یادگیری جمعی

هدف از ارائه این مقاله بررسی نقش فناوری های اطلاعاتی و ارتباطاتی در هر یک از فرایندهای خلق دانش نوناکا و نیز تأثیر تسهیم دانش بر نوآوری و یادگیری جمعی کارکنان در سطح سازمان است. بدین منظور چارچوبی بر اساس مدل خلق دانش نوناکا ارائه شده است که به تحلیل رابطه بین فناوری های اطلاعاتی و ارتباطاتی، مدیریت دانش و نوآوری در فرایند و محصول می پردازد. این چارچوب در ادامه در شرکت هاکوپیان مورد بررسی قرار گرفت که استفاده وسیعی از فناوری های اطلاعاتی و ارتباطی می کند و شرکتی خلاق و نوآور محسوب می شود. روش تحقیق از نوع کیفی بوده و برای گردآوری اطلاعات از روش مصاحبه نیمه ساخت یافته استفاده شده است. نتایج حاکی از این بود که این شرکت از انواع مختلف فناوری های اطلاعاتی و ارتباطاتی در هر یک از فرایندهای خلق دانش استفاده می کند و ترکیب این فناوری ها، نقش مثبتی بر اجتماعی سازی، بیرونی سازی، ترکیب و درونی سازی دانش کارکنان ایفا می کند و در نهایت منجر به نوآوری در محصول و نوآوری در فرآیندهای شرکت می شود.

هدف مقاله حاضر بررسی چالش ها و مزایای شبکه اجتماعی از منظر توجه به یادگیری جمعی بود. بدین منظور گروه انجمن مطالعات برنامه درسی به عنوان جامعه و اعضای فعال مشارکت کننده در آن به عنوان نمونه در نظر گرفته شدند و از آنها با استفاده از مصاحبه باز و ساختار نیافته به عمل آمد.نتایج تحقیق فوق حاکی آن بود که عمده چالش های موجود در این شبکه اجتماعی عبارتند از:یادگیری سطحی، فشارهای ناشی از نظام رسمی، بازده یاگیری کم، عدم وجود سازماندهی. مزایا این شبکه اجتماعی عبارت بود از:افزایش یادگیری تصادفی، افزایش تعامل بین دانشجویان،افزایش تعامل با اساتید،افزایش رشد حرفه ای.

جوامع یادگیری حرفه ای مؤثرترین راهبرد ارتقای سطح آموزش و یادگیری در مدارس محسوب می شود. در این جوامع، فرهنگ مشارکت و همکاری ارتقا یافته، معلمان، هنرآموزان و مربیان نقش بیشتری در یادگیری حرفه ای خود و دانش آموزان ایفا می کنند. آن ها از طریق همکاری، شیوه های آموزشی را به صورت سازنده مورد نقد و بررسی قرار داده و از یکدیگر می آموزند؛ درنتیجه این همکاری هم دانش حرفه ای و مهارت های خود را افزایش می دهند، و هم دانش آموزان از آموزش بهتر برخوردار می شوند. همچنین ضمن آن می آموزند که چگونه شبکه ای از دانش و مهارت ایجاد و آن را مدیریت کنند. مقاله حاضر می کوشد تا با استفاده از روش توصیفی– تحلیلی، مبانی نظری و بسترهای شکل گیری جوامع یادگیری حرفه ای را مشخص کند و با معرفی و تبیین چهارچوب پنج الگوی متفاوت جوامع یادگیری شامل: الگوهای باما (PDSA)، آبشاری، تشخیصی، منطقی و فضای سوم، ضمن تشریح چگونگی تشکیل جوامع یادگیری مدرسه ای، طی سه مرحله توصیف، تحلیل و تفسیر، ملاک های ارزیابی بر اساس مؤلفه های اساسی جوامع یادگیری حرفه ای استخراج شده و الگوها بر اساس آن ها مورد قضاوت قرار گرفتند. نتایج مقایسه آن ها در چهار سطح تعیین شده نشان داد، هیچ یک از الگوهای مورد بررسی مطلوب نبوده اند زیرا، همه شاخص های تعیین شده را در سطح بالا نداشتند، لذا برای معرفی الگوی پیشنهادی از میان الگوهای مورد مطالعه، ترجیجاً شایسته است تلفیقی از اجزاء، مؤلفه ها و ویژگی های کلیدی الگوهای مورد مطالعه باشد. الگویی تلفیقی، جامع (عناصر، مؤلفه ها و ویژگی های کلیدی الگوها) و بومی شده همراه با قابلیت اجرا و پیاده سازی عناصر و اجزاء آن در مدرسه به گونه ای که از سوی اعضا قابل درک و پذیرش باشد.

هدف: پیش بینی دقیق بازار سهام برای معامله گران این بازار ارزشمند است. پیش بینی سری های زمانی مالی از دسته مسائل چالشی و مهم در پیش بینی است و پژوهشگران تلاش می کنند که الگوهای پنهان را برای پیش بینی آینده بازار سهام استخراج کنند. هدف این مقاله ارائه یک مدل هوشمند برای پیش بینی رفتار بازار سهام است. روش: این مقاله، برای افزایش دقت از مدلی بر مبنای الگوریتم های یادگیری جمعی با مدل های پایه شبکه های عصبی استفاده می کند. برای در نظر گرفتن جهت تغییر قیمت در پیش بینی، ساختار دومرحله ای به کار رفته است. در مرحله نخست، جهت بعدی حرکت قیمت سهام (افزایش یا کاهش) پیش بینی شده و از آن برای پیش بینی قیمت در مرحله دوم استفاده شده است. یافته ها: دقت نتایج و افزایش بازده پیش بینی، مهم ترین چالش مدل های پیشنهادشده در بازار سهام به شمار می رود. نکته مهم برای سودآوری معاملات، توجه به جهت تغییر قیمت سهام در پیش بینی قیمت آن است که در مدل های پیش بینی به این موضوع توجه کمتری شده است. مدل پیشنهادی با استفاده از روش های مبتنی بر هوش مصنوعی نشان می دهد که پیش بینی رفتار بازار سهام با وجود ماهیت نوسانی و ناپایدار آن، امکان پذیر است. نتیجه گیری: نتایج معیارهای ارزیابی روی داده های واقعی قیمت سهام نشان می دهد مدل پیشنهاد شده در مقایسه با سایر روش ها، با دقت بیشتری می تواند بر نوسان های بازار غلبه کرده و به عنوان روش قابل اطمینان و عملی در بازارهای سهام به کار گرفته شود.  

 فرهنگ کیفیت زیر مجموعه ای از فرهنگ سازمانی به شمار می آید که هدف آن ارتقای مستمر کیفیت است. بر این اساس، فرهنگ کیفیت در یک دانشگاه را می توان در بر دارنده مجموعه باورها، روابط، گرایشها، ارزشها و امور مشترکی دانست که اعضای هیئت علمی، مدیران و سایر کارکنان دانشگاه برای بهبود و تضمین کیفیت فعالیتهای دانشگاه انجام می دهند. فرهنگ کیفیت شامل دو بخش است: الف) روانشناختی/ فرهنگی؛ ب) فرایندهای رسمی بهبود کیفیت. جنبه روانشناختی فرهنگی کیفیت را می توان در سطح فردی و جمعی مد نظر قرار داد. همچنین، فرایندهای رسمی بهبود کیفیت در بر دارنده فرایند تعریف کیفیت، الگو سازی، تدوین ابزار اندازه گیری و نیز فرایند گردآوری داده ها، اطلاعات، قضاوت در باره کیفیت، تدوین گزارش و بالاخره، اقدام برای بهبود و تضمین کیفت است. در این مقاله ابتدا به مجموعه باورها، ارزشها، گرایشها، انتظارات و امور مشترکی اشاره شده است که لازم است اعضای هیئت علمی، مدیران و سایر کارکنان یک دانشگاه در خصوص فرایند بهبود مستمر کیفیت در یک دانشگاه سهیم باشند. پس از آن، درباره ضرورت تعهد اعضای هیئت علمی در قبال دستیابی به کیفیت در سطح گروههای آموزشی در فرایند ارزیابی درونی و برونی بحث و سپس، مؤلفه ساختاری/ مدیریتی بهبود کیفیت به عنوان بخش انکار ناپذیر فرهنگ کیفیت، تحلیل شده است. سرانجام، به چگونگی اشاعه فرهنگ کیفیت در دانشگاه، به ویژه در گروههای آموزشی مهندسی، پرداخته شده است.

پیشینه و اهداف: صنعت بیمه درمانی در پیش بینی هزینه های بیمه افراد که براساس پارامترهای پیچیده ای مانند سن و ویژگی های فیزیکی است، با چالش مهمی مواجه است. شرکت های بیمه برای مدیریت ریسک و جلوگیری از زیان احتمالی، بیمه گذاران را به دو گروه پرخطر و کم خطر دسته بندی می کنند. بااین حال، برآورد دقیق هزینه ها برای هر فرد می تواند کار سختی باشد. برای مقابله با این چالش، ما رویکردی مبتنی بر علم داده و یادگیری ماشین را پیشنهاد می کنیم که از یادگیری جمعی برای پیش بینی افراد پرخطر و کم خطر استفاده می کند.روش شناسی: روش پیشنهادی شامل مراحل مختلفی از جمله پیش پردازش داده ها، مهندسی ویژگی ها و اعتبارسنجی متقابل برای ارزیابی عملکرد مدل است. در مرحله اول، داده ها را با پاک کردن، مدیریت مقادیر ازدست رفته و رمزگذاری متغیرهای طبقه بندی، پیش پردازش می کنیم. در مرحله دوم، ما ویژگی های جدیدی را با استفاده از روش های مهندسی ویژگی ها مانند مقیاس بندی، نرمال سازی و کاهش ابعاد تولید می کنیم. این روش ها به استخراج اطلاعات معنادار از داده ها و بهبود عملکرد مدل کمک می کند. در مرحله بعد، ما از یادگیری جمعی برای ترکیب روش های رگرسیون متعدد، مانند رگرسیون لجستیک، شبکه های عصبی، ماشین های بردار پشتیبانی، جنگل های تصادفی، LightGBM و XGBoost استفاده می کنیم. هدف از ترکیب این روش ها این است که از نقاط قوت آن ها استفاده کنیم و نقاط ضعف آن ها را به حداقل برسانیم تا به دقت پیش بینی بهتری دست یابیم. در نهایت، عملکرد مدل را با استفاده از روش اعتبارسنجی متقاطع k-fold ارزیابی می کنیم. این روش به اعتبارسنجی دقت مدل و جلوگیری از برازش بیش از حد کمک می کند.یافته ها: رویکرد پیشنهادی ما به AUC برابر با 73/0 دست می یابد که اثربخشی آن را در پیش بینی افراد پرخطر و کم خطر نشان می دهد.نتیجه گیری: با استفاده از علم داده و روش های یادگیری ماشین، شرکت های بیمه می توانند دقت برآورد هزینه خود را بهبود بخشند و ریسک را بهتر مدیریت کنند. این رویکرد می تواند به شرکت های بیمه کمک کند تا پوشش بیمه ای و قیمت گذاری دقیق تری را برای افراد ارائه دهند که به رضایت بیشتر مشتریان و کاهش زیان های مالی منجر می شود.

بارش یکی از مهم ترین مولفه های هیدرولوژی و هواشناسی است که پیش بینی مقادیر آن در زمینه های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط زیست از اهمیت ویژه ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل سازی و پیش بینی مقدار بارش همواره دارای پیچیدگی ها و چالش های فراوان بوده است. در این پژوهش از داده های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش های یادگیری ماشین و یادگیری جمعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، جنگل تصادفی (RF)، آدابوست (AB)، تقویت گرادیان (GB)، درختان اضافی (ET) و مدل رگرسیون درخت تصمیم (DTR) برای مدل سازی بارش استفاده شد. بدین منظور 70 درصد از داده ها برای آموزش و 30 درصد از داده ها نیز برای آزمون مدل ها در نظر گرفته شدند. برای ارزیای مدل های مورد استفاده، از معیارهای آماری ضریب همبستگی (R)، جذر میانگین مربعات خطاها (RMSE)، میانگین خطای مطلق (MAE) و کلینگ گوپتا (KGE) استفاده شد. مطابق نتایج این تحقیق در مقیاس روزانه مدل MLP با 993/0R=، 184/0RMSE= میلی متر، 184/0MAE= میلی متر و 82/0KGE= و مدل ET با 986/0R=، 324/0RMSE= میلی متر، 324/0MAE= میلی متر و 75/0KGE= و در مقیاس ماهانه به ترتیب مدل MLP با 999/0R=، 153/0RMSE= میلی متر، 222/0MAE= میلی متر و 88/0KGE= و مدل ET با 981/0R=، 266/0RMSE= میلی متر، 197/0MAE= میلی متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به طورکلی نتایج این پژوهش نشان دهنده عملکرد بسیار مناسب مدل های یادگیری ماشین و یادگیری جمعی در مدل سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.