افکارکاوی ملی مبتنی بر داده‌های کلان: چارچوبی مفهومی برای سیاست‌گذاری مبتنی بر شواهد

صفائی نژاد, قاسم; شریفی, سید مهدی

doi:10.22034/lrsi.2026.550018.1443

افکارکاوی ملی مبتنی بر داده‌های کلان: چارچوبی مفهومی برای سیاست‌گذاری مبتنی بر شواهد

نوع مقاله : مقاله پژوهشی

نویسندگان

قاسم صفائی نژاد ¹

سید مهدی شریفی ²

¹ دانش آموخته دکترا مدیریت رسانه، پردیس البرز، دانشگاه تهران، تهران، ایران. (نویسنده مسئول)، رایانامه: safaeinejad@ut.ac.ir

² دانشیار، ، گروه مدیریت رسانه و ارتباطات کسب‌وکار، دانشکده مدیریت کسب‌وکار، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. رایانامه: Sharifee@ut.ac.ir

10.22034/lrsi.2026.550018.1443

چکیده

هدف: پژوهش حاضر با هدف طراحی چارچوب مفهومی افکارکاوی ملی مبتنی بر داده‌های کلان انجام شده است. ضرورت این تحقیق از آنجا ناشی می‌شود که روش‌های سنتی افکارسنجی، نظیر پرسشنامه و مصاحبه، با محدودیت‌هایی همچون هزینه‌بر بودن، تأخیر زمانی، و عدم پوشش گسترده جغرافیایی مواجه‌اند. در مقابل، داده‌های کلان حاصل از تعاملات دیجیتال شهروندان در شبکه‌های اجتماعی و فضای وب، ظرفیت بی‌سابقه‌ای برای رصد لحظه‌ای تحولات افکار عمومی و پشتیبانی از سیاست‌گذاری مبتنی بر شواهد فراهم می‌آورند.
روش تحقیق: این پژوهش از نوع توسعه‌ای-نظری و با رویکرد کیفی-استنتاجی انجام شد. داده‌های مورد استفاده از منابع ثانویه شامل مقالات علمی معتبر و گزارش‌های سیاست‌گذاری ملی و بین‌المللی گردآوری شده است. روش تحقیق مبتنی بر تحلیل نظری و سنتز مفهومی بود. در گام نخست، مرور نظام‌مند ادبیات برای شناسایی مفاهیم کلیدی و شکاف‌های پژوهشی صورت گرفت. سپس با بهره‌گیری از روش استنتاج مفهومی، مولفه‌ها و روابط اساسی فرایند افکارکاوی استخراج و در قالب یک مدل پنج‌لایه شامل: (1) گردآوری داده، (2) پاک‌سازی و پیش‌پردازش، (3) تحلیل و خوشه‌بندی، (4) تفسیر و اعتبارسنجی، و (5) بازخورد و کاربرد، سازماندهی شد.
یافته‌ها: یافته‌های پژوهش نشان داد که مدل پیشنهادی قادر است محدودیت‌های افکارسنجی سنتی را برطرف کرده و امکان رصد لحظه‌ای، مقیاس‌پذیر و چندبعدی افکار عمومی را فراهم سازد. در لایه تحلیل، استفاده از الگوریتم‌های پردازش زبان طبیعی و یادگیری ماشین (تحلیل احساسات، مدل‌سازی موضوعی، خوشه‌بندی و تحلیل شبکه اجتماعی) امکان شناسایی روندهای احساسی، موضوعات غالب و بازیگران کلیدی را فراهم خواهد کرد. در لایه تفسیر، بازخورد خبرگان اخذ شد تا اعتبار مدل افزایش یابد. در نهایت، لایه بازخورد و کاربرد نشان داد که خروجی مدل می‌تواند به‌صورت داشبوردهای تعاملی و گزارش‌های سیاستی در اختیار نهادهای تصمیم‌گیر قرار گیرد تا برای تکمیل و تقویت افکارسنجی سنتی از طریق تحلیل داده‌محور مورد استفاده قرار گیرد.
نتیجه‌گیری: مدل مفهومی افکارکاوی ملی مبتنی بر داده‌های کلان، چارچوبی نوین برای گذار تدریجی در برخی کارکردها و مکمل‌سازی افکارسنجی سنتی از طریق تحلیل داده‌محور ارائه می‌دهد. این مدل با کاهش هزینه و زمان، افزایش دقت و پوشش، و امکان تحلیل لحظه‌ای، می‌تواند به ابزاری راهبردی برای سیاست‌گذاری مبتنی بر شواهد در سطح ملی تبدیل شود. با این حال، چالش‌هایی همچون نیاز به زیرساخت محاسباتی قدرتمند، رعایت اصول اخلاقی و حریم خصوصی، و بهینه‌سازی الگوریتم‌های پردازش زبان فارسی باید مورد توجه قرار گیرد. در مجموع، نتایج این پژوهش می‌تواند مبنای توسعه ابزارهای بومی افکارکاوی و ارتقای ظرفیت تصمیم‌سازی داده‌محور در ایران باشد.

کلیدواژه‌ها

افکارکاوی

داده‌های کلان

تحلیل احساسات

سیاست‌گذاری

شبکه‌های اجتماعی

عنوان مقاله English

Big Data–Driven Public Opinion Mining: A Conceptual Framework for Evidence-Informed Policymaking

نویسندگان English

Ghasem Safaei Nejad ¹

Seyed Mehdi Sharifi ²

¹ Ph. D. in Media Management, Alborz Campus, University of Tehran, Tehran, Iran. Email: safaeinejad@ut.ac.ir

² Associate Prof., Department of Media Management, College of Management, University of Tehran, Tehran, Iran. Email: Sharifee@ut.ac.ir

چکیده English

Objective: The present study was conducted with the aim of designing a conceptual model for national opinion mining based on big data. The necessity of this research arises from the fact that traditional opinion polling methods, such as questionnaires and interviews, face limitations including high costs, time delays, and restricted geographical coverage. In contrast, big data generated from citizens’ digital interactions on social media and the web provides unprecedented capacity for real-time monitoring of public opinion dynamics and supporting evidence-informed policymaking.
Methods: This research is developmental–theoretical in nature and was carried out with a qualitative–inferential approach. The data used were collected from secondary sources, including peer-reviewed scientific articles and national and international policy reports. The methodology was based on theoretical analysis and conceptual synthesis. First, a systematic literature review was conducted to identify key concepts and research gaps. Then, using conceptual inference, the essential components and relationships of the opinion mining process were extracted and organized into a five-layer model: (1) data collection, (2) cleaning and preprocessing, (3) analysis and clustering, (4) interpretation and validation, and (5) feedback and application.
Results: The findings of the study indicated that the proposed model can overcome the limitations of traditional opinion polling and enable scalable, multidimensional, and real-time monitoring of public opinion. In the analysis layer, the use of natural language processing and machine learning algorithms (sentiment analysis, topic modeling, clustering, and social network analysis) made it possible to identify emotional trends, dominant topics, and key actors. In the interpretation layer, expert feedback was obtained to enhance the validity of the model. Finally, the feedback and application layer demonstrated that the model’s outputs can be delivered through interactive dashboards and policy briefs to decision-making institutions, thereby serving to complement and strengthen traditional opinion polling through data-driven analysis.
Conclusions: The conceptual model of national opinion mining based on big data provides a novel framework for a gradual transition in certain functions and for complementing traditional opinion polling through data-driven analysis. By reducing costs and time, increasing accuracy and coverage, and enabling real-time insights, this model can serve as a strategic tool for evidence-informed policymaking at the national level. Nevertheless, challenges such as the need for robust computational infrastructure, adherence to ethical and privacy principles, and optimization of natural language processing algorithms for Persian must be taken into account. Overall, the findings of this study can serve as a foundation for developing indigenous opinion mining tools and enhancing data-driven decision-making capacity in Iran.

کلیدواژه‌ها English

Opinion Mining

Big Data

Sentiment Analysis

Policymaking

Social Media

منابع

زاهد، عطیه و سخی، محمدرضا. (1395). مروری بر تکنیک‌های کلان داده. اولین کنفرانس ملی برق و کامپیوتر، سیستم‌های توزیع شده و شبکه‌های هوشمند. 28 آذرماه. دانشگاه آزاد واحد کاشان.

حیدری، الهام. (1399). بررسی کلان‌داده‌ها در شبکه‌های اجتماعی. فصلنامه تحقیقات جدید در علوم انسانی. دوره جدید، شماره 26، بهار،صص ١٠٩-130.

رجبی، زینب.؛ ولوی، محمدرضا، و حورعلی، مریم. (1401). مروری بر روش‌های تحلیل احساس در متون فارسی. پردازش علائم و داده‌ها، 10(52)، 107–132.

رحمانیان, پریسا , موسوی, سید محمد رضا و صدرالدینی, محمد هادی . (1404). تجزیه و تحلیل احساسات چندوجهی در زبان فارسی با استفاده از مدل‌های مبتنی بر ترانسفورمر و کپسول‌های تشخیص احساس. پژوهش های نظری و کاربردی هوش ماشینی, 3(1), 51-67. doi: 10.22034/abmir.2025.23347.1137

فرخی، مصطفی. (1383)، نظرسنجی در ایران، تهران: مرکز پژوهشهای مجلس.

References:

Abdalla, H. B. (2022). A brief survey on big data: Technologies, terminologies and data intensive applications. Journal of Big Data, 9, Article 107, 1–36. https://doi.org/10.1186/s40537-022-00659-3

Akbas, E. (2017). Opinion mining on non-English short text. In M. Kryszkiewicz, A. Appice, D. Ślęzak, H. Rybinski, A. Skowron, & Z. Raś (Eds.), Foundations of Intelligent Systems: ISMIS 2017 (Lecture Notes in Computer Science, Vol. 10352, pp. 1–10). Springer, Cham. https://doi.org/10.1007/978-3-319-60438-1_41

Aladeemy, A. A., Alzahrani, A., Algarni, M. H., Khalaff, O. I., Wong, W.-K., & Aqburi, S. (2024). Advancements and challenges in Arabic sentiment analysis: A decade of methodologies, applications, and resource development. Heliyon, 10(21), e39786. https://doi.org/10.1016/j.heliyon.2024.e39786

Albalawi, R., Yeap, T. H., & Benyoucef, M. (2020). Using topic modeling methods for short-text data: A comparative analysis. Frontiers in Artificial Intelligence, 3, Article 42. https://doi.org/10.3389/frai.2020.00042

Atkin, C., & Gaudino, J. (1984). The impact of polling on the mass media. The ANNALS of the American Academy of Political and Social Science, 472(1), 119–128. https://doi.org/10.1177/0002716284472001011

Bovet, A., Morone, F., & Makse, H. (2018). Validation of Twitter opinion trends with national polling aggregates: Hillary Clinton vs Donald Trump. Scientific Reports, 8, Article 6789, 1–16. https://doi.org/10.1038/s41598-018-26951-y

Cen, Y., & Wang, Y. (2016). Social public opinion analysis and decision making support with big data. Data Analysis and Knowledge Discovery, 32(7), 3–11. https://doi.org/10.11925/infotech.1003-3513.2016.07.02

Cortis, K., & Davis, B. (2021). Over a decade of social opinion mining: A systematic review. Artificial Intelligence Review, 54(7), 4873–4965. https://doi.org/10.1007/s10462-021-10030-2

Farrokhi, M. (2004). Public opinion polling in Iran. Majlis Research Center (Iranian Parliament Research Center). (In Persian)

Farzindar, A., & Louis, A. (2016). Natural language processing for social media [Book review]. Computational Linguistics, 42(4), 833–836. https://doi.org/10.1162/COLI_r_00270

Featherstone, J. D., & Barnett, G. A. (2020). Validating sentiment analysis on opinion mining using self-reported attitude scores. In 2020 Seventh International Conference on Social Networks Analysis, Management and Security (SNAMS) (pp. 1–4). Paris, France. https://doi.org/10.1109/SNAMS52053.2020.9336540

Heidari, E. (2020). A study of big data in social networks. New Research Quarterly in Humanities, New Series(26), 109–130. (In Persian)

Lasswell, H. D. (1948). The structure and function of communication in society. In L. Bryson (Ed.), The communication of ideas (pp. 37–51). Harper & Row.

Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. Sage Publications.

Miller, P. V. (2017). Is there a future for surveys? Public Opinion Quarterly, 81(S1), 205–212. https://doi.org/10.1093/poq/nfx008

Patil, A. S. (2016). Opinion mining techniques for non-English languages: An overview. International Journal of Computational Linguistics (IJCL), 7(2), 1–16.

Rahmanian, P., Mousavi, S. M. R., & Sadraldini, M. H. (2025). Multimodal sentiment analysis in Persian using transformer-based models and sentiment recognition capsules. Theoretical and Applied Research in Machine Intelligence, 3(1), 51–67. https://doi.org/10.22034/abmir.2025.23347.1137 (In Persian)

Rajabi, Z., Velvi, M. R., & Hourali, M. (2022). A review of sentiment analysis methods in Persian texts. Signal and Data Processing, 10(52), 107–132. (In Persian)

Sandelowski, M., Barroso, J., & Voils, C. I. (2007). Using qualitative metasummary to synthesize qualitative and quantitative descriptive findings. Research in Nursing & Health, 30(1), 99–111. https://doi.org/10.1002/nur.20176

Schaefer, T., & Brooker, R. (2005). Public opinion in the 21st century: Let the people speak? Houghton Mifflin Harcourt Publishing Company.

Shang, S., Shi, M., Shang, W., & Hong, Z. (2015). Research on public opinion based on big data. In 2015 IEEE/ACIS 14th International Conference on Computer and Information Science (ICIS) (pp. 559–562). https://doi.org/10.1109/ICIS.2015.7166655

Shi, Z., & Agrawal, R. (2025). A comprehensive survey of contemporary Arabic sentiment analysis: Methods, challenges, and future directions. In Findings of the Association for Computational Linguistics: NAACL 2025 (pp. 3760–3772). Albuquerque, NM: Association for Computational Linguistics.

Stahl, B. C. (2025). The ethics of data and its governance: A discourse theoretical approach. Information, 16(6), 497. https://doi.org/10.3390/info16060497

Temporão, M. (2019). Measuring public opinion using big data: Applications in computational social sciences* [Doctoral dissertation, Laval University]. Canada.

Wang, Y., Guo, J., Yuan, C., & Li, B. (2022). Sentiment analysis of Twitter data. Applied Sciences, 12(22), 11775. https://doi.org/10.3390/app122211775

Zahed, A., & Sakhi, M. R. (2016, December 19). A review of big data techniques [Conference presentation]. First National Conference on Electrical and Computer Engineering, Distributed Systems and Smart Networks, Islamic Azad University, Kashan Branch, Iran.

Zhao, Z., Liu, W., & Wang, K. (2023). Research on sentiment analysis method of opinion mining based on multi-model fusion transfer learning. Journal of Big Data, 10, Article 155. https://doi.org/10.1186/s40537-023-00837-x