استفاده از fasttext-bert برای استخراج روابط معنایی و بهبود نتایج تحلیل احساسات نظرات فارسی خدمات مراقبت‌های بهداشتی

مقدمه: امروزه تحلیل نظرات بیماران به‌عنوان یک شاخص ارزشمند، برای سنجش کیفیت خدمات مراقبت‌های بهداشتی محسوب می‌گردد. افزایش نظرات متنی پیرامون مراقبت‌های بهداشتی، منجر گردیده تا این نظرات نقش مهمی درزمینۀ تصمیم‌گیری سایر بیماران برای انتخاب خدمات پزشکی و درمانی داشته باشند. بر همین اساس پژوهشگران در تلاش‌اند تا ضمن استخراج اطلاعات ارزشمند و طبقه‌بندی احساسات، بتوانند نیازها و الگوی رفتاری بیماران را شناسایی و استراتژی‌های مناسبی را برای بهبود سطح رضایت آن‌ها در نظر بگیرند. اما نظرات بیماران شامل حجم بالایی از عبارات تخصصی است و ابزارهای پردازشی موجود در حوزه تحلیل احساسات بر اساس دامنه‌های عمومی آموزش ‌دیده‌اند. بنابراین برای تحلیل دقیق این نظرات باید از مدل‌ها و ترکیب آن‌ها به نحوی استفاده گردد که عملکرد نهایی به دریافت نتایج معتبر بیانجامد.مواد و روش‌ها: در این تحقیق با هدف بهبود کارایی و افزایش دقت تحلیل احساسات در حیطه نظرات فارسی مراقبت‌های بهداشتی، از مدل ترکیبی تعبیه‌سازی fasttext-bert برای استخراج روابط معنایی و از cnn-bilstm برای طبقه‌بندی احساسات در سطح جمله استفاده شد.یافته‌ها: نتایج نهایی دقت 86% و 84/99%=f1-score را برای چارچوب پیشنهادی نشان داد.نتیجه‌گیری: بر اساس نتایج می‌توان اذعان داشت، ترکیب مدل‌های تعبیه‌سازی به واسطه بهره‌مندی از نقاط قوت فراوان (در هر دو روش) در شناسایی عبارات تخصصی و خارج از دامنه، و همچنین استخراج روابط معنایی میان آن‌ها، باعث بهبود کارایی و افزایش دقت تحلیل احساسات می‌گردند.

using fasttext-bert to extract semantic relations and improve sentiment analysis of persian healthcare service reviews

introduction: the analysis of patients’ opinions is considered a valuable indicator for assessing the quality of healthcare services. the increasing volume of textual reviews about healthcare has made these reviews a critical factor in other patients’ decision-making processes when selecting medical services. consequently, researchers aimed to extract valuable insights, classify sentiments, and identify patient needs and behavioral patterns through sentiment analysis, thereby developing appropriate strategies to enhance patient satisfaction. however, patient reviews often contain a significant amount of specialized terminology, and existing sentiment analysis tools are typically trained on general-domain data. therefore, to analyze these reviews accurately, it is essential to employ models and their combinations in a way that ensures reliable and valid results.methods: to improve the efficiency and accuracy of sentiment analysis for persian healthcare reviews, this study utilized the fasttext-bert hybrid embedding model for semantic relation extraction and the cnn-bilstm model for sentence-level sentiment classification.results: the proposed framework achieved an accuracy of 86% and an f1-score of 84.99%.conclusion: the results demonstrated that combining embedding models leverages the strengths of both approaches, enabling the identification of specialized and out-of-domain expressions and the extraction of semantic relationships between them. this combination significantly enhances the efficiency and accuracy of sentiment analysis.