درباره این سایت
نگاهی مستقل و دوزبانه به یک سایت اروتیکای فارسی: چه چیزی جمعآوری شده، اعداد چگونه ساخته شدهاند و چه چیزهایی را نمیتوانند بگویند.
این یک تحلیل مستقل است و وابسته به shahvani.com نیست. هیچ نشان، عکس یا فایل صوتی از آن سایت در اینجا نمایش داده نمیشود.
داده و منشأ آن
همهچیز در این سایت از یک نسخه از پایگاهداده میآید. روند جمعآوری ثبت نشده است، پس نبودِ یک ردیف دلیل حذفشدن آن در سایت اصلی نیست. برای این تحلیل هیچ داده تازهای جمعآوری نشده است.
| جدول | ردیف | بازه |
|---|---|---|
| اروتیکاها | 37,837 | 2009-10-21– 2026-11-15 |
| کامنتها | 536,919 | 2010-04-02– 2026-11-16 |
| پروفایلهای اعضا | 234,077 | 2015-12-01– 2026-11-16 |
| مبحثهای فروم | 303,977 | 2009-11-04– 2026-11-16 |
| رکوردهای عکس | 63,885 | 2010-09-07– 2026-11-15 |
| تگها | 710 | بدون تاریخ |
در داده نیست: نویسنده اروتیکاها، ساختار پاسخهای کامنتها، متن و نویسنده پستهای فروم، و خود فایلهای عکس و صدا. تاریخها به وقت سرور است. تاریخ ثبتنام حسابها از میانههای بازه شروع میشود و حسابهای قدیمیتر بدون تاریخاند.
نقشه استانها از مرزهایی کشیده شده که © OpenStreetMap contributors است (پروانه پایگاهداده باز) و برای این سایت ساده شدهاند. تنها اعدادی که از مجموعه نیامدهاند جمعیت استانهاست که برای نرخ سرانه به کار میرود. openstreetmap.org/copyright
روش
اعداد چگونه ساخته شدهاند. هر آستانه در زیر یک تنظیم ثابت در تحلیل است، نه عددی که برای هر نمودار جداگانه انتخاب شده باشد.
- منبع
- یک نسخه SQLite. شمارشهایی مانند بازدید و لایک مجموعهایی تا زمان جمعآوریاند و تاریخچه ندارند.
- پاکسازی
- تعداد لایکهای منفی صفر گرفته میشود. کامنتهایی که تاریخشان پیش از اروتیکا است (۲۵۴) فقط از محاسبه فاصله زمانی کنار گذاشته میشوند. پیش از کلمهبندی، HTML از متنها حذف میشود.
- کلمهبندی
- فقط حروف فارسی، با یکسانسازی حروف عربی ي ك ى به ترتیب با ی ک؛ نیمفاصله مانند فاصله، اعراب و کشیده حذف و دنبالههای ۳ حرف تکراری یا بیشتر کوتاه میشوند. کلمههای کمتر از ۲ حرف نادیده گرفته میشوند. نشانههای لاتین از ۳ حرف به بالا جداگانه شمرده میشوند.
- اسپم
- کامنتی علامت میخورد که متن بهنجارشدهاش دستکم ۵ بار با دستکم ۶ کلمه تکرار شده باشد یا نشانه لینک داشته باشد. ۲٬۸۱۸ کامنت علامت خورد. این کامنتها در شمارش حجم میمانند و از آمار کلمهها کنار گذاشته میشوند.
- ساعتها
- ساعت روز برای همه سالها با یک اختلاف ثابت UTC+۳:۳۰ حساب میشود.
- آستانهها
- آمار تگها دستکم ۱۵۰ اروتیکا برای هر تگ میخواهد؛ جفتتگها ۶۰ اروتیکا مشترک؛ و کلمههای عنوان ۱۵۰ عنوان.
- پروفایلها
- جنسیت، استان و شهر همانگونه که اعلام شدهاند پذیرفته میشوند. نرخ استانی از تقسیم تعداد پروفایلها بر جمعیت از منبع Statistical Centre of Iran, 2016 census (rounded) به دست میآید؛ این تنها عدد بیرونی است که به کار رفته.
- مکانهای فروم
- مکانها شهرهاییاند که دستکم ۱۵۰ پروفایل نام بردهاند، بهعلاوه همه استانها، و بهصورت کلمه در عنوان مبحثها جستوجو میشوند؛ «ی» پایانی هم پذیرفته میشود.
- بازدید در روز
- سن اروتیکا تا پایان بازه داده اندازه گرفته میشود؛ اروتیکاهای کمتر از ۳۰ روز ارزیابی نمیشوند. مهر آخرین فعالیت به کار نرفته است.
- ماندگاری
- حسابها از نخستین تا آخرین کامنت پاکشدهشان دنبال میشوند. بقا فقط حسابهایی را میشمارد که آنقدر قدیمیاند که سن موردنظر دیده شود. معیار انفجاریبودن دستکم ۱۰ کامنت میخواهد.
- سریها
- سری مجموعهای از اروتیکاهاست که عنوانشان ریشهای مشترک دارد و به شماره قسمت ختم میشود (شماره در پرانتز، کلمهای مثل «قسمت» با شماره، یا عدد ترتیبی). ریشههایی که دو اروتیکا شماره قسمت یکسان دارند کنار گذاشته میشوند. نویسندهها معلوم نیستند، پس ممکن است دو اروتیکای بیربط با ریشه یکسان و شمارههای متفاوت اشتباهاً یکی شمرده شوند.
- سبک
- ویژگیهای سبک فقط برای اروتیکاهایی با دستکم ۳۰۰ کلمه فارسی محاسبه میشود. نشانگرهای ضمیر، گفتاری و رسمی لیستهایی از کلمههای دقیقاند؛ پس شاخصاند، نه تحلیل دستوری.
- اشارههای پاسخ
- شناسه کامنت والد وجود ندارد و تنها ۶۸ کامنت با نشانه @ نام یک کامنتگذار پیشین را آوردهاند؛ پس نمودار پاسخها ساخته نشد.
- رویدادهای بیرونی
- رویدادهای تاریخدار از اسناد عمومی (مسدودسازی و قطع پیامرسانها، کووید-۱۹، اعتراضات، جنگ) روی نمودارهای زمانی علامت زده و در زیر لیست شدهاند. این رویدادها در پایگاهداده نیستند و فقط زمان را نشان میدهند، نه علت را.
- محتوای حساس
- کلمههای صریح همانگونه که در مجموعه آمدهاند نمایش داده میشوند. عنوانهایی که از افراد زیر سن قانونی نام میبرند از همه لیستها پنهان و تگهایی از این دست کنار گذاشته شدهاند. نام کاربری فقط در لیست پرنظرترین کامنتگذاران میآید. هیچ پروفایل، زندگینامه، آگهی، لینک، عکس یا صدایی نمایش داده نمیشود.
محدودیتها
اعداد را با این نکتهها در نظر بخوانید.
- این فقط یک نسخه است و سایت اصلی همچنان رشد میکند: با جایگزینی پایگاهداده اعداد تغییر میکنند.
- ۳۷٬۲۸۷ حساب از ۶۵٬۶۶۵ حساب کامنتگذار پروفایل ندارد؛ پس مقایسههای مبتنی بر پروفایل فقط بخش مطابقتیافته را پوشش میدهد.
- ۱۰ ستون پروفایل در این نسخه خالی است و تحلیل نشده است.
- بازدید، لایک و دیسلایک مجموعهای تجمعی در زمان جمعآوریاند و اروتیکاهای تازه زمان کمتری برای جمعکردن آنها داشتهاند. صدکهای درون سال انتشار این سوگیری را کم میکنند، اما از میان نمیبرند.
- جدول فروم ستون نویسنده ندارد؛ پس اعداد فروم مبحثها را میشمارند، نه آدمها را. بارگذاری عکس در دست تعداد بسیار کمی حساب است.
- همبستگیها فقط وابستگی را توصیف میکنند. اروتیکاهای پرطرفدار هم لایک میگیرند و هم دیسلایک، چون هر دو به یک بیننده نیاز دارند.
- رتبهبندی کلمهها از املاهای گوناگون، نامها و سریها اثر میپذیرد؛ لیست کلمههای دستوری دستی ساخته شده و ناقص است.
رویدادهای بیرونی
این تاریخها از اسناد عمومی آمدهاند، نه از داده. آنها روی نمودارهای زمانی کشیده میشوند تا بتوان زمان را با آنها سنجید؛ توضیح علت نیستند.
| تاریخ | رویداد |
|---|---|
| 30 آوریل 2018 | مسدود شدن تلگرام در ایران (دستور قوه قضاییه) |
| 17 ژوئیه 2018 | بسته شدن یاهو مسنجر |
| 16 نوامبر 2019 | قطع سراسری اینترنت در جریان اعتراضات آبان |
| 19 فوریه 2020 | نخستین موارد تأییدشده کووید-۱۹ در ایران |
| 16 سپتامبر 2022 | درگذشت مهسا امینی و اعتراضات پس از آن |
| 24 دسامبر 2024 | رفع مسدودیت واتساپ و گوگل پلی |
| 13 ژوئن 2025 | آغاز جنگ ایران و اسرائیل (محدودیتهای اینترنت) |
دانلودها
جدولهای تجمیعی پشت نمودارها، بهصورت فایل ساده. همان پالایههای سایت را دارند: بدون ردیف پروفایل، بدون جزئیات آگهی، بدون عنوانهای مربوط به افراد زیر سن قانونی.
- اروتیکاها و نظرها در هر ماه (CSV)ستونها: month, stories, comments۳ کیلوبایت
- خلاصهی هر سال: اروتیکا، نظر، بازدید، لایک (CSV)ستونها: year, chars_median, comment_likes_per_comment, comments_in_year, comments_per_story, dislikes, dislikes_per_story, first_comment_median_hours, like_ratio, likes, likes_per_story, stories, tags_per_story, title_chars_median, unvoted_share, views_median۲ کیلوبایت
- تگها: اروتیکا، بازدید و نسبت لایک (CSV)ستونها: name, stories, views_total, views_median, view_pct_mean, like_ratio۳ کیلوبایت
- گزارش کامل (PDF)گزارش چاپی که این سایت از آن ساخته شد، به انگلیسی.۵٬۰۴۶ کیلوبایت
کلمهنامه
اصطلاحهایی که در سایت به کار رفته است.
14 اصطلاح
- صدک بازدید
- رتبه بازدید یک اروتیکا میان اروتیکاهای همان سال انتشار (۰ تا ۱۰۰) که برتری سن را از میان میبرد.
- نسبت لایک
- لایکها تقسیم بر مجموع لایکها و دیسلایکها؛ شمارشهای منفی صفر گرفته میشوند.
- ضریب جینی
- نابرابری بازدید میان اروتیکاها: ۰ یعنی برابر، ۱ یعنی همه بازدیدها در یک اروتیکا است.
- همبستگی اسپیرمن
- همبستگی رتبهای میان دو معیار؛ ۰ یعنی بیارتباط، ۱ یعنی ترتیب یکسان.
- لیفت
- اینکه چیزی در یک گروه چند برابر بیشتر از کل مجموعه رخ میدهد؛ ۱ یعنی تفاوتی نیست.
- ژاکارد
- اروتیکاهای مشترک تقسیم بر اروتیکاهایی که یکی از دو تگ را دارند، برای یک جفت تگ.
- در هر میلیون کلمه
- تعداد کلمه تقسیم بر مجموع کلمههای فارسی همان سال، ضرب در یک میلیون، تا سالهایی با حجم متفاوت قابل مقایسه شوند.
- کلمههای دستوری
- ضمایر، حروف، واژکها و صورتهای کمکی فعل که پیش از رتبهبندی واژگان حذف میشوند.
- کامنتهای پاک
- کامنتهای باقیمانده پس از حذف متنهای کپیشده تکراری و اسپم لینک؛ برای آمار کلمه و سبک به کار میروند.
- کامنتگذار پرکار
- حسابی با دستکم ۱۰۰ کامنت.
- بازدید در روز
- مجموع بازدید یک اروتیکا تقسیم بر روزهای میان انتشار و پایان بازه داده؛ فقط اروتیکاهای بالاتر از یک سن کمینه ارزیابی میشوند.
- انفجاریبودن
- معیار ناهمواری فاصلههای میان کامنتهای یک حساب: منفی ۱ یعنی کاملاً منظم، ۰ تصادفی، و مثبت ۱ یعنی دستهدسته.
- نسبت گونه به کلمه
- کلمههای متمایز تقسیم بر کلمهها در یک قطعه متن با طول ثابت (اینجا نخستین کلمههای هر اروتیکا)؛ بیشتر یعنی واژگان متنوعتر.
- شیب زیپف
- شیب تعداد کاربرد کلمه نسبت به رتبه در محورهای لگاریتمی؛ حدود منفی ۱ برای زبان طبیعی معمول است.