یادگیری هوشمند و تحول مدیریت 3115-8900 4 شهریور ماه 1405 1405 06 01 Modeling the Link Between the Thematic Structure of User-Generated Content and the Quality of Reverse Logistics Decisions Using Topic Modeling and Sentiment Analysis مدل‌سازی پیوند ساختار موضوعی محتوای کاربران و کیفیت تصمیمات لجستیک معکوس با بهره‌گیری از مدل‌سازی موضوعی و تحلیل احساسات 1 16 FA حامد محبتی گروه مدیریت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران روح اله باقری گروه آموزشی مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران. سجاد شکوهیار گروه مدیریت زنجیره تأمین و عملیات، کسب و کار استرالیا، آدلاید، استرالیا Journal Article <p>This study aims to model the relationship between the thematic structure of user-generated content and the quality of reverse logistics decisions using topic modeling and sentiment analysis techniques. This study employed a descriptive-analytical approach based on text mining techniques. The dataset consisted of 4,850 unstructured textual entries collected from social media platforms over a 90-day period, reflecting user opinions about a mobile phone brand. After preprocessing using natural language processing tools, Latent Dirichlet Allocation (LDA) was applied to extract thematic structures. Sentiment analysis was conducted using deep learning models, including LSTM, GRU, and transformer architectures. Model performance was evaluated using confusion matrices for both binary and multi-class classification, and the relationships among topics, sentiment polarity, and reverse logistics decision quality were analyzed. The results indicated that after-sales service, with the highest proportion of negative sentiment, significantly reduces the quality of reverse logistics decisions, whereas user experience contributes most positively to customer perception. The transformer model demonstrated superior performance compared to LSTM and GRU in sentiment classification tasks. The integrated analysis of topics and sentiments revealed that combining these approaches enhances the identification of key drivers of product returns and improves operational decision-making. The findings suggest that integrating topic modeling and sentiment analysis of user-generated content provides an effective framework for improving reverse logistics decision quality, enabling organizations to reduce return rates and enhance customer satisfaction.</p> <p>هدف این پژوهش، مدل‌سازی رابطه بین ساختار موضوعی محتوای تولیدشده توسط کاربران و کیفیت تصمیمات لجستیک معکوس با استفاده از تکنیک‌های مدل‌سازی موضوعی و تحلیل احساسات است. این پژوهش با رویکرد توصیفی-تحلیلی و با استفاده از داده‌کاوی متنی انجام شد. داده‌ها شامل ۴۸۵۰ متن غیرساخت‌یافته از نظرات کاربران یک برند تلفن همراه در رسانه‌های اجتماعی طی یک دوره ۹۰ روزه بودند. پس از پیش‌پردازش داده‌ها با استفاده از ابزارهای پردازش زبان طبیعی، مدل‌سازی موضوعی با الگوریتم LDA برای استخراج ساختارهای موضوعی انجام شد. تحلیل احساسات نیز با بهره‌گیری از مدل‌های یادگیری عمیق شامل LSTM، GRU و ترنسفورمر پیاده‌سازی شد. برای ارزیابی عملکرد مدل‌ها از ماتریس‌های درهم‌ریختگی در طبقه‌بندی دوکلاسه و سه‌کلاسه استفاده گردید و روابط بین موضوعات، احساسات و کیفیت تصمیمات لجستیک معکوس مورد تحلیل قرار گرفت. نتایج نشان داد که موضوع خدمات پس از فروش با بالاترین میزان احساسات منفی، مهم‌ترین عامل مؤثر بر کاهش کیفیت تصمیمات لجستیک معکوس است، در حالی‌که تجربه کاربری بیشترین نقش را در بهبود ادراک مشتری ایفا می‌کند. همچنین، مدل ترنسفورمر نسبت به مدل‌های LSTM و GRU دقت بالاتری در طبقه‌بندی احساسات نشان داد. تحلیل همزمان موضوعات و احساسات بیانگر آن بود که ترکیب این دو رویکرد می‌تواند به شناسایی دقیق‌تر عوامل بازگشت کالا و بهبود تصمیمات عملیاتی منجر شود. یافته‌های پژوهش نشان می‌دهد که استفاده از تحلیل محتوای تولیدشده توسط کاربران با رویکرد ترکیبی مدل‌سازی موضوعی و تحلیل احساسات می‌تواند به‌عنوان ابزاری مؤثر در ارتقای کیفیت تصمیمات لجستیک معکوس مورد استفاده قرار گیرد و به سازمان‌ها در کاهش نرخ بازگشت کالا و بهبود رضایت مشتریان کمک کند.</p> https://jilmt.com/index.php/jilmt/article/download/228/157