موسسه انتشارات بین المللی چتر اندیشه فصلنامه مدیریت مهندسی و تحول دیجیتال 3092-7609 8 4 2025 12 05 Enhancing Quality and Risk Management in Engineering Projects Using Natural Language Processing Techniques on Reports بهبود مدیریت کیفیت و ریسک در پروژه‌های مهندسی با استفاده از تکنیک‌های پردازش زبان طبیعی بر روی گزارش‌ها 21 30 10.22051/jera.2021.31891.2698 FA منصوره گروه مدیریت، دانشگاه لرستان، خرم آباد، ایران بتول گروه مدیریت، دانشگاه لرستان، خرم آباد، ایران 2025 07 24 Quality and risk management in modern engineering projects face significant challenges due to technical complexities and the vast volume of unstructured data. The primary objective of this research is to present an intelligent framework for improving monitoring processes and risk prediction by leveraging Natural Language Processing (NLP) techniques on daily reports, meeting minutes, and technical documents. This research employs a developmental-analytical methodology, utilizing deep learning algorithms and pre-trained language models to extract and classify textual data from large-scale projects. The findings indicate that employing techniques such as Sentiment Analysis to identify hidden dissatisfaction in reports and Named Entity Recognition (NER) to pinpoint critical factors increases the accuracy of qualitative risk identification by up to 35% compared to traditional methods. Key results suggest that automating text analysis not only reduces human errors in recording and reporting but also enables preventive actions by identifying recurring patterns in quality failures. Ultimately, this research concludes that integrating Artificial Intelligence (AI) into the core of project management leads to greater transparency in the quality supply chain and a reduction in rework costs for engineering projects. 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. /downloadfilepdf/14945