Muhtasari wa Takwimu
Kutoka data ghafi hadi rekodi za uchambuzi
Hatua hizi zinaonyesha jinsi mistari ghafi ilivyosafishwa, kuunganishwa pale ilipojirudia, kuchujwa kwa umuhimu wa kodi na kugawanywa kwa kiwango cha uhakika wa ushahidi.
Mistari 3,030 ya snapshots zinazojirudia na variants 119 za near-duplicates ziliunganishwa. Rekodi 236 za kipekee ziliondolewa kama noise.
Wingi wa mada, hisia na aina ya sauti
76.2% ya rekodi ni za Kiswahili na 11.7% ni mchanganyiko wa Kiswahili na Kiingereza. Hivyo, msaidizi lazima aelewe sentensi za Kiswahili zenye maneno kama VAT, TIN, PAYE, EFD, filing, assessment na compliance. Data pia inaonyesha kuwa chatbot haitoshi peke yake; inapaswa kuelekeza mtumiaji kwenye module sahihi, kutoa troubleshooting na kutenganisha guidance na official assessment.
Mada Zilizopewa Kipaumbele
Kipaumbele kinachanganya idadi ya rekodi na kiwango cha hisia hasi. Jedwali halimaanishi kuwa kila post ni malalamiko; linaonyesha uzito wa ishara kwa kila mada.
| # | Mada | Rekodi | % Hasi | Hasi / Chanya / Wastani | Malalamiko | Mapendekezo | Kipaumbele |
|---|
Theme counts ni multi-label; jumla yake inaweza kuzidi rekodi 248. HIGH: kiwango kikubwa cha hasi pamoja na volume ya kutosha; MEDIUM: volume au negativity ya kati; LOW: ishara ndogo zaidi.
Dondoo kutoka Rekodi za Ushahidi wa Uhakika
Dondoo hizi zimetolewa kwenye rekodi 153 zilizokidhi kiwango cha juu cha uhakika wa ushahidi. Majina ya watumiaji yameondolewa, huku Evidence ID ikihifadhiwa kwa ufuatiliaji na uthibitishaji.
Jinsi matokeo yalivyotengenezwa
Pipeline ilikusanya rows 3,633 kutoka JamiiForums kwa maneno ya kodi, TRA, TIN, VAT, EFD, PAYE, returns na mada zinazohusiana.
Member metadata, reactions, video boilerplate, hidden characters, foreign-only news, sports/job noise, adverts na weak keyword matches ziliondolewa.
Snapshots zinazojirudia ziliunganishwa, kisha near-duplicate variants zikaunganishwa bila kupoteza original-row audit mapping.
Kila rekodi ilipewa sentiment, voice type, lugha na multi-label tax themes. Low-confidence sentiment imewekewa review flag kwenye dataset.
Rekodi 153 zenye kiwango cha juu cha uhakika zimetumika kwa proposal, dondoo na demonstration; rekodi zote 248 zilizothibitishwa zimetumika kwa uchambuzi mpana.
Machapisho ya JamiiForums si sampuli wakilishi ya walipakodi wote Tanzania. Matokeo yanaonyesha public-discourse signals, si ukubwa halisi wa tatizo kitaifa.