشيط، والتسرب، والخطوة، والحشو، وعدد المرشحات
في التطورات الحاصلة في أساليب التعلم العميق النصية، مثل نموذج BERT، الذي يُمكن من خلاله تصنيف المشاعر المرتبطة بالتغريدات (ديفلين، تشانغ، لي، وتوتانوفا، 2018). مع ازدياد التفاعل والتواصل بين الشبكات والمجتمعات الافتراضية، برزت تقنيات الويب، مثل تحليلات وسائل التواصل الاجتماعي. تُجمع البيانات من التفاعل الإلكتروني بين المستخدمين، كالتعليقات النصية والصوتية والمرئية. عمومًا، توجد بعض حسابات وسائل التواصل الاجتماعي الخاصة بخدمات معينة، والتي يمكن للحكومة التحكم بها (بانغ ولي، 2008). تُمكّن منصات التواصل الاجتماعي المختلفة المستخدمين من التواصل مع ذوي الاهتمامات المشتركة، مثل فيسبوك وتويتر ولينكد إن وغيرها. يمكن جمع البيانات وتقييمها وتحليلها حسب الحاجة. تتضمن الخطوة التالية خطوات مختلفة لتحسين تجربة العملاء في الوقت الفعلي، كتحديث البيانات وتوسيعها وتطويرها. لذا، يكمن الدافع وراء ذلك في جمع آراء الناس من مقاطعتين في الولايات المتحدة الأمريكية.
