چکیده: چکیده در سال‌های اخیر، زمینه پردازش زبان طبیعی دستخوش یک تغییر دگرگون‌کننده شده‌است که با ظهور بازنمایی‌های زبانیِ زمینه‌ای‌شده، تسریع شده‌است. این تغییر الگو، اساساً نحوه درک و تولید زبان شبه‌انسانی توسط ماشین‌ها را تغییر داده است. طبقه‌بندی متن، سنگ بنای NLP، شامل طبقه‌بندی اسناد به گروه‌های از پیش تعریف‌شده بر اساس محتوای آنها است که کاربردهایی از جمله تحلیل احساسات، خواست کاربر، مسیریابی ایمیل، تشخیص زبان توهین‌آمیز، فیلتر کردن هرزنامه و شناسایی زبان را در بر می‌گیرد. به طور خاص، تحلیل خواست کاربر توجه زیادی را به خود جلب کرده است. این پژوهش به بررسی چشم‌انداز رو به رشد تحلیل خواست کاربر عرب زبان می‌پردازد و از مدل‌های زبانی پیشرفته بهره می‌برد. این مطالعه بر تحلیل مقایسه‌ای مدل‌های مختلف زبان عربی از پیش آموزش‌دیده، از جمله BERT چندزبانه، Arabert و MARBERT، در زمینه خواست کاربر تمرکز دارد. این مطالعه به کمبود معیارهای جامع برای ارزیابی این مدل‌ها، روشن کردن عملکرد نسبی آنها و تشخیص تأثیر فرایند پیش‌آموزش می‌پردازد. مدل‌های انتخاب‌شده تحت ارزیابی دقیق بر روی مجموعه داده‌های متنوع احساسات عربی، با در نظر گرفتن عواملی مانند اندازه مدل، داده‌های آموزشی و قدرت بازنمایی، قرار می‌گیرند. تحلیل تطبیقی شامل معیارهای عملکرد، با تأکید اصلی بر نمرات F1 میانگین‌گیری‌شده کلان و یادآوری میانگین‌گیری‌شده کلان است. این پژوهش نتایج را بررسی می‌کند و بینش‌های ظریفی را در مورد نقاط قوت و محدودیت‌های هر مدل آشکار می‌سازد. این مطالعه به چالش‌های ذاتی در تحلیل احساسات عربی، مانند عدم تعادل احساسات، هرزنامه و گویش‌های متعدد، می‌پردازد و دیدگاهی جامع در مورد اثربخشی مدل‌ها ارائه می‎دهد. این پژوهش به طبقه‌بندی خواست کاربر در زبان عربی با بهره‌گیری از مدل‌ BERT می پردازد. امید است یافته‌ها راه را برای پیشرفت‌های آینده در این زمینه هموار و زمینه‌های بهبود را برجسته کند و پایه محکمی را برای چشم‌انداز در حال تحول پردازش زبان طبیعی عربی ارائه ‌دهد.