ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

شناسایی زوج واژه های مخرب دین در اخبار با استفاده از روش های داده کاوی

Year: 1400
COI: ICTBC04_013
Language: PersianView: 101
This Paper With 15 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

نسیم خضوعی - استادیار گروه مهندسی برق و کامپیوتر، دانشگاه یاسوج
ایمان غلامی پور - کارشناسی ارشد مهندسی کامپیوتر، موسسه آموزش عالی غیرانتفاعی پویا یاسوج

Abstract:

امروزه فعالیت های تروریست هایی مانند بوکوحرام، طالبان و داعش در سال های اخیر و پوشش خبری گسترده اعمالآنان، باعث شده تا دیدگاه جهانیان نسبت به مساله دین و شریعت تا حدودی تغییر کند. عدم شناخت صحیح از دین وعدم آگاهی سبب می شود تا بشر از مسیر صحیح سعادت و رستگاری خارج شود و به گمراهی گرایش پیدا کند. نقش مهمرسانه های اخباری در آگاه سازی مردم باعث شده است تا در این پژوهش روشی را برای اصلاح اخبار مرتبط با دینپیشنهاد دهیم. نشر اخبار مرتبط با واقعیات دین در جوامع می تواند موجب بهبود دیدگاه مردم نسبت به دین شود. تحلی لمتن مبتنی بر رویکرد یادگیری ماشین از ویژگی های زبان شناختی استفاده می کند. رویکرد مبتنی بر واژه نامهاحساسات، بر مجموعه ای از عبارت های احساسی شناخته شده و از پیش تعریف شده متکی است. توجه به این نکتهضروری است که از دید متن کاوی، الفاظ دینی اغلب بدلیل کم کاربرد بودن، فرکانس تکرار کمتری در متن دارند، لذا اینالفاظ جزء الفاظ پیچیده در متن محسوب می شوند. هدف این پژوهش ارائه یک دید ساده از الفاظ دینی است، بطوری کهتعریف مذکور علاوه بر سادگی فهم، بهبود دهنده ی معنای کلمات دینی در الفاظ مورد استفاده در اخبار باشد. از اینرو،تمرکز پژوهش روی شناسایی الفاظ مرتبط با دین در متونی است که به وسیله خزنده از وب سایت های خبری مانندرویترز، CNN و BBC جمع آوری شده است. طرح پیشنهادی جهت شناخت اخبار مخرب دین و اصلاح برخی اخبارنسبتا مناسب با ساده سازی و قابل درک کردن آن برای افراد دارای دانش دینی کم تمرکز دارد و می تواند کمک قابلتوجهی به انگلیسی زبانان در شناخت دین و علی الخصوص شریعت اسلام باشد. در این پژوهش قصد داریم تا راه دستیابیبه اخبار صحیح دینی در زبان انگلیسی را برای عموم اقشار جامعه آسان نماییم. برای رسیدن به این هدف می توانیم گزیدهای از اخبار دینی را با اصلاحات مورد نظر منتشر نماییم.

Keywords:

واژه های مخرب دین , روش های داده کاوی , تحلیل احساس , ماشین شناسایی

Paper COI Code

This Paper COI Code is ICTBC04_013. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1259797/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
خضوعی، نسیم و غلامی پور، ایمان،1400،شناسایی زوج واژه های مخرب دین در اخبار با استفاده از روش های داده کاوی،Fourth International Conference on Information Technology, Computer and Telecommunication Engineering of Iran،Tehran،https://civilica.com/doc/1259797

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: دانشگاه دولتی
Paper count: 3,187
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

New Papers

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support