مقدمه: یکی از مهم ترین گام ها در پیشگیری و کنترل اختلالات اضطرابی، تشخیص آن ها در مراحل اولیه توسط روان پزشک است. هدف از انجام پژوهش حاضر، ارایه روشی جهت تشخیص شدت اضطراب با استفاده از الگوریتم خوشه بندی C-میانگین فازی بود. همچنین، تاثیر هر مشخصه در سنجش اضطراب و خوشه بندی مراجعه کنندگان تعیین گردید. روش بررسی: این مطالعه از نوع توصیفی بود. مجموعه داده های مرتبط به پرونده 300 نفر از مراجعه کنندگان به سه کلینیک روان پزشکی در شهر تهران، بر اساس پرسش نامه آزمون BAI (Beck Anxiety Inventory) تهیه شد. سپس الگوریتم خوشه بندی C-میانگین فازی، به بخش بندی مراجعه کنندگان و تعیین میزان اضطراب آن ها در هر خوشه پرداخت. این الگوریتم به طور مجزا بر روی هر مشخصه نیز اعمال گردید. یافته ها: مراجعه کنندگان به کلینیک روان پزشکی به چهار خوشه با برچسب های «فاقد اضطراب، اضطراب خفیف، اضطراب متوسط و اضطراب شدید» تقسیم شدند. الگوریتم خوشه بندی C-میانگین فازی با دقت 66/90 درصد، به تشخیص اضطراب مراجعه کنندگان پرداخت. با اجرای این الگوریتم بر روی هر مشخصه، تاثیر مشخصه ها در سنجش اضطراب و خوشه بندی مراجعه کنندگان نیز تعیین شد. نتیجه گیری: الگوریتم خوشه بندی C-میانگین فازی، شدت اضطراب مراجعه کنندگان را با دقت بالایی تشخیص می دهد. بخش بندی بیماران با رویکرد خوشه بندی و بر اساس مهم ترین مشخصه ها، می تواند ابزار مفیدی جهت تصمیم گیری روان پزشک در تشخیص شدت اضطراب در مراحل اولیه آن باشد.

در پژوهش حاضر، خوشه بندی مجموعه ای از داده های هیدروشیمیایی آبخوان سراب با استفاده از روش های خوشه بندی C-میانگین فازی (FCM) و تحلیل خوشه ی سلسله مراتبی (HCA) انجام شده و کاربرد آنها در تبیین رخساره های هیدروشیمیایی مطالعه شد. خوشه های آماری شباهت مکانی را بررسی می کنند و نشان می دهند خوشه ها مطابقت هیدروژئولوژیکی با رخساره های هیدروشیمیایی آبخوان دارند. نمونه های آب زیرزمینی با استفاده از بهینه کردن تعداد خوشه و درجه ی فازی شدگی با استفاده از روش C میانگین فازی به چهار خوشه طبقه بندی شدند. از داده های 49 نمونه آب زیرزمینی و 12 متغیر هیدروشیمیایی منطقه ی مطالعه شده استفاده شد. نتایج این دو روش مراکز خوشه را تولید می کند که در تشخیص فرایندهای فیزیکی و شیمیایی تغییرات هیدروشیمی منطقه ی مطالعه شده مؤثر است. روش FCM روشی مناسب در تحلیل داده ها در بیان توزیع رخساره های هیدروشیمیایی است. نتایج نشان داد رویه ی خوشه بندی برای تخصیص نمونه های شیمیایی آب زیرزمینی به گروه های همگن توسط روش FCM ابزاری مهم در تشخیص رخساره های هیدروشیمیایی آبخوان است و این روش در تحلیل داده های مرزی، نسبت به روش HCA که تغییراتی واضح و ناگهانی دارد؛ تواناتر است.

خوشه بندی k-میانگین لاینکس هوشمند یک تعمیم از خوشه بندی k-میانگین است که در آن تعداد خوشه ها و مراکز مربوطه را می توان مشخص کرد در حالی که تابع زیان لاینکس به عنوان معیار عدم تشابه در نظر گرفته می شود. بنابراین انتخاب مراکز در هر خوشه تصادفی نیست. انتخاب معیار عدم تشابه لاینکس به پژوهش گر کمک می کند تا مراکز را در صورت نیاز بیش برآورد یا کم برآورد نماید که سبب می شود برخی مشاهدات به خوشه ای خاص هدایت شوند. در این پژوهش، کارکرد الگوریتم یاد شده بر برخی پایگاه داده های واقعی و شبیه سازی شده بررسی می شود و نتایج با توجه به برخی معیارهای درونی و بیرونی ارزیابی می شود.

در پژوهش حاضر، خوشه بندی مجموعه ای از داده های هیدروشیمی دشت ورامین با استفاده از روش های خوشه بندی -C میانگین فازی (FCM) و تحلیل خوشه سلسله مراتبی (HCA) انجام شده و کاربرد آن ها در تغییرات رخساره های هیدروشیمی بحث گردید. نمونه های آب زیرزمینی با استفاده از بهینه کردن تعداد خوشه و درجه فازی شدگی با استفاده از روش -C میانگین فازی به سه گروه طبقه بندی شدند. از داده های آب زیرزمینی 90 نمونه چاه عمیق و نیمه عمیق و 9 متغیر هیدروشیمی منطقه مورد مطالعه استفاده شد. نتایج این دو روش، مراکز خوشه را تولید می کند که در تشخیص فرایندهای فیزیکی و شیمیایی تغییرات هیدروشیمی منطقه مورد مطالعه موثر است. در روش FCM تعداد خوشه بهینه توسط توابع بهینه یابی تعیین می شود اما در روش HCA بر اساس تجربه کاربر و سعی و خطا تعیین می شود. روش FCM روشی مناسب در تحلیل داده اکتشافی در بیان توزیع رخساره های هیدروشیمی است و زمانی که خوشه های پیوسته یا دارای هم پوشانی وجود دارند، ابزار بهتری نسبت به HCA برای خوشه بندی است. با ترسیم خطوط تراز مقدار عضویت هر خوشه که بر روی نقشه به صورت مکانی و پیوسته نشان داده شده، خوشه های نمونه های آب زیرزمینی به خوبی مشخص شده است. نتایج نشان داد؛ روش FCM در تحلیل داده های مرزی، نسبت به روش HCA که تغییراتی واضح و ناگهانی دارد؛ تواناتر است.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

تحلیل خوشه ای از مهم ترین روش های طبقه بندی محسوب می شود. در تحلیل خوشه بندی تلاش می شود تا مشاهدات واقع در هر خوشه بیشترین تشابه را از نظر متغیرهای موردنظر باهم داشته باشند. به طورکلی روش های خوشه بندی به دو دسته قطعی و فازی تقسیم می شوند. در روش های متداول خوشه بندی، هر مشاهده تنها در یک خوشه قرار می گیرد، اما در خوشه بندی فازی، یک مشاهده هم زمان در دو یا چند خوشه جای می گیرد. در سال 1966، یانگ و کو [16] یک روش خوشه بندی فازی را ارائه کردند. روش آن ها، تعمیمی از روش متداول خوشه بندی –k میانگین معمولی برای حالتی است که داده ها به صورت فازی مشاهده شده اند. یک مدل رگرسیون فازی، برای رابطه بین متغیرهای مستقل و متغیر وابسته به کار می رود، اما در برخی از موارد پراکندگی و ناهمگنی برخی از مشاهدات باعث می شود که یک معادله رگرسیونی نتواند به داده ها برازش خوبی داشته باشد. برای رفع این مشکل یانگ و کو [16] داده ها را خوشه بندی نموده و برای هر خوشه یک معادله رگرسیونی بر اساس داده های فازی، برازش نموده است. در این مقاله، ابتدا معادله رگرسیون نیمه پارامتری که توسط حسامیان و همکاران [8] معرفی شده را بیان نموده و سپس با استفاده از آن نویسندگان برای اولین بار از این معادله در خوشه بندی با داده های فازی استفاده نموده اند. لازم به ذکر است که نتایج حاصل از این روش با روش یانگ و کو بر اساس معیارهای نیکویی برازش پیشنهادی، مقایسه می کنیم.

در این مقاله تلاش شده با بهره‎گیری از روش کمّیِ خوشه‎بندی میانگین فازی، روشِ کیفیِ تحلیل گفتمان را به روشی آمیخته (کیفی−کمّی) توسعه داد. بدین منظور تعاملات نهادی سیاست‎گذاری علم و فنّاوری در ایران به عنوان یک مطالعۀ موردی بررسی شده است. براساس این، مطابق «طرح آمیختۀ متوالیِ تبیینی»، نخست با به‎کارگیری روش خوشه‎بندی فازی و ابزار پرسش نامه، گفتمان‎های حاکم بر فضای خبرگان دربارۀ موضوع، احصا و سپس با استفاده از روش تحلیل گفتمانِ لاکلا و موف و ابزار مصاحبه، به تبیین دال مرکزی، لحظه‎ها و مفصل‎بندی گفتمان‎ها پرداخته شد. بدین ترتیب «گفتمان مشارکتی» حول دالِ مرکزیِ «سیاست‎گذاری یکپارچه» و «گفتمان مستقل» حول دالِ مرکزیِ «سیاست‎گذاری دولتی» شناسایی شد. مهم‎ترین دستاورد این پژوهش، توسعۀ روش تحلیل گفتمان از پارادایم کیفی به پارادایم آمیخته و درنتیجه افزایش اعتبار یافته‎های پژوهش است. افزون براین، نوآوریِ یادشده هم‎جهت با جریان غالب در روش‎شناسی است و به دلیل بهره‎گیری از منطق فازی، قرابت زیادی با مفاهیم پرابهام و پیچیدۀ علوم اجتماعی نیز دارد.