از زمان مطرح شدن موضوع هسته ای ایران در سال 2003 مذاکراتی چند پیرامون موضوع مربوطه میان ایران و اتحادیه اروپا و سپس گروه موسوم به 1+5 صورت گرفته که تاکنون بی نتیجه مانده است. اکثر پژوهش های انجام شده درباره این موضوع با رویکردی واقع گرایانه به اهمیت مسائل مادی همچون قدرت، منافع، موازنه قوا و ... تأکید کرده اند. لیکن از اهمیت مسائل غیرمادی تأثیرگذار بر موضوع غفلت شده است. از این رو در این تحقیق سعی شده با توجه به رهیافت سازه انگاری به تأثیر عوامل ذهنی بر روابط ایران و آمریکا (به طور عام) و موضوع هسته ای و مذاکرات مربوطه (به طور خاص) پرداخته شود. از آنجا که در این تحقیق ایران و آمریکا به عنوان طرفین اصلی در مناقشه هسته ای مفروض گرفته شده اند، شناخت ساختارهای ذهنی دو کشور و نگاه و برداشت آنها به موضوع هسته ای و دلایل برساخته شدن این نگاه و ذهنیت، به فهم کنش و تصمیمات آنها در مذاکرات مربوطه کمک خواهد کرد. ضمن اهمیت مسائل مادی و عینی مطرح در این موضوع، به نظر می رسد آنچه سبب پیچیده شدن مسئله و عدم دستیابی به توافق در مداکرات می شود ناشی از مسائل ذهنی و فرا مادی می باشد. نگاه متفاوت طرفین به یک موضوع واحد که ناشی از ساختارهای ذهنی و جهان بینی متفاوت آنها نسبت به موضوع می باشد، مانع رسیدن به تفاهم در مسئله مذکور شده است. بدین لحاظ شناخت ساختارهای ذهنی طرفین و چرایی و چگونگی برساخته شدن و تاثیر آن بر مسئله مذکور کمک شایانی به بررسی و تحلیل موضوع هسته ای ایران می نماید. بدین لحاظ در این تحقیق با روش توصیفی – تحلیلی به شناسایی ساختارهای ذهنی دو کشور در دو سطح رهبران و جامعه پرداخته و نتیجه می گیرد ساختارهای ذهنی، برداشت ها و ذهنیت های متفاوت دو کشور مانع از دستیابی به توافق در مذاکرات پرونده هسته ای ایران شده است. همچنین برای دستیابی به نظرات دو جامعه ایران و آمریکا درباره موضوع هسته ای ایران از نظرسنجی های مختلفی که توسط موسسات معتبر صورت گرفته استفاده شده است.

در یادگیری ماشین، داده های آموزشی نقش مهمی را در تعیین کارایی الگوریتم یادگیری ایفا می کنند. تعداد این داده های آموزشی در طول زمان افزایش می یابد وداده های جدیدی از راه می رسد. این داده های جدید، ممکن است دید جدیدی از داده های قبلی را ارائه دهند یا توزیع آماری داده ها را تغییر دهند. از این رو، فهمیدن اهمیت داده های جدید و اجازه به این داده ها، برای نقش داشتن در آموزش، به منظور افزایش کارایی سیستم یادگیر، کاری بس زیرکانه است. آموزش دوباره ی سیستم یادگیر با همه ی داده ها، و کنار گذاشتن همه ی تجربه ی یادگیری گذشته، یکی از راه حل ها برای این مسئله است ولی این روش دارای نقص هایی می باشد ازجمله اینکه این روش نا کارآمد است و همچنین، این روش قادر به نگه داری دانش قبلی نمی باشد. در این پایان نامه، ما چهار روش ارائه نمودیم. در روش اول، ما سیستم یادگیری افزایشی برای دسته بندی متن ارائه نمودیم، که در این سیستم، برای هر دسته ی آموزشی از یک دسته بند ماشین بردار پشتیبان برای یادگیری آن استفاده نمودیم و سپس، برای دسته بند بعدی علاوه بر دسته ی آموزشی آن دسته، از بردارهای پشتیبان دسته های آموزشی قبلی به اضافه ی داده های غلط دسته بندی شده ی مجموعه های تصدیق دسته های آموزشی قبلی استفاده نمودیم. در روش دوم برای اینکه بتوانیم میزان معیارهای ارزیابی کارایی را افزایش و خطای دسته بندی را کاهش دهیم به جای استفاده از تنها یک دسته بند برای هر دسته ی آموزشی، از چند دسته بند برای هر دسته ی آموزشی استفاده نمودیم و همچنین، به جای در نظر گرفتن وزن یکسان به هر دسته بند برای تاثیر در ترکیب خروجی ها، از روش اول پایان نامه ی آقای علی دانش استفاده نمودیم که ایشان به ازای ترکیب هر دسته و دسته بند از وزن مستقلی استفاده نموده اند. در روش سوم، به منظور کامل کردن روش قبلی، برای هر دسته ی آموزشی از میان مجموعه ی دسته بندها، چندین دسته بند قابل قبول را انتخاب نمودیم هدف از ارائه این روش کنارگذاشتن دسته بندهای ضعیف و جایگزین کردن آنها با دسته بندهای قویی بود که با داده های آموزشی بیشتری آموزش دیده بودند بود که این امر اشاره به قابلیت خود تطبیقی سیستم پیشنهادی دارد. در روش چهارم با بسط روش سوم در هنگام گرفتن خروجی نهایی، نودهای ایجاد کننده ی نویز را حذف و نودهایی، برای افزایش کارایی دسته بندی اضافه نمودیم. عملکرد روش های پیشنهادی با پنج روش دیگر مقایسه شد. نتایج آزمایشات، کارایی روش های پیشنهادی و بهبود کارایی دسته بندی متن را نشان می دهد.