یادگیری ماشین

هدف: منحنی بازده یکی از ابزارهای کلیدی در تحلیل های اقتصادی به شمار می رود که نقش مهمی در تفسیر انتظارات بازار نسبت به سیاست های پولی، وضعیت اقتصادی و تورم در بازه های زمانی مختلف ایفا می کند. این منحنی همچنین در حوزه هایی چون سیاست گذاری مالی، مدل سازی کسب وکار نهادهای مالی و تصمیم گیری های سرمایه گذاری مانند ارزش گذاری دارایی ها و مدیریت ریسک کاربرد فراوانی دارد. با وجود اهمیت بالای موضوع، پیش بینی و تحلیل منحنی بازده در ایران کمتر مورد توجه قرار گرفته است درحالیکه اقتصاد ایران با چالش هایی مانند تورم مزمن، نوسانات ارزی، تحریم ها و وابستگی به درآمدهای نفتی مواجه است. هدف این پژوهش، پیش بینی منحنی بازده اوراق دولتی بدون ریسک در ایران است. در این راستا، پیش بینی با توجه به دو بعد زمان و سررسید انجام شد به طوریکه ضمن بررسی رفتار بازده اوراق با سررسید مختلف در هر زمان، روند تغییرات هر سررسید در طول زمان نیز تحلیل شد. روش: با وجود توسعه روش های مختلف برای پیش بینی منحنی بازده، مدل عاملی نلسون-سیگل پویا به دلیل تفسیرپذیری بالا، کاهش ابعاد و توانایی خلاصه سازی منحنی در سه عامل کلیدی سطح، شیب و انحنا، به عنوان چارچوب پایه برآورد انتخاب شد. این عوامل به دلیل دلالت های اقتصادی و مالی مشخص، نقشی مهم در تصمیم گیری های سیاستی و راهبردی ایفا می کنند. در این پژوهش، با استفاده از داده های اسناد خزانه اسلامی در بازار سرمایه ایران، تلاش شد تا عوامل مذکور با مجموعه مدل ها ازجمله مدل خود رگرسیون برداری-گارچ (به عنوان مدل مبنا) و سایر مدل ها ذیل یادگیری ماشین مانند الگوریتم مبتنی بر تقویت گرادیان به عنوان مدل سطحی و مدل های شبکه عصبی پیچشی – حافظه طولانی کوتاه-مدت و واحد بازگشتی دارای دروازه به عنوان مدل یادگیری عمیق پیش بینی شوند. در نهایت با جایگذاری مقادیر پیش بینی شده سه عامل در معادله نلسون–سیگل پویا منحنی بازده آینده بازسازی گردد. شایان ذکر است که هر یک از مدل ها از نظر پیچیدگی، تفسیرپذیری، نیازهای داده ای، الزامات محاسباتی و نوع روابط (خطی -غیرخطی)، ویژگی هایی متفاوت دارند. یافته ها: یافته های پژوهش نشان می دهد که مدل خودرگرسیون برداری-گارچ در پیش بینی عامل سطح عملکرد بهتری نسبت به سایر مدل ها دارد. این برتری به دلیل ساختار خودرگرسیو این مدل است که برای تحلیل روندهای پایدار و طولانی مدت مناسب تر عمل می کند. در مقابل، مدل های یادگیری عمیق به دلیل محدودیت داده و ضعف در شناسایی روندهای طولانی مدت، دقت کمتری در پیش بینی این عامل داشته اند. اما در مورد عامل های شیب و انحنا که بیشتر تحت نوسانات کوتاه مدت و میان مدت قرار دارند، مدل های یادگیری عمیق عملکرد بهتری نسبت به مدل های سنتی از خود نشان داده اند. این برتری به توانایی آن ها در درک الگوهای پیچیده و غیرخطی در طول زمان بازمی گردد، درحالی که مدل های آماری کلاسیک به دلیل مفروضات سخت گیرانه در مواجهه با چنین نوساناتی دچار خطا می شوند. در مرحله بعد، پیش بینی سه عامل در معادله نلسون–سیگل پویا جای گذاری شده و دقت بازسازی منحنی بازده با معیار ریشه میانگین مربعات خطا سنجیده شد. نتایج نشان داد که هیچ یک از مدل ها به تنهایی برتری مطلق در پیش بینی هر سه عامل را ندارند. بنابراین، استفاده از ترکیب بهینه از مدل ها – به گونه ای که هر عامل توسط مدلی با کمترین خطا پیش بینی شود – می تواند دقت بازسازی منحنی بازده را افزایش دهد و این رویکرد با ساختار مدل نلسون–سیگل، مبتنی بر فرض استقلال عامل ها از یکدیگر، نیز سازگار است. نتایج نشان داد در صورتیکه عامل سطح با مدل خود رگرسیون برداری – گارچ یا شبکه عصبی پیچشی – حافظه طولانی کوتاه مدت، شیب با واحد بازگشتی دارای دروازه و انحنا با مدل خود رگرسیون برداری-گارچ یا الگوریتم مبتنی بر تقویت گرادیان برآورد شوند به بهترین نتایج یعنی کمترین انحراف از واقعیت معادل حدود نیم درصد منجر خواهد شد. نتیجه گیری: این پژوهش با هدف ارائه مدلی دقیق برای پیش بینی منحنی بازده در بازار مالی ایران انجام شد. بدین منظور، مدل نلسون-سیگل پویا انتخاب شد که منحنی بازده را در قالب سه عامل سطح، شیب و انحنا مدل سازی می کند. این تحقیق از مجموعه مدل های سنجی و یادگیری ماشین جهت برآورد استفاده کرد. در مرحله نخست، عملکرد مدل ها در پیش بینی عامل های نلسون-سیگل ارزیابی شد. نتایج نشان داد که مدل خودرگرسیون برداری-گارچ برای پیش بینی عامل سطح عملکرد برتری دارد، در حالی که مدل های یادگیری عمیق در پیش بینی عامل های شیب و انحنا، که نوسانات کوتاه مدت و میان مدت دارند، دقیق تر عمل کردند. در مرحله دوم، دقت بازسازی منحنی بازده بر اساس عامل های پیش بینی شده سنجیده شد. یافته ها نشان داد که بهترین ترکیب برای پیش بینی منحنی زمانی حاصل می شود که عامل سطح با مدل خودرگرسیون برداری – گارچ یا شبکه عصبی پیچشی – حافظه طولانی کوتاه مدت، عامل شیب با واحد بازگشتی دارای دروازه و عامل انحنا با خودرگرسیون برداری-گارچ یا الگوریتم مبتنی بر تقویت گرادیان پیش بینی شود که منجر به خطای بازسازی کمتر از نیم درصد خواهد شد

این پژوهش با هدف پیش بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم های یادگیری ماشین انجام شده است. پژوهش حاضر با تحلیل داده های ریسک عملیاتی و ارزیابی عملکرد الگوریتم های یادگیری ماشین به منظور ارائه الگوریتم هایی مؤثر برای پیش بینی دقیق تر احتمال وقوع ریسک عملیاتی و مدیریت بهتر آن در صنعت بانکداری صورت گرفته است. در این پژوهش، داده های مرتبط با ریسک عملیاتی از سال 1395 تا 1402 جمع آوری و پیش پردازش شد و سپس با استفاده از مدل های یادگیری ماشین مانند RF، DT، SVM، LR، NB و KNN پیش بینی انجام شد. عملکرد مدل ها با معیارهایی همچون دقت، صحت، بازخوانی، F1-score و AUC ارزیابی شد تا بهترین مدل برای پیش بینی احتمال وقوع ریسک انتخاب شود. نتایج نشان می دهند که الگوریتم های RF و SVM در پیش بینی احتمال وقوع ریسک عملیاتی در تمامی حالت ها عملکرد بسیار خوبی دارند؛ به علاوه که الگوریتم های یادگیری ماشین توانایی بالایی در پیش بینی وقوع ریسک عملیاتی دارند و می توانند ابزار مؤثری برای تصمیم گیری های مدیریتی در صنعت بانکداری فراهم کنند.

هوش مصنوعی (AI) به عنوان یک فناوری نوظهور، تأثیر قابل توجهی بر صنعت حسابداری داشته است. اخیراً، علاقه فزاینده ای به کاربردهای هوش مصنوعی در حرفه هایی وجود دارد که فرآیندهای زیادی دارند که می توانند به راحتی خودکار شوند. خوش بینی گسترده ای وجود دارد که سیستم های هوش مصنوعی می توانند منجر به نوآوری های جدید یا بهبود فرآیندهای موجود شوند. این مطالعه بر برخی از کاربردهای هوش مصنوعی در حرفه های حسابداری، امور مالی، اقتصاد، کسب وکار و مدیریت تمرکز دارد. این مطالعه درک اولیه ای از چگونگی مفید بودن هوش مصنوعی در این حرفه ها ارائه می دهد. همچنین برخی از بینش ها را در مورد خطرات ناشی از استفاده از هوش مصنوعی ارائه می کند. با استفاده از روش شناسی مروری، این مطالعه نشان می دهد که هوش مصنوعی می تواند به سازمان ها در دستیابی به دقت بیشتر، کاهش هزینه ها و افزایش کارایی کمک کند. همچنین برخی از بینش ها را در مورد خطرات ناشی از استفاده از هوش مصنوعی ارائه می کند. هوش مصنوعی کاربرد

هدف : این مطالعه با هدف ارائه تحلیلی بیبلیومتریک از روندها و فرصت های پژوهشی در حوزه بیمه و هوش مصنوعی انجام شده است. با شناسایی کاربردهای هوش مصنوعی در صنعت بیمه، تلاش شده است تا چشم انداز جامعی از توسعه دانش و روندهای کلیدی در این زمینه ارائه شود. روش : با استفاده از پایگاه داده وب آو ساینس، 837 سند علمی از سال 1985 تا 2024 جمع آوری و تحلیل شدند. ابزارهای بیبلیومتریک مانند بسته نرم افزاری Bibliometrix و VOSviewer برای تحلیل داده ها، نقشه برداری علمی، و تحلیل استنادی و هم استنادی استفاده شده اند. تمرکز اصلی بر تحلیل روندهای تحقیقاتی، ساختارهای مفهومی و شبکه های همکاری علمی بوده است. یافته ها : نتایج نشان می دهد که حوزه بیمه و هوش مصنوعی به عنوان یک زمینه میان رشته ای در حال گسترش است. در ابتدا پژوهش ها بر عوامل اجتماعی و اقتصادی متمرکز بوده اند، اما اخیراً موضوعاتی مانند تحلیل ریسک، تشخیص تقلب و استفاده از یادگیری ماشین و شبکه های عصبی برای بهبود فرآیندهای بیمه ای بیشتر مورد توجه قرار گرفته اند. همچنین، ایالات متحده و چین به عنوان کشورهای پیشرو در تولید علم و همکاری های بین المللی در این حوزه شناخته شدند. نتیجه گیری: این مطالعه تأکید می کند که هوش مصنوعی به عنوان یکی از ابزارهای کلیدی برای تحول در صنعت بیمه، بهینه سازی هزینه ها، و افزایش کارایی خدمات محسوب می شود. یافته ها مسیرهای جدیدی برای تحقیقات آینده، شامل بررسی چالش های حقوقی، امنیت داده ها، و توسعه چارچوب های استاندارد برای بهره برداری از فناوری های هوش مصنوعی، پیشنهاد می دهد. این رویکرد می تواند به بهبود مدیریت ریسک و ارتقاء تجربه مشتریان در صنعت بیمه منجر شود.

با رشد روزافزون علوم نوپدید به خصوص هوش مصنوعی و توسعه آن در صنایع مختلف و زندگی روزمره انسان ها، عرصه صنایع نظامی از جمله مواردی است که بیشترین سرمایه و مطالعه در این زمینه را به خود اختصاص خواهد داد. این مهم به خصوص در ارتش های پیشرفته دنیا و تجهیزات مورد استفاده آنان نمو داشته است و روزانه در حال پیشبرد اهداف و چشم اندازهای علمی و پژوهشی در این حوزه می باشند. با توجه به سرعت رشد این فناوری و مخاطرات مرتبط با آن، لازم است پتانسیل ها و تهدیدهای آن با جزئیات بیشتری در کلیه ی حوزه ها مورد بررسی قرار گیرد. در این پژوهش برآنیم که شاخه های هوش مصنوعی که می توانند کاربرد نظامی داشته باشند را شناسایی کنیم و مزایا و معایب موجود در این فناوری را بررسی نماییم. جهت دستیابی به اهداف این پژوهش، منابع مختلف در حوزه هوش مصنوعی و حوزه نظامی گردآوری شده و نتایج حاصله آنها تجمیع شده است. در نتایج پژوهش حاضر، ضمن بررسی مختصر از تاریخچه و تئوری های هوش مصنوعی، شاخه های یادگیری ماشین، یادگیری عمیق و بینایی ماشین که بیشترین قابلیت را در کاربری نظامی دارند بررسی کرده ایم. سپس ضمن مرور تجربیات دیگر کشورها دراستفاده نظامی از این فناوری، مزایا، چالش ها و تهدیدهای مرتبط با این فناوری را ارائه کرده ایم.

پایان دادن به فقر، نخستین هدف از اهداف اصلی توسعه پایدار است و بهره گیری از نوآوری های اجتماعی و فناورانه، ازجمله راهبردهای کلیدی برای دستیابی به این مهم قلمداد می شود. با این وجود، همچنان چارچوبی منسجم که شیوه نقش آفرینی هوش مصنوعی در توانمندسازی نوآوری اجتماعی برای کاهش فقر چندبُعدی را تبیین کند، به طور نظام مند ارائه نشده است. در این پژوهش، با تکیه بر رویکرد مفهومی نوآوری اجتماعی دیجیتال، به شکل دهی راه حل های نوین اجتماعی برای رفع فقر چندبُعدی جهت رفع این شکاف، پرداخته شده است. مطالعه کنونی با رویکرد کیفی و روش فراترکیب، به تحلیل نظام مند ۳۰ مقاله علمی برتر از پایگاه داده وب آوساینس در بازه زمانی ۲۰۱۰ تا ۲۰۲۴ پرداخته است. طی فرایند تحلیل مقالات، شناسه گذاری سه مرحله ای، اعتبارسنجی یافته ها و سپس تلفیق آنها در یک چارچوب مفهومی پنج بُعدی اعم از کارکردهای هوش مصنوعی، موانع، پیش نیازهای موفقیت، پیامدها و شرایط زمینه ای انجام شد. یافته های پژوهش نشان می دهد که هوش مصنوعی می تواند از طریق مقیاس بندی ظرفیت جمعی، تسهیل کنش جمعی مبتنی بر داده، ایجاد بسترهای نوآوری مشارکتی و ارتقاء حکمرانی داده محور، نوآوری اجتماعی را شتاب داده و مسیرهای جدیدی برای کاهش فقر بگشاید. این پژوهش رویکرد مفهومی نوآوری اجتماعی دیجیتال را به طور خاص برای عصر هوش مصنوعی توسعه می دهد.

طراحی یک مدل هوشمند اعطای تسهیلات بانکی می تواند بسیار از دغدغه ها و نگرانیهای سیستم بانکی را در خصوص بازپرداخت وامهای اعطای شده و افزایش وامهای غیر عملیاتی را کاهش دهد. برای این منظور لازم است با بهره گیری از الگوریتمهای هوش مصنوعی چنین مدلی طراحی شود. در این تحقیق هدف طراحی یک مدل اعطای تسهیلات بانکی هوشمند بر اساس کلان داده و بر اساس مشخصه های جمعیت شناختی وضعیت کسب و کار و پرداختهای گذشته مشتریان می باشد. مدل شامل 12 متغیر بود که داده های آن از سیستم بانکی جمع اوری شده و سپس با کمک الگوریتمهای یادگیری ماشین پیاده سازی شد. سه الگوریتم کا نزدیکترین همسایه، درخت تصمیم و جنگل تصادفی در تحقیق حاضر استفاده شد که نتایج نشان می دهد الگوریتم درخت تصمیم با دقت 99.6 درصد در بالاترین سطح قادر به پیش بینی رفتار بازپرداخت مشتریان بوده و این امر نشان می دهد که متغیرهای 12 گانه معرفی شده تا بیش از 99 درصد می توانند بازپرداخت مشتریان را بر اساس سه دسته مشتریان با ریسک بالا، متوسط و ریسک اندک دسته بندی نمایند.

هدف: هدف پژوهش حاضر ارائه چارچوبی برای کاربردهای یادگیری ماشین در مدیریت دانش سازمانی در بانک کشاورزی، با استفاده از تکنیک فرایند تحلیل شبکه فازی می باشد. روش: پژوهش حاضر از نظر هدف تحقیق از نوع کاربردی و از نظر گردآوری داده ها توصیفی-پیمایشی است. جامعه آماری شامل کارشناسان فناوری اطلاعات و توسعه منابع انسانی و مدیران شعب بانک کشاورزی به عنوان خبرگان آشنا می باشد که از طریق روش نمونه گیری هدفمند 10 نفر انتخاب شده است. ابزار جمع آوری اطلاعات سه پرسشنامه دلفی، دیمتل و پرسشنامه مقایسه زوجی است. به منظور تجزیه و تحلیل داده ها و اطلاعات از روش های آمار توصیفی و استنباطی استفاده شد. پس از گردآوری اطلاعات، ابتدا اطلاعات خام کدگذاری و طبقه بندی و طی تکنیک دلفی فازی به متغیرهای تحقیق تبدیل گردید. سپس با استفاده از آمار توصیفی شاخص های گرایش به مرکز و پراکندگی اعضای نمونه تحقیق محاسبه شد و به منظور بررسی معیارها از فرایند تحلیل شبکه ای فازی و دلفی فازی استفاده گردید. در تجزیه و تحلیل داده های تحقیق از نرم افزار اکسل و سوپر دسیژن استفاده شده است. یافته ها: معیارها و زیرمعیارهای مؤثر بر مدیریت دانش در سیستم بانکداری با رویکرد یادگیری ماشین در 4 معیار کلی و 17 زیرمعیار به این شرح شناسایی گردیدند: عوامل زیرساختی (حفاظت از اطلاعات شخصی، سخت افزار و نرم افزار، ارتباطات، حفاظت فیزیکی)؛ عوامل محیطی (فرهنگ و جو سازمانی، قوانین و مقررات سازمانی، زمان ارائه دانش، حمایت مدیریتی)؛ عوامل محتوایی (نوع دانش، نیروی انسانی متخصص و با دانش، موقعیت ارائه دانش، تدوین محتوا)؛ فرایند مدیریت دانش (خلق دانش، کسب دانش، تبدیل دانش، بکارگیری دانش، نیازسنجی دانش). به منظور اولویت بندی شاخص ها با تکنیک تحلیل شبکه فازی، پس از محاسبه سوپر ماتریس حدی، محاسبه نتایج ماتریس خوشه ها و نرمال سازی ضریب زیرمعیارها در ابر ماتریس حدی، توسط ضریب خوشه ها می باشد که بر اساس محاسبات صورت گرفته و سوپر ماتریس حد، اولویت نهایی عوامل زیرساختی با وزن حدی 43683/0 بیشترین تأثیر و عوامل محتوایی با وزن حدی 04817/0 کم ترین تأثیر را بر حفظ مدیریت دانش در سیستم بانکی با در نظر گرفتن رویکرد یادگیری ماشین دارند. نتیجه گیری: با توجه به نتایج به دست آمده عوامل زیرساختی دارای بیشترین تاثیر و عوامل محتوایی کم ترین تأثیر را در حفظ مدیریت دانش در سیستم بانکی با در نظر گرفتن رویکرد یادگیری ماشین دارند.

هدف: اطلاعات غلط یا تأیید نشده، دقیقاً مانند اطلاعات دقیق در وب منتشر می شوند. بنابراین، ممکن است ویروسی شوند و بر افکار عمومی و تصمیمات آن تأثیر بگذارند. اخبار جعلی و شایعات به ترتیب محبوب ترین اشکال اطلاعات دروغ و تأیید نشده را نشان می دهند و برای جلوگیری از تأثیرات چشمگیر آنها باید در اسرع وقت کشف شوند. علاقه به تکنیک های مؤثر در شناسایی، در سال های اخیر بسیار سریع در حال افزایش است. مسئله تشخیص اخبار جعلی به عنوان یک مسئله طبقه بندی در پردازش زبان طبیعی و متن کاوی شناخته می شود و هدف آن تفکیک و تشخیص اخبار جعل از واقعی، در متن های استخراج شده و بهبود در دقت تشخیص اخبار جعلی است. شبکه های عصبی کانولوشن به عنوان یکی از مهم ترین مدل های یادگیری عمیق دقت بالایی را بر روی این مسائل بدست آورده اند. این شبکه ها شامل مشکلاتی مثل عدم در نظر گرفتن موقعیت کلمات می باشند که مسأله مذکور با استفاده از شبکه کپسول برطرف گردیده و جهت حل مشکل پردازش سنگین لایه های تمام متصل و فضای پارامتریک الگوریتم های XGBOOST و بهینه سازی ازدحام انبوه ذرات (PSO) برای دستیابی به دقت و صحّت بهینه پیشنهاد شده است. روش : مطالعه حاضر پژوهشی کاربردی بوده که در آن حدود 42000 اخبار فارسی از شهرهای مختلف ایران از توییتر جمع آوری شده و با استفاده از روش های پاک سازی و پیش پردازش، اطلاعات اضافی حذف و پس از برچسب زدن، اخبار آماده به کارگیری جهت رویکرد پیشنهادی با استفاده از نرم افزار پایتون و کتابخانه های مربوطه با الگوریتم های یادگیری ماشین و یادگیری عمیق شد. یافته ها: طی بررسی، آزمایش و تست، برخی از الگوریتم های یادگیری ماشین دارای قدرت بیشتری در مسائل طبقه بندی بودند، ولی با تغییرات و اعمال روش های پیشنهادی که در ساختار الگوریتم شبکه کانولوشن و شبکه کپسول صورت گرفت، نتایج بهینه نسبت به الگوریتم های یادگیری ماشین و سایر الگوریتم های پایه و الگوریتم های مورد ارزیابی بدست آمد. نتیجه گیری: راهکارهای پیشنهادی در این تحقیق در مقایسه با رویکردهای الگوریتم های پایه و یا راهکارهای صورت گرفته جهت حل مشکلات مذکور بدون اضافه کردن سربار اضافی از لحاظ تعداد ویژگی ها و عمق شبکه، با تغییر در ورودی توانسته است به نتایج بهتر و قابل قبول از سایر رویکردهای موجود در ادبیات دست یافته و به دقت و صحّت حدود 96 درصد دست یابد.  

هدف: چالش های بهداشتی بدون شک مهم ترین موانع توسعه پایدار جهانی است و با مشکلات اجتماعی و اقتصادی مختلف و ناکافی بودن منابع رشد می کند. در مقابل سلامت جامعه به توسعه اقتصاد ملی و جهانی کمک کرده و بنابراین در شکل گیری ثبات و رفاه یک ملت یا منطقه، نقش زیادی دارد. امروزه با توجه به مهم بودن مسئله سلامت در حوزه بیماری های واگیر، وجود سیستمی به منظور پیش بینی و کنترل همه گیری ها لازم است؛ زیرا با پیشگیری از شیوع همه گیری، می تواند علاوه بر ارزش بالای انسانی در جوامع، سودآوری اقتصادی نیز برای نظام های سلامت داشته باشد. بنابراین، مطالعه حاضر با هدف توسعه الگوریتم هوش مصنوعی بر پایه ویژگی های بدست آمده از اینترنت اشیاء برای تشخیص سریع کووید19 انجام شده است. روش: روش پژوهش حاضر از نظر پارادایم، تفسیری و از لحاظ استراتژی اکتشافی است. همچنین براساس نوع گردآوری داده ها از نوع پژوهش های کیفی بوده و با توجه به توسعه الگوریتم، روش تحقیق در این پژوهش مبتنی بر علم طراحی است. رویکرد تحقیق آینده نگر است، به طوری که مکانیزم انتقال بیماری و ویژگی های تاثیرگذار آن، ما را قادر به پیش بینی هایی در مورد بیماری و در نتیجه طرح استراتژی های کنترل بیماری و مراقبت های بهداشتی می نماید. این پژوهش در یک فرآیند 7 مرحله ای انجام شد. ویژگی های اینترنت اشیاء در پژوهش حاضر با نظر خبرگان استخراج گردید و ویژگی های بدست آمده در آزمایش الگوریتم «درخت تصمیم» بر روی داده ها، برای تعیین بهترین مدل ایجاد شد. یافته ها: نتایج مرور سیستماتیک رشد سریع مستندات از سال 2015 را نشان داد که می تواند نشان دهنده کاربردی شدن حوزه های مختلف فناوری اطلاعات مانند اینترنت اشیاء و یادگیری ماشین در زمینه سلامت عمومی و پیش گیری از بیماری های واگیر باشد. در الگوریتم مقادیر K از 1 تا 20 همسایگی محاسبه شد و بهترین دقت در K برابر 2 بدست آمد. بنابراین، برای پیش بینی بیماری کووید19، دقت الگوریتم بالاتر از 98 درصد است. پس از محاسبه دقت، تحلیل ماتریس ابهام نشان داد در K برابر 2، حساسیت 99 درصد و ویژگی 92 درصد است. نتیجه گیری: مقایسه نتایج الگوریتم نشان می دهد که علاوه بر دقت، حساسیت و ویژگی بدست آمده، بالاتر از روش های سنّتی تشخیص بیماری های واگیردار است. همچنین به دلیل نداشتن ویژگی های پیچیده غیرضروری که صرفاً زمان پیاده سازی مدل را افزایش می دهند، الگوریتم در چند دقیقه ران شده و بنابراین سرعت تشخیص بسیار بالا است. حساسیت بالای 99 درصد که نشان دهنده کم ترین موارد منفی کاذب است، در این پژوهش بدست آمد و بنابراین الگوریتم پیشنهادی برای شناسایی حداکثر افراد مبتلاء به کووید19 بسیار مناسب و کاربردی است.  

هدف: پژوهش حاضر درصدد ارائه مدلی برای استنتاج خودکار روابط بین اصطلاحات در اصطلاح نامه علوم اسلامی با استفاده از شبکه های پیچشی گرافی (GCN) بود، تا با استفاده از الگوریتم های جدید در حوزه یادگیری عمیق بتواند از اطلاعات موجود در اصطلاح نامه علوم اسلامی، سرعت، دقت و جامعیت را افزایش داده و موجب کاهش هزینه ها و در عین حال باعث بهبود روابط بین اصطلاحات شود. روش: پژوهش حاضر، از روش شبکه های پیچشی گرافی که یکی از مهم ترین روش های مطرح در حوزه یادگیری عمیق بوده و قادرند در کنار توجه به ویژگی های هر گره، از الگوهای روابط در گراف نیز سود بجویند، استفاده کرده است. دیتاست مورد مطالعه عبارت است از کلیه اصطلاحات اصطلاح نامه علوم اسلامی، که از سال 1372 تا ابتدای 1400 تولید شده، و به صورت یک گراف در نظر گرفته شده اند. اصطلاحات به عنوان رئوس و ارتباط بین اصطلاحات به عنوان یال های این گراف هستند و این گراف به عنوان ورودی، به شبکه پیچشی گرافی داده شده و مدلی برای استنتاج خودکار ارتباطات حاصل شده است. به منظور تجزیه و تحلیل خروجی های حاصل، از معیارهای AP و Roc استفاده شد. یافته ها: یافته های پژوهش نشان داد که میانگین دقت مدل بدست آمده برای داده های تست، 75 درصد و همچنین امتیاز  Rocحاصل شده، برای داده های تست، 72 درصد می باشد، و با توجه به اینکه این روش در حوزه علوم اسلامی و اصطلاح نامه ها برای اولین بار مورد استفاده قرار، نتایج قابل قبول است. نتیجه گیری: علی رغم چرخش نظر از اصطلاح نامه ها به هستی شناسی ها، هنوز هم استفاده از اصطلاح نامه ها، مخصوصاً در کشور ایران مورد توجه است. در مقایسه با پژوهش های قبلی، روش استفاده شده برای ساخت اصطلاح نامه، متفاوت بوده و نتایج بدست آمده موجب اطمینان بیشتری است و در نتیجه در اهداف مختلف کاربرد اصطلاح نامه ازجمله نمایه سازی خودکار، خروجی های بهتری بدست آمده است. شیوه های جدید در پردازش زبان طبیعی و یادگیری عمیق نیز ما را در بازیابی اطلاعات و نمایه سازی خودکار امیدوارتر می کند.  

قوانین استخراج شده از داده ها یکی از مهم ترین و کاربردی ترین اشکال نمایش دانش هستند که در حوزه های مختلفی مانند سیستم های خبره، پشتیبانی تصمیم و کنترل خودکار کاربرد دارند. روش های استخراج قانون به دلیل شفافیت و تفسیرپذیری بالا به محققان امکان می دهند که الگوها و روابط زیربنایی درون داده ها را درک کنند. از این رو، رویکردها و الگوریتم های متعددی برای استخراج قانون از داده ها توسعه یافته که هر یک نقاط ضعف و قوت مربوط به خود را دارند. این مقاله با استفاده از روش مرور نظام مند به بررسی روش های استخراج قانون در حوزه داده کاوی پرداخته است. در این پژوهش 678 مقاله از پایگاه های علمی معتبر جمع آوری شد و پس از غربالگری، 19 مقاله برای تحلیل نهایی انتخاب شدند. تحلیل ها در سه بخش انجام شده است: 1) تحلیل نقادانه راهبرد های استخراج قوانین و معیارهای تحلیل عملکرد آن ها، 2) شناسایی شکاف های پژوهشی بر اساس تحلیل های صورت گرفته با هدف ارائه زمینه های مطالعاتی برای تحقیقات آینده، و 3) تحلیل محتوای متنی پژوهش ها با استفاده از ابزارهایی مانند VOS viewer برای شناسایی مفاهیم کلیدی و ارتباطات میان آن ها. نتایج این پژوهش می تواند به توسعه الگوریتم های کارآمدتر استخراج قانون در حوزه های مختلف کمک کرده و زمینه ساز تحقیقات آینده در این حوزه باشد .

هدف این پژوهش شناسایی و دسته بندی نظرات کاربران فارسی زبانِ «توئیتر» در رابطه با موضوع بحران های خشکسالی در ایران و سپس، توسعه مدلی برای تشخیص این نظرات در پلتفرم «توئیتر» است. ازاین رو، مدلی با کمک روش های یادگیری ماشین و متن کاوی برای تشخیص نظرات کاربران فارسی زبانِ «توئیتر» توسعه داده شد. جامعه آماری پژوهش، تعداد 42028 توئیت منتشرشده در بازه زمانی یک ساله مرتبط با خشکسالی بود. این توئیت ها با کلیدواژه های مرتبط با مسایل و بحران های خشکسالی در ایران، از «توئیتر» استخراج شد و سپس، یک نمونه 2300تایی توئیت به روش کیفیِ تحلیل تم، برچسب گذاری، دسته بندی و تحلیل شد. آنگاه یک دسته بندی چهارتایی از نظرات کاربران در رابطه با بحران های خشکسالی و تاب آوری ایرانیان در برابر این بحران ها شناسایی گردید. سپس، مبتنی بر این چهار دسته، مدل یادگیری ماشین بر اساس روش رگرسیون لجستیک برای پیش بینی و تشخیص انواع نظرات در پست های «توئیتر»، آموزش داده شد. مدل توسعه داده شده دارای دقت 09/66 درصد و معیار افِ 60 درصد است که نشان می دهد این مدل، برای تشخیص نظرات کاربران ایرانی در ارتباط با بحران های خشکسالی از عملکرد خوبی برخوردار است. تشخیص نظرات در رابطه با بحران های خشکسالی در پلتفرم های اجتماعی مانند «توئیتر» از نیازهای سیاست گذاران و مدیران این حوزه است. توسعه مدل تشخیص این نظرات با روش های یادگیری ماشینی می تواند میزان تاب آوری جامعه ایرانی در برابر این بحران ها را به صورت هوشمند به سیاست گذاران نمایش داده و آن ها را نسبت به تغییرات افکار عمومی در این رابطه آگاه سازد.

هدف : در سال های اخیر، بهره برداری بهینه از تصفیه خانه های آب با چالش های متعددی از جمله نوسانات کیفیت آب، افزایش هزینه های عملیاتی و نیاز به تصمیم گیری سریع و هوشمند مواجه شده است. در این راستا، استفاده از فناوری های نوین مدیریت دانش، داده کاوی و هوش مصنوعی به عنوان ابزارهای توانمند برای بهینه سازی فرایندهای عملیاتی اهمیت یافته است. هدف این پژوهش، ارزیابی تأثیر الگوریتم های یادگیری ماشین بر بهینه سازی عملکرد تصفیه خانه کوت امیر اهواز با تأکید بر نقش مدیریت دانش بوده است. روش پژوهش : این پژوهش از نوع کاربردی و با رویکرد داده محور انجام شده است. جامعه پژوهش شامل بیش از 40,000 رکورد داده های واقعی ثبت شده طی پنج سال از پارامترهای کیفی و عملیاتی تصفیه خانه کوت امیر بود. داده ها پس از گردآوری، پیش پردازش و نرمال سازی شدند و در قالب دو مجموعه آموزشی (%70) و آزمون (%30) مورد استفاده قرار گرفتند. سه مدل یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) برای پیش بینی کیفیت آب و بهینه سازی مصرف مواد شیمیایی مورد ارزیابی قرار گرفتند. از برنامه نویسی Python و نرم افزارهای SPSS و Excel برای تحلیل و مدل سازی داده ها استفاده شد. یافته ها : نتایج ارزیابی مدل ها نشان داد که مدل شبکه عصبی مصنوعی با دقت ۹۴.۷ درصد و شاخص تعیین ۰.۹۱، بهترین عملکرد را در پیش بینی تغییرات کیفیت آب داشته است. مدل جنگل تصادفی نیز با دقت ۹۲.۱ درصد و شاخص تعیین ۰.۸۸، توانایی بالایی در شناسایی الگوهای پیچیده کیفیت آب نشان داد. مدل ماشین بردار پشتیبان با دقت ۸۹.۳ درصد و خطای بالاتر، عملکرد کمتری داشت. پیاده سازی مدیریت دانش با استفاده از این مدل ها منجر به پیش بینی بهبود کیفیت آب خروجی و چگونگی تسهیل انتقال دانش عملیاتی به اپراتورها می گردد. نتیجه گیری : نتایج نشان می دهد که ادغام مدیریت دانش و یادگیری ماشین، راهکاری مؤثر برای بهینه سازی عملکرد تصفیه خانه های آب است و می تواند به عنوان الگویی برای سایر تأسیسات مشابه مورد استفاده قرار گیرد. بهره گیری از فناوری های نوین، می تواند در پیش بینی و انتقال دانش در سازمان های داده محور مؤثر باشد.

هدف از پژوهش حاضر بررسی عملکرد چند روش یادگیری ماشین در دسته بندی اشعار فارسی به دو گروه تلمیح دار و بدون تلمیح است. به این منظور، از روش های نظارت شده بیز ساده، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی، k نزدیک ترین همسایه، رگرسیون لجستیک و الگوریتم پرسپترون چندلایه استفاده شد. پس از جمع آوری داده های برچسب خورده در قالب دو فایل متنی، هرکدام از ابیات به بردار عددی تبدیل شدند. پس از ادغام داده ها و تقسیم آنها به دو دسته آموزش و آزمون، الگوریتم مدنظر بر روی داده های آموزشی پیاد ه سازی و بر روی داده های آزمون، آزمایش گردید تا دقت عملکرد الگوریتم سنجیده شود. خروجی هر الگوریتم، برچسب پیش بینی شده توسط ماشین برای ابیات موردنظر بود و برای ارزیابی الگوریتم ها از روش LOOCV استفاده شد. نتایج ارزیابی نشان داد که الگوریتم های بیز ساده 09/76%، رگرسیون لجستیک 09/76%، پرسپترون چند لایه 22/75% و ماشین بردار پشتیبان 35/74% نسبت به الگوریتم های دیگر عملکرد بهتری دارند. درمجموع و با توجه به سایر معیارها، از جمله معیار اف 1 و زمان اجرا، می توان گفت که بهترین عملکرد مربوط به الگوریتم بیز ساده بود.

امروزه یکی از چالش های اصلی کلان شهرها، بافت های فرسوده شهری است. زیست پذیری به عنوان یکی از شاخص های مهم در بررسی وضعیت این بافت ها می تواند در شناسایی نیاز آن ها کمک کند. تحقیق حاضر با هدف استفاده از روش های مدل سازی یادگیری ماشین برای تحلیل داده های مربوط به زیست پذیری بافت فرسوده شهری در منطقه 7 تهران، شامل کشف الگوها و ساختارها در پاسخ های پرسشنامه و پیش بینی و ارزیابی آن ها انجام شده است. پژوهش از نظر هدف کاربردی و از حیث ماهیت و روش توصیفی -پیمایشی می باشد. جامعه آماری در این تحقیق، ساکنان محلات بافت فرسود منطقه هفت تهران با تعداد 190228 هزار نفر است و حجم نمونه آماری 383 نفر است که به صورت نمونه گیری احتمالی به روش تصادفی ساده انتخاب شده اند. داده های پژوهش با دو الگوریتم رگرسیون جنگل تصادفی و k-means مورد تحلیل قرار گرفتند. نتایج نشان داد که با استفاده از الگوریتم رگرسیون جنگل تصادفی سطح زیست پذیری هشت محله مورد پیش بینی قرار گرفت که محله گرگان با بالاترین امتیاز و محله شاهد با کمترین امتیاز زیست پذیری شناسایی شدند. و همچنین با استفاده از این الگوریتم ده گویه برتر با توجه به سؤالات پرسشنامه بر اساس اهمیت تشخیص داده شدند که عواملی مانند دسترسی به حمل ونقل عمومی، مراکز بهداشتی در بالاترین رتبه ها قرار داشتند. الگوریتم k-means داده های پرسشنامه را بر اساس شباهت ها در پاسخ ها به پنج خوشه تقسیم کرد تا الگوها و نیازهای متفاوت ساکنان را شناسایی نماید که در این الگوریتم، خوشه یک با 24 درصد از پاسخ دهندگان نارضایتی بالایی از کیفیت محیط زیست شهری و بهداشت عمومی را نشان دادند.

مقدمه انرژی نقشی حیاتی در توسعه پایدار و بهبود کیفیت زندگی انسان ایفا می کند. با افزایش تقاضای جهانی برای انرژی، به ویژه در کشورهای در حال توسعه، نیاز به گذار به سمت منابع انرژی تجدیدپذیر بیش از پیش احساس می شود. در میان این منابع، انرژی خورشیدی و به ویژه فناوری فتوولتائیک (PV) به دلیل پایداری زیست محیطی، نبود کربن و ظرفیت قابل توجه در کاهش تغییرات اقلیمی جایگاه ویژه ای دارد. ایران، به دلیل قرار گرفتن در منطقه ای با پتانسیل بالای تابش خورشیدی، موقعیت مناسبی برای بهره برداری از انرژی خورشیدی دارد. این کشور با میانگین سالانه 1800 کیلووات ساعت بر مترمربع تابش خورشیدی و بیش از 280 تا 300 روز آفتابی در سال، فرصت ایده آلی برای توسعه نیروگاه های خورشیدی فراهم آورده است. با این حال، علی رغم این ظرفیت چشمگیر، ایران هنوز به طور کامل از انرژی خورشیدی بهره برداری نکرده است که یکی از دلایل اصلی آن، چالش های مربوط به انتخاب مکان های بهینه برای احداث نیروگاه هاست. اثربخشی پروژه های نیروگاه خورشیدی به شدت به انتخاب مناسب ترین مکان ها برای احداث نیروگاه وابسته است. انتخاب بهینه مکان نه تنها بازدهی تولید انرژی را به حداکثر می رساند، بلکه اثرات زیست محیطی و هزینه های اقتصادی را نیز کاهش می دهد. در مقابل، انتخاب نامناسب مکان می تواند به کاهش راندمان، اتلاف منابع مالی و تشدید تخریب محیط زیست منجر شود. بنابراین، نخستین گام در توسعه نیروگاه های خورشیدی، شناسایی مناطقی با پتانسیل بالای تابش خورشیدی و سایر عوامل کلیدی مانند دسترسی به شبکه برق، منابع آب و زیرساخت هاست. روش های تصمیم گیری چندمعیاره (MCDM) ابزارهای مؤثری برای ارزیابی عوامل مختلف در مکان یابی هستند. همچنین، سیستم های اطلاعات مکانی (GIS) در تحلیل داده های مکانی ارزشمند بوده و امکان ارزیابی دقیق و تصمیم گیری آگاهانه را فراهم می کنند. در سال های اخیر، تکنیک های یادگیری ماشین نیز به عنوان رویکردی نوین برای بهینه سازی فرایند مکان یابی نیروگاه های خورشیدی مطرح شده اند. مواد و روش ها این پژوهش با ترکیب روش های تصمیم گیری چندمعیاره (MCDM)، سیستم اطلاعات مکانی (GIS) و تکنیک های یادگیری ماشین به انتخاب بهینه مکان نیروگاه های خورشیدی در استان فارس می پردازد. در گام نخست، نه معیار کلیدی شامل تابش خورشیدی، دما، شیب، بارش، ارتفاع و نزدیکی به زیرساخت ها شناسایی شد. با استفاده از GIS لایه های مکانی مربوط به این معیارها تولید شد. سپس، دو روش تصمیم گیری چندمعیاره، شامل روش بهترین بدترین (BWM) و روش SWARA، برای وزن دهی به معیارها به کار گرفته شدند و نظریه تلفیق اطلاعات دمپستر شفر برای افزایش قابلیت اعتماد وزن ها از طریق ادغام نتایج دو روش استفاده شد. نقشه تناسب اراضی برای مکان یابی نیروگاه های خورشیدی با استفاده از روش مارکوس تهیه شد.  در مرحله بعد، یادگیری ماشین و به طور مشخص رگرسیون بردار پشتیبان (SVR) به کار گرفته شد تا مناسب ترین مناطق برای احداث نیروگاه های خورشیدی پیش بینی شود. فراپارامترهای مدل SVR با استفاده از الگوریتم تکاملی گرگ خاکستری (GWO) بهینه سازی شدند. مدل SVR با داده های مرجع حاصل از نقشه تناسب اراضی تولیدشده توسط روش مارکوس آموزش داده شد. این رویکرد ترکیبی امکان تهیه نقشه ای با قابلیت اعتماد بالا برای مکان یابی نیروگاه های خورشیدی را فراهم کرد و دیدگاه های ارزشمندی درباره ظرفیت توسعه انرژی های تجدیدپذیر در استان فارس ارائه داد. یافته ها نتایج نشان داد بر اساس روش مارکوس، 14 درصد از منطقه مورد مطالعه در استان فارس برای احداث نیروگاه های خورشیدی بسیار مناسب بوده است؛ در حالی که رویکرد مبتنی بر یادگیری ماشین این مقدار را 34 درصد برآورد کرده است. در مجموع، 48 درصد از مساحت استان به عنوان مناطق دارای تناسب خیلی زیاد برای تولید انرژی خورشیدی شناسایی شد. مناطق شمالی، شمال شرقی و مرکزی استان، شامل شهرستان های آباده، سرچهان، پاسارگاد و بوانات به عنوان مکان های اولویت دار برای توسعه نیروگاه های خورشیدی پیشنهاد شدند. علاوه بر این، تحلیل ها نشان داد رویکرد مبتنی بر یادگیری ماشین نسبت به روش مارکوس پیش بینی دقیق تری ارائه می دهد. مدل SVR بهینه شده با الگوریتم GWO به دقت پیش بینی بالایی دست یافت، به طوری که ضریب تعیین (R²) برای داده های آموزشی برابر با 0/9975 و برای داده های آزمون برابر با 0/9923 بود. همچنین، این مدل 48 درصد از منطقه را به عنوان بسیار مناسب برای احداث نیروگاه های خورشیدی طبقه بندی کرد، در حالی که روش مارکوس تنها 39 درصد از منطقه را در این دسته قرار داده بود. ترکیب روش های MCDM، GIS و یادگیری ماشین که در این پژوهش ارائه شد، چارچوبی قدرتمند برای مکان یابی نیروگاه های خورشیدی فراهم می آورد. ادغام MCDM با GIS رویکردی جامع برای ارزیابی عوامل متعدد ارائه می کند، در حالی که افزودن یادگیری ماشین دقت و کارایی انتخاب مکان را افزایش می دهد. نتایج نشان می دهد یادگیری ماشین می تواند به طور چشمگیری قابلیت اعتماد پیش بینی ها را به ویژه در مواجهه با داده های پیچیده مکانی و محیطی بهبود بخشد. یافته های این تحقیق با مطالعات پیشین در حوزه مکان یابی نیروگاه های خورشیدی همخوانی دارد و اهمیت در نظر گرفتن عواملی همچون تابش خورشیدی، نزدیکی به زیرساخت ها و شرایط محیطی را برجسته می سازد. همچنین، استفاده از یادگیری ماشین، نقش فزاینده هوش مصنوعی در بهینه سازی فرایندهای تصمیم گیری در پروژه های انرژی های تجدیدپذیر را تأیید می کند. نتیجه گیری با توجه به ضرورت توسعه انرژی های تجدیدپذیر، مکان یابی بهینه نیروگاه های خورشیدی از اهمیت ویژه ای برخوردار است. در این پژوهش، ۹ معیار اقلیمی، توپوگرافی و زیرساختی شامل پتانسیل فتوولتائیک، تابش نرمال مستقیم، دما، بارندگی، شیب، فاصله از راه ها، فاصله از گسل ها، ارتفاع و فاصله از مراکز شهری بر اساس مطالعات پیشین انتخاب و با استفاده از رویکرد تصمیم گیری چندمعیاره و روش های وزن دهی BWM و SWARA مورد تحلیل قرار گرفت. نتایج نشان داد پتانسیل فتوولتائیک و تابش نرمال مستقیم مهم ترین معیارها در فرایند مکان یابی هستند. برای افزایش دقت، وزن ها با تئوری دمپستر شفر ترکیب شدند و نقشه تناسب اراضی با روش مارکوس تهیه شد. سپس، با استفاده از الگوریتم بهینه سازی گرگ خاکستری، مدل SVR تنظیم و نقشه تناسب پیش بینی شد که نشان داد حدود 48 درصد از استان فارس از تناسب زیاد و خیلی زیاد برای احداث نیروگاه برخوردار است. در نهایت، شهرستان های آباده، سرچهان، پاسارگاد، بوانات و خرم بید به عنوان اولویت های اصلی شناسایی شدند. نتایج این تحقیق می تواند راهنمای ارزشمندی برای سیاست گذاران و سرمایه گذاران در توسعه پایدار انرژی خورشیدی باشد. این پژوهش اثربخشی ترکیب روش های تصمیم گیری چندمعیاره، سیستم اطلاعات مکانی و یادگیری ماشین را در بهینه سازی فرایند مکان یابی نیروگاه های خورشیدی نشان داد. به کارگیری یک چارچوب تصمیم گیری ترکیبی به توسعه انرژی خورشیدی در ایران و مناطق مشابه با پتانسیل بالای تابش خورشیدی کمک می کند. نتایج این مطالعه دیدگاه های ارزشمندی برای برنامه ریزان انرژی، سیاست گذاران و سرمایه گذاران در انتخاب مکان های مناسب برای زیرساخت های خورشیدی فراهم می آورد. این رویکرد علاوه بر بهینه سازی تولید انرژی، به پایداری محیط زیستی کمک کرده و گذار جهانی به سمت منابع انرژی تجدیدپذیر را تسهیل می کند.

وجود داده های گمشده در مطالعات جمعیتی می تواند دقت تحلیل ها و نتایج را به طور قابل توجهی کاهش دهد. این پژوهش با هدف ارزیابی کارایی روش های مختلف جانهی داده های گمشده برای متغیر سن مادر در داده های ولادت سال 1402 انجام شده است. در این مطالعه، با در نظر گرفتن سازوکارها و نسبت های گمشدگی مختلف کارایی روش های سنتی و روش های مبتنی بر یادگیری ماشین بررسی شده است. نتایج این مطالعه نشان می دهد که روش های مبتنی بر یادگیری ماشین، به ویژه الگوریتم missForest، در کاهش خطای جانهی نسبت به روش های سنتی عملکرد بهتری دارند. با این حال، روش های سنتی مانند جانهی چندگانه با معادلات زنجیره ای نیز در شرایط خاص نتایج مطلوبی ارائه داده اند. کارایی هر روش به نوع داده ها، نسبت گمشدگی و همچنین سازوکار گمشدگی داده ها بستگی دارد. یافته های این پژوهش بر اهمیت انتخاب روش جانهی مناسب براساس الگوی گمشدگی و ویژگی های داده ها تأکید دارد.

هدف : این پژوهش به منظور شناسایی و معرفی کلیدی ترین کارکردهای هوش مصنوعی در کتابخانه های عمومی انجام شده است. روش : با استفاده از روش مرور نظام مند پس از کاوش پایگاه های اطلاعاتی ایرانی و خارجی، 42 اثر مرتبط با موضوع این پژوهش شناسایی شدند. این آثار مطالعه و کلیدی ترین کارکردهای هوش مصنوعی در کتابخانه های عمومی از تمام متن آنها استخراج شدند. تحلیل داده ها با استفاده از فن کدگذاری انجام شد؛ به این شکل کد به هر یک از کارکردها در متن آثار کدی اختصاص داده شد. یافته ها : کتابخانه های عمومی می توانند در شش حوزه مختلف از ظرفیت های هوش مصنوعی بهره ببرند: (1) مدیریت مجموعه، کمک به شناسایی نیازهای کاربران و بهینه سازی چرخه عمر منابع کمک؛ (2) سازماندهی اطلاعات، کمک به اختصاص اصطلاحات نمایه ای، تهیه خلاصه ها، و دیجیتال سازی آثار؛ (3) بازیابی اطلاعات، کمک به جستجوی چندرسانه ای، کاوش اطلاعات ناهمگون و چندزبانه؛ (4) خدمات کاربران، کمک به بهبود تجربه کاربری از طریق مشاوره اطلاعاتی، ربات های دستیار، و تحلیل احساسات؛ (5) فضا و تجهیزات کتابخانه، کمک به فراهم سازی فضایی دلنشین تر برای کاربران؛ و (6) مدیریت و نگهداری کمک به مدیر برای استفاده بهتر از منابع در دسترس. در مجموع، 66 کارکرد گوناگون برای هوش مصنوعی در کتابخانه های عمومی شناسایی شدند. نتیجه گیری: برای تداوم حیات کتابخانه های عمومی و همراهی با شهرهای هوشمند، این نهادها باید از هوش مصنوعی بهره برداری کنند تا کارایی و جذب کاربران افزایش یابد و خدمات شخصی سازی شوند. این امر با چالش هایی نظیر هزینه ها، حریم خصوصی و آمادگی کتابخانه ها مواجه است، اما تأثیرات مثبت آن بر کیفیت، عدالت، و نوآوری خدمات کتابخانه ها مشهود خواهد بود.

برگزاری «دوره آشنایی با هوش مصنوعی» در مرکز تحقیقات کامپیوتری علوم اسلامی (نور) که توسط حجّت الاسلام والمسلمین احمد شجاعی فر، کارشناس کتابخانه های دیجیتال نور ارائه شد، ما را بر آن داشت تا خلاصه ای از مباحث مطرح شده در این جلسات ارزنده و کاربردی را خدمت خوانندگان فرهیخته فصلنامه ره آورد نور ارائه دهیم. در این نوشتار، با چیستی لغوی، تعریف اصطلاحی، بنیان علمی (ارتباط با سایر علوم)، تاریخچه، فرصت ها و تهدیدهای هوش مصنوعی آشنا می شویم. در ادامه، خلاصه ای از این مطالب، با اندکی ویرایش و اصلاح، به خوانندگان عزیز ارائه می شود.