[صفحه اصلی ]    
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش و اطلاعیه دفاعیه ها::
امور فرهنگی::
امور پژوهشی::
اخبار و رویدادهای دانشکده::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
تماس با ما::
::
ورود به سایت دروس
دانشجویان روزانه و پردیس
دانشجویان مرکز آموزش الکترونیکی
..
اطلاعیه ها
 اطلاعیه های آموزشی
..
فراخوان ها
فراخوان های همکاری با صنعت و سازمان ها
..
دفاعیه‌ها

دفاعیه های دکتری


دفاعیه های کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: مرضیه پندی ::
 | تاریخ ارسال: 1403/2/2 | 


 دانشجو:  علی السیلاوی
دانشجوی دگتری  دکتر محمد رضا کنگاوری مورخ  1403/03/26 ساعت 16:00 از پروژه دکتری خود با عنوان: مدیریت موثر در بحران‌های بلندمدت با استفاده از یک سیستم پشتیبان تصمیم‌گیری مبتنی بر داده از طریق استفاده از شبکه‌های اجتماعی: مطالعه موردی همه گیری  COVID-19 خواهند نمود

 


ارائه ­دهنده:
علی السیلاوی

  استاد راهنما:

دکتر محمد رضا کنگاوری
 
هیات داوران:

دکتر حسن نادری ؛
دکتر حسین رحمانی ؛
دکتر علی رضا باقری ؛
دکتر سعید فرضی 


زمان : 26 اردیبهشت ماه 1403

  ساعت 16:00

       


چکیده پایان نامه :
چکیده

این تحقیق پتانسیل هوش مصنوعی برای استخراج بینش‌های ارزشمند از شبکه‌های اجتماعی X (توییتر) درباره بیماری کروناویروس سال 2019 (COVID-19)، به ویژه پس از اعلام واکسیناسیون COVID-19 توسط سازمان بهداشت جهانی (WHO) را بررسی می‌کند. با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین، این مطالعه به منظور استخراج و تجزیه و تحلیل اطلاعات، احساسات و روندهای مرتبط از پیام‌های X هدف دارد تا برای مدیریت بحران در فاز پس از واکسیناسیون از پاندمی COVID-19 بینش‌های ارزشمندی ارائه دهد. همچنین در این تحقیق به تصمیم‌گیری مبتنی بر توییتر در طول پاندمی پرداخته شده است که تحلیل احساسات و ملاحظات منطقه‌ای را در بر می‌گیرد. این مطالعه توسعه یک سامانه پشتیبان تصمیم‌گیری (DSS) کاملاً خودکار مبتنی بر داده‌ها که از الگوریتم‌های یادگیری عمیق استفاده می‌کند، ارائه می‌دهد. برای تحقق DSS ، یک چارچوب جدید مبتنی بر یادگیری ماشین برای استخراج اطلاعات پس از COVID-19 بر اساس مدل‌های CNN BiLSTM و FFNN پیشنهاد شده است. بنابراین، نظرات کاربران در مورد موضوعات انتخاب شده قابل استخراج است. راه‌حل پیشنهادی با استفاده از مجموعه داده X (توییتر) آزمایش شد. بهترین عملکرد طبقه‌بندی با استفاده از BiLSTM، با امتیاز F1 برابر با 0.84 در مجموعه آزمون بدست آمد. یک جنبه مهم از تحقیق ما این است که نتایج به منظور نمایش نظرات کشوری در مورد موضوعات انتخابی نشان داده شود. انتظار می‌رود یافته‌های این مطالعه به توسعه سامانه‌های پشتیبان تصمیم‌گیری مبتنی بر هوش مصنوعی برای پاسخگویی به موارد جدید بحران ها عمومی و بهداشتی کمک کند.
Abstract
   This research investigates the potential of AI to extract valuable insights from X (Twitter) social networks regarding the coronavirus disease of 2019(COVID-19) pandemic, particularly after the World Health Organization WHO's COVID-19 vaccination announcement. By employing advanced Machine Learning algorithms, our study aims to extract and analyze relevant information, sentiments, and trends from X messages to provide valuable insights for crisis management in the post-vaccination phase of the COVID-19 pandemic. We also attended to Twitter-based decision-making during the pandemic, incorporating sentiment analysis and regional considerations. The study presents the development of a fully automated data driven Decision Support System (DSS) that utilizes deep learning algorithms. To realize our DSS, a new machine learning-based framework for post-COVID-19 information mining has been proposed based on CNN, BiLSTM and FFNN model. So, users' opinions on selected topics could be extracted. The proposed solution was tested using X (Twitter) dataset. The best classification performance was achieved using BiLSTM, with an F1-score of 0.84 on the test set. An important aspect of our research is that the results is visualized to show country-wised opinion on the selected topics. The findings of this study are expected to contribute to the development of AI-powered decision support systems for effectively responding to public health crises and emergencies.

 

مکان: دانشکده مهندسی کامپیوتر، طبقه 2  ،اتاق دفاعیه دکتری

دفعات مشاهده: 1767 بار   |   دفعات چاپ: 291 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
data
Persian site map - English site map - Created in 0.14 seconds with 55 queries by YEKTAWEB 4665