مدیریت کیفیت و ریسک در پروژه‌های مهندسی مدرن به دلیل پیچیدگی‌های فنی و حجم عظیم داده‌های غیرساختاریافته، با چالش‌های جدی مواجه است. هدف اصلی این پژوهش، ارائه چارچوبی هوشمند برای ارتقای فرآیندهای نظارتی و پیش‌بینی ریسک با بهره‌گیری از تکنیک‌های پردازش زبان طبیعی (NLP) بر روی گزارش‌های روزانه، صورت‌جلسات و اسناد فنی است. روش‌شناسی این تحقیق از نوع توسعه‌ای-تحلیلی است که در آن با استفاده از الگوریتم‌های یادگیری عمیق و مدل‌های زبانی پیش‌آموزش‌دیده، داده‌های متنی پروژه‌های بزرگ مقیاس استخراج و طبقه‌بندی شده‌اند. یافته‌های پژوهش نشان می‌دهد که به‌کارگیری تکنیک‌هایی نظیر تحلیل احساسات برای شناسایی نارضایتی‌های پنهان در گزارش‌ها و استخراج موجودیت‌های نام‌دار (NER) برای شناسایی فاکتورهای بحرانی، دقت شناسایی ریسک‌های کیفی را تا ۳۵ درصد نسبت به روش‌های سنتی افزایش می‌دهد. نتایج کلیدی حاکی از آن است که خودکارسازی تحلیل متن نه تنها خطاهای انسانی در ثبت و گزارش‌دهی را کاهش می‌دهد، بلکه با شناسایی الگوهای تکرارشونده در شکست‌های کیفی، امکان اقدامات پیشگیرانه را فراهم می‌سازد. در نهایت، این پژوهش نتیجه می‌گیرد که تلفیق هوش مصنوعی در بدنه مدیریت پروژه، منجر به شفافیت بیشتر در زنجیره تأمین کیفیت و کاهش هزینه‌های ناشی از دوباره‌کاری در پروژه‌های مهندسی می‌گردد.

پردازش زبان طبیعی مدیریت کیفیت مدیریت ریسک پروژه‌های مهندسی داده‌کاوی متن.