1هدف از پژوهش حاضر بررسی موانع اجرای مدیریت مدرسه محور در نظام آموزشی ایران بر مبنای رویکرد مدل­سازی ساختاری تفسیری بود. روش پژوهش، مطالعه از نوع مدل­سازی بود. جامعه ­آماری پژوهش، مختصصان اعضای هیات علمی دانشگاه بودند که 25 نفر به صورت هدفمند از نوع موارد مطلوب انتخاب شدند. ابزار گرد­آوری داده­ها، پرسشنامه خود­تعاملی محقق­ساخته بود. به منظور سنجش و ارزیابی روایی پرسشنامه، از ملاک روایی محتوایی استفاده شد. روایی محتوایی پرسشنامه 96/0 بدست آند.. تجزیه و تحلیل داده­ها با روش مدل­سازی ساختاری تفسیری انجام گرفت. نتایج پژوهش نشان داد که 9 عامل به عنوان به عنوان موانع مدیریت مدرسه محور نقش ایفا می­کنند. همچنین نتایج نشان داد، موانع مالی(هزینه­بر بودن مدیریت مدرسه­محور)، موانع اجتماعی فرهنگی و موانع سیاسی(تمرکز سیاسی بر مدارس توسط دولت مرکزی) به عنوان متغیر مستقل کلیدی دارای قدرت نفوذ بالا و وابستگی پایین هستند. همچنین نتایج نشان داد عدم باور به صلاحیت حرفه­ای مدیران مدارس، عدم وجود امکانات زیرساختی، تأکید مدیران بالادستی بر نظارت و کنترل مدارس و عدم همراهی جوامع محلی با مدیریت مدرسه محور به عنوان متغیرهای پیوند دهنده دارای بیشترین قدرت نفوذ و بیشترین قدرت وابستگی می­باشند و تمرکزگرایی در نظام آموزشی کشور و عدم اختیارات قانونی به مدیران و کادر مدرسه به عنوان متغیر وابسته دارای قدرت وابستگی زیاد و قدرت نفوذ کم می­باشد.

Multi-label classification aims at assigning more than one label to each instance. Many real-world multi-label classification tasks are high dimensional, leading to reduced performance of traditional classifiers. Feature selection is a common approach to tackle this issue by choosing prominent features. Multi-label feature selection is an NP-hard approach, and so far, some swarm intelligence-Based strategies and have been proposed to find a near optimal solution within a reasonable time. In this paper, a hybrid intelligence algorithm Based on the binary algorithm of particle swarm optimization and a novel local search strategy has been proposed to select a set of prominent features. To this aim, features are divided into two categories Based on the extension rate and the relationship between the output and the local search strategy to increase the convergence speed. The first group features have more similarity to class and less similarity to other features, and the second is redundant and less relevant features. Accordingly, a local operator is added to the particle swarm optimization algorithm to reduce redundant features and keep relevant ones among each solution. The aim of this operator leads to enhance the convergence speed of the proposed algorithm compared to other algorithms presented in this field. Evaluation of the proposed solution and the proposed statistical test shows that the proposed approach improves different classification criteria of multi-label classification and outperforms other Methods in most cases. Also in cases where achieving higher accuracy is more important than time, it is more appropriate to use this Method.

با توجه به تأثیرات اجتماعی و تفاوت های موجود در بخش های مختلف سیستم، در نظر نگرفتن ویژگی ها و رفتارهای اجتماعی بهره برداران و توجه صرف به مدیریت همگن و بالا-پایین، رویکرد موفقی در مدیریت پایدار منابع آب نخواهد بود. مدل سازی عامل بنیان (Agent-Based Model)، رویکرد تقریباً نوینی است که به دلیل لحاظ کردن این تفاوت ها، در زمینه ی مدیریت منابع آب و اراضی امکانات مفیدی را در تحلیل رفتارهای اجتماعی و مدیریت مؤثر و پایدار منابع ارائه می کند. در تحقیق حاضر، سعی شده است تا ویژگی های رفتاری و محیطی عوامل تصمیم گیرنده در خصوص بهره برداری آب در بخش کشاورزی، با ارائه ی یک چارچوب مفهومی و توسعه ی مدل عامل بنیان شبیه سازی شود. به این منظور، برای تدوین مدل مفهومی و فراهم کردن امکان شبیه سازی و تحلیل رفتاری عوامل بهره بردار (برای تعیین الگوی کشت، روش آبیاری و به تبع آن، میزان آب برداشتی در سه سطح دولت، سازمانی و کشاورزان)، از چارچوب تحلیل و توسعه ی نهادی MAIA استفاده شده است. بر این اساس، مدل عامل بنیان در یک حوضه ی پایلوت در کشور (حوضه ی آبخیز حبله رود) کدنویسی، صحت سنجی، واسنجی و اعتبارسنجی شد. این مدل، در شبیه سازی وضعیت حوضه شامل تغییرات جریان آب سطحی، الگو و سطح اراضی زراعی و باغی و برداشت از منابع آب زیرزمینی در دوره ی تاریخی 1982 2013 عملکرد مناسبی داشته است. درضمن، برای بررسی تأثیر سیاست های حفاظتی دستگاه های دولتی بر شرایط حوضه ی آبخیز، سناریوهای دریافت و افزایش آب بها در مدل تعریف شده و نتایج بررسی شد (کاهش برداشت آب بین 8 تا 32 میلیون مترمکعب صرفه جویی در برداشت آب تحت سناریوهای هزار تا ده هزار ریال تعرفه ی آب بها).

One of the factors that can be the link between our intentions and actions and their external consequences is human agency, which indicates the conscious design and intentional execution of actions by the individual in order to influence future events.Objective and Method: This research with a developmental approach of psychometric Method and Method 1, examines the psychometric indices of the Human Factor Characteristics Scale using the classical theory of test score measurement and the graduated question-answer theory. The purpose of this study, which included high school students in Tehran, was selected by cluster sampling of 500 people as a sample size and statistical analysis was performed on 481 data. To collect the data, the ion Human Agent Characteristics Scale (2011) was used and the research questions were evaluated using IRTPRO and SPSS software.Results:The assumption of local independence Based on Pearson x2 index was established by applying Simjima's calibrated question-answer theory and the assumption of being one-dimensional Based on the analysis of multidimensional question-answer theory. Diagnosis parameters with question-answer approach and classical approach Test score Both item 25 approach had the lowest and item 2 had the highest diagnosis parameter. The answer thresholds for all the questions were so far apart that no option was covered by the other option, and the options were independently selected by individuals at intervals of theta. The total scale was calculated with Cronbach's alpha of 0.945, intentionality of 0.894, foresight of 0.780, self-reactivity of 0.871 and rethinking of 0.762. Also, the role of each item in internal consistency was investigated by the loop Method, which all questions had a favorable role in internal consistency of this scale. The value of the validity coefficient obtained from the question-answer theory was obtained by marginal Method for intentionality 0.92, forethought 0.85, self-reaction 0.91, rethinking 0.83..

کاوش قواعد هم آیی توزیع شده یکی از روش های مهم داده کاوی است که وابستگی بین اقلام داده ای را از منابع داده ای غیرمتمرکز، بدون توجه به مکان فیزیکی آن ها و بر مبنای فرآیند استخراج اقلام مکرر استخراج می کند. هنگامی که الگوریتم های کاوش روی داده های بزرگ مقیاس اجرا می شوند، مقدار زیادی اقلام مکرر تولید می گردد که بسیاری از آن ها غیر مرتبط، مبهم و غیر قابل استفاده برای کسب و کار است و سبب بروز چالشی به نام " انفجار ترکیبی" خواهد شد. در این مقاله یک روش ایتلافی جدید مبتنی بر داده کاوی توزیع شده و هستان شناسی دامنه که به اختصار DARMASO نامیده می شود برای برخورد با این چالش پیشنهاد شده است. این روش از سه الگوریتم به نام ARMASOMAIN جهت هدایت و کنترل فرآیند کاوش و تجمیع قواعد هم آیی، DARMASOPRU برای کاهش و هرس داده ها و الگوریتم DARMASOINT برای کاوش و تجمیع قواعد هم آیی تولیدشده از منابع داده ای توزیع شده استفاده می کند. DARMASO از یک الگوی محاسباتی توزیع شده مبتنی بر چارچوب نگاشت-کاهش در محیط توزیع شده چندعاملی استفاده می کند. همچنین یک روش عملی را برای کاوش معنایی از مجموعه داده های بزرگ مقیاس فراهم می کند. این روش، قواعد هم آیی را مبتنی بر اهداف داده کاوی و نیاز کاربر فیلتر کرده و فقط قواعد مفید را تولید و نگهداری می کند. کاهش فضای کاوش و فیلترسازی قواعد، با فرآیند هرس معنایی در قالب حذف نامزدهای نامناسب از مجموعه اقلام مکرر و تولید قواعد هم آیی سودمند حاصل می شود. پیاده سازی با استفاده از یک مجموعه داده ای از دامنه حوادث طبیعی و کلاس زمین لرزه انجام شده است. نتایج ارزیابی با استفاده از معیارهای کمی و کیفی نشان می دهد، الگوریتم های ارایه شده در DARMASO، فضای کاوش را به میزان قابل توجهی کاهش می دهد. همچنین سرعت و کیفیت استخراج قواعد را بهبود بخشیده و قواعد کاربردی، مطمین، منطقی، با کیفیت و ارزشمندی را برای پشتیبانی از تصمیم گیری از میان انبوه داده ها تولید می کند.

در این مقاله با توجه به ساختار توزیع شده شبکه های کامپیوتری و رفتار تصادفی موجود در آنها و از طرف دیگر محدودیت های زمانی که در الگوریتم های کنترلی برای اینگونه سیستمها وجود دارد، از مفاهیم سیستم های چند عاملی و تکنیک های یادگیری تقویتی برای شکل دهی ترافیک در روترها و تخصیص دینامیک حافظه بافر بین پورت های مختلف یک روتر استفاده شده است. در واقع با استفاده از این مفاهیم شکل دهنده ترافیک جدیدی بر مبنای یک الگوریتم سطل نشانه دار توسعه داده شده است که در آن به جای آنکه نرخ تولید نشانه ها به طور استاتیک تخصیص داده شود به طور دینامیک و هوشمند و بر مبنای وضعیت شبکه مشخص می شود. این پیاده سازی علاوه بر آنکه به استفاده بهینه و منطقی از پهنای باند منجر می شود باعث می گردد ترافیک در دیگر نقاط شبکه نیز کاهش یابد. همچنین از این مفاهیم استفاده می شود تا یک روش جدید برای تخصیص هوشمند و دینامیک حافظه بافر برای پورت های یک روتر توسعه داده شود. این پیاده سازی نیز باعث می گردد تا نرخ افت بسته ها در کل شبکه به وی‍‍‍‍‍‍‍ژه در شرایطی که بار شبکه افزایش می یابد کاهش داده شود. نتایج شبیه سازی های انجام شده کار آمدی روش پیشنهادی را نشان می دهد.