پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,219 |
| تعداد مقالات | 10,473 |
| تعداد مشاهده مقاله | 20,221,362 |
| تعداد دریافت فایل اصل مقاله | 13,913,077 |
مدل بهینه ریاضی آرمانی تسهیم دانش با استفاده از روش‌های تصمیمگیری چندمعیاره و شبکه عصبی مصنوعی | ||
| پژوهش های کتابخانه های دیجیتالی و هوشمند | ||
| دوره 11، شماره 4 (پیاپی 43)، بهمن 1403، صفحه 73-86 اصل مقاله (1.55 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30473/mrs.2024.70070.1585 | ||
| نویسندگان | ||
| سید حسن صادق‌زاده* 1؛ محبوبه عباسی2؛ مریم بیطرفان3 | ||
| 1استادیار، گروه کامپیوتر و فناوری اطلاعات، دانشکده فنی ومهندسی، دانشگاه پیام نور، تهران ، ایران. | ||
| 2دانشجوی ارشد، گروه مدیریت فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران. | ||
| 3دانشجوی ارشد، گروه مدیریت فناوری اطلاعات، دانشگاه پیام نور، تهران ، ایران. | ||
| چکیده | ||
| مدیریت دانش در سازمان، یکی از اساسیترین ارکان مدیریتی محسوب میشود که در عصر انفجار داده از اهمیت بالایی برخوردار است. سازمانها به‌طور مستمر در حال تولید اطلاعات و دانش بوده و بدون یک نظام منسجم و یکپارچه جهت شناسایی، استخراج، ذخیره و تسهیم آن سازمان هرگز توانایی حضور در بازار رقابتی را نخواهد داشت. از طرفی در سالیان اخیر با ظهور شبکههای اجتماعی متنوع و گسترده و با توجه به استقبال بالای کاربران، این ابزار نقشی اساسی در تولید و انتقال دانش در سازمان بر عهده دارند. کاربران فعال در این شبکهها به‌عنوان تولیدکننده و انتقال‌دهنده دانش دارای شاخصهای زیادی برای ارزیابی هستند. در این مقاله دودسته شاخص شامل تسهیم دانش و شاخصهای وفاداری و رضایتمندی کاربران مورد استفاده قرار گرفته است. با استفاده از تکنیکهای تصمیمگیری چند معیاره به تجزیه و تحلیل کیفی شاخصها پرداخته شده است. در ادامه با استفاده از روش خوشهبندی پیشنهادی به خوشهبندی مشتریان (کاربران) بر اساس شاخصهای شناسایی شده اقدام شد. سپس با استفاده از شبکه عصبی مصنوعی و مدل‌سازی ریاضی آرمانی به مدل‌سازی مسئله تسهیم دانش در شبکههای اجتماعی با رویکرد بهبود هم‌زمان وفاداری و سطح دانش در میان کاربران پرداخته شد. مدل ارائه شده برای داده‌های مورد مطالعه تحقیق با استفاده از یک الگوریتم مبتنی بر روش بهینه‌سازی ازدحام ذرات حل شد و نتایج مورد تجزیه و تحلیل قرار گرفت. مدیریت دانش در سازمان، یکی از اساسیترین ارکان مدیریتی محسوب میشود که در عصر انفجار داده از اهمیت بالایی برخوردار است. سازمانها به‌طور مستمر در حال تولید اطلاعات و دانش بوده و بدون یک نظام منسجم و یکپارچه جهت شناسایی، استخراج، ذخیره و تسهیم آن سازمان هرگز توانایی حضور در بازار رقابتی را نخواهد داشت. از طرفی در سالیان اخیر با ظهور شبکههای اجتماعی متنوع و گسترده و با توجه به استقبال بالای کاربران، این ابزار نقشی اساسی در تولید و انتقال دانش در سازمان بر عهده دارند. کاربران فعال در این شبکهها به‌عنوان تولیدکننده و انتقال‌دهنده دانش دارای شاخصهای زیادی برای ارزیابی هستند. در این مقاله دودسته شاخص شامل تسهیم دانش و شاخصهای وفاداری و رضایتمندی کاربران مورد استفاده قرار گرفته است. با استفاده از تکنیکهای تصمیمگیری چند معیاره به تجزیه و تحلیل کیفی شاخصها پرداخته شده است. در ادامه با استفاده از روش خوشهبندی پیشنهادی به خوشهبندی مشتریان (کاربران) بر اساس شاخصهای شناسایی شده اقدام شد. سپس با استفاده از شبکه عصبی مصنوعی و مدل‌سازی ریاضی آرمانی به مدل‌سازی مسئله تسهیم دانش در شبکههای اجتماعی با رویکرد بهبود هم‌زمان وفاداری و سطح دانش در میان کاربران پرداخته شد. مدل ارائه شده برای داده‌های مورد مطالعه تحقیق با استفاده از یک الگوریتم مبتنی بر روش بهینه‌سازی ازدحام ذرات حل شد و نتایج مورد تجزیه و تحلیل قرار گرفت. | ||
| کلیدواژه‌ها | ||
| تسهیم دانش؛ برنامه‌ریزی ریاضی آرمانی؛ شبکه اجتماعی؛ مدل بهینه‌سازی؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Ideal Mathematical Optimal Model of Knowledge Sharing Using Multi-Criteria Decision Making Methods and Artificial Neural Network | ||
| نویسندگان [English] | ||
| Seyed hasan Sadeghzadeh1؛ Mahbobeh Abbasi2؛ Maryam Bitarafan3 | ||
| 1Assistant Professor, Department of Information Technology & Computer, Payame Noor University, Tehran, Iran. | ||
| 2Msc Student, Department of Information Technology & Computer, Payame Noor University, Tehran, Iran. | ||
| 3Msc Student, Department of Information Technology & Computer, Payame Noor University, Tehran, Iran. | ||
| چکیده [English] | ||
| Knowledge management in the organization is considered one of the most essential elements of management, which is of great importance in the age of data explosion. Organizations are continuously producing information and knowledge and without a coherent and integrated system to identify, extract, store and share that organization will never have the ability to be in the competitive market. On the other hand, in recent years, with the emergence of diverse and extensive social networks and due to the high reception of users, these tools play a fundamental role in the production and transfer of knowledge in the organization. Active users in these networks as producers and transmitters of knowledge have many indicators to evaluate. In this article, two categories of indicators including knowledge sharing and user loyalty and satisfaction indicators are used. Using multi-criteria decision-making techniques, qualitative analysis of indicators has been done. Next, using the proposed clustering method, customers (users) were clustered based on the identified indicators. Then, using artificial neural network and ideal mathematical modeling, the problem of knowledge sharing in social networks was modeled with the approach of simultaneously improving loyalty and knowledge level among users. The presented model was solved for the research data using an algorithm based on the particle swarm optimization method and the results were analyzed. | ||
| کلیدواژه‌ها [English] | ||
| Knowledge Sharing, Ideal Mathematical Programming, Artificial Neural Network, Goal Programming, Social Network | ||
| مراجع | ||
|
Bukowitz, W.R., & Williams, R.L. (1999). The Knowledge Management Fieldbook, Prentice Hall. Casimir, G, (2012). Knowledge sharing: influences of trust, commitment and cost, J. Knowl. Manag. 16 (5), 740–753. https://doi.org/10.1108/13673271211262781 Fang, Y. C., Chen, J. Y., Wang, M. J., & Chen, C. Y. (2019). The impact of inclusive leadership on employees’ innovative behaviors: the mediation of psychological capital. Frontiers in psychology, 10, 1803. https://doi.org/10.3389/fpsyg.2019.01803. Han, Y., & Yang, B.Y. (2011). Real-life leadership, psychological capital, and employee innovation behavior: the role of leadership member exchange, Manag. World, (12), 78–86. Hussinki, H., Kianto, A., Vanhala, M., & Ritala, P. (2018). Happy employees make happy customers: The role of intellectual capital in supporting sustainable value creation in organizations. In Intellectual capital management as a driver of sustainability: Perspectives for organizations and society (pp. 101-117). Cham: Springer International Publishing. Janssen, O. (2004). How fairness perceptions make innovative behavior more or less stressful. J. Organ. Behav, 25(2), 201–215. DOI:10.1002/job.238 Liu, M, S., & Liu, N.C,(2008). Sources of knowledge acquisition and patterns of knowledge-sharing behaviors - an empirical study of Taiwanese high-tech firms, Int. J. Inf. Manag, 28(5), 423–432. DOI:10.1016/j.ijinfomgt.2008.01.005 Longo, M. Mura,M.(2011). The effect of intellectual capital on employees’ satisfaction and retention.Inf, Manag. 48 (7) 278–287. https://doi:10.1016/j.im. 2011.06.005. Luthans, F., Avolio, B. J., Avey, J. B., & Norman, S. M. (2007). Positive psychological capital: Measurement and relationship with performance and satisfaction. Personnel psychology, 60(3), 541-572. https://doi.org/10.1136/bmjqs-2017-006847. Mesmer-Magnus, J. R., & DeChurch, L. A. (2009). Information sharing and team performance: A meta-analysis. Journal of Applied Psychology, 94(2), 535–546. https://doi.org/10.1037/a0013773 Mohajan, H. K. (2019). Knowledge sharing among employees in organizations. Journal of Economic Development, environment and people, 8(1), 52-61. DOI:10.26458/jedep.v8i1.612 Nonaka, I., Toyama, R., & Konno, N. (2001). Model of Dynamic Knowledge Creation. Managing Industrial Knowledge: Creation, Transfer and Utilization, 13. Odoardi, C., Montani, F., Boudrias, J.S., & Battistelli, A. (2015). Linkingmanagerial practices and leadership style to innovative work behavior: the role of group and psychological processes, Leader. Organ. Dev. J.(36), 545–569.https://doi.org/10.1108/lodj-10-2013-0131. Shalley, C.E., & Gilson, L.L. (2004). What leaders need to know: a review of social and contextual factors that can foster or hinder creativity, Leader. Q. 15(1), 33–53. Shannak, R., Masa’deh, R., Al-Zu’bi, Z., Obeidat, B., Alshurideh, M., & Altamony, H. (2012). A theoretical perspective on the relationship between knowledge management systems, customer knowledge management, and firm competitive advantage, Eur. J. Soc. Sci. 32(4), 520–532. Shin, S. J., Yuan, F., & Zhou, J. (2017). When perceived innovation job requirement increases employee innovative behavior: A sensemaking perspective. Journal of Organizational behavior, 38(1), 68-86. .https://doi.org/10.1002/job.2111. Sydler, R,Haefliger, S, Pruksa, R.(2014). Measuring intellectual capital with financial figures: can we predict firm profitability? Eur. Manag. J, 32(2) 244–259. https://doi.org/10.1016/j.emj.2013.01.008. Uit Beijerse, R. P. (1999). Questions in knowledge management: defining and conceptualising a phenomenon. Journal of knowledge management, 3(2), 94-110. https://doi.org/10.1108/13673279910275512 Wang, S., & Noe, R.A. (2010). Knowledge sharing: a review and directions for future research, Hum. Resour. Manag. Rev. 20 (2), 115–131. https://doi.org/10.1016/j.hrmr.2009.10.001 Wang, W.T., & Hou, Y.P, (2015). Motivations of employees’ knowledge sharing behaviors: a self-determination perspective, Inf. Organ. 25(1) ,1–26. https://doi.org/10.1016/j.infoandorg.2014.11.001 | ||
|
آمار تعداد مشاهده مقاله: 346 تعداد دریافت فایل اصل مقاله: 35 |
||