Sentiment Analysis and Customer Satisfaction Prediction on E-Commerce Platforms Based on YouTube Comments Using the XGBoost Algorithm
تستخدم هذه الدراسة خوارزمية XGBoost المحسّنة باستخدام PyCaret وتقنية ترميز TF-IDF للتنبؤ برضا العملاء من تعليقات يوتيوب المتعلقة بالتجارة الإلكترونية الإندونيسية، مما يكشف أن المصطلحات الاجتماعية والسياسية تؤثر بشكل كبير على قطبية المشاعر.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تملك سوقاً ضخماً وصاخباً (منصة تجارة إلكترونية). في الماضي، إذا كان العملاء غير راضين، كانوا يكتبون رسالة رسمية إلى المدير. ولكن اليوم، بدلاً من كتابة الرسائل، يقومون بالصراخ بآرائهم على مسرح فيديو ضخم وعام يسمى "يوتيوب".
هذه الورقة البحثية تشبه فريقاً من المحققين يحاولون اكتشاف مدى سعادة أو غضب هؤلاء العملاء الصارخين، ولكن هناك عقبة: إنهم يصرخون بمزيج فوضوي من اللغات، والكلمات العامية، وحتى الخطابات السياسية.
إليكم قصة كيف حل الباحثون هذا اللغز، مشروحة ببساطة:
1. المشكلة: الكثير من الضجيج
السوق يحظى بشعبية كبيرة لدرجة أن آلاف الأشخاص ينشرون تعليقات على فيديوهات يوتيوب لمراجعة المنتجات. محاولة قراءة كل تعليق يدوياً أمر مستحيل — الأمر يشبه محاولة الشرب من خرطوم حريق. بالإضافة إلى ذلك، التعليقات فوضوية؛ فبعض الناس سعداء، وبعضهم غاضب جداً، وكثيرون منهم يشعرون بالارتباك فقط. احتاج الباحثون إلى "عقل روبوت" لفرز هذه الفوضى وإخبار أصحاب العمل: "هل عملاؤنا راضون أم لا؟"
2. الأداة: "الشجرة الذكية" (XGBoost)
لحل هذه المشكلة، لم يستخدم الباحثون عقلاً روبوتياً معقداً وفخماً (مثل ذكاء اصطناعي للتعلم العميق الذي يحتاج عادةً إلى ملايين الأمثلة للتعلم). بدلاً من ذلك، استخدموا أداة تسمى XGBoost.
فكر في XGBoost كفريق من المحققين الأذكياء الذين يعملون في سباق تتابع:
- المحقق الأول ينظر إلى التعليق ويضع تخميناً.
- المحقق الثاني ينظر إلى الأخطاء التي ارتكبها الأول ويحاول إصلاحها.
- المحقق الثالث يصلح أخطاء الثاني، وهكذا.
بحلول الوقت الذي ينتهي فيه الفريق، يكونون قد بنوا صورة حادة ودقيقة لما يشعر به العميل حقاً. كما استخدموا طريقة تسمى TF-IDF، وهي تشبه قلم التحديد (الهايلايتر) الذي يتجاهل الكلمات الشائعة (مثل "الـ" أو "و") ويركز فقط على الكلمات الفريدة والمهمة التي تخبرك فعلياً ما إذا كان الشخص غاضباً أم سعيداً.
3. الاكتشاف المفاجئ: السياسة في ممر المنتجات
عندما نظر الباحثون في التعليقات، وجدوا شيئاً غريباً. توقعوا رؤية شكاوى مثل "الشحن كان بطيئاً" أو "القميص صغير جداً".
بدلاً من ذلك، وجدوا أن التعليقات ملوثة بشدة بالنقاشات السياسية.
- الاستعارة: تخيل أنك تدخل إلى مخبز لتشتكي من قطعة كعك محترقة، ولكن بدلاً من التحدث عن الكعكة، يبدأ الزبون بالصراخ عن الجواسيس الأجانب، والمؤامرات السياسية، والشخصيات الدولية.
- أظهرت البيانات أن كلمات مثل "أتباع أجانب" وأسماء شخصيات سياسية ظهرت باستمرار في المراجعات السلبية. وجد الباحثون أن هذه الخطابات السياسية كانت في الواقع هي المحرك الأكبر للمشاعر "السلبية"، أكثر من جودة المنتج نفسه. لقد استخدم العملاء قسم مراجعة المنتجات كمنبر للتعبير عن مظالمهم السياسية.
4. السباق: الفريق البسيط ضد الروبوت المعقد
أجرى الباحثون سباقاً لمعرفة أي طريقة هي الأفضل:
- الفريق (أ) (الشجرة الذكية/XGBoost): الطريقة التقليدية الفعالة الموصوفة أعلاه.
- الفريق (ب) (روبوت التعلم العميق/LSTM): شبكة عصبية معقدة تحاول فهم ترتيب الكلمات، مثل إنسان يقرأ قصة.
النتيجة: الفريق (أ) فاز، ولكن بفارق ضئيل.
- الفريق (أ) (XGBoost): حقق دقة بنسبة 76%.
- الفريق (ب) (LSTM): حقق دقة بنسبة 74%.
لماذا فاز الفريق البسيط؟
فكر في مجموعة البيانات كأنها مكتبة صغيرة تحتوي على بضعة آلاف من الكتب فقط. الروبوت المعقد (الفريق ب) يشبه طالباً عبقرياً يحتاج لقراءة مليون كتاب ليتعلم كيف يكتب مقالاً جيداً. إذا أعطيتهم بضعة كتب فقط، فسيصابون بالارتباك ويرتكبون الأخطاء. أما الفريق البسيط (الفريق أ)، فهو يشبه عاملاً عملياً يمكنه إنجاز المهمة بشكل جيد جداً باستخدام بضعة كتب فقط. ولأن بيانات تعليقات يوتيوب لم تكن ضخمة بما يكفي، فقد كان أداء الروبوت المعقد أسوأ من أداء الفريق التقليدي الفعال.
5. الخاتمة
تخلص الورقة البحثية إلى أنك لا تحتاج دائماً إلى الذكاء الاصطناعي الأكثر تكلفة وتعقيداً لحل مشكلة ما.
- الحكم: إن فريقاً منظماً جيداً من "المحققين الأذكياء" (XGBoost) هو في الواقع أفضل في قراءة تعليقات يوتيوب هذه من الروبوت فائق التعقيد، خاصة عندما تكون البيانات فوضوية وغير متوازنة (أغلبها ناس غاضبون).
- التحذير: لاحظ الباحثون أيضاً أنه نظراً لأن التعليقات غير متوازنة للغاية (معظمها غاضب) ومليئة بالضجيج السياسي، فإن المحاولات المستقبلية لتحليل هذه البيانات ستحتاج إلى تقنيات خاصة لـ "موازنة الكفتين" حتى لا يتعلم الذكاء الاصطناعي أن يكون غاضباً طوال الوقت فحسب.
باختصار: قام الباحثون ببناء نظام لقراءة تعليقات يوتيوب حول التسوق عبر الإنترنت. وجدوا أن الناس أكثر عرضة للصراخ بشأن السياسة من المنتجات، وأثبتوا أن برنامج كمبيوتر أبسط وأسرع كان في الواقع أفضل في فهم هذه الفوضى المحددة من برنامج أكثر تعقيداً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.