مرحله دوم: پردازش هوشمند متون و تحلیل احساسات مکان‌مند

۰

🗺️ نمای کلی خط فرآیند ۵ گانه پردازش هوشمند متون و تحلیل احساسات

⚙️ خط فرآیند ۵ گانه پردازش هوشمند متون و تحلیل احساسات

🧹

گام ۱

پیش‌پردازش و نرمال‌سازی

Text Preprocessing

اصلاح حروف · حذف Stop Words · ریشه‌یابی

🏷️

گام ۲

دسته‌بندی بر ۹ نظام

Topic Classification

کلمات کلیدی · برچسب‌گذاری هوشمند

❤️

گام ۳

تحلیل احساسات

Sentiment Analysis

طیف مثبت/خنثی/منفی · نمره‌دهی

🔗

گام ۴

اتصال به GIS

Spatial Text Join

اتصال متن به Grid · لایه‌بندی

🔥

گام ۵

نقشه حرارتی احساسات

Sentiment Heatmapping

لایه‌های رنگی · کانون‌های بحران

۱

🛠️ تشریح تفصیلی گام‌به‌گام مراحل ۵ گانه پردازش هوشمند

🧹

گام ۱: پیش‌پردازش و نرمال‌سازی زبانی متون

Text Preprocessing & Normalization

۱ از ۵

🎯 هدف: استانداردسازی متون عامیانه، گفتاری و بومی جهت آمادگی برای تحلیل الگوریتمی.

📌 اقدامات عملیاتی

یکسان‌سازی زبانی: اصلاح حروف عربی به فارسی (تبدیل «ك» به «ک» و «ي» به «ی»)، پاک‌سازی اعراب، کشیدگی کلمات و نشانه‌های نگارشی اضافه.
حذف کلمات بی‌ارزش (Stop Words Removal): حذف کلمات عمومی که بار معنایی شهری ندارند (مانند: «از»، «به»، «است»، «چون»، «خیلی»).
واژه‌سنجی و ریشه‌یابی (Lemmatization & Stemming): تبدیل افعال و اسم‌های مشتق به ریشه اصلی (مثلاً تبدیل «ترافیک‌ها»، «ترافیکی»، «ترافیکش» به واژه مبنای «ترافیک»).
فرهنگ‌نامه اصطلاحات بومی (Local Lexicon Building): ساخت یک دیکشنری تخصصی از واژگان عامیانه و بومی شهر (مثلاً تبدیل اصطلاحات محلی مربوط به «فاضلاب»، «زباله»، «خاکی بودن معبر» یا اسامی محلی به عبارات استاندارد شهرسازی).

🏷️

گام ۲: دسته‌بندی موضوعی و نگاشت بر نظام‌های ۹ گانه

Topic Classification & 9-System Mapping

۲ از ۵

🎯 هدف: ارجاع خودکار هر جمله یا کامنت ارسالی شهروندان به یکی از نظام‌های ۹ گانه شرح خدمات نوین طرح جامع.

📌 اقدامات عملیاتی

دسته‌بندی الگوریتمی (Text Classification Models): آموزش مدل‌های هوش مصنوعی (مانند Naive Bayes / Transformer Models) بر اساس کلمات کلیدی هر نظام مطالعاتی.
نگاشت بر نظام‌های ۹ گانه:
- نظام زیرساخت و ترافیک: تشخیص واژگانی مثل «تصادف»، «دوربرگردان»، «اتوبوس»، «پارکینگ»، «ترافیک».
- نظام اسکان و مسکن/فرسوده: تشخیص واژگانی مثل «خطر ریزش»، «کوچه تنگ»، «قدمت خانه»، «اجاره‌بها».
- نظام طبیعی و محیط‌زیست: تشخیص واژگانی مثل «بوی بد»، «کانال فاضلاب»، «قطع درختان»، «دود کارخانه».
- و سایر نظام‌های ۹ گانه.
دسته‌بندی چندموضوعی (Multi-label Classification): اگر یک کامنت حاوی چند مسئله باشد (مثلاً: «خیابان تاریک است و فاضلاب در آن جاری است»)، سیستم متن را به هر دو نظام «زیرساخت» و «محیط‌زیست» متصل می‌کند.

❤️

گام ۳: سنجش بار هیجانی و تحلیل احساسات مکان‌مند

Spatial Sentiment Analysis

۳ از ۵

🎯 هدف: تعیین درجه رضایت، نگرانی یا خشم شهروندان در هر عبارت متنی و تبدیل آن به شاخص عددی.

📌 اقدامات عملیاتی

کالیبراسیون فرهنگ لغت احساسات شهری (Urban Sentiment Lexicon): تخصیص وزن احساسی به کلمات از محدوده ۱.۰- (بسیار منفی/بحرانی) تا ۱.۰+ (بسیار مثبت/مطلوب).
- کلمات با بار منفی شدید (۱.۰-): «خطرناک»، «تصادف فوتی»، «تاریکی مطلق»، «تعفّن»، «تخریب».
- کلمات با بار منفی متوسط (۰.۵-): «شلوغ»، «کمبود پارک»، «کثیف»، «تأخیر».
- کلمات با بار مثبت (۰.۸+): «زیبا»، «با صفا»، «ایمن»، «دسترس‌پذیر»، «نوسازی‌شده».
محاسبه شاخص احساسات (Sentiment Score Calculation): تحلیل ترکیب جملات و محاسبه نهایی میانگین بار احساسی متن ارسالی.
تشخیص متن‌های بحرانی (Critical Alarm Trigger): مشخص کردن کامنت‌هایی که بار منفی بالاتر از ۰.۸- دارند به‌عنوان «نقاط هشدار حاد محله‌ای».

📊 طیف سه‌گانه احساسات

-1.0 تا -0.6

🔴 منفی بحرانی

کانون‌های بحران · نارضایتی شدید · خطرات کالبدی

-0.5 تا +0.5

🟡 خنثی / نگران

پهنه‌های نیازمند بهسازی · کمبودهای خدماتی

+0.6 تا +1.0

🟢 مثبت / مطلوب

فضاهای محبوب · کیفیت محیطی بالا · سرمایه اجتماعی

🔗

گام ۴: پیوند مکان‌مند متون پردازش‌شده به GIS

Spatial Text Join

۴ از ۵

🎯 هدف: الصاق خروجی تحلیل‌های متنی و احساسی به هندسه‌های فضایی (نقاط، خطوط و سلول‌های ۵۰×۵۰ متری).

📌 اقدامات عملیاتی

اتصال پایه داده‌ها (Attribute Join): متصل کردن کدهای موضوعی نظام‌های ۹ گانه و نمره احساسات به لایه مکانی مسبوق در دیتابیس PostGIS با تابع ST_Join.
تجمعی‌سازی احساسات در سلول‌ها (Cell Aggregation): اگر در یک سلول شبکه‌ای ۵۰×۵۰ متری، ۱۵ نظر متنی ثبت شده باشد، سیستم میانگین موزون احساسات (Weighted Average Sentiment) آن سلول را محاسبه می‌کند.
اعمال ضریب وزنی دموگرافیک: ضرب کردن نمره احساسات گروه‌های بی‌صدا (زنان سرپرست خانوار، معلولان، حاشیه‌نشینان) در ضریب ۱.۵ جهت انعکاس پررنگ‌تر صدای اقشار محروم.

🔥

گام ۵: ساخت نقشه‌های حرارتی احساسات و کانون‌های نارضایتی

Sentiment Heatmapping

۵ از ۵

🎯 هدف: تولید لایه‌های بصری نقشه شهر بر اساس بار احساسی شهروندان جهت استفاده مستقیم در گزارش تشخیص.

📌 اقدامات عملیاتی

طیف‌بندی رنگی نقشه‌ها:
- 🔴 رنگ قرمز پررنگ (نمره ۰.۶- تا ۱.۰-): کانون‌های بحران، نارضایتی شدید و خطرات کالبدی/اجتماعی.
- 🟠 رنگ نارنجی/زرد (نمره ۰.۱- تا ۰.۵-): پهنه‌های نیازمند بهسازی و واجد کمبودهای خدماتی.
- 🟢 رنگ سبز (نمره ۰.۱+ تا ۱.۰+): فضاهای محبوب شهری، واجد کیفیت محیطی و سرمایه اجتماعی بالا.
تولید لایه کانون‌های داغ نارضایتی (Sentiment Hotspots): بکارگیری الگوریتم KDE برای شناسایی پهنه‌هایی که بیشترین تراکم کلمات منفی و بحرانی را دارند.

۲

📅 برنامه اجرایی، زمان‌بندی و جدول نقش‌ها (SOP و RACI)

این مرحله ظرف مدت ۸ روز کاری طبق جدول زمان‌بندی و تفکیک مسئولیت‌های زیر اجرا می‌شود:

📅 جدول زمان‌بندی و مراحل SOP پردازش هوشمند متون (۸ روز)

A

پیش‌پردازش متون

روز ۱ و ۲

پاک‌سازی و پیش‌پردازش متون
ساخت فرهنگ‌نامه بومی

B

دسته‌بندی موضوعی

روز ۳ و ۴

آموزش مدل دسته‌بندی ۹ نظام
برچسب‌گذاری خودکار متون

C

تحلیل احساسات

روز ۵ و ۶

محاسبه نمره احساسات
استخراج نقاط هشدار حاد

D

اتصال به GIS و Heatmap

روز ۷ و ۸

اتصال متون به GIS
تولید نقشه‌های حرارتی

ماتریس مسئولیت‌های اجرایی (RACI Matrix)

زیرفرآیند عملیاتی مرحله دوم	متخصص NLP / AI	متخصص ارشد GIS	سرپرستان ۹ نظام	ناظر راه و شهرسازی
۱. پیش‌پردازش، نرمال‌سازی و ساخت دیکشنری بومی	A / R	I	C	I
۲. برچسب‌گذاری متون و دسته‌بندی بر ۹ نظام	A / R	C	C	I
۳. اجرای مدل تحلیل احساسات و تعیین نمرات	A / R	I	I	I
۴. اتصال مکانی متون (Spatial Text Join) به GIS	C	A / R	C	I
۵. تولید نقشه‌های حرارتی احساسات و لایه Hotspot	C	A / R	C	A

📌

راهنمای RACI: R = Responsible (انجام‌دهنده اصلی)، A = Accountable (پاسخگوی نهایی)، C = Consulted (مشاوره‌دهنده)، I = Informed (مطلع‌شونده).

۳

🔍 سنجه‌ها و شاخص‌های کنترل کیفیت پردازش متون (Quality KPIs)

برای تضمین دقت مدل هوش مصنوعی و صحت نقشه‌های خروجی، شاخص‌های زیر توسط ناظر ممیزی می‌شود:

🎯

دقت دسته‌بندی موضوعی

Model Accuracy Index: صحت الگوریتم NLP در انتساب متون به نظام‌های ۹ گانه باید حداقل ۸۵٪ باشد (تست‌شده روی نمونه تصادفی ۲۰۰ تایی توسط متخصصان شهرسازی).

📊

پوشش‌دهی متون باز

Text Coverage Rate: ۱۰۰٪ کامنت‌ها و متون ارسالی معتبر باید تعیین تکلیف شده و نمره احساسات دریافت کرده باشند.

🎫

قابلیت ردیابی

Traceability Guard: هر سلول رنگی روی نقشه حرارتی احساسات باید با کلیک در GIS، کدهای یکتای ۱۶ رقمی متون تشکیل‌دهنده خود را به‌عنوان سند پشتیبان نمایش دهد.

۴

💾 نمونه الگوی داده متنی ورودی خام در برابر خروجی پردازش‌شده

❌ ۱. متن ورودی خام (قبل از پردازش NLP)

"کوچه ما توی محله مجبورسو خاکی و تاریکه، شبها اصلاً امنیت نداره و بچه‌ها می‌ترسن برن بیرون. فاضلاب هم توی کوچه رها شده." -- وضعیت: متن خام -- -- سیستم: بدون دسته‌بندی -- -- احساس: تعیین‌نشده --

✅ ۲. خروجی هوشمند پردازش‌شده (آماده نمایش روی GIS)

{ "AnalysisOutput": { "TrackingCode16Digit": "MHB-1405-8821-9012", "GridCellID": "HEX-50M-MHB-4412", "NormalizedText": "کوچه ما در محله مجبورسو خاکی و تاریک است...", "MultiSystemClassification": [ { "SystemCode": "System6_Infrastructure_and_Traffic", "SubTag": "Unpaved_Street_and_No_Lighting" }, { "SystemCode": "System1_Natural_and_Environment", "SubTag": "Surface_Sewage_Discharge" } ], "SentimentAnalysis": { "SentimentScore": -0.85, "SentimentLabel": "Critical_Negative", "IsHighRiskAlert": true }, "DemographicWeightApplied": 1.5, "FinalSpatialWeight": -1.275 } }

                🎯 وجه تمایز خروجی هوشمند: متن خام ورودی که برای انسان قابل خواندن بود اما برای سیستم قابل پردازش نبود، حالا به یک ساختار داده دقیق تبدیل شده است که دو نظام مطالعاتی، نمره احساسات بحرانی ۰.۸۵-، هشدار حاد فعال و ضریب وزنی دموگرافیک ۱.۵ برابر را در خود دارد.
            

✅

💡 نتیجه‌گیری عملیاتی

✅

پیاده‌سازی مرحله دوم باعث می‌شود که هزاران نظر متنی، صوتی و روایی شهروندان از حالت متون پراکنده خارج شده و به لایه‌های تحلیلی نقشه-محور، تفکیک‌شده بر نظام‌های ۹ گانه و واجد بار احساسی مشخص تبدیل شوند تا مستقیماً ریشه مسائل شهر در گزارش تشخیص نمایان گردد.

➡️

مرحله بعدی: پس از اتمام این مرحله (پردازش هوشمند متون و تحلیل احساسات)، داده‌ها به مرحله سوم: محاسبات آمار فضایی و ساخت آتلاس نقشه‌های حرارتی تحویل داده می‌شوند تا از طریق الگوریتم‌های KDE و DBSCAN، کانون‌های تراکم مطالبات استخراج گردد.