كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

تحليل المشاعر

متوسطتحليل نصوص Text Mining

وصف المشكلة

تصنيف مراجعات عربية قصيرة إلى إيجابية أو سلبية، ومقارنة تمثيل الكلمات بتمثيل مقاطع الحروف (character n-grams) المناسب للغة العربية الغنية صرفياً.

الأهداف

  • تحويل النص إلى خصائص رقمية
  • فهم أثر التمثيل على الأداء
  • قراءة النتائج بواقعية مع بيانات صغيرة

نوع المشكلة

تحليل نصوص Text Mining

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. في Orange (بعد تثبيت إضافة Text): Corpus ← Preprocess Text ← Bag of Words ← Test and Score مع Naive Bayes وLogistic Regression.
  2. في KNIME (إضافة Text Processing): CSV Reader ← Strings To Document ← Preprocessing ← Bag Of Words Creator ← Document Vector ← Learner.
  3. جرّب تمثيل المقاطع الحرفية إن توفر، وقارن.

مخطط سير العمل

قراءة البياناتمعالجة وتحويلنموذج / خوارزميةتنبؤتقييم

Orange

CorpusCorpusPreprocess TextPreprocess TextBag of WordsBag of WordsTest and ScoreTest and ScoreConfusion MatrixConfusion MatrixNaive BayesNaive BayesLogistic RegressionLogistic Regression
مخطط توضيحي بأسماء عناصر Orange (Widgets) لتبنيه بنفسك؛ لا يوجد ملف OWS لهذا المشروع، وقد يحتاج إضافة (Add-on) مذكورة في الخطوات.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (6)
  • Corpus → Preprocess Text
  • Preprocess Text → Bag of Words
  • Bag of Words → Test and Score
  • Test and Score → Confusion Matrix
  • Naive Bayes → Test and Score
  • Logistic Regression → Test and Score

KNIME

CSV ReaderCSV ReaderStrings to DocumentStrings to DocumentPunctuation ErasurePunctuation ErasureCase ConverterCase ConverterStop Word FilterStop Word FilterBag Of Words CreatorBag Of Words CreatorDocument VectorDocument VectorPartitioningPartitioningNaive Bayes LearnerNaive Bayes LearnerNaive Bayes PredictorNaive BayesPredictorScorerScorer
مخطط توضيحي بأسماء عُقد KNIME (Nodes) كما تظهر في مستودع العُقد، لتبنيه بنفسك بالترتيب نفسه؛ وليس ملف KNIME بصيغة KNWF.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (11)
  • CSV Reader → Strings to Document
  • Strings to Document → Punctuation Erasure
  • Punctuation Erasure → Case Converter
  • Case Converter → Stop Word Filter
  • Stop Word Filter → Bag Of Words Creator
  • Bag Of Words Creator → Document Vector
  • Document Vector → Partitioning
  • Partitioning → Naive Bayes Learner
  • Naive Bayes Learner → Naive Bayes Predictor
  • Naive Bayes Predictor → Scorer
  • Partitioning → Naive Bayes Predictor

ملفات المشروع

ملفات KNIME Workflow بصيغة KNWF غير مرفقة في هذا الإصدار لأننا لم نبنها ونختبرها داخل KNIME نفسها؛ مخطط عُقد KNIME مرسوم أعلاه لتبنيه بنفسك.

النتائج

نتائج فعلية محسوبة على الملفات المرفقة

مرجع scikit-learn 1.9.1، 5-fold stratified CV, shuffle, random_state=42:
• Naive Bayes (word BoW): Accuracy 50.6% (± 5.0%)، F1-macro 0.502
• Logistic Regression (word BoW): Accuracy 54.4% (± 4.2%)، F1-macro 0.541
• Naive Bayes (char 2-4 grams): Accuracy 56.2% (± 4.0%)، F1-macro 0.560
• Logistic Regression (char 2-4 grams): Accuracy 69.4% (± 7.5%)، F1-macro 0.690
لم نوفر سير عمل Orange لهذا المشروع لأنه يحتاج إضافة Text غير المثبتة افتراضياً.

مقاييس التقييم

  • Accuracy
  • F1-macro
  • Confusion Matrix

تفسير النتائج

بـ160 مراجعة فقط يبقى تمثيل الكلمات قريباً من التخمين (نحو 50–54%) لأن معظم الكلمات تظهر مرة واحدة، بينما رفعت المقاطع الحرفية الأداء إلى نحو 69% لأنها تلتقط الجذور والسوابق واللواحق. الدرس: حجم البيانات والتمثيل أهم من اختيار الخوارزمية.

أسئلة للمناقشة

  • لماذا تفيد المقاطع الحرفية في العربية تحديداً؟
  • كيف تتعامل مع النفي مثل «غير جيد»؟
  • كم مراجعة تقدّر أننا نحتاج لنتيجة موثوقة؟

مشاريع مشابهة