fa چارچوبی جهت پایش و هشدار بحران‌های شهری با استفاده از داده‌های فارسی در شبکه‌های اجتماعی امنیت نرم و تهدیدات شناختی Soft Security and Cognitive Threads پژوهشی Research Article <div style="text-align: justify;"><span dir="RTL" lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="color:#215968">تشخیص زودهنگام بحران‌های شهری یکی از نیازهای اساسی مدیریت شهری است که می‌تواند نقش مهمی در کاهش خسارات داشته باشد. در این پژوهش یک چارچوب مبتنی بر تحلیل داده‌های فارسی شبکه اجتماعی اِکس (توییتر سابق) جهت تشخیص زودهنگام بحران‌های شهری ارائه می‌شود. در این روش، ابتدا با برچسب‌گذاری ضعیف، پیام‌های مرتبط با بحران غربال می‌شوند. سپس با استفاده از تعداد محدودی داده دستی‌برچسب‌خورده، یک مدل طبقه‌بندی نیمه‌نظارتی آموزش داده می‌شود تا پیام‌های جدید را طبقه بندی کند. در نهایت، با استفاده از داده‌های طبقه بندی شده و تحلیل سری‌های زمانی، جهش‌های ناگهانی در حجم پیام‌های بحرانی شناسایی و هشدارهای زودهنگام تولید می‌شود. ارزیابی مدل بر روی داده‌های واقعی (بیش از ۳۰۰ هزار توییت) نشان‌دهنده عملکرد قابل‌قبول روش ارائه شده است. همچنین، تحلیل زمانی موفق به کشف الگوهای جهشی هم‌راستا با رخدادهای واقعی شده است. این رویکرد، نه تنها می‌تواند امکان توسعه یک سامانه متکی بر داده‌های غیرساخت‌یافته شبکه‌های اجتماعی برای تشخیص زودهنگام بحران‌های طبیعی و خدماتی شهری فراهم سازد، بلکه می‌تواند برای</span></span></span>&nbsp;<span dir="RTL" lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="color:#215968">پیش‌بینی نشانه‌های اولیه بحران‌های اجتماعی</span></span></span>&nbsp;<span dir="RTL" lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="color:#215968">نیز تعمیم یابد.</span></span></span></div> <div><span style="font-size:12pt"><span style="line-height:115%"><span style="font-family:Aptos,sans-serif">Early detection of urban crises is one of the fundamental needs of urban management, which can play a significant role in reducing damages. This research proposes a framework based on analyzing Persian tweets on the social network X (formerly Twitter) for the early detection of urban crises. In this method, the messages related to the crises are first screened using weak labeling. Then, a semi-supervised classification model is trained using a limited amount of manually labeled data to classify new messages . Finally, using the model-predicted labeled data and time series analysis, bursts<i>&nbsp;</i>in the volume of crisis-related messages are identified, and early warnings are generated. Evaluation of the model on real data (more than 300,000 tweets) demonstrates the acceptable performance of the proposed method. Furthermore, the temporal analysis successfully detected bursts<i>&nbsp;</i>patterns aligned with real-world events. This approach not only facilitates the development of a system relying on unstructured social network data for the early detection of natural and service-related urban&nbsp;crises but also it can be extended to predict the early signs of social crises.</span></span></span></div> هشدار زودهنگام بحران, مدیریت بحران شهری, تحلیل شبکه‌های اجتماعی , امنیت نرم , افکار عمومی 56 65 http://monadi.isc.org.ir/browse.php?a_code=A-10-574-1&slc_lang=fa&sid=1 طالب خالدی taleb.khaledi@mehr.pgu.com 10031947532846002332 10031947532846002332 No دانشگاه خلیج فارس ابراهیم صحافی زاده sahafizadeh@pgu.ac.ir 10031947532846002333 10031947532846002333 Yes دانشگاه خلیج فارس