کنفرانس بین المللی وب پژوهی
سال:1402 | دوره:9 |تعداد مقالات:25

در دهه های اخیر، روش های تولید متن زبان طبیعی برای تولید خودکار متن بهبودیافته اند. همچنین تشخیص و تولید خودکار متن برای متقاعدسازی شخصی سازی شده اخیراً بسیار موردتوجه قرارگرفته است. پیام های مورداستفاده برای متقاعد کردن مخاطب هدف در حوزه های مختلف نشان داده اند که بسیار مؤثر هستند. در این مقاله ما پیشنهاد می کنیم که از چارچوب CATGAN برای تولید پیام هایی که در دسته های مختلف متقاعدسازی طبقه بندی می شوند استفاده کرده و هر دسته را بر اساس میزان تأثیرگذاری آن بر هر ویژگی شخصیتی، برای افراد هدف استفاده کنیم. ما یک سامانه تولید متن مؤثر شخصی ارائه می کنیم که به نتایج پیشرفته ای در تولید متن برای متقاعدسازی شخصی افراد دست می یابد.

امروزه غالب فعالیت های روزمره انسان بر بستر وب انجام می شود. سرعت و حجم بالای تولید داده در وب، استفاده از الگوریتم های برخط یادگیری ماشین در پردازش و تحلیل جویبارداده را بسیار کارآمد جلوه داده است. بسیاری از این الگوریتم ها با فرض ثابت بودن فضای ویژگی ارائه شده اند؛ اما در مسائل دنیای واقعی ممکن است چنین فرضی رعایت نشود و هر نمونه از جویبارداده ویژگی های متفاوتی داشته باشد. در این پژوهش، این مسئله جدید که اخیراً توجه زیادی را به خود جلب کرده است بررسی می شود. همچنین یک الگوریتم عمومی نوین برای طبقه بندی جویبارداده ارائه می شود که با کشف روابط بین ویژگی ها و تخمین مقادیر مربوط به ویژگی های ناموجود، از حداکثر پتانسیل طبقه بند در پیش بینی بهره برداری می کند. درنهایت با انجام آزمایش های تجربی و مقایسه نتایج آن با دو مورد از الگوریتم های اخیر، نشان داده می شود که الگوریتم ارائه شده دقت بالاتری دارد.

افزایش داده روشی برای رفع نیاز داده و استفاده بیشتر از داده های موجود برای آموزش شبکه های عصبی عمیق است. نگه داری پیوندهای ردپذیری نیازمندی به مدیریت توسعه نرم افزار کمک کرده و باعث بهبود کیفیت نرم افزار می شود. برای کمک به نگه داری این پیوندها، می توان از روش های ترمیم خودکار پیوندها استفاده نمود. یکی از روش های اخیر ترمیم خودکار، استفاده از مدل زبان است. در این کار سه روش افزایش داده های کد برای بهبود مدل زبان در کاربرد ترمیم پیوندهای ردپذیری نیازمندی ارائه شده اند. این سه روش، تغییر نام متغیر، جابه جایی عملوندها و جابه جایی جملات هستند. این روش ها کلی بوده که برای بسیاری از زبان های برنامه نویسی قابل پیاده سازی هستند و همچنین قابلیت تولید حالات مختلف به صورت تصادفی دارند که می تواند قابلیت تعمیم مدل را بهبود بخشد. نتایج ارزیابی مدل روی داده های مستندات به تابع که مشابه داده های نیازمندی به تابع هستند نشان دهنده بهبود عملکرد مدل زبان با استفاده از افزایش داده های کد است. در این ارزیابی، با استفاده از افزایش داده های کد، دقت مدل از 0. 669 به 0. 722 و یادآوری آن از 0. 574 به 0. 601 رسیده است و طبق آزمایش ویلکوکسون، بهبود قابل توجهی داشته است.

گفتمان های اخلاقی نقش مهمی در تصمیم گیری های اجتماعی روزانه ما ایفا می کند. این اهمیت در زمان وقوع بحران های طبیعی و اجتماعی که اتخاذ تصمیمات صحیح و سریع ضروری است، بیشتر نمایان می شود. در این تحقیق با کمک کلان داده های تولید شده از طریق رسانه های اجتماعی که فرصتی بی نظیر برای مطالعه ویژگی های رفتاری و سازه های روان شناختی نهفته فراهم می کند، به تحلیل باورهای اخلاقی افراد در زمان شروع COVID-19 در ایران پرداختیم. نظریه بنیاد اخلاقی به عنوان یک چارچوب نظری خود برای عملیاتی کردن سنجش عددی اخلاق بکار گرفته شد و توییت های منتشر شده توسط کاربران را در سه ماه اول شیوع کووید-19 در ایران تحلیل کردیم. احساسات اخلاقی را از توییت ها با استفاده از بردارهای جاسازی توییت ها BERT استخراج گردید. همچنین دینامیک تغییرات باورهای اخلاقی در طول این بحران مورد مطالعه قرار گرفت. تحلیل حاضر ویژگی های مهمی از گفتمان اجتماعی در میان مردم ایران در دوران کووید-19 را نشان داد که می تواند به ارایه تصویر روشن تری از ارزش های حاکم در گفتمان های مربوط به شیوع بحران کرونا منجر شود. این تصویر می تواند به تصمیم گیری صحیح و به موقع برای مدیریت بهتر بحران ها کمک کند.

همواره تغییرات در سطوح ریسک، رفتار سرمایه گذاران فردی را تغییر می دهد. از این روی، پیش بینی هر چه دقیق تر واریانس شرطی آتی سری زمانی مالی با استفاده از داده های گذشته مورد توجه بسیاری از پژوهشگران قرار گرفته است. مدل های خانواده گارچ به عنوان رایج ترین روش های آماری در زمینه پیش بینی ناپایداری واریانس آتی به شرط مشاهدات گذشته مورد استفاده قرار گرفته اند. همچنین تحقیقات اخیر نشان می دهد، مقدار مشاهده شده در یک سری زمانی با مقادیر سری های زمانی دیگر مرتبط است. در این مقاله با استفاده از مدل آماری گارچ، ناپایداری واریانس شرطی سری های زمانی مالی مدلسازی و پیش بینی شده، سپس با استفاده از الگوریتم ژنتیک بهترین ترکیب ورودی جهت مدلسازی روابط متقابل نوسانات توسط مدل شبکه عصبی پرسپترون چندلایه انتخاب می گردد. به منظور ارزیابی کارآیی روش پیشنهادی در مقایسه با روش های آماری و مبتنی بر شبکه عصبی، از مجموعه سری های زمانی G7 استفاده شده است. نتایج نشان دهنده کاهش 40 درصدی خطای پیش بینی ناپایداری واریانس شرطی سری زمانی S&P 500 با توجه به معیار MSE می باشد.

امروزه اینترنت یکی از قسمت های اصلی جامعه را تشکیل می دهد. با توجه به فراگیر بودن اینترنت، در دسترس بودن آن یک امر ضروری به شمار می رود. از طرفی مهاجمان به دنبال از دسترس خارج کردن خدمات اینترنتی و سوءاستفاده از شرکت های خدمات اینترنتی هستند. مهاجمان از ابزار ها و روش های مختلف جهت حمله به شبکه ها و زیرساخت های شرکت های ارائه کننده خدمات استفاده می کنند. به آن حملات، ناهنجاری در ترافیک شبکه نیز گفته می شود. به طور کلی، ناهنجار ها یا حملات، رویداد های شبکه هستند که از رفتار عادی مورد انتظار، منحرف می شوند و از نظر امنیتی مشکوک هستند. روش های بسیار متنوعی برای شناسایی حملات در شبکه ارائه شده اند. از مهم ترین چالش های روش های پیشین می توان به دقت پایین و عدم تفسیر پذیری اشاره نمود. در این مقاله، ما سعی نمودیم که ترکیبی از روش های پایه را برای شناسایی حملات به کار گیریم و دقت شناسایی حملات را در مجموعه داده متوازن شده به 89 درصد برسانیم. این دقت در مقایسه با کارهای پیشین 3 درصد رشد داشته است. به منظور حل چالش تفسیر پذیری، روش های SHAP، LIME و درخت تصمیم را اعمال نموده و ویژگی های اثرگذار در شناسایی حملات را شناسایی نمودیم. روش پیشنهادی، علاوه بر دقت و تفسیر پذیری بالا، سرعت بالاتری نسبت به روش های پیشین دارد.

امروزه، میلیاردها کاربر، در فضای گسترده و درهم تنیده اینترنت مشغول به رد و بدل اطلاعات با سرعتی بی سابقه و با نرخی افزایشی هستند. از طرف دیگر مهاجم ها نیز، در این فضا، دست به برنامه ریزی تهدیدهای گوناگون می زنند. این مسائل دست به دست یکدیگر داده اند که جلوگیری از این آسیب ها و یا کاهش آن ها، هر روز دارای اهمیت بیشتری شود. یکی از پرتکرار ترین حملات شناخته شده در سطح وب، حمله یXSS است که مهاجم از طریق آن با تزریق اسکریپت های مخرب در وب سایت، تلاش به دزدیدن اطلاعات مهم کاربر می کند. ضعف روش های قبلی شناسایی حملات XSS مبتنی بر یادگیری ماشین، در تلاش آن ها برای تشخیص المان های مشکوک بدون توجه به تغییر شکل ممکن در کاراکترهای مؤلفه مخرب یا به بیان دیگر کدگذاری خاص است و این باعث کاهش دقت این روش ها می شود. روشی که در این مقاله ارائه شده است به وسیله ی یک الگوریتم که توانایی برگردان نوعی از مبهم سازی، یا در موضوع ما همان کدگذاری کمتر شناخته شده، در مؤلفه مخرب را دارد باعث افزایش دقت تشخیص شده و دقت مدل تشخیص بر روی دیتاست XSSED را به بالای 98 درصد می رساند.

با توجه به افزایش روز افزون مشتریان، تعداد بانک های خصوصی و دولتی، سرویس ها و تسهیلات سنتی و فناورانه، نیاز به هستان شناسی این حوزه ضروری بنظر می رسد. ساخت هستان شناسی باعث شفافیت ارتباطات مشتری و سرویس ها و زمینه سازی برای استفاده از فناوری های به روز نظیر یادگیری ماشین و هوش مصنوعی در بانک ها می گردد. در مقاله پیش رو هدف آن است که ضمن تعریف و تشریح کلیدواژه های حوزه بانکی و بررسی ساختارسازمانی متداول بانک های کشور، به ارائه اولین هستان شناسی حوزه بانکی در کشور بپردازیم. در این راستا اسناد بانکی و سرویسها از طریق بررسی وب سایت بانک های داخل کشور استخراج گردیده است همچنین با 3 نفر از خبرگان حوزه بانکی و فناوری مصاحبه و کلاس های استخراج شده اصلاح و نهایی گردیده است. لازم به ذکر است از ابزار Power Designer برای نمایش کلاس ها و داده ها و برای نمایش گرافی و استتاج فی مابین آنها از نرم افزار Portege استفاده خواهیم کرد. مدل ایجاد شده شامل 7 کلاس اصلی و 74 زیرکلاس می باشد.

در عصری که رتبه بندی در صفحات نتایج موتور جستجو ارتباط مستقیمی با افزایش تعداد بازدیدکنندگان و درنتیجه آن پیشرفت و توسعه یک کسب وکار دارد، بهینه سازی موتور جستجو یا سئو فرآیندی است که به کسب رتبه بالاتر کمک می کند. وب سایت ها را می توان به کمک تکنیک های یادگیری ماشین بر اساس کیفیت تنظیم دستورالعمل های سئو طبقه بندی کرد. الگوریتم های طبقه بندی باهدف افزایش دقت طبقه بندی با یکدیگر ترکیب می شوند و به عنوان یک مدل طبقه بندی ترکیبی استفاده می شوند. در این مقاله یک مدل طبقه بندی ترکیبی را به کمک الگوریتم جنگل تصادفی پیاده سازی می کنیم که صفحات وب را در یکی از طبقه بند های از پیش تعریف شده بر اساس کیفیت سئو قرار می دهد. نتایج به دست آمده نشان می دهد که دقت مدل ساخته شده بین 50/70% تا 13/73% است و نسبت به کارهای قبلی که در آن ها از الگوریتم های طبقه بندی ترکیبی استفاده نشده است دقت بالاتری دارد. مدل ساخته شده می تواند به توسعه دهندگان نرم افزار برای ساخت نرم افزار های خودکار تشخیص کیفیت سئو صفحات وب کمک کند.

وضعیت دیجیتال و شبکه های اجتماعی نظام ارتباطی جدیدی را معرفی و سلسله مراتب ارزشی متفاوتی را در نسبت به دوران پیشادیجیتال ایجاد کرده اند. یکی از مهم ترین شکل های تازه ارزش های نظام ارتباطی در وضعیت دیجیتال امکان بیانگری ایده ها و احساسات و نشر آنها به کمک شبکه های اجتماعی است. شیوه های متفاوتی از بیانگری به واسطه ی تکنولوژی دیجیتال فراهم شده اند. یکی از تاریخی ترین شیوه های بیانگری که در وضعیت دیجیتال در شکل های کارکردی اش تغییر به وجود آمده موقعیت نوشتن است. موقعیت نوشتن یکی از اصلی ترین شیوه های بیانگری در وضعیت دیجیتال است. بنابراین وقتی موقعیت نوشتن برای یک استاد علوم اجتماعی در سلسله ای از ارزش های شغلی و اداری در دانشگاه، در قالب نوشتار آکادمیک، یک ضرورت شغلی است، آنگاه موقعیت نوشتن از جامعه برای جامعه در شبکه های اجتماعی برای استاد علوم اجتماعی تبدیل به موقعیتی از ایفای نقش روشنگر مردمی شده است. ازاین رو، هدف اصلی مقاله شکل دادن به مفاهیمی است که موقعیت جدید نوشتن در شبکه های اجتماعی توسط استاد علوم اجتماعی عضو هیئت علمی دانشگاه را در پیوند بین گذار از نوشتن به مثابه ضرورت موقعیت شغلی و اداری به نوشتن به مثابه نقش یک روشنگر مردمی تبیین می کنند. بر اساس نتیجه گیری، در وضعیت دیجیتال که به واسطه ی شبکه های اجتماعی امکان نوشتن و نشر، هم زمان، بر عهده استاد علوم اجتماعی می شود او در موقعیت نوشتن نشر قرار می گیرد. موقعیت نوشتن نشر مربوط به دوران پساچاپ است که برای استاد علوم اجتماعی اراده ی معطوف به نوشتن نشر را فراهم می کند و امکان نوشتن از جامعه برای مخاطبانی انبوه و متکثر ایجاد می شود. استاد علوم اجتماعی با ایفای نقش روشنگر مردمی به واسطه ی نوشتن امکان نشر تخیل جامعه شناسی را برای ایجاد آگاهی از وضعیت جامعه فراهم می کند و این اعتبار زیستن معاصر را برای استاد علوم اجتماعی به دست می آورد.

خوشه بندی، فرآیندی است که مجموعه ای از اشیاء را به گروه های مجزا افراز می کند که هر افراز یک خوشه نامیده می شود. در یک خوشه بندی، مطلوب است تا اعضاء هر خوشه از لحاظ ویژگی ها، به یکدیگر شبیه باشند. همچنین، لازم است تا میزان شباهت بین نمونه هایی که در خوشه های متفاوت هستند، پایین باشد. به صورت کلی، الگوریتم های خوشه بندی از یکی از رویکردهای افرازی، سلسله مراتبی، چگالی، مبتنی بر مدل و یا ترکیبی از آن ها استفاده می کنند. الگوریتم ADBSCAN، الگوریتمی برای خوشه بندی دادگان و مبتنی بر چگالی است. این الگوریتم، یک روش جدید برای شناسایی نمونه های محلی با چگالی بالا با استفاده از خواص ذاتی گراف نزدیکترین همسایگی را ارائه می کند. در این الگوریتم، از دو پارامتر k (تعداد نزدیکترین همسایگان) و درصد نویز در مجموعه داده استفاده می شود. این دو پارامتر، تأثیر به سزایی در نتیجه محاسبات و کیفیت خروجی دارند. بنابراین، لازم است تا این دو مقدار در بهینه ترین حالت ممکن تنظیم شوند. جستجوی فراگیر، یکی از راهکارهای یافتن مقدار بهینه است. به منظور کاهش زمان جستجو، در این مقاله از روش جستجوی ژنتیک برای یافتن مقادیر بهینه ی این پارامترها استفاده شده است. با به کارگیری روش پیشنهادی، به صورت متوسط، 46/11 درصد بهبود در معیار ARI حاصل شده است.

سیستم توصیه گر یکی از ابزارهای ارزشمند در حوزه ی تجارت الکترونیک است. در این سیستم ترجیحات کاربر پیش بینی، و از بین انبوه کالاهای موجود، کالای متناسب با نیاز و علایق هرکاربر به او پیشنهاد می شود. در سیستم های توصیه گر کلاسیک، تنها معیار ارزیابی میزان تطابق پیشنهادها با علایق و نیازمندی کاربر بود که به عنوان معیار دقت در نظر گرفته می شد. در نظر گرفتن دقت به عنوان تنها معیار ارزیابی، مشکلاتی مانند عدم رضایت کاربر به دلیل دریافت پیشنهادهای بسیار مشابه و کاهش احتمال خرید بسیاری از کالاهای دیگر را در پی دارد. در سیستم های توصیه گر جدید از چندین معیار برای ارزیابی عملکرد توصیه گرها استفاده می شود. یکی از معیارهای ارزیابی، ویژگی بدیع بودن کالای پیشنهادی برای کاربر است که بر ناشناخته بودن کالای پیشنهادی برای کاربر تاکید دارد. تبدیل این تعریف به معیاری کمی برای ارزیابی با چالش مواجه است. در پژوهش حاضر ضمن بررسی تعاریف این معیار روشی برای تولید پیشنهادهای بدیع در سیستم های توصیه گر چند معیاری ارائه شده است. در این روش از حلقه دوستان شخص برای تخمین میزان بدیع بودن کالا استفاده می شود. در این مقاله یک سیستم توصیه گر با در نظر گرفتن معیارهای بدیع بودن، دقت و پوشش پیاده سازی شده و با توصیه گر کلاسیک مقایسه شده است.

از زمان پیاده سازی اینترنت در سال 1990 تا به امروز، اینترنت شاهد پیشرفت های زیادی بوده و در طی این سال ها تکامل یافته است. شبکه های اجتماعی، ویدیو کنفرانس، دنیای سه بعدی مجازی و برنامه های واقعیت افزوده نمونه هایی از این پیشرفت ها هستند. اصطلاح متاورس به مفهوم نسل بعدی اینترنت است، یک شبکه غیرمتمرکز از فضاهای مجازی، جایی که کاربران می توانند با هم روابط اجتماعی داشته باشند، یاد بگیرند و یا بازی کنند. تکنولوژی ها به عنوان اهرم توانمند ساز برای انتقال از اینترنت امروزی به سمت متاورس نقش مهمی را ایفا می کنند. فن آوری هایی مانند 5G، بلاک چین، هوش مصنوعی و انتقال از فضای گرافیکی دو بعدی به فضای گرافیکی سه بعدی، امکان ایجاد فضای محاوره ای و مجازی، معادل دنیای فیزیکی امروز را فراهم می کنند. در این تحقیق، به معماری متاورس، تکنولوژی های مورد کاربرد و استانداردهای موجود در این حوزه پرداخته شده است. همچنین مزایایی که متاورس برای مردم، سازمان ها و دولت ها دارد به همراه چالش ها و ریسک های آن و اقدامات متقابل مورد نیاز مورد بررسی قرار گرفته شده اند.

پژوهش حاضر، با هدف تبیین رفتار اطلاع جویی اعضای هیئت علمی دانشگاه علامه طباطبائی براساس مدل رویدادی بلکین انجام شد. از لحاظ ماهیت، از نوع کاربردی بود و با روش پیمایشی-تحلیلی انجام گرفت. جامعه پژوهش را اعضای هیئت علمی دانشگاه علامه طباطبائی شامل 562 نفر و نمونه پژوهش را 226 نفر تشکیل دادند که با روش تصادفی طبقه ای انتخاب شدند. ابزار مورد استفاده برای گردآوری داده ها پرسشنامه نیمه ساختاریافته بود. داده های گردآوری شده به کمک نرم افزار spss مورد تجزیه و تحلیل قرار گرفت. یافته های پژوهش نشان داد که اعضای هیئت علمی از کلیدواژه ها و عبارات کلیدی پیشنهادی پایگاه های اطلاعاتی داخلی و خارجی «در حد متوسط» استفاده داشته اند؛ اصطلاحات تخصصی مورد جست وجو در پایگاه های اطلاعاتی داخلی و خارجی، «در حد متوسط» به رفع نیاز اطلاعاتی اعضای هیئت علمی کمک کرده است؛ محیط رابط کاربرِ پایگاه های اطلاعاتی داخلی و خارجی، از لحاظ شیوه نمایش و نوع منابع با اولویت های اعضای هیئت علمی «در حد متوسط» همخوانی داشته است و کلیدواژه ها و عبارات کلیدی مورد جست وجوی اعضای هیئت علمی با محتوای منابع بازیابی شده و همچنین قابلیت های طراحی شده در نظام جست وجوی پایگاه های اطلاعاتی داخلی و خارجی، «در حد متوسط» با ابزارهای پیشرفته کاوش همخوانی داشته است. درنتیجه، به نظر می رسد کلیدواژه ها و عبارات کلیدی پیشنهادی پایگاه های اطلاعاتی، رابط کاربری پایگاه های اطلاعاتی و امکانات نظام جست وجوی پایگاه های اطلاعاتی باید کاربرمحورتر بوده تا به حل نیاز اطلاعاتی اعضای هیئت علمی کمک نماید.

در این مقاله با توجه به اهمیت تحلیل احساسات کاربران در شبکه های اجتماعی، یک روش ترکیبی در 5 مرحله پیشنهاد شده است، به طوریکه پس از پیش پردازش متن، از فرهنگ لغت VADER برای تعیین قطبیت استفاده شده است، سپس با استفاده از BoW و TF-IDF برای استخراج ویژگی استفاده می شود و برای طبقه بندی آنسامبلی از رگرسیون لاجستیک، درخت تصمیم و بیز ساده طراحی شده است و در نهایت برای تحلیل زمینه ای احساسات از چندین روش خوشه بندی استفاده شده است. برای ارزیابی روش پیشنهادی از داده های آمازون، توییتر و ردیت استفاده شده است و از نظر زمان اجرای الگوریتم و دقت کارایی آن گزارش شده است.

در جامعه ی امروزی شبکه های اجتماعی جایگاه خوبی در بین کاربران پیدا کرده است. توجه ویژه کاربران به شبکه های اجتماعی باعث شده است بازاریابی شبکه اجتماعی نیز مورد توجه اشخاص حقیقی و حقوقی قرار گیرد. رقابت کسب و کارها و افراد در این فضاها باعث شده تا برخی از روش های نادرست برای بالا بردن کاذب نرخ تعامل صفحات خود استفاده کنند. یکی از بیشترین روش های بالا بردن کاذب نرخ تعامل، استفاده از ربات بوده است. به همین دلیل پژوهش های مختلفی برای کشف این رباتهای جعلی انجام شده است. در این مقاله، مروری بر کارهای پیشین در حوزه تشخیص ربات ها در شبکه های اجتماعی انجام شده است. نتایج بررسی نشان می دهد الگوریتم های جنگل تصادفی، نزدیکترین همسایه و رگرسیون لجستیک و خطی بیشتر در بین روش های سنتی یادگیری ماشین مورد استفاده قرار گرفته اند. همچنین در یادگیری عمیق، الگوریتم های شبکه عصبی کانولوشنی و شبکه های حافظه طولانی کوتاه مدت و ترنسفورمر بیشتر مورد استفاده قرار گرفته است.

همگرایی دو کلانروند «خدمت سازی» به معنای افزودن خدمات تکمیلی به تولیدات و «دیجیتالسازی» به معنای فرایند استفاده از فناوری اطلاعات، منجر به ارائه خدمات هوشمند الکترونیک توسط کسب وکارها میشود و امکان دستیابی به مدلهای کسبوکار امیدوارکنندهای را فراهم میکند. شرکتهای تولیدی که تلاش میکنند در کنار تولید، خدمات هوشمند الکترونیک نیز ارائه دهند لازم است برای شبکه ارزش آینده خود برنامهریزی دقیقی داشته باشند و جایگاه خود را در آن تعریف کنند. شرکتهای خدماتی نیز باید ارزشآفرینی خود را با سازوکارهای جدیدی همگام با فناوریهای روز دنیا مانند پردازش دادههای ماشینی و ساختارهایی مثل پلتفرمهای دیجیتال گسترش دهند. بنابراین، به نظر می رسد که پیچیدگی شبکه ارزش یک کسبوکار خدمات هوشمند الکترونیک موفق، بسیار بیشتر از یک شبکه ارزش سنتی در حوزه تولید باشد. از این رو، پژوهشهای متعددی انجام شده و چارچوبهایی برای درک بهتر شبکه ارزش کسبوکارها، ارزشآفرینی خدمات هوشمند و خدمتسازی دیجیتال ارائه شده است. با توجه به اهمیت این موضوع، در این مقاله به مرور این پژوهشها میپردازیم و در این مسیر چارچوبی متشکل از 44 نقش ارزشآفرینی را بررسی میکنیم. در ادامه با هدف درک چگونگی تاثیر خدمات هوش مصنوعی بر ادراک ارزش، مشارکت مصرف کنندگان و معیارهای عملکردی شرکتها، به بررسی چارچوبی برای خدمتسازی دیجیتال میپردازیم.

در جامعه ی امروزی، وب سایت های شبکه های اجتماعی توجه زیادی از کاربران، کودکان تا سالمندان، را در سراسر جهان به خود جلب کرده اند. افراد جامعه معمولاً زمان زیادی را در شبکه های اجتماعی برخط از طریق تعامل و تبادل اطلاعات خود با افراد دیگر در جهان صرف می کنند، در نتیجه، برخی از وب سایت های محبوب مانند فیس بوک، توییتر، اینستاگرام و غیره شاهد رشد غیرمنتظره کاربران ثبت نام شده هستند. در همین حال، تحقیقات نشان می دهد که تمام حساب های ثبت شده واقعی نیستند. ممکن است تعداد زیادی از حساب جعلی برای یک هدف خاص ایجاد شده باشد. هدف اصلی ایجاد حساب های جعلی برای انتشار محتوای هرزنامه، شایعه و سایر پیام های غیر معتبر در پلتفرم ها است. این موضوع منجر به انگیزه ی توسعه سیست می می شود که قادر به شناسایی و فیلتر کردن حساب های جعلی در شبکه های اجتماعی باشد اما با چالش های زیادی رو به روخواهد بود. محققان الگوریتم های پیشرفته متعددی برای تشخیص حساب های جعلی پیشنهاد کرده اند. هدف این مقاله ارائه مروری بر سیستم های اخیر جهت شناسایی حساب های جعلی با استفاده از الگوریتم های مختلف یادگیری ماشین و یادگیری عمیق می باشد که چشم اندازی باز به محققان آینده برای توسعه در این زمینه می دهد.

در سال های اخیر با رشد علم و فناوری و ایجاد بازارهای رقابتی در صنایع مختلف، لزوم کنترل کیفیت، اندازه گیری پارامترهای کمی و کیفی محصول نهایی اهمیت به سزایی پیداکرده است. داشتن یک محصول باکیفیت مهم ترین بخش از یک خط تولید است، به طوری که امروزه کمتر کارخانه پیشرفته ای وجود دارد که بخشی از تولید آن توسط برنامه های هوشمند بینایی ماشین و پردازش تصویر ترجیحاً مبتنی بر وب کنترل نشود. مدیریت کیفیت در زمان واقعی و بر خط، امکان افزایش کارایی تولید را به نحو مؤثری فراهم می کند. بر این اساس، هدف اصلی این مقاله بررسی و ارزیابی دقیق برخی از تکنیک های مهم و تأثیرگذار مبتنی بر پردازش تصویر، یادگیری ماشین و یادگیری عمیق است که در زمینه کنترل کیفیت محصولات صنعتی در بستر وب استفاده می شوند. علاوه بر این، تحقیق حاضر قصد دارد نقشه راه مناسبی برای رسیدن به روش های مؤثر و پرسرعت در تحقیقات آتی، در حوزه کنترل کیفیت صنعتی در فضای وب را نیز ارائه دهد.

در کاربردهای نوظهور بر بستر نسل جدید شبکه های بی سیم به ویژه در اینترنت اشیا، محدودیت های سخت گیرانه ای جهت تضمین تازگی اطلاعات وجود دارد. در همین راستا، اخیراً معیار جدیدی برای سنجش کیفیت سرویس شبکه به نام «دیرینگی اطلاعات» (AoI) مطرح شده که با معیارهای مرسوم مانند تاخیر و گذردهی متفاوت است و به عنوان زمان سپری شده از تولید آخرین بسته موفق دریافت شده در مقصد تعریف می شود. تضمین مقادیر پایین برای دیرینگی اطلاعات مستلزم پیکربندی بهینه پروتکل های جدید انتقال اطلاعات در دو سطح لایه حمل و فیزیکی شبکه است. در این مقاله، ما مسأله زمان بندی بار ترافیکی پروتکل TCP چندمسیری (MPTCP) را بر بستر اتصال دوگانه فیزیکی مبتنی بر فناوری های LTE و mmWave مورد مطالعه قرار می دهیم. هم افزایی لایه حمل چندمسیری با لایه انتقال فیزیکی چندگانه، بستر ارتباطی کارآمدی را برای کاهش دیرینگی اطلاعات فراهم می نماید. برای بهینه سازی زمان بندی زیرجریان های ترافیکی روی دو مسیر ارتباطی، ما یک الگوریتم بهینه سازی فارغ از مدل مبتنی بر یادگیری تقویتی را پیشنهاد می کنیم که هدف آن دستیابی به یک سیاست بهینه است که میانگین بلندمدت AoI بسته های داده را در مقصد به حداقل برساند. نتایج شبیه سازی بیانگر برتری کارایی الگوریتم پیشنهادی نسبت به دو الگوریتم پیش فرض نوبت گردشی و کمترین میزان تاخیر رفت وبرگشت می باشد.

گسترش به کارگیری فناوری های تحول آفرین، هوش مصنوعی و بهره مندی از قابلیت پلتفرم های داده محور، موجب توسعه مفاهیم، کارکردها و نظام های منابع انسانی و بازتعریف جامعی از آن ها تحت عنوان مدیریت منابع انسانی دیجیتال شده است. هدف پژوهش حاضر بررسی کاربرد دیجیتال در مدیریت منابع انسانی است. پس از تبیین تمایز بین کارکردهای الکترونیک و دیجیتال، محقق تلاش نموده است تا با رویکرد کاربردی و توسعه ای، مؤلفه های اثرگذار بر نظام های مدیریت منابع انسانی دیجیتال که منجر به هوشمندسازی سازمانی می شود را شناسایی نماید. به همین جهت در فاز اول تحقیق، پس از مطالعه اسناد علمی و تعیین چارچوب روش تحقیق کیفی و تکنیک های مورداستفاده در آن، مصاحبه نیمه ساختاریافته با تأکید بر روش نمونه گیری گلوله برفی از پانل خبرگان انجام شد. نظرات گردآوری شده از 14 مدیر منابع انسانی یا مدیر پروژه تحول دیجیتال در شرکت های موردمطالعه، جهت تعیین مؤلفه های مؤثر بر موضوع، با روش تحلیل مضمون و با استفاده از نرم افزار مکس کیودا مورد بررسی قرار گرفت و در فاز دوم برای تأیید و نهایی کردن مؤلفه های استخراج شده روش دلفی فازی اجرا گردید.

در این مقاله، به معرفی راهکارهایی برای حل جدول کلمات متقاطع توسط ماشین با استفاده از تکنیک های پردازش زبان طبیعی می پردازیم. این کار به دو زیروظیفه یافتن کلمات محتمل برای هر شرح جدول و سپس انتخاب کلمه هدف و جایگذاری در جدول تقسیم می شود. زیروظیفه اول که به یافتن کلمه از روی توصیف آن اختصاص دارد دارای کاربردهای متعدد دیگر نیز هست. به این منظور از ترکیبی از روش های مختلف شامل جستجو و شباهت یابی معنایی روی دادگان جداول حل شده قبلی، جستجو در فرهنگ لغات و دانشنامه ویکی پدیا، استفاده از مدل زبانی ماسک شده و یافتن کلمات مرتبط در فارس نت و ابزار فارسی یار استفاده نمودیم. نتایج نشان می دهند ترکیب این روش ها نسبت به اجرای تک تک آن ها نتیجه بهتری (فراخوانی 82%) در برداشته است. در زیروظیفه بعد لیست پاسخ های محتمل را به یک الگوریتم جستجو با ارضاء قیود می دهیم تا با درنظر گرفتن قیود جدول از میان پاسخ ها، پاسخ درستی که می تواند در جدول قرار گیرد را انتخاب کرده و خانه های خالی را به بهترین شکل پر کند و جدول را حل کند. ارزیابی کل نشانگر دقت 80. 22% و فراخوانی 68. 86% در حل جدول کلمات متقاطع است.

به منظور بهبود فرایند سیاست گذاری در هر نظام حاکمیتی از جمله محتوای فضای مجازی، بررسی نقش نهادهای مختلف نظام امری ضروریست. انجام این کار به استخراج عدم تطابق ها، هم پوشانی و تعارضات میان نقش های نهادهای سیاست گذار و برنامه های سیاستی آنها در زمینة محتوای فضای مجازی کمک شایانی می نماید و درک مناسبی دربارة چیدمان خاص نهادی یک نظام حاکمیتی به وجود می آورد. در همین راستا، این پژوهش به دنبال شناسایی نقش های سیاستی سیاست گذاران در نظام حکمرانی محتوای فضای مجازی است. در این پژوهش، با مروری بر نوشتجات موجود در زمینة محتوای فضای مجازی و سیاست گذاری آن و با استفاده از رویکرد کیفی فراترکیب مجموعه ای از نقش های سیاستی نظام سیاست گذاری محتوای فضای مجازی شناسایی می شوند. بر پایة نتایج این پژوهش، این نقش های سیاست گذاران در نظام حکمرانی محتوای فضای مجازی عبارتند از: سیاست گذاری، قانون گذاری، نظارت، ارزیابی و مقابله، توسعه و تقویت آموزش و پژوهش، فرهنگ سازی و ترویج، حمایت، توسعة فضای کسب و کار، ساماندهی مجوزها و پروانه ها، و تنظیم گری.

هدف از این مطالعه شناسایی و دسته بندی مسائل و چالش های حقوقی اطلاعات در فضای مجازی است. پژوهش حاضر، مطالعه ای کاربردی از نوع توصیفی است که با رویکرد مرور نظام مند با بهره گیری از الگوی پریسما، روش تحلیل محتوا و فنون کدگذاری انجام شده است. جامعه پژوهش شامل 64 مطالعه انگلیسی و 32 مقاله و پایان نامه فارسی است. در مجموع 169 کد در 17 مقوله فرعی، 6 مقوله اصلی و 3 مضمون شامل مدیریت اطلاعات میان فردی، مدیریت اطلاعات راهبردی و مدیریت اطلاعات مؤثر دسته بندی شدند. مضمون مدیریت اطلاعات میان فردی شامل مقوله اصلی تولید داده و اطلاعات؛ مضمون مدیریت اطلاعات راهبردی شامل مقوله های اصلی ذخیره سازی و پردازش داده و اطلاعات و حفاظت داده و اطلاعات؛ و مضمون مدیریت اطلاعات مؤثر شامل مقوله های اصلی بازیابی داده و اطلاعات، اشاعه داده و اطلاعات و استفاده از داده و اطلاعات بود. مقوله های فرعی مربوط به تولید داده و اطلاعات دربردارنده چالش هایی در ارتباط با مالکیت، محتوا، ابزارها و فناوری ها و خصوصیات فناوری وب؛ مقوله های فرعی مربوط به ذخیره سازی و پردازش داده و اطلاعات شامل چالش هایی در ارتباط با عوامل انسانی و فرایند و فناوری؛ مقوله های فرعی مربوط به حفاظت داده و اطلاعات شامل چالش هایی در ارتباط با حریم خصوصی، حفاظت از داده ها، امنیت داده و اطلاعات، ساز و کارهای حفاظتی و امنیتی و جرایم اینترنتی؛ مقوله های فرعی مربوط به بازیابی داده و اطلاعات شامل چالش هایی در ارتباط با کاربران و پیونددهی؛ مقوله های فرعی مربوط به اشاعه داده و اطلاعات شامل چالش هایی در ارتباط با خصوصیات فناوری وب و ساز و کار اشاعه داده و اطلاعات؛ و مقوله های فرعی مربوط به استفاده از داده و اطلاعات شامل چالش هایی در ارتباط با نحوه استفاده و محدودیت استفاده بود.

برای انتقال مفاهیم پیچیده از طریق گفتار، فراگرفتن تلفظ قابل فهم امری ضروری است که با کمک رویکرد های نوین برگرفته شده از علوم رایانه ای دست یافتنی تر و همه گیرتر شده است. اگرچه پردازش زبان طبیعی1 کاربردهای گسترده ای در علم رایانه و ارتباط انسان با رایانه ایفا کرده است، ولی تا حد گسترده ای کاربرد های آن در زمینه یادگیری و آموزش تلفظ کلمه های زبان های خارجی نادیده گرفته شده است. در این مطالعه بررسی می کنیم تا چه اندازه اجرای رویکردهای یادگیری الکترونیکی2 با استفاده از فن آوری تشخیص گفتار خودکار3 با بهره گیری از هوش مصنوعی آموزش دیده4 به درک پیشرفت مهارت های تلفظ زبان آموز ها کمک می کند. به این منظور، 93 کلمه انگلیسی برای آموزش تلفظ در 18 جلسه انتخاب گردید. فهرست مشابهی متشکل از 30 کلمه در دو گروه آزمایشی در دو مرحله پیش آزمون و پس آزمون برای ارزیابی بهبود تلفظ زبان آموزان مورد بررسی قرار گرفت. اطلاعات به دست آمده توسط زبان آموزان در قالب فایل های صوتی قبل و بعد از فرایند آموزش ضبط و ذخیره گردید و سپس، توسط فناوری تشخیص گفتار خودکار مورد ارزیابی قرار گرفت. نتایج بدست آمده پیشرفت مهارت تلفظ کلمه ها در دوره آموزشی و کارآمدی هوش مصنوعی در این زمینه را نشان می دهد.