فاطمه حقانی

هدف: در طول تاریخ حیات بشری، بیماری ها یکی از مهم ترین تهدیدها برای انسان ها به شمار رفته اند که در صورت عدم تشخیص یا تشخیص درست و به موقع، تاثیرات مخرب و جبران ناپذیری بر زندگی انسان ها دارند. وجود پارامترهای متعدد در برخی مسایل موجب پیچیدگی موضوع موردبررسی می شود. به همین دلیل در چند دهه اخیر، ابزار تشخیص رایانه ای و تصمیم گیری با هدف کمک به پزشک در تصمیم گیری ها به صورت سیستم تصمیم یار موردتوجه قرار گرفته است. از آن جهت که علایم اولیه بیماری دیابت بی مزه بسیار شبیه به بیماری دیابت شیرین است و تشخیص افتراقی گونه های مختلف بیماری دیابت بی مزه حایز اهمیت است، این بیماری در پژوهش فعلی موردبررسی قرار گرفت.روش شناسی پژوهش: در این پژوهش براساس مطالعات کتابخانه ای و بهره گیری از تجربیات و نظرات خبرگان به بررسی و تعیین عوامل بیماری دیابت بی مزه مرکزی و کلیوی پرداخته شد؛ سپس با استفاده از نرم افزارهای SPSS و FCMapper و Pajek تحلیل نقشه های شناختی فازی، به منظور بررسی عوامل و روابط بین آن ها صورت گرفت.یافته ها: نتایج حاصل از تحلیل نقشه های شناختی فازی در بیماری دیابت بی مزه مرکزی، عوامل بهبود غلظت ادرار پس از مصرف وازوپرسین و حجم ادرار> 40ml/kg و اسمولاریتی 300 mosm/l و در بیماری دیابت بی مزه کلیوی، عوامل عدم پاسخ کلیه ها به مصرف وازوپرسین مصنوعی (عدم تغییر غلظت ادرار) و پر ادراری، به عنوان تاثیرگذارترین و مهم ترین متغیرها شناسایی شدند که باید موردتوجه ویژه قرار گیرند.اصالت/ارزش افزوده علمی: تا کنون برای این بیماری درمان قطعی کشف نشده و اگر فردی به آن مبتلا شد تا آخر عمر درگیر خواهد بود؛ اما با تشخیص سریع تر و به موقع می توان از پیشرفت آن و آسیب های عدم درمان که می تواند جبران ناپذیر باشد، جلوگیری کرد. برای اولین بار است که شناسایی، رتبه بندی و تاثیر علایم بیماری دیابت بی مزه مرکزی و کلیوی با استفاده از نقشه های شناختی فازی و نرم افزار SPSS و FCMapper و Pajek موردبررسی قرار گرفته است.

 با توجه به نقش دانشگاه ها در آموزش مهندسی، بررسی وضعیت نظام آموزشی و نقاط قوت و ضعف آن به منظور بهبود فرآیند آموزش مهندسی ضرورت دارد. در این تحقیق عوامل موثر بر افزایش سنوات تحصیلی دانشجویان رشته های مهندسی و وضعیت دانشجویانی که در سنوات مجاز، تحصیل خودرا به اتمام نمی رسانند، بررسی شده است. در ابتدا شاخص های تاثیرگذار بر افزایش سنوات تحصیلی دانشجویان مهندسی شناسایی و با استفاده از فن AHP اولویت بندی شد. نتایج رتبه بندی نشان داد معدل دروس پایه، معدل دروس اصلی، معدل دروس عمومی، تعداد نیمسال های مشروطی، معدل دروس اختیاری و تعداد واحد افتاده از نظر خبرگان بیشترین تاثیر را بر افزایش سنوات تحصیلی دانشجویان مهندسی دارند. سپس به ارائه الگویی برای پیش بینی افزایش سنوات تحصیلی با توجه به وضعیت تحصیلی دانشجویان رشته های مهندسی با استفاده از شبکه عصبی مصنوعی پرداخته شد. براساس نتایج شبکه عصبی عوامل تعداد واحد های افتاده، معدل دروس اصلی، معدل دروس پایه، تعداد نیمسال های مشروطی، مدت تاهل و میانگین معدل دروس ریاضی و فیزیک دبیرستان بیشترین اثرگذاری را بر افزایش سنوات تحصیلی دارند. در نهایت با مقایسه نتایج حاصل از روش AHP و شبکه عصبی، عامل های معدل دروس پایه و اصلی، تعداد نیمسال های مشروطی و تعداد واحدهای افتاده در هر دو روش عوامل با تاثیرگذاری بیشتر شناخته شدند که در حین تحصیل دانشجویان رشته های مهندسی باید توجه بیشتری به آنها شود.