مدلسازی پیوند ساختار موضوعی محتوای کاربران و کیفیت تصمیمات لجستیک معکوس با بهرهگیری از مدلسازی موضوعی و تحلیل احساسات
کلمات کلیدی:
لجستیک معکوس, محتوای تولیدشده توسط کاربر, مدلسازی موضوعی, تحلیل احساسات, دادهکاوی متنی, تصمیمگیری مبتنی بر دادهچکیده
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.
دانلودها
مراجع
Aattouchi, I., Mounir, A. K., Mendili, S. E., & Elmendili, F. (2022). Financial Sentiment Analysis of Tweets Based on Deep Learning Approach. Indonesian Journal of Electrical Engineering and Computer Science, 25(3), 1759. https://doi.org/10.11591/ijeecs.v25.i3.pp1759-1770
Artar, M., Balcıoğlu, Y. S., & Erdil, O. (2025). Teleworking Sentiments on X: Navigating the Shift From the Digital Advancement Era to a Post-Covid World. Sage Open, 15(2). https://doi.org/10.1177/21582440251346548
Asgari, T., Daneshvar, A., Chobar, A. P., Ebrahimi, M., & Abrahamyan, S. (2022). Identifying Key Success Factors for Startups With Sentiment Analysis Using Text Data Mining. International Journal of Engineering Business Management, 14. https://doi.org/10.1177/18479790221131612
Balcıoğlu, Y. S. (2024). Assessing the Value of Black Friday Promotions: An Analysis of Instagram Users’ Sentiments and Behavioral Responses. Ekev Akademi Dergisi(97), 267-282. https://doi.org/10.17753/sosekev.1389245
Blank, C., McBurney, M., Morgan, M., & Seetan, R. (2021). A Survey of Big Data Techniques for Extracting Information From Social Media Data. Advances in Science Technology and Engineering Systems Journal, 6(3), 189-204. https://doi.org/10.25046/aj060322
Calderón-Fajardo, V., Puig-Cabrera, M., & Rodríguez‐Rodríguez, I. (2024). Deciphering Tourism’s Role in Antarctica’s Geosocial Concerns Through Data Mining Techniques. Land, 13(6), 843. https://doi.org/10.3390/land13060843
Chen, H., & Zhu, Y. (2023). Improved TF-IDF-Based LDA Topic Clustering Model for Specific Commodity Contexts and Different Sentiment Tendencies. https://doi.org/10.3233/faia230934
Chen, Q., Liu, R., Jiang, Q., & Xu, S. (2024). Exploring Cross-Cultural Disparities in Tourists' Perceived Images: A Text Mining and Sentiment Analysis Study Using LDA and BERT-BILSTM Models. Data Technologies and Applications, 58(4), 669-690. https://doi.org/10.1108/dta-10-2023-0645
Dang, D. T. (2024). Utilizing Large Datasets: Evaluating Tourists' Views on Sustainable Tourism in the Mekong Delta via Tripadvisor Feedback. Contaduría y administración, 70(1), 485. https://doi.org/10.22201/fca.24488410e.2025.5227
Dash, S. B., & Jain, A. (2022). Experience From E-Government Services: A Topic Model Approach. IIM Kozhikode Society & Management Review, 14(1), 61-74. https://doi.org/10.1177/22779752221126571
Gourisaria, M. K., Chandra, S., Das, H., Patra, S. S., Sahni, M., León‐Castro, E., Singh, V., & Kumar, S. (2022). Semantic Analysis and Topic Modelling of Web-Scrapped COVID-19 Tweet Corpora Through Data Mining Methodologies. Healthcare, 10(5), 881. https://doi.org/10.3390/healthcare10050881
Guerreiro, J., & Loureiro, S. M. C. (2022). Unraveling E-Wom Patterns Using Text Mining and Sentiment Analysis. 433-445. https://doi.org/10.4018/978-1-6684-6303-1.ch024
Hussain, J., Azhar, Z., Ahmad, H. F., Afzal, M., Raza, M., & Lee, S. (2022). User Experience Quantification Model From Online User Reviews. Applied Sciences, 12(13), 6700. https://doi.org/10.3390/app12136700
Kar, A. K., Kumar, S., & Ilavarasan, P. V. (2021). Modelling the Service Experience Encounters Using User-Generated Content: A Text Mining Approach. Global Journal of Flexible Systems Management, 22(4), 267-288. https://doi.org/10.1007/s40171-021-00279-5
Khanam, Z. (2023). Sentiment Analysis of User Reviews in an Online Learning Environment: Analyzing the Methods and Future Prospects. European Journal of Education and Pedagogy, 4(2), 209-217. https://doi.org/10.24018/ejedu.2023.4.2.531
Li, S., Liu, F., Zhang, Y., Zhu, B., Zhu, H., & Yu, Z. (2022). Text Mining of User-Generated Content (UGC) for Business Applications in E-Commerce: A Systematic Review. Mathematics, 10(19), 3554. https://doi.org/10.3390/math10193554
Liu, Y., Zhang, D., Wan, Q., & Lin, Z. (2025). Innovative Mining of User Requirements Through Combined Topic Modeling and Sentiment Analysis: An Automotive Case Study. Sensors, 25(6), 1731. https://doi.org/10.3390/s25061731
Mahadevan, A., & Arock, M. (2020). Integrated Topic Modeling and Sentiment Analysis: A Review Rating Prediction Approach for Recommender Systems. Turkish Journal of Electrical Engineering & Computer Sciences, 28(1), 107-123. https://doi.org/10.3906/elk-1905-114
Mishra, M. (2021). Customer Experience: Extracting Topics From Tweets. International Journal of Market Research, 64(3), 334-353. https://doi.org/10.1177/14707853211047515
Mohamed, A., Al-Feel, H., & Taie, S. A. (2023). Food Interests Analysis (FIA) Model to Extract the Food Preferences and Interests of Twitter Users. Labyrinth Fayoum Journal of Science and Interdisciplinary Studies, 1(1), 31-48. https://doi.org/10.21608/ifjsis.2023.204964.1010
Ong, S. Q., Pauzi, M. B. M., & Gan, K. H. (2022). Text Mining and Determinants of Sentiments Towards the COVID-19 Vaccine Booster of Twitter Users in Malaysia. Healthcare, 10(6), 994. https://doi.org/10.3390/healthcare10060994
Pan, X., & Xu, Y. (2023). Advancements of Artificial Intelligence Techniques in the Realm About Library and Information Subject—A Case Survey of Latent Dirichlet Allocation Method. IEEE Access, 11, 132627-132640. https://doi.org/10.1109/access.2023.3334619
Regitz, D., Höpken, W., & Fuchs, M. (2024). UGC-Based Factors Influencing Customer Satisfaction Pre and Post COVID-19: The Case of Lake Constance. 373-384. https://doi.org/10.1007/978-3-031-58839-6_39
Reyes-Menéndez, A., Saura, J. R., & Filipe, A. (2020). Marketing Challenges in the #MeToo Era: Gaining Business Insights Using an Exploratory Sentiment Analysis. Heliyon, 6(3), e03626. https://doi.org/10.1016/j.heliyon.2020.e03626
Saranya, S., & Usha, G. (2023). A Machine Learning-Based Technique With Intelligent WordNet Lemmatize for Twitter Sentiment Analysis. Intelligent Automation & Soft Computing, 36(1), 339-352. https://doi.org/10.32604/iasc.2023.031987
Saura, J. R., Palacios‐Marqués, D., & Soriano, D. R. (2023). Leveraging SMEs Technologies Adoption in the Covid-19 Pandemic: A Case Study on Twitter-Based User-Generated Content. The Journal of Technology Transfer, 48(5), 1696-1722. https://doi.org/10.1007/s10961-023-10023-z
Saura, J. R., Reyes-Menéndez, A., Matos, N., & Correia, M. B. (2021). Identifying Startups Business Opportunities From UGC on Twitter Chatting: An Exploratory Analysis. Journal of Theoretical and Applied Electronic Commerce Research, 16(6), 1929-1944. https://doi.org/10.3390/jtaer16060108
Shokouhyar, S., Shokoohyar, S., & Mirzaei, S. (2023). Stakeholders' Engagement Through Social Media Analytics in Promoting Sustainable Development Practices in the Mobile Supply Chain: A Cross‐country Analysis. Business Strategy and the Environment, 32(8), 5807-5820. https://doi.org/10.1002/bse.3449
Skeen, S. J., Jones, S. S., Cruse, C. M., & Horvath, K. J. (2022a). Integrating Natural Language Processing and Interpretive Thematic Analyses to Gain Human-Centered Design Insights on HIV Mobile Health: Proof-of-Concept Analysis. JMIR human factors, 9(3), e37350. https://doi.org/10.2196/37350
Skeen, S. J., Jones, S. S., Cruse, C. M., & Horvath, K. J. (2022b). Integrating Natural Language Processing and Interpretive Thematic Analyses to Gain Human-Centered Design Insights on HIV Mobile Health: Proof-of-Concept Analysis (Preprint). https://doi.org/10.2196/preprints.37350
Tounsi, A., & Temimi, M. (2023). A Systematic Review of Natural Language Processing Applications for Hydrometeorological Hazards Assessment. Natural Hazards, 116(3), 2819-2870. https://doi.org/10.1007/s11069-023-05842-0
Vigneshwaran, P., Nithiyanandam, P., Manickavasagam, S., Islabudeen, M., Jaganathan, R., & Balasubramanian, M. K. (2022). A Comprehensive Analysis of Consumer Decisions on Twitter Dataset Using Machine Learning Algorithms. Iaes International Journal of Artificial Intelligence (Ij-Ai), 11(3), 1085. https://doi.org/10.11591/ijai.v11.i3.pp1085-1093
Wang, Y., Wei, M., Wang, P., Gao, Y., Tian, Y., Meng, N., Liu, H., Zhang, X., Wang, K., & Wu, Q. (2025). Insight Into Public Sentiment and Demand in China’s Public Health Emergency Response: A Weibo Data Analysis. BMC public health, 25(1). https://doi.org/10.1186/s12889-025-22553-2
Zeng, S., Gao, L., Wu, J., Mao, M., & Peng, B. (2025). Employer Branding Multi-Criteria Comprehensive Evaluation Framework Based on Online Reviews and Intuitionistic Fuzzy Topsis-Lda-Kano Model. International Journal of Fuzzy System Applications, 14(1), 1-34. https://doi.org/10.4018/ijfsa.387385
Zhang, B. (2023). A BERT-CNN Based Approach on Movie Review Sentiment Analysis. SHS Web of Conferences, 163, 04007. https://doi.org/10.1051/shsconf/202316304007
