ارائه کننده: منصوره ایزانلواستاد راهنما: دکتر مهدی رعایایی اردکانیاستاد مشاور اول: دکتر نصراله مقدم چرکریاستاد ناظر داخلی اول: دکتر مریم لطفیاستاد ناظر خارجی اول: دکتر مهدی وحیدی‌پور (دانشگاه کاشان)تاریخ: ۱۴۰۴/۰۶/۲۶ساعت: ۹ تا ۱۲مکان: اتاق شورای دانشکده مهندسی برق و کامپیوتر

چکیده:تشخیصِ موضعِ کاربر به معنای تعیین نگرش (موافق، مخالف یا بی­طرف) او نسبت به یک موضوع خاص است. تحقیقات دانشگاهی و صنعت، به شدت علاقه­ مند به تجزیه و تحلیل خودکار نظرات موجود در شبکه­ های اجتماعی هستند. یکی از روش‌های مرسوم برای آموزش مدل‌های کارآمد، تقطیر دانش است که در آن دانش از یک مدل بزرگ و پیچیده (معلم) به یک مدل کوچک‌تر و سبک‌تر (دانش‌آموز) منتقل می‌شود.اثربخشی تقطیر دانش اغلب به کالیبراسیون مدل معلم بستگی دارد؛ کالیبراسیون به معنای میزان همسویی اطمینان مدل با دقت واقعی آن است. در روش­های پیشین استفاده از یک معلم کالیبره­شده­ی واحد در یک چارچوب چندنسلی، به دلیل وابستگی به نسل قبل باعث انتشار خطا و در نتیجه منجر به آموزش ناپایدار می­شود. برای رفع این چالش، تقطیر دانش کالیبره­شده گروهی پیشنهاد می­شود. در چارچوب پیشنهادی، به جای استفاده از یک مدل معلم واحد، از گروهی پویا متشکل از بهترین مدل‌های کالیبره‌شده از تمام نسل‌های قبلی استفاده می‌شود که فرآیند آموزش را مستحکم­تر و متنوع‌تر می‌سازد. علاوه بر این راهبرد آنیلینگ کالیبراسیون خودگام معرفی می‌شود که با اعمال یک هدف کالیبراسیون ساده در مراحل اولیه، به یادگیری پایدار ویژگی­هاکمک کرده و در مراحل بعدی بر بهینه‌سازی دقیق‌تر خطا تمرکز می­ کند.پژوهش حاضر بر روی بهبود دقت تشخیص موضع در شبکه‌های اجتماعی با تقطیر دانش کالیبره­شده گروهی تمرکز دارد. آزمایش‌ها بر روی سه مجموعه­داده تشخیص موضع (توییت‌های کووید-۱۹، استخراج استدلال(AM) و P-Stance) انجام شد. نتایج، بهبود تدریجی را در مجموعه‌داده کووید-۱۹ و عملکردی پایدار و قدرتمند در مجموعه‌داده‌های بزرگ­تر P-Stance و AM را نشان می­دهد. رویکرد پیشنهادی به طور مداوم از مدل­های پایه تک­ معلمی بهتر عمل می­کند و تاییدی بر برتری استفاده از گروه معلمان کالیبره­شده است. نتایج ارزیابی­شده بر اساس معیارهای F-micro و  F-macro بهبودی حداقل 3 درصدی را نسبت به مدل کالیبره­شده پایه نشان می­ دهد.