چکیده:
ایران از زمان فراگیری شبکۀ دیتای تلفن همراه تا امروز بیش از 35 میلیون کاربر پیامرسانهای اجتماعی دارد. فراگیری رسانههای اجتماعی (در ایران با ضریب نفوذ 49%) در بین عموم مردم و کارکردهای متنوع آنها میتواند نقطۀ شروع استفاده از سنجش اجتماعی باشد؛ در این حالت کاربران مشابه یک حسگر، دادههایی برای واکافت فراهم میکنند؛ یکی از کاربردهای سنجش اجتماعی مدیریت بحران است. ازآنجاییکه شناسایی زودهنگام رویدادها و بحرانهای سیاسی، اقتصادی و اجتماعی از اهمیت بالایی برای مدیریت جامعه برخوردار است؛ روشی که بتواند با استفاده از واکافت کلان دادهها به این هدف بپردازد؛ بهعنوان یک سیستم پدافندی میتواند از هزینههای انسانی، اقتصادی و اجتماعی بحرانها و رخدادها کاسته و بهعنوان یک ابزار برای بالابردن آگاهی موقعیتی و ارتقا امنیت ملی مورد بهرهبرداری قرار گیرد. مجموعۀ داده پژوهش حاضر بر اساس خزش و متنکاوی خشونت کلامی در یک میلیون و چهارصد هزار کانال عمومی فارسی پیامرسان تلگرام در سال 97 جمعآوریشده و پس از پالایش بر اساس سری زمانی میانگین متحرک نمایی مدل شده است؛ برای شناسایی سیگنالهای بحران در این مدل از اسیلاتور تعقیبگر روند مومنتوم (که بیشتر در تحلیلهای مالی از آن استفاده میشود.) و میانگین متحرک همگرایی واگرایی (مکدی) تحلیل شده است؛ از این واکافت در علوم اجتماعی محاسباتی نخستین بار است که در جهت پیشبینی بحرانهای امنیتی و حوادث سیاسی و ایجاد امکان اشراف حاکمیتی بر آن استفاده شده است. بر اساس یافتههای پژوهش، حداقل 6 اعتراض اجتماعی کشور در سال 97 پیش از رخداد، قابل شناسایی و مدیریت بوده است؛ همچنین سامانهای که بتواند از چنین واکافتهایی درکلان دادههای رسانههای اجتماعی بهصورت بلادرنگ استفاده کند، کارایی لازم برای اعلان هشدار زودهنگام و اندازهگیری مخاطرات سیاسی و امنیتی جامعه را خواهد داشت.
Since the advent of the mobile data network, Iran has more than 35 million social media users. Developing social media among the general public (with a penetration rate of 49% in Iran) and their diverse functions can be the starting point for using social sensing. In this case, users provide data, like a sensor, for analysis. One of the applications of social sensing is crisis management. To achieve this goal, big data collection as a defense system can reduce the human, economic and social costs of crises and events, and can be used as a tool to raise situational awareness and enhance national security. The data set of the present study was collected based on the crawling and text mining of verbal violence in one million and four hundred thousand general Persian channels of Telegram messenger in 1397 SH and after refinement, it was modeled based on the time series of the moving average. To identify crisis signals in this model, the oscillator following the momentum trend (which is mostly used in financial analyses) and the moving average of divergence convergence (MACD) are analyzed. This is the first time in the computational social sciences that this tool has been used to predict security crises and political events and to allow government surveillance.The research findings confirm that at least six social protest in the country in 1397 SH were identifiable and manageable before the event. In addition, a system that can use such analyses in social media big data in real-time would have the necessary efficiency to issue an early warning and to measure the political and security risks of society.
خلاصه ماشینی:
ازآنجاييکه شناسايي زودهنگام رويدادها و بحران هاي سياسـي ، اقتصـادي و اجتمـاعي از اهميت بالايي براي مديريت جامعه برخوردار است ؛ روشي که بتواند با استفاده از واکافت کلان داده ها به اين هـدف بپـردازد؛ به عنوان يک سيستم پدافندي مي تواند از هزينه هاي انساني ، اقتصادي و اجتماعي بحران هـا و رخـدادها کاسـته و بـه عنـوان يـک ابزار براي بالابردن آگاهي موقعيتي و ارتقا امنيت ملي مورد بهره برداري قـرار گيـرد.
اين بحران ها اشـکال گونـاگوني دارد کـه پـس از مطالعـه و بررسـي بـه واسـطه احصـا تـگ هـاي مربوطـه و حـذف هم پوشانيها در محتواي فارسي رسانه هاي اجتماعي با دسته بندي ذيل در ايـن پـژوهش لحـاظ شـده اسـت : اعتصـاب (Strike)، تظاهرات (Demonstration) ، هم ديداري(Meeting)، شورش (Revolt) ،جنبش (Movement)،قيام (Upheaval)،هرج ومرج (Chaos)،آشـوب (Riot)،خرابکـاري(Sabotage)،فعاليـت زيرزمينـي Underground) (Action،اغتشـاش (Disturbance) ، تهيـيج (Agitation) ، نـاآرامي(Restlessness) ، خشـم (Furious) ، 1 داده کاوي و بر اسـاس سـاخت يـک لکسـيکون از واژه هـاي مـرتبط بـا خشـونت کلامـي (کلاس بندي شدة مشابه EMTerms٢ و به عنوان سيگنال هاي يـک بحـران سياسـي (ايتمينکـوا و 3 ديگران ،٢٠١٥) داده ها جمع آوري شده است ؛ اين ديتا سـت از خـزش در کانـال هـاي عمـومي تلگرام (بر اساس خزش صورت گرفته در آزمايشگاه شبکه هاي اجتماعي دانشـگاه تهـران از ١٣٩٥٩٧٧ کانال عمومي در زمان پژوهش ) در طـول شـش مـاه صـورت پذيرفتـه اسـت و پست هاي مرتبط استخراج و با پالايش داده در نهايت ميزان توليد محتوا و بازديـد از آن هـا در اين بازه احصا گرديد؛ ازآنجاکه اين شش ماه يک اسلات زمـاني (يـک محـدودة زمـاني درست قبل از آنکه موضوع به محتواي پرطرفدار تبديل شـود) بـراي شناسـايي سـيگنال هـا محسوب مي شوند، بهترين روش براي مدل سازي و يافتن الگوها، تحليل سري هـاي زمـاني است .