دانشنامه تحول دیجیتال

اینترنت وسایل نقلیه (IoV) مفهومی نوظهور در سیستم های حمل ونقل هوشمند (ITS) است که هدف بهبود ایمنی عابران پیاده و رانندگان و نظارت بر ترافیک را دنبال می کند؛ اما ارتباطات اینترنت وسایل نقلیه در برابر حملات مختلف آسیب پذیر هستند. بنابراین امنیت در اینترنت وسایل نقلیه یک مسئله جدی است زیرا مستقیماً بر زندگی کاربران ان تأثیر می گذارد. یکی از مهم ترین حملات در این محیط، حمله انکارسرویس (DoS) است که از دسترسی به سرویس های اینترنت وسایل نقلیه جلوگیری می کند و از همه مهم تر باعث ترافیک و تصادفات جاده ای می شود و ایمنی کاربران را به خطر می اندازد. بنابراین، یک راه حل مبتنی بر یادگیری عمیق برای شناسایی حملات انکارسرویس در محیط اینترنت وسایل نقلیه پیشنهاد شده است. مدل پیشنهادی از شبکه عصبی کانولوشن 10لایه تشکیل شده است که می تواند انواع مختلف حملات انکارسرویس را بطور موثر تشخیص دهد. عملکرد مدل پیشنهادی با مجموعه داده واقعی و جدید VDoS-LRS ارزیابی شده است. نتایج تجربی نشان می دهد که سیستم تشخیص نفوذ پیشنهادی به نرخ صحت 100% رسیده است.

هدف پژوهش، تعیین تأثیر سیستم آموزش الکترونیکی بر مهارت تفکر سطح بالا و مهارت یادگیری خودتنظیمی دانش آموزان با نقش میانجی علاقه به یادگیری می باشد. پژوهش حاضر از حیث هدف، کاربردی و از حیث روش، توصیفی- همبستگی می باشد. تعداد کل جامعه آماری پژوهش شامل 1755 نفر از دانش آموزان کارودانش و فنی وحرفه ای (دخترانه و پسرانه) متوسطه دوم شهرستان محمودآباد بود که براساس جدول مورگان نمونه ای برابر 315 نفر به صورت تصادفی طبقه ای انتخاب شدند. ابزار پژوهش شامل پرسشنامه های مربوط سیستم آموزش الکترونیکی از یوزرلن (2010)، پرسشنامه علاقه به یادگیری، برگرفته از پژوهش بتاچرجی (2001) و متییسون (1991) و روکا و همکاران (2006)، پرسشنامه مهارت تفکر سطح بالا از عبدی و همکاران (1393) و پرسشنامه مهارت یادگیری خودتنظیمی از بوفارد و همکاران (1995) بود که روایی (صوری و محتوایی) و پایایی پرسشنامه ها حاکی از روایی و پایایی مناسب ابزار اندازه گیری بود. جهت تجزیه و تحلیل داده ها از آزمون معادلات ساختاری و تحلیل عاملی با استفاده از نرم افزار spss_26و 〖pls〗_3 استفاده شد. نتایج پژوهش، تأثیر سیستم آموزش الکترونیکی را بر مهارت تفکر سطح بالا و مهارت یادگیری خودتنظیمی با نقش میانجی علاقه به یادگیری در بین دانش آموزان دختر و پسرکارودانش و فنی وحرفه ای متوسطه دوم شهرستان محمودآباد تأیید کرد.

هدف از این تحقیق بررسی عوامل موثر بر اکوسیستم بازاریابی کارافرینانه دیجیتال در صنعت بیمه (مورد مطالعه: شرکت بیمه استان تهران) می باشد. در این راستا ضمن مروری بر مفاهیم اکوسیستم بازاریابی کارآفرینانه دیجتال و فروش آنلاین بیمه با استفاده از روش مدل سازی معادلات ساختاری به ارائه مدل اکوسیستم بازاریابی کارآفرینانه دیجتال پرداخته شد. جامعه آماری این پژوهش شامل کارکنان و مشتریان شرکت بیمه استان تهران میباشد که تعداد آنها نامحدود بوده و حجم نمونه با استفاده از جدول مورگان برابر با ۳۸۴ نفر محاسبه شده است. برای جمع آوری داده ها در این تحقیق از پرسشنامه استفاده شده است که روایی آن به صورت روایی محتوا توسط خبرگان و روایی سازه و ساختار توسط تحلیل عاملی تأییدی در نرم افزار SPSS وSmart-PLS2 مورد تأیید قرار گرفت و پایایی آن با استفاده از ضریب آلفای کرونباخ تأیید شده است. به منظور تجزیه و تحلیل داده ها در این تحقیق از آزمون کلموگروف- اسمیرنوف، جهت تست نرمالیته و از آزمون تحلیل مسیر جهت تأیید فرضیه ها استفاده شد. نتایج نشان داد که مولفه های بازار محوری، نوآوری محوری، کارآفرینی محوری و مشتری محوری از مولفه های اثر گذار در اکوسیستم بازاریابی کارآفرینانه دیجتال برای فروش آنلاین بیمه می باشند.

پژوهش حاضر با هدف کاربردهای فناوری هیت مپ در حوزه کسب و کار آنلاین و ارتباط بکارگیری این فناوری با عملکرد کسب و کارهای آنلاین صورت گرفت.این پژوهش از لحاظ هدف کاربردی و از نظرشیوه جمع آوری داده ها توصیفی پیمایشی است. همچنین پژوهش حاضر با استفاده از روش شناسی پژوهش آمیخته (کیفی- کمی) مورد تحلیل قرار گرفته است .در مرحله اول جهت بررسی کاربردهای فناوری هیت مپ در حوزه کسب و کار، مصاحبه با تعداد 10 نفر از خبرگ ان و م دیران ارشد در حوزه فناوریهای آنلاین کشور صورت گرفت و با استفاده از روش تحلی ل محتوای کیفی تجزیه و تحلیل و پرسشنامه ای طراحی شد که مبنای پژوهش کمی قرار گرفته است. جامعه آماری مربوط به مطالعه کمی، 300 نفر از مدیران و صاحبان کسب و کارهای آنلاین بوده اند که با استفاده از روش حجم نمونه مناسب برای مدلیابی معادلات ساختاری تعیین شد. روش نمونه گیری در اجرای مطالعه کمی نیز نمونه گیری تصادفی ساده بود. تجزیه و تحلیل داده ها با استفاده از روش مدلیابی معادلات ساختاری توسط نرم افزار لیزرل صورت گرفت. نتایج حاکی از رابطه بین کاربردهای فناوری هیت مپ شامل شناخت الگوی رفتاری مشتری، افزایش بازدید وب سایت و بهبود با عملکرد کلی کسب و کارهای آنلاین در سه مفهوم اثربخشی، سودآوری و رضایت مشتری است. بر اساس یافته های تحقیق حاضر می توان گفت، استفاده از فناوری هیت مپ در ردیابی عملکرد وب سایت، باعث بهبود عملکرد کلی کسب و کارهای آنلاین می گردد.

نوشته ی حاضر، بررسی برخی مشکلات مدل سازی، بیان ویژگی ها و نیز تجزیه و تحلیل سیستم های پیچیده ی پویا (CDS) با استفاده از نقشه های شناختی فازی (FCM) و مطالعه موردی عوامل موثر بطلاق است. تجزیه و تحلیل و کنترل کارآمد CDS مبین آنست که، مشکل کلیدی CDS و تئوری کنترل؛ توسعه روش های تحلیل کیفی پویا و رفتار چنین سیستم هایی و ساخت الگوریتم های کنترل مناسب برای عملکرد موثر آنها است. مشکل آنست که توصیف کیفی بیشتر پارامترهای سیستم های پیچیده ی پویا، ناچارا منجر به ابهام، پیچیدگی و عدم قطعیت می شود، که نقشه های شناختی فازی (FCM) زمینه لازم برای تولید دانش جدید بر اساس برنامه های کاربردی سیستم را فراهم نموده و نیاز به رسیدگی به عدم قطعیت ها، ابهامات و نادرستی های مرتبط با مشکلات واقعی CDS را برطرف می کنند. در این مطالعه که بر روی عوامل موثر بر طلاق انجام شده است، ابتدا اصول اولیه FCM به طور خلاصه مطرح شده و سپس الگوریتم NHL برای آموزش مدل FCM و تنظیم وزنها با استفاده از عبارات فازی و تبدیل داده های کیفی مورد بحث قرار گرفته که نتایج حاصل می تواند نشان دهنده موفقیت و پیشرفت بیشتر مدل سازی و کنترل CDSبا استفاده از روش های محاسبات نرم باشد.

دیابت، به گروهی از اختلالات متابولیکی گفته می شود که نتیجه عدم کنترل قند خون است. تشخیص به موقع و در ادامه کنترل این بیماری به خوبی باعث کاهش اثرات ناشی از آن مثل رتینوپاتی دیابتی، گرفتگی قلبی و عروقی سکته های مغزی و غیره می شود. محققان تا به امروز تلاش های بسیاری در این زمینه کرده اند؛ اما اغلب این مدل ها یا مبتنی بر روش های یادگیری ماشین ساده و یا بر این فرض استوار هستند که داده های دیابت در دسترس متوازن هستند. از اینرو، در این مقاله یک مدل تشخیص بیماری دیابت مبتنی بر شبکه های عصبی بازگشتی عمیق و الگوریتم بیش نمونه گیری SMOTE ارائه شده است. در این مدل چندین مرحله پیش پردازش شامل مقدار دهی به مقادیر از دست رفته، حذف داده های پرت و سپس بیش نمونه گیری انجام شده است. از سه شبکه عصبی عمیق بازگشتی با سه واحد پنهان بازگشتی شامل LSTM, GRU و BiLSTM برای تشخیص استفاده شده است. نتایج مدل ارائه شده بر روی پایگاه داده Pima حاکی از آن است که میانگین صحت در 10 اجرای مختلف در LSTM و GRU و BiLSTM به ترتیب 91.21 % ، 89.61 و 90.99 % است. نتایج مدل بازگشتی ما نشان می دهد، شبکه های عصبی عمیق در مقایسه با روش های یادگیری ماشین عملکرد بسیار موفق تری دارند.