زهرا فرخی

تحلیل گفتمان انتقادی یکی از رویکردهای جدید نقدی است که برای درک اهداف موردنظر مولف و نیز آشکارسازی ایدئولوژی های پنهان متن در سه سطح توصیف، تفسیر و تبیین مورداستفاده پژوهشگران قرار می گیرد. عمر ابوریشه از جمله شاعران معاصر فلسطینی تبار است که مفاهیم ظلم گریزی و استعمار ستیزی در آثارش نمود فراوانی دارد. مضامین شعر او اغلب تابع شرایط سیاسی و اجتماعی زمانه شاعر است و قصیده النسر نیز از این امر مستثنی نیست. نگارندگان در جستار حاضر به روش توصیفی - تحلیلی و بر مبنای نظریه نورمن فرکلاف، قصیده النسر را بررسی و تحلیل کرده اند. نتایج تحقیق حاکی از آن است که مولف در سطح توصیف، متاثر از شرایط خفقان حاکم بر جامعه فلسطین و سوریه بوده و از آرایه هایی همچون تشبیه و کنایه جهت تصویرآفرینی بهره برده است. او بدین وسیله با ترسیم وضعیت موجود و بیان شکوه از دست رفته این سرزمین، هموطنان خود را به ظلم ستیزی و مقابله با استعمارگران فرامی خواندد. در سطح تفسیر، بافت موقعیتی و بینامتنی قصیده و نیز میزان تأثیرپذیری مولف از مکتب های مختلف ادبی حائز اهمیت است. شاعر در سطح تبیین، با موضع گیری در قبال قدرت های استعماری نشان می دهد که در راستای اهداف مبارزاتی خود و در جهت اقناع و تشویق خوانشگران گام برداشته است.

پس از ورود جدی بانک های خصوصی و موسسات مالی و اعتباری به عرصه بانکداری، رقابت بین موسسات و بانک ها به منظور شناسایی، جذب و حفظ مشتریان از اهمیت بالایی برخودار شده است. تحلیل رفتار مشتریان در سازمان های فعال در این حوزه که با تعداد کثیری از مشتریان در نقاط پراکنده با ویژگی های متفاوت سر و کار دارند، باعث موفقیت آنها در بازار رقابتی و مدیریت ارتباط موثر با مشتریان می شود. بخش بندی مشتریان، از رویکردهای داده کاوی که منجر به کشف گروه های مشابه از مشتریان می شود، اغلب بر اساس مدل ""تاخر خرید، بسامد خرید، و ارزش مالی آن"" ( RFM ) انجام می گردد. در این مقاله، الگوی جدید بخش بندی مشتریان بر پایه مدل توسعه یافته RFM به وسیله افزودن متغیر توالی روزهای انجام تراکنش (C) ارائه شده است. مشتریان بانک بر اساس مدل RFM و مدل پیشنهادی این پژوهش ( RFMC ) و با استفاده از الگوریتم خوشه بندی دو مرحله ای و بکارگیری گام های متدلوژی GRISP-DM بخش بندی شده اند. این پژوهش نشان می دهد، دقت مدل RFMC نسبت به مدل RFM در بخش بندی مشتریان این صنعت به مقدار 5.5% بیشتر است. پس از انجام فرایند خوشه بندی با استفاده از مدل پیشنهادی، مشتریان یکی از بانک های خصوصی کشور به 5 خوشه تقسیم شده اند. ضمن تحلیل رفتار مشتریان هر خوشه، مدلی مبتنی بر شبکه عصبی پیش خوراند برای پیش بینی شماره خوشه مشتریان بر مبنای ویژگی های رفتاری و جمعیت شناختی آنها توسعه داده شده است.