📌 معرفی مقالات داغ حوزه عظیم‌داده
The state of the art and taxonomy of big data analytics : view from new big data framwork
🖋نویسندگان:
Azlinah Mohamed, Maryam Khanian Najafabadi, Yap Bee Wah, Ezzatul Akmal Kamaru Zaman, Ruhaila Maskat
🔸این مقاله، مروری بر مقالاتی است که استفاده از ابزارهای عظیم دادهها و تکنیک‌های تحلیل عظیم دادهها را در حوزه‌های مختلف، مانند سلامت و مراقبت‌های پزشکی، شبکه‌های اجتماعی و اینترنت، بخش دولتی، مدیریت منابع طبیعی، بخش اقتصادی و بازرگانی و ... تحلیل کرده‌اند. اهداف این مقاله به شرح زیر هستند:
1. درک ترند تحقیقاتی که در ارتباط با عظیم دادهها هستند و همچنین درک فریم‌های فعلی تکنولوژی‌های عظیم دادهها
2. شناسایی ترندها در استفاده یا تحقیق در حوزه تکنیک‌های پردازش دسته‌ای و ابزارهای تحلیل عظیم‌داده‌ها
3. کمک به محققان و پیشگامان برای پیدا کردن جایگاه مناسب فعالیت‌های تحقیقاتی خود در این حوزه
یافته‌های این تحقیق، بینش و دانشی در زمینه پلتفرم‌های موجود عظیم دادهها و کاربرد آنها در حوزه‌های مختلف، مزایا و معایب ابزارهای عظیم داده، تکنیک‌های تحلیل عظیم دادهها و کاربرد آنها و همچنین فرصت‌های تحقیقاتی جدید در توسعه آینده سیستمهای عظیم دادهها فراهم خواهد کرد.
🔹خلاصه و دريافت مقاله:
🔗 https://b2n.ir/z38762
#معرفی_مقاله
#دکتر_سعید_روحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
The state of the art and taxonomy of big data analytics : view from new big data framwork
🖋نویسندگان:
Azlinah Mohamed, Maryam Khanian Najafabadi, Yap Bee Wah, Ezzatul Akmal Kamaru Zaman, Ruhaila Maskat
🔸این مقاله، مروری بر مقالاتی است که استفاده از ابزارهای عظیم دادهها و تکنیک‌های تحلیل عظیم دادهها را در حوزه‌های مختلف، مانند سلامت و مراقبت‌های پزشکی، شبکه‌های اجتماعی و اینترنت، بخش دولتی، مدیریت منابع طبیعی، بخش اقتصادی و بازرگانی و ... تحلیل کرده‌اند. اهداف این مقاله به شرح زیر هستند:
1. درک ترند تحقیقاتی که در ارتباط با عظیم دادهها هستند و همچنین درک فریم‌های فعلی تکنولوژی‌های عظیم دادهها
2. شناسایی ترندها در استفاده یا تحقیق در حوزه تکنیک‌های پردازش دسته‌ای و ابزارهای تحلیل عظیم‌داده‌ها
3. کمک به محققان و پیشگامان برای پیدا کردن جایگاه مناسب فعالیت‌های تحقیقاتی خود در این حوزه
یافته‌های این تحقیق، بینش و دانشی در زمینه پلتفرم‌های موجود عظیم دادهها و کاربرد آنها در حوزه‌های مختلف، مزایا و معایب ابزارهای عظیم داده، تکنیک‌های تحلیل عظیم دادهها و کاربرد آنها و همچنین فرصت‌های تحقیقاتی جدید در توسعه آینده سیستمهای عظیم دادهها فراهم خواهد کرد.
🔹خلاصه و دريافت مقاله:
🔗 https://b2n.ir/z38762
#معرفی_مقاله
#دکتر_سعید_روحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 معرفی مقالات داغ حوزه عظیم‌داده
Significant Application of Big Data in COVID-19 Pandemic
نویسندگان:
Abid Haleem, Mohd Javid, Ibrahim Haleem Khan, Raju Vaishya
May 2020
🔸هدف این مقاله بررسی کاربردهای عظیم داده در پندمیک کوويد١٩ است. بیگ دیتا به ما در درک هرچه بهتر ماهیت این بیماری کمک می‌کند. از داده‌های بدست آمده که می‌تواند مربوط به مبتلایان، بهبودیافتگان، از دست رفته‌ها باشد برای پیشگیری و کنترل این بیماری استفاده می‌شود.
برخی از کاربردها عبارتند از شناسایی موارد مبتلا- تاریخچه سفرها- کمک به شناسایی ویروس در مراحل ابتدایی- ورود و خروج افراد به مناطق آلوده‌شده به ویروس
🔹خلاصه و دريافت مقاله:
🔗 https://b2n.ir/u46873
#معرفی_مقاله
#فاطمه_واضحی_فرد
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
Significant Application of Big Data in COVID-19 Pandemic
نویسندگان:
Abid Haleem, Mohd Javid, Ibrahim Haleem Khan, Raju Vaishya
May 2020
🔸هدف این مقاله بررسی کاربردهای عظیم داده در پندمیک کوويد١٩ است. بیگ دیتا به ما در درک هرچه بهتر ماهیت این بیماری کمک می‌کند. از داده‌های بدست آمده که می‌تواند مربوط به مبتلایان، بهبودیافتگان، از دست رفته‌ها باشد برای پیشگیری و کنترل این بیماری استفاده می‌شود.
برخی از کاربردها عبارتند از شناسایی موارد مبتلا- تاریخچه سفرها- کمک به شناسایی ویروس در مراحل ابتدایی- ورود و خروج افراد به مناطق آلوده‌شده به ویروس
🔹خلاصه و دريافت مقاله:
🔗 https://b2n.ir/u46873
#معرفی_مقاله
#فاطمه_واضحی_فرد
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 معرفی مقالات داغ حوزه عظیم‌داده
What we talk about when we talk about (big) data
🖋نویسنده:
Matthew Jones
🔸اخیرا بسیاری از مقالات در حوزه عظیم‌داده‌ها در ژورنال Strategic Information Systems بر روی تاثیرات داده‌های عظیم بر روی افراد، سازمان‌ها و جامعه متمرکز است. به طور کلی، صرف نظر از چنین تحلیلی، در نظر گرفتن خود دادهها نیز بسیار اهمیت دارد (اینکه چه چیزی باعت این تاثیرات می‌شود).
در این مقاله، یک تحلیل انتقادی از چندین فرضیه گسترده در ارتباط با دادهها ارائه شده است. در این مقاله به این مسئله پرداخته می‌شود که دادهها جزئی و احتمالی هستند و از طریق روش‌های مستقر در مفهوم سازی، ذخیره شده و مورد استفاده قرار می‌گیرند. عظیم‌داده‌ها نیز به اندازه‌ای که اغلب ارائه می‌شوند، حجیم، جهانی یا جامع نیستند. بنابراین، برخی از مفاهیم اولیه از این تصور، بررسی شده‌اند. میان "داده‌هایی که ذخیره می‌شوند" و "داده‌هایی که در عمل مورد استفاده قرار می‌گیرند" تفاوت وجود دارد. داده‌هایی که مورد استفاده قرار می‌گیرند، غالبا کوچکتر بوده و لزوما نماینده داده‌های ذخیره شده که مستقیما به اثرات داده‌پردازی کمک می‌کنند، نیستند.
🔹خلاصه و دريافت مقاله:
🔗 https://b2n.ir/d24229
#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
What we talk about when we talk about (big) data
🖋نویسنده:
Matthew Jones
🔸اخیرا بسیاری از مقالات در حوزه عظیم‌داده‌ها در ژورنال Strategic Information Systems بر روی تاثیرات داده‌های عظیم بر روی افراد، سازمان‌ها و جامعه متمرکز است. به طور کلی، صرف نظر از چنین تحلیلی، در نظر گرفتن خود دادهها نیز بسیار اهمیت دارد (اینکه چه چیزی باعت این تاثیرات می‌شود).
در این مقاله، یک تحلیل انتقادی از چندین فرضیه گسترده در ارتباط با دادهها ارائه شده است. در این مقاله به این مسئله پرداخته می‌شود که دادهها جزئی و احتمالی هستند و از طریق روش‌های مستقر در مفهوم سازی، ذخیره شده و مورد استفاده قرار می‌گیرند. عظیم‌داده‌ها نیز به اندازه‌ای که اغلب ارائه می‌شوند، حجیم، جهانی یا جامع نیستند. بنابراین، برخی از مفاهیم اولیه از این تصور، بررسی شده‌اند. میان "داده‌هایی که ذخیره می‌شوند" و "داده‌هایی که در عمل مورد استفاده قرار می‌گیرند" تفاوت وجود دارد. داده‌هایی که مورد استفاده قرار می‌گیرند، غالبا کوچکتر بوده و لزوما نماینده داده‌های ذخیره شده که مستقیما به اثرات داده‌پردازی کمک می‌کنند، نیستند.
🔹خلاصه و دريافت مقاله:
🔗 https://b2n.ir/d24229
#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 معرفی مقالات داغ حوزه عظیم‌داده
Big Data Analytics in Building the Competitive Intelligence of Organization
🖌نویسنده:
Jayanthi Ranjan , Cyril Foropon
🖌 ژورنال:
International Journal of Information management
🖌تاریخ انتشار:
2021
🔸در سال‌های اخیر، سازمان‌ها بر استفاده از عظیم‌داده‌ها بسیار تاکید دارند و تکنولوژی‌هایی نیز برای تحلیل این عظیم‌داده‌ها و به دست آوردن بینش‌های ارزشمند در ارتباط با فرآیندهای تصمیم‌گیری به وجود آمده است. فرآیندهای هوش رقابتی شامل نظارت بر رقبا با هدف ارائه یک هوش اجرایی و معنادار به سازمان است. هر چه شرکت‌ها بیشتر داده‌های رقبا را بشناسند، مزیت استراتژیک بیشتری به دست می‌آورند. تزریق عظیم‌داده‌ها و تحلیل آنها می‌تواند به ایجاد یک سیستم برای تحلیل‌های هوش رقابتی کمک کرده و باعث بهبود دقت تکنیک‌های هوش رقابتی سنتی شود. تکنولوژی‌ها و ابزارهایی که در حوزه عظیم‌داده وجود دارند، مولفه‌های بسیار مهمی در هدایت موفقیت‌آمیز هوش رقابتی هستند که باعث تزریق دانش ارزشمندی به استراتژی‌های هوش رقابتی می‌شوند.
در این مقاله، هدف نویسندگان، بررسی کاربردهای عظیم‌داده‌ها در فرآیندهای هوش رقابتی در سازمان است که این کار را از طریق نحوه برخورد سازمان‌ها با تحلیل‌های داده‌های عظیم انجام داده‌اند. همچنین این مقاله زمینه‌ای را برای توسعه چارچوب‌های عظیم‌داده و مدلهای فرآیندی برای هوش رقابتی در سازمان فراهم می‌کند.
#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
Big Data Analytics in Building the Competitive Intelligence of Organization
🖌نویسنده:
Jayanthi Ranjan , Cyril Foropon
🖌 ژورنال:
International Journal of Information management
🖌تاریخ انتشار:
2021
🔸در سال‌های اخیر، سازمان‌ها بر استفاده از عظیم‌داده‌ها بسیار تاکید دارند و تکنولوژی‌هایی نیز برای تحلیل این عظیم‌داده‌ها و به دست آوردن بینش‌های ارزشمند در ارتباط با فرآیندهای تصمیم‌گیری به وجود آمده است. فرآیندهای هوش رقابتی شامل نظارت بر رقبا با هدف ارائه یک هوش اجرایی و معنادار به سازمان است. هر چه شرکت‌ها بیشتر داده‌های رقبا را بشناسند، مزیت استراتژیک بیشتری به دست می‌آورند. تزریق عظیم‌داده‌ها و تحلیل آنها می‌تواند به ایجاد یک سیستم برای تحلیل‌های هوش رقابتی کمک کرده و باعث بهبود دقت تکنیک‌های هوش رقابتی سنتی شود. تکنولوژی‌ها و ابزارهایی که در حوزه عظیم‌داده وجود دارند، مولفه‌های بسیار مهمی در هدایت موفقیت‌آمیز هوش رقابتی هستند که باعث تزریق دانش ارزشمندی به استراتژی‌های هوش رقابتی می‌شوند.
در این مقاله، هدف نویسندگان، بررسی کاربردهای عظیم‌داده‌ها در فرآیندهای هوش رقابتی در سازمان است که این کار را از طریق نحوه برخورد سازمان‌ها با تحلیل‌های داده‌های عظیم انجام داده‌اند. همچنین این مقاله زمینه‌ای را برای توسعه چارچوب‌های عظیم‌داده و مدلهای فرآیندی برای هوش رقابتی در سازمان فراهم می‌کند.
#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
Telegram
attach 📎
📌 معرفی مقالات داغ حوزه عظیم‌داده
Agent-based Big Data Mining
🖌نویسنده:
Nojod M. Alotaibi , Manal Abdullah , Hala Mosli
🖌 ژورنال:
International Journal of Advanced Trends in Computer Science and Engineering
🖌تاریخ انتشار:
2018
🔸 عظیم داده اصطلاحی است که جهت توصیف داده‌هایی که پردازش، مدیریت و تحلیل آنها از طریق پایگاه دادهها یا الگوریتم‌های داده کاوی سنتی دشوار است، به کار می‌رود. دانش مفیدی می‌تواند از عظیم داده با کمک داده کاوی حاصل گردد. با توجه به حجم، تنوع و سرعت داده، تکنیک‌های سنتی داده کاوی برای کار با عظیم داده نامناسب به حساب می‌آید. بنابراین، نیاز اساسی به ایجاد روش‌های داده کاوی قدرتمند و مولد وجود دارد. شخصیت‌پردازی یکی از راهبردهای داده کاوی است که قابلیت پردازش حجم انبوهی از داده‌های در حال رشد را دارد. این مورد جهت نگاشت یک موجودیت داده به یکی از کلاس‌ها یا دسته‌بندی‌های از پیش تعیین شده مورد استفاده قرار می‌گیرد. داده‌های حوزه سلامت نه تنها بخاطر اندازه آن، بلکه پیچیدگی و تنوع و سرعت تولید سریع آن، یک شکل از عظیم داده محسوب می‌شود. در این پژوهش، مشکل داده کاوی در عظیم داده با استفاده از عامل(ایجنت) نرم افزاری ارائه می‌شود. هدف اصلی پژوهش، توسعه و بکارگیری یک مدل دسته‌بندی عامل محور برای عظیم داده است که بتواند شدت بیماری دیابت را پیش‌بینی نماید. نتایج ثابت می‌کند با استفاده از فناوری عاملی در بخش پیش پردازش دادهها، ظرفیت حافظه از 8.66 ترابایت به 5 گیگابایت و زمان انتقال داده از 12 روز به 10 دقیقه با استفاده از عامل کاهش یافته و دقت دسته‌بندی مدل پیشنهادی، 87 درصد است.
#معرفی_مقاله
#میثم_عسگری
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
Agent-based Big Data Mining
🖌نویسنده:
Nojod M. Alotaibi , Manal Abdullah , Hala Mosli
🖌 ژورنال:
International Journal of Advanced Trends in Computer Science and Engineering
🖌تاریخ انتشار:
2018
🔸 عظیم داده اصطلاحی است که جهت توصیف داده‌هایی که پردازش، مدیریت و تحلیل آنها از طریق پایگاه دادهها یا الگوریتم‌های داده کاوی سنتی دشوار است، به کار می‌رود. دانش مفیدی می‌تواند از عظیم داده با کمک داده کاوی حاصل گردد. با توجه به حجم، تنوع و سرعت داده، تکنیک‌های سنتی داده کاوی برای کار با عظیم داده نامناسب به حساب می‌آید. بنابراین، نیاز اساسی به ایجاد روش‌های داده کاوی قدرتمند و مولد وجود دارد. شخصیت‌پردازی یکی از راهبردهای داده کاوی است که قابلیت پردازش حجم انبوهی از داده‌های در حال رشد را دارد. این مورد جهت نگاشت یک موجودیت داده به یکی از کلاس‌ها یا دسته‌بندی‌های از پیش تعیین شده مورد استفاده قرار می‌گیرد. داده‌های حوزه سلامت نه تنها بخاطر اندازه آن، بلکه پیچیدگی و تنوع و سرعت تولید سریع آن، یک شکل از عظیم داده محسوب می‌شود. در این پژوهش، مشکل داده کاوی در عظیم داده با استفاده از عامل(ایجنت) نرم افزاری ارائه می‌شود. هدف اصلی پژوهش، توسعه و بکارگیری یک مدل دسته‌بندی عامل محور برای عظیم داده است که بتواند شدت بیماری دیابت را پیش‌بینی نماید. نتایج ثابت می‌کند با استفاده از فناوری عاملی در بخش پیش پردازش دادهها، ظرفیت حافظه از 8.66 ترابایت به 5 گیگابایت و زمان انتقال داده از 12 روز به 10 دقیقه با استفاده از عامل کاهش یافته و دقت دسته‌بندی مدل پیشنهادی، 87 درصد است.
#معرفی_مقاله
#میثم_عسگری
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
Telegram
attach 📎
📌 معرفی مقالات داغ حوزه عظیم‌داده
Big data in safety management: An overview
نویسنده:
Bing Wang, Yuanjie Wang
ژورنال:
Safety Science
تاریخ انتشار:
2021
🔸 عظیم دادهها تاثیر مهمی بر مدیریت ایمنی در زمینه‌های مختلف دارند و کاربردهای آنها هر روز بیشتر می‌شود. نتایج تجزیه و تحلیل عظیم دادهها به یک مرجع بسیار مهم و موثر در تصمیم‌گیری ایمنی تبدیل شده است. این مطالعه به بررسی چالش‌هایی که در زمینه عظیم دادهها در مدیریت ایمنی وجود دارند پرداخته و بینش‌هایی برای جهت‌گیری‌های آینده برای تحقیق و کاربردهای عملی ارائه کرده است. در ابتدا یک تاریخچه از عظیم دادهها و تاثیر آنها بر مدیریت ایمنی آمده است. سپس تئوری‌ها و تکنولوژی‌های کلی عظیم دادهها در مدیریت ایمنی بررسی شده و در نهایت کاربردهای عظیم دادهها در مدیریت ایمنی در حوزه‌های مختلف خلاصه شده است. یافته‌های بیشتری هم که از فرآیند مطالعه مروری به دست آمده نیز، ارائه شده است.
🔺برای دریافت مقاله به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/u38103
#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
Big data in safety management: An overview
نویسنده:
Bing Wang, Yuanjie Wang
ژورنال:
Safety Science
تاریخ انتشار:
2021
🔸 عظیم دادهها تاثیر مهمی بر مدیریت ایمنی در زمینه‌های مختلف دارند و کاربردهای آنها هر روز بیشتر می‌شود. نتایج تجزیه و تحلیل عظیم دادهها به یک مرجع بسیار مهم و موثر در تصمیم‌گیری ایمنی تبدیل شده است. این مطالعه به بررسی چالش‌هایی که در زمینه عظیم دادهها در مدیریت ایمنی وجود دارند پرداخته و بینش‌هایی برای جهت‌گیری‌های آینده برای تحقیق و کاربردهای عملی ارائه کرده است. در ابتدا یک تاریخچه از عظیم دادهها و تاثیر آنها بر مدیریت ایمنی آمده است. سپس تئوری‌ها و تکنولوژی‌های کلی عظیم دادهها در مدیریت ایمنی بررسی شده و در نهایت کاربردهای عظیم دادهها در مدیریت ایمنی در حوزه‌های مختلف خلاصه شده است. یافته‌های بیشتری هم که از فرآیند مطالعه مروری به دست آمده نیز، ارائه شده است.
🔺برای دریافت مقاله به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/u38103
#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 معرفی مقالات داغ حوزه عظیم‌داده
Understanding the impact of big data on firm performance: The necessity of conceptually differentiating among big data characteristics
🖋نویسنده:
DeGroote School of Business, McMaster University, Hamilton, Ontario, Canada
🔸در این مطالعه، برای بررسی تاثیر ویژگی‌های اصلی عظیم دادهها، یعنی حجم، سرعت و تنوع دادهها بر روی عملکرد شرکت و نقش‌های واسطه‌ای ارزش دادهها و صحت دادهها بر این روابط، از یک دیدگاه مبتنی بر منبع استفاده شده است. برای ارزیابی مدل تحقیق، از 143 مدیر سطح بالا و میانی در ایالات متحده، داده جمع‌آوری شده است. یافته‌ها نشان می‌دهد که تنوع دادهها منجر به بهبود تولید ارزش دادهها می‌شود؛ در حالیکه حجم و سرعت دادهها بر این مورد تاثیری ندارد. علاوه بر این، در حالیکه حجم دادهها بر روی صحت دادهها تاثیر منفی دارد، سرعت و تنوع دادهها بر روی صحت دادهها، اثر مثبت دارند. این مطالعه برای محققان و مدیرانی که مشتاق درک بهتر نقش ویژگی‌های عظیم دادهها بر عملکرد شرکت هستند، بینش مفیدی را فراهم می‌آورد.
🔹برای دریافت مقاله به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/q68101
#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
Understanding the impact of big data on firm performance: The necessity of conceptually differentiating among big data characteristics
🖋نویسنده:
DeGroote School of Business, McMaster University, Hamilton, Ontario, Canada
🔸در این مطالعه، برای بررسی تاثیر ویژگی‌های اصلی عظیم دادهها، یعنی حجم، سرعت و تنوع دادهها بر روی عملکرد شرکت و نقش‌های واسطه‌ای ارزش دادهها و صحت دادهها بر این روابط، از یک دیدگاه مبتنی بر منبع استفاده شده است. برای ارزیابی مدل تحقیق، از 143 مدیر سطح بالا و میانی در ایالات متحده، داده جمع‌آوری شده است. یافته‌ها نشان می‌دهد که تنوع دادهها منجر به بهبود تولید ارزش دادهها می‌شود؛ در حالیکه حجم و سرعت دادهها بر این مورد تاثیری ندارد. علاوه بر این، در حالیکه حجم دادهها بر روی صحت دادهها تاثیر منفی دارد، سرعت و تنوع دادهها بر روی صحت دادهها، اثر مثبت دارند. این مطالعه برای محققان و مدیرانی که مشتاق درک بهتر نقش ویژگی‌های عظیم دادهها بر عملکرد شرکت هستند، بینش مفیدی را فراهم می‌آورد.
🔹برای دریافت مقاله به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/q68101
#معرفی_مقاله
#دکترسعیدروحانی
#یگانه_صیدی
#عظیم_داده
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌 معرفی مقالات داغ حوزه عظیم‌داده
Sentiment analysis researches story narrated by topic modeling approach
🖋نویسندگان: دکتر سعید روحانی، فاطمه مظفری
🖋 سال انتشار: 2022
🔸رشد فزاینده محتوای تولید شده توسط کاربران همچون وب‌سایت‌ها، رسانه‌های اجتماعی و اپلیکیشن‌های موبایل، افراد را به سمت ایجاد انبوهی از نظرات و بررسی‌ها در مورد محصولات، خدمات و رویدادهای روزانه سوق می‌دهد. تحلیل احساسات (sentiment analysis) ابزاری قدرتمند برای کسب و کارها و محققان جهت بررسی و مطالعه نگرش‌ها، تفسیرها و کسب بینش از پیامدهای آنها برای پشتیبانی از تصمیم گیری است.
🔹بر این اساس، این مقاله یک مطالعه جامع در مورد موضوعات اصلی پژوهشی، روندهای پژوهش و مقایسه موضوعات پژوهشی در زمینه "تحلیل احساسات" از طریق "رسانه‌های اجتماعی" با استفاده از تاپیک مدلینگ و به طور خاص مدل LDA Latent Dirichlet Allocation که یک مدل احتمالی برای کشف تاپیک‌های پنهان در حجم زیادی از دادهها است ارائه می‌دهد.
🔸یافته‌های این مقاله نشان می‌هد که روش‌های «یادگیری ماشین» از مهم‌ترین موضوعاتی است که در سال‌های اخیر روی آنها کار شده است. همچنین پلتفرم‌های مختلف رسانه‌های اجتماعی مانند «توئیتر، فیس‌بوک، یوتیوب و بلاگ» زیرساخت‌های تحلیل احساسات هستند.
🔹در میان کاربردها، حوزه حمل و نقل، تشخیص اسپم و تصمیم‌گیری از نقطه نظر فراوانی نرمال شده دارای اهمیت شناخته شده‌اند. همچنین یافته‌ها تأیید می‌کنند که مفهوم «بهبود خدمات از طریق تحلیل احساسات» موضوع مهمی است که بهبود کیفیت خدمات شرکت را از طریق تمرکز بر تحلیل نظرات مشتریان میسر می‌سازد و به پژوهشگران و متخصصان و همچنین مدیران اجازه می‌دهد دیدگاه‌های بهتری در مورد دوران داغ «تحلیل احساسات» داشته باشند.
🔹برای دریافت مقاله به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/h34363
#معرفی_مقاله
#دکتر_سعید_روحانی
#فاطمه_مظفری
#تحلیل_احساسات
#شبکه‌های_اجتماعی
#تاپیک_مدلینگ
www.bdbanalytics.ir
@BigData_BusinessAnalytics
Sentiment analysis researches story narrated by topic modeling approach
🖋نویسندگان: دکتر سعید روحانی، فاطمه مظفری
🖋 سال انتشار: 2022
🔸رشد فزاینده محتوای تولید شده توسط کاربران همچون وب‌سایت‌ها، رسانه‌های اجتماعی و اپلیکیشن‌های موبایل، افراد را به سمت ایجاد انبوهی از نظرات و بررسی‌ها در مورد محصولات، خدمات و رویدادهای روزانه سوق می‌دهد. تحلیل احساسات (sentiment analysis) ابزاری قدرتمند برای کسب و کارها و محققان جهت بررسی و مطالعه نگرش‌ها، تفسیرها و کسب بینش از پیامدهای آنها برای پشتیبانی از تصمیم گیری است.
🔹بر این اساس، این مقاله یک مطالعه جامع در مورد موضوعات اصلی پژوهشی، روندهای پژوهش و مقایسه موضوعات پژوهشی در زمینه "تحلیل احساسات" از طریق "رسانه‌های اجتماعی" با استفاده از تاپیک مدلینگ و به طور خاص مدل LDA Latent Dirichlet Allocation که یک مدل احتمالی برای کشف تاپیک‌های پنهان در حجم زیادی از دادهها است ارائه می‌دهد.
🔸یافته‌های این مقاله نشان می‌هد که روش‌های «یادگیری ماشین» از مهم‌ترین موضوعاتی است که در سال‌های اخیر روی آنها کار شده است. همچنین پلتفرم‌های مختلف رسانه‌های اجتماعی مانند «توئیتر، فیس‌بوک، یوتیوب و بلاگ» زیرساخت‌های تحلیل احساسات هستند.
🔹در میان کاربردها، حوزه حمل و نقل، تشخیص اسپم و تصمیم‌گیری از نقطه نظر فراوانی نرمال شده دارای اهمیت شناخته شده‌اند. همچنین یافته‌ها تأیید می‌کنند که مفهوم «بهبود خدمات از طریق تحلیل احساسات» موضوع مهمی است که بهبود کیفیت خدمات شرکت را از طریق تمرکز بر تحلیل نظرات مشتریان میسر می‌سازد و به پژوهشگران و متخصصان و همچنین مدیران اجازه می‌دهد دیدگاه‌های بهتری در مورد دوران داغ «تحلیل احساسات» داشته باشند.
🔹برای دریافت مقاله به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/h34363
#معرفی_مقاله
#دکتر_سعید_روحانی
#فاطمه_مظفری
#تحلیل_احساسات
#شبکه‌های_اجتماعی
#تاپیک_مدلینگ
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم‌داده
❇️نام مقاله: کاربردهای داده‌های عظیم در رشته‌های نوظهور مدیریت: مروری بر ادبیات موضوع با استفاده از متن کاوی
🖋نویسندگان مقاله:
Amit Kumar Kushwaha, Arpan Kumar Kar , Yogesh K. Dwivedi
📔ژورنال: International Journal of Information Management Data Insights
🗓تاریخ انتشار: ۲۰۲۱
🔹اهمیت تصمیمات و پشتیبانی داده محور در کلیه حوزه‌های مدیریتی در حال افزایش است. دسترسی مداوم به حجم زیادی از دادهها با تنوع بالا باعث شده تا داده‌های عظیم به بخشی جدایی ناپذیر از مطالعات مدیریتی تبدیل شوند.
همچنین حوزه‌های فرعی مدیریتی نیز با پشتیبانی از داده‌های عظیم برای هدایت کسب‌وکارها روز به روز در حال ظهور هستند.
👈 در همین راستا این پژوهش با یک رویکرد نظام‌مند مروری ادبیات، به کشف حوزه‌های نوظهور مدیریتی که توسط داده‌های عظیم در دوران معاصر پشتیبانی می‌شوند، می‌پردازد.
👈در واقع این پژوهش به دنبال پاسخ‌دهی به 2 سوال زیر است:
❓جدیدترین حوزه‌های مدیریتی که از قابلیتهای تحلیل داده‌های عظیم استفاده می‌کنند، کدامند؟
❓چگونه این حوزه ها، موضوعات مهم تحلیلگری دادهها را در عمل حل می‌کنند؟
✔️برای بررسی و پاسخ‌دهی به سوالات فوق، مقالات منتشر شده در مجلات مدیریتی معتبر در فاصله زمانی سال‌های 2011 تا 2021 مورد بررسی قرار گرفته‌اند. انتخاب این بازه زمانی به این سبب است که در این محدوده تحلیلگری عظیم دادهها (BDA) بطور جدی برای حل مشکلات دنیای واقعی بکار گرفته شده است.
💡روش کار به این صورت بوده که با جستجو در پایگاه مقالات Scopus با کلمات کلیدی “Big data” و “Big data analytics” مقالات همراه با اطلاعاتی شامل منبع انتشار و نام نویسنده دانلود شدند. سپس برای تعیین مقالات مرتبط معیارهایی لحاظ شده که عبارتند از : حذف مقالات کنفرانسی، حذف مقالات به زبان غیر انگلیسی، درنظرگیری مقالات پژوهشی در ژورنالهای مدیریتی و تجاری.
🔹در گام بعد برای بهبود کیفیت مقالات منتخب، پژوهش محدود به 50 مجله فهرست شده در فایننشیال تایمز، مجلات رتبه A*، A و B در رتبه‌بندی مجلات شورای بازرگانی استرالیا و رتبه‌های 4*، 3 یا 2 در رتبه‌بندی مجلات انجمن رسمی مدارس بازرگانی شده است. همچنین مقالات بصورت جداگانه از لحاظ فاکتورهایی مانند دقت علمی، روش تحقیق و چارچوب نظری مورد ممیزی قرار گرفته‌اند.
👈در نهایت 1756 مقاله انتخاب شدند و مورد تحلیل قرار گرفتند. روش تحلیل مقالات به این صورت بوده که با استفاده از کلمات کلیدی و عناوین مقالات، به تحلیل کابرد BDA در رشته‌های نوظهور مدیریت پرداخته شده است. نویسندگان اذعان دارند که بیشتر متون Clean بوده و نویز کمی داشته‌اند، لذا با استفاده از Topic modeling روی کلمات کلیدی و ایجاد دیاگرام شبکه‌ای از کاربرد BDA، نمودارهای شبکه ای از کاربرد BDA حول کلمات کلیدی ایجاد کرده‌اند . این نمودار پایه در واقع یک کلاستر از کلمات کلیدی و کاربردهای BDA همراه آنها به انضمام شبکه مرتبط با هریک از آنها می‌باشد.
🔹با تحلیل دیاگرام شبکه همراه با BDA به عنوان تم مرکزی، کلاسترهای اطراف ایده‌هایی از رشته‌های مدیریتی نوظهور (EMD) را ارائه کردند که در مجموع به 12 حوزه به شرح زیر می‌باشند:
مدیریت سلامت و بهداشت، مدیریت بحران، مدیریت امنیت، تولید و صنعت هوشمند، مدیریت قابلیتهای پویا، سیستمهای پشتیبان مدیریت، مدیریت مدلهای کسب و کار، مدیریت شبکه (عموما" مبتنی بر پلتفرم‌های رسانه‌های اجتماعی)، مدیریت خدمات، دیجیتال مارکتینگ و بهینه‌سازی موتور جستجو (SEO)، مدیریت (خدمات) دیجیتال، و مدیریت مالی.
🔸در ادامه مقاله به بررسی نقش BDA در هریک از این EMD ها می‌پردازد.
🔸نویسندگان اذعان دارند که این تحقیق به‌عنوان مرجعی برای محققان سیستمهای اطلاعاتی آینده عمل می‌کند که می‌خواهند تحلیل‌هایی را انجام دهند که ماهیت عمیقی در هر یک از این حوزه‌های مدیریتی داشته باشد و تمام توجه لازم را برای تبدیل شدن به حوزه‌های تحقیقاتی اختصاصی به خود جلب خواهند کرد.
🔹برای دریافت مقاله، به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/h54413
#معرفی_مقاله
#تحلیل_عظیم_داده
#متن_کاوی
#مدیریت_خدمات
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله: کاربردهای داده‌های عظیم در رشته‌های نوظهور مدیریت: مروری بر ادبیات موضوع با استفاده از متن کاوی
🖋نویسندگان مقاله:
Amit Kumar Kushwaha, Arpan Kumar Kar , Yogesh K. Dwivedi
📔ژورنال: International Journal of Information Management Data Insights
🗓تاریخ انتشار: ۲۰۲۱
🔹اهمیت تصمیمات و پشتیبانی داده محور در کلیه حوزه‌های مدیریتی در حال افزایش است. دسترسی مداوم به حجم زیادی از دادهها با تنوع بالا باعث شده تا داده‌های عظیم به بخشی جدایی ناپذیر از مطالعات مدیریتی تبدیل شوند.
همچنین حوزه‌های فرعی مدیریتی نیز با پشتیبانی از داده‌های عظیم برای هدایت کسب‌وکارها روز به روز در حال ظهور هستند.
👈 در همین راستا این پژوهش با یک رویکرد نظام‌مند مروری ادبیات، به کشف حوزه‌های نوظهور مدیریتی که توسط داده‌های عظیم در دوران معاصر پشتیبانی می‌شوند، می‌پردازد.
👈در واقع این پژوهش به دنبال پاسخ‌دهی به 2 سوال زیر است:
❓جدیدترین حوزه‌های مدیریتی که از قابلیتهای تحلیل داده‌های عظیم استفاده می‌کنند، کدامند؟
❓چگونه این حوزه ها، موضوعات مهم تحلیلگری دادهها را در عمل حل می‌کنند؟
✔️برای بررسی و پاسخ‌دهی به سوالات فوق، مقالات منتشر شده در مجلات مدیریتی معتبر در فاصله زمانی سال‌های 2011 تا 2021 مورد بررسی قرار گرفته‌اند. انتخاب این بازه زمانی به این سبب است که در این محدوده تحلیلگری عظیم دادهها (BDA) بطور جدی برای حل مشکلات دنیای واقعی بکار گرفته شده است.
💡روش کار به این صورت بوده که با جستجو در پایگاه مقالات Scopus با کلمات کلیدی “Big data” و “Big data analytics” مقالات همراه با اطلاعاتی شامل منبع انتشار و نام نویسنده دانلود شدند. سپس برای تعیین مقالات مرتبط معیارهایی لحاظ شده که عبارتند از : حذف مقالات کنفرانسی، حذف مقالات به زبان غیر انگلیسی، درنظرگیری مقالات پژوهشی در ژورنالهای مدیریتی و تجاری.
🔹در گام بعد برای بهبود کیفیت مقالات منتخب، پژوهش محدود به 50 مجله فهرست شده در فایننشیال تایمز، مجلات رتبه A*، A و B در رتبه‌بندی مجلات شورای بازرگانی استرالیا و رتبه‌های 4*، 3 یا 2 در رتبه‌بندی مجلات انجمن رسمی مدارس بازرگانی شده است. همچنین مقالات بصورت جداگانه از لحاظ فاکتورهایی مانند دقت علمی، روش تحقیق و چارچوب نظری مورد ممیزی قرار گرفته‌اند.
👈در نهایت 1756 مقاله انتخاب شدند و مورد تحلیل قرار گرفتند. روش تحلیل مقالات به این صورت بوده که با استفاده از کلمات کلیدی و عناوین مقالات، به تحلیل کابرد BDA در رشته‌های نوظهور مدیریت پرداخته شده است. نویسندگان اذعان دارند که بیشتر متون Clean بوده و نویز کمی داشته‌اند، لذا با استفاده از Topic modeling روی کلمات کلیدی و ایجاد دیاگرام شبکه‌ای از کاربرد BDA، نمودارهای شبکه ای از کاربرد BDA حول کلمات کلیدی ایجاد کرده‌اند . این نمودار پایه در واقع یک کلاستر از کلمات کلیدی و کاربردهای BDA همراه آنها به انضمام شبکه مرتبط با هریک از آنها می‌باشد.
🔹با تحلیل دیاگرام شبکه همراه با BDA به عنوان تم مرکزی، کلاسترهای اطراف ایده‌هایی از رشته‌های مدیریتی نوظهور (EMD) را ارائه کردند که در مجموع به 12 حوزه به شرح زیر می‌باشند:
مدیریت سلامت و بهداشت، مدیریت بحران، مدیریت امنیت، تولید و صنعت هوشمند، مدیریت قابلیتهای پویا، سیستمهای پشتیبان مدیریت، مدیریت مدلهای کسب و کار، مدیریت شبکه (عموما" مبتنی بر پلتفرم‌های رسانه‌های اجتماعی)، مدیریت خدمات، دیجیتال مارکتینگ و بهینه‌سازی موتور جستجو (SEO)، مدیریت (خدمات) دیجیتال، و مدیریت مالی.
🔸در ادامه مقاله به بررسی نقش BDA در هریک از این EMD ها می‌پردازد.
🔸نویسندگان اذعان دارند که این تحقیق به‌عنوان مرجعی برای محققان سیستمهای اطلاعاتی آینده عمل می‌کند که می‌خواهند تحلیل‌هایی را انجام دهند که ماهیت عمیقی در هر یک از این حوزه‌های مدیریتی داشته باشد و تمام توجه لازم را برای تبدیل شدن به حوزه‌های تحقیقاتی اختصاصی به خود جلب خواهند کرد.
🔹برای دریافت مقاله، به لینک زیر مراجعه فرمایید:
🔗 https://b2n.ir/h54413
#معرفی_مقاله
#تحلیل_عظیم_داده
#متن_کاوی
#مدیریت_خدمات
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم دادهها
❇️نام مقاله: تجزیه و تحلیل داده‌های عظیم برای سیستمهای تولید هوشمند
🖋نویسندگان مقاله:
Junliang Wang , Chuqiao Xu , Jie Zhang , Ray Zhong
📔ژورنال: Journal of Manufacturing Systems
🗓تاریخ انتشار: January 2022
🔹با توسعه اینترنت اشیا (IoT)، 5G و فناوری‌های رایانش ابری، میزان داده‌های سیستمهای تولیدی به سرعت در حال افزایش است. با تولید داده‌های صنعتی عظیم، دستاوردهایی فراتر از انتظارات در طراحی، ساخت و نگهداری محصول حاصل شده است. در واقع در تولید هوشمند، استفاده از داده‌های عظیم صنعتی نه‌تنها شرکت‌ها را به درک دقیق تغییرات محیط داخلی و خارجی در سیستم ارتقا می‌دهد، بلکه تجزیه و تحلیل علمی و تصمیم‌گیری برای بهینه سازی فرآیند تولید، کاهش هزینه‌ها و بهبود کارایی عملیاتی را تسهیل می‌کند.
می‌توان گفت تجزیه و تحلیل داده‌های عظیم (BDA) یک فناوری اصلی برای تقویت سیستمهای تولید هوشمند به حساب می‌آید.
🔹به منظور گزارش کامل نقش BDA در بهینه‌سازی سیستمهای تولید هوشمند، این مقاله با استفاده از روش تحقیق مرور کتابخانه‌ای، به تجزیه و تحلیل مطالعات انجام شده از سال 2011 تا 2020 در رابطه با تولید هوشمند مبتنی بر داده‌های عظیم، از پایگاه داده Web of Science می‌پردازد.
🔹در این مرور جامع موضوعات مرتبط مانند مفهوم داده‌های عظیم، روش‌های مبتنی بر مدل و داده‌محور، چارچوب تولید هوشمند مبتنی بر داده‌های عظیم، روش‌های توسعه، انواع فناوری‌های کلیدی پردازش(محاسبات توزیعی، محاسبات لبه- ابر، پردازش دسته‌ای، پردازش جریان، پردازش ترکیبی دسته‌ای و جریان) مورد بحث و بررسی قرار می‌گیرند.
🔹🔹همچنین یکی از نکات قوت این مقاله بررسی کاربردهای BDA برای هر یک از فازهای مطرح در سیستمهای تولید هوشمند اعم از طراحی محصول، برنامه‌ریزی و زمانبندی، مدیریت کیفیت و مدیریت سلامت فرآیندها و کشف ناهنجاری‌های احتمالی در آنها است که می‌تواند راهنمای خوبی برای نحوه پیاده‌سازی تحلیلگری عظیم دادهها در سیستمهای تولید باشد.
🔹در پایان نیز این مقاله به بررسی چالش‌ها و فرصت‌ها برای تحقیقات آینده در این خصوص پرداخته که از طریق این کار ایده‌های جدیدی برای تحقق BDA برای سیستمهای تولید هوشمند ارائه می شود.
👈درصورت تمایل، می‌توانید مقاله مذکور را در پست بعد دريافت و مطالعه نماييد.
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله: تجزیه و تحلیل داده‌های عظیم برای سیستمهای تولید هوشمند
🖋نویسندگان مقاله:
Junliang Wang , Chuqiao Xu , Jie Zhang , Ray Zhong
📔ژورنال: Journal of Manufacturing Systems
🗓تاریخ انتشار: January 2022
🔹با توسعه اینترنت اشیا (IoT)، 5G و فناوری‌های رایانش ابری، میزان داده‌های سیستمهای تولیدی به سرعت در حال افزایش است. با تولید داده‌های صنعتی عظیم، دستاوردهایی فراتر از انتظارات در طراحی، ساخت و نگهداری محصول حاصل شده است. در واقع در تولید هوشمند، استفاده از داده‌های عظیم صنعتی نه‌تنها شرکت‌ها را به درک دقیق تغییرات محیط داخلی و خارجی در سیستم ارتقا می‌دهد، بلکه تجزیه و تحلیل علمی و تصمیم‌گیری برای بهینه سازی فرآیند تولید، کاهش هزینه‌ها و بهبود کارایی عملیاتی را تسهیل می‌کند.
می‌توان گفت تجزیه و تحلیل داده‌های عظیم (BDA) یک فناوری اصلی برای تقویت سیستمهای تولید هوشمند به حساب می‌آید.
🔹به منظور گزارش کامل نقش BDA در بهینه‌سازی سیستمهای تولید هوشمند، این مقاله با استفاده از روش تحقیق مرور کتابخانه‌ای، به تجزیه و تحلیل مطالعات انجام شده از سال 2011 تا 2020 در رابطه با تولید هوشمند مبتنی بر داده‌های عظیم، از پایگاه داده Web of Science می‌پردازد.
🔹در این مرور جامع موضوعات مرتبط مانند مفهوم داده‌های عظیم، روش‌های مبتنی بر مدل و داده‌محور، چارچوب تولید هوشمند مبتنی بر داده‌های عظیم، روش‌های توسعه، انواع فناوری‌های کلیدی پردازش(محاسبات توزیعی، محاسبات لبه- ابر، پردازش دسته‌ای، پردازش جریان، پردازش ترکیبی دسته‌ای و جریان) مورد بحث و بررسی قرار می‌گیرند.
🔹🔹همچنین یکی از نکات قوت این مقاله بررسی کاربردهای BDA برای هر یک از فازهای مطرح در سیستمهای تولید هوشمند اعم از طراحی محصول، برنامه‌ریزی و زمانبندی، مدیریت کیفیت و مدیریت سلامت فرآیندها و کشف ناهنجاری‌های احتمالی در آنها است که می‌تواند راهنمای خوبی برای نحوه پیاده‌سازی تحلیلگری عظیم دادهها در سیستمهای تولید باشد.
🔹در پایان نیز این مقاله به بررسی چالش‌ها و فرصت‌ها برای تحقیقات آینده در این خصوص پرداخته که از طریق این کار ایده‌های جدیدی برای تحقق BDA برای سیستمهای تولید هوشمند ارائه می شود.
👈درصورت تمایل، می‌توانید مقاله مذکور را در پست بعد دريافت و مطالعه نماييد.
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم دادهها
❇️نام مقاله: تجزیه و تحلیل احساسات چندوجهی: بررسی سیستماتیک تاریخچه، دیتاست‌ها، روش‌های همجوشی چندوجهی، کاربردها، چالش‌ها و جهت گیری‌های آینده
🗓سال انتشار: 2022
📔ژورنال: Information Fusion
🖋نویسندگان:
Ankita Gandhi, Kinjal Adhvaryu, Soujanya Poria, Erik Cambria, Amir Hussain
🔹تحلیل احساسات (SA) در زمینه هوش مصنوعی (AI) و پردازش زبان طبیعی (NLP) جذابیت زیادی به دست آورده است. در همین راستا تقاضای فزاینده‌ای برای تجزیه و تحلیل خودکار احساسات کاربر نسبت به محصولات یا خدمات وجود دارد. نظرات افراد نیز به طور گسترده‌ای به صورت آنلاین در قالب ویدئو به جای/ در کنار متن به اشتراک گذاشته می‌شوند.
🔹این مساله باعث شده است که SA با استفاده از بکارگیری وجوه متعدد، که آنالیز احساسات چندوجهی (MSA) نامیده می‌شود، به یک حوزه تحقیقاتی مهم تبدیل شود. در واقع تجزیه و تحلیل احساسات چندوجهی (MSA) افکار، احساسات و عواطف افراد را از مشاهدات رفتارهای آنها استخراج می‌کند و در اینجا سرنخ‌های رفتاری می‌تواند به صورت نوشته‌های مستند، حالات چهره، گفتار، علائم فیزیولوژیکی و حرکات بدنی باشد.
🔹در تحلیل احساسات چندوجهی، روش‌های مختلفی برای یافتن حالات عاطفی از تعاملات استفاده می‌شود. متداول‌ترین وجوه استفاده شده عبارتند از: متن، صوت و تصویر. هر یک از این وجوه به پیش‌بینی بهتر احساسات کمک می‌کند و ادبیات موضوع در این حوزه تاکید دارد که سیستم دو وجهی و سه وجهی نتیجه را در مقایسه با سیستم تک وجهی بهبود می‌بخشد. در واقع هر وجه سهم مهمی در بهبود دقت دارد.
🔹تحلیل احساسات چندوجهی از آخرین پیشرفت‌های یادگیری ماشین و یادگیری عمیق در مراحل مختلف از جمله برای استخراج ویژگی چندوجهی و همجوشی و تشخیص قطبیت احساسات، با هدف به حداقل رساندن میزان خطا و بهبود عملکرد استفاده می‌کند .
🔹در این مقاله 10 دیتاست برتر ، که در زمینه MSA می‌توان بکارگرفت ، همراه با مشخصات آنها معرفی شده است. همچنین در ادامه، مقاله به بررسی طبقه‌بندی اولیه و معماری‌های همجوشی چندوجهی تازه منتشر شده می‌پردازد.
🔹ادغام وجوه مختلف در مرکز تحلیل احساسات با استفاده از روش‌های متعدد صورت می‌گیرد. فیوژن یا همجوشی چندوجهی فرآیند فیلتر کردن، استخراج و ترکیب ویژگی‌های مورد نیاز از داده‌های دریافتی از منابع مختلف است. سپس این دادهها به منظور استخراج نظرات و ارزیابی نگرش‌های بیشتر تجزیه و تحلیل می‌شوند.
🔹پیشرفت‌های اخیر در معماری‌های MSA به ده دسته تقسیم می‌شوند که عبارتند از همجوشی اولیه، همجوشی دیررس، همجوشی هیبریدی، همجوشی سطح مدل، همجوشی تانسوری، همجوشی سلسله مراتبی، همجوشی دو وجهی، همجوشی مبتنی بر توجه، همجوشی کوانتومی و همجوشی سطح کلمه. مقاله ضمن تشریح هریک از دسته‌های مذکور، به بررسی چندین تحول معماری از نظر مقوله‌های همجوشی MSA و نقاط قوت و محدودیت‌های نسبی آنها می‌پردازد.
🔹 در نهایت، نویسندگان به ارائه تعدادی از کاربردهای بین رشته‌ای اعم از : شناسایی اقدامات چندوجهی و کشف تقلب، پیش‌بینی بازار برای سیستم معاملاتی، تحلیل احساسات در زمینه گردشگری، تحلیل احساسات پست‌های اینستاگرام، تحلیل احساسات در توئیتر، تعاملات انسان و کامپیوتر، سیستم بهداشت و سلامت، سیستم آموزش، سیستمهای توصیه‌گر و احساسات نسبت به هر موضوع جاری، می‌پردازند.
🔹 در خاتمه نیز به بررسی چالش‌های پیشروی MSA و نیز جهت‌گیری‌های تحقیقاتی آینده در این زمینه پرداخته‌اند
👈درصورت تمایل می‌توانید فایل مقاله را👇👇👇 دانلود فرمایید.
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله: تجزیه و تحلیل احساسات چندوجهی: بررسی سیستماتیک تاریخچه، دیتاست‌ها، روش‌های همجوشی چندوجهی، کاربردها، چالش‌ها و جهت گیری‌های آینده
🗓سال انتشار: 2022
📔ژورنال: Information Fusion
🖋نویسندگان:
Ankita Gandhi, Kinjal Adhvaryu, Soujanya Poria, Erik Cambria, Amir Hussain
🔹تحلیل احساسات (SA) در زمینه هوش مصنوعی (AI) و پردازش زبان طبیعی (NLP) جذابیت زیادی به دست آورده است. در همین راستا تقاضای فزاینده‌ای برای تجزیه و تحلیل خودکار احساسات کاربر نسبت به محصولات یا خدمات وجود دارد. نظرات افراد نیز به طور گسترده‌ای به صورت آنلاین در قالب ویدئو به جای/ در کنار متن به اشتراک گذاشته می‌شوند.
🔹این مساله باعث شده است که SA با استفاده از بکارگیری وجوه متعدد، که آنالیز احساسات چندوجهی (MSA) نامیده می‌شود، به یک حوزه تحقیقاتی مهم تبدیل شود. در واقع تجزیه و تحلیل احساسات چندوجهی (MSA) افکار، احساسات و عواطف افراد را از مشاهدات رفتارهای آنها استخراج می‌کند و در اینجا سرنخ‌های رفتاری می‌تواند به صورت نوشته‌های مستند، حالات چهره، گفتار، علائم فیزیولوژیکی و حرکات بدنی باشد.
🔹در تحلیل احساسات چندوجهی، روش‌های مختلفی برای یافتن حالات عاطفی از تعاملات استفاده می‌شود. متداول‌ترین وجوه استفاده شده عبارتند از: متن، صوت و تصویر. هر یک از این وجوه به پیش‌بینی بهتر احساسات کمک می‌کند و ادبیات موضوع در این حوزه تاکید دارد که سیستم دو وجهی و سه وجهی نتیجه را در مقایسه با سیستم تک وجهی بهبود می‌بخشد. در واقع هر وجه سهم مهمی در بهبود دقت دارد.
🔹تحلیل احساسات چندوجهی از آخرین پیشرفت‌های یادگیری ماشین و یادگیری عمیق در مراحل مختلف از جمله برای استخراج ویژگی چندوجهی و همجوشی و تشخیص قطبیت احساسات، با هدف به حداقل رساندن میزان خطا و بهبود عملکرد استفاده می‌کند .
🔹در این مقاله 10 دیتاست برتر ، که در زمینه MSA می‌توان بکارگرفت ، همراه با مشخصات آنها معرفی شده است. همچنین در ادامه، مقاله به بررسی طبقه‌بندی اولیه و معماری‌های همجوشی چندوجهی تازه منتشر شده می‌پردازد.
🔹ادغام وجوه مختلف در مرکز تحلیل احساسات با استفاده از روش‌های متعدد صورت می‌گیرد. فیوژن یا همجوشی چندوجهی فرآیند فیلتر کردن، استخراج و ترکیب ویژگی‌های مورد نیاز از داده‌های دریافتی از منابع مختلف است. سپس این دادهها به منظور استخراج نظرات و ارزیابی نگرش‌های بیشتر تجزیه و تحلیل می‌شوند.
🔹پیشرفت‌های اخیر در معماری‌های MSA به ده دسته تقسیم می‌شوند که عبارتند از همجوشی اولیه، همجوشی دیررس، همجوشی هیبریدی، همجوشی سطح مدل، همجوشی تانسوری، همجوشی سلسله مراتبی، همجوشی دو وجهی، همجوشی مبتنی بر توجه، همجوشی کوانتومی و همجوشی سطح کلمه. مقاله ضمن تشریح هریک از دسته‌های مذکور، به بررسی چندین تحول معماری از نظر مقوله‌های همجوشی MSA و نقاط قوت و محدودیت‌های نسبی آنها می‌پردازد.
🔹 در نهایت، نویسندگان به ارائه تعدادی از کاربردهای بین رشته‌ای اعم از : شناسایی اقدامات چندوجهی و کشف تقلب، پیش‌بینی بازار برای سیستم معاملاتی، تحلیل احساسات در زمینه گردشگری، تحلیل احساسات پست‌های اینستاگرام، تحلیل احساسات در توئیتر، تعاملات انسان و کامپیوتر، سیستم بهداشت و سلامت، سیستم آموزش، سیستمهای توصیه‌گر و احساسات نسبت به هر موضوع جاری، می‌پردازند.
🔹 در خاتمه نیز به بررسی چالش‌های پیشروی MSA و نیز جهت‌گیری‌های تحقیقاتی آینده در این زمینه پرداخته‌اند
👈درصورت تمایل می‌توانید فایل مقاله را👇👇👇 دانلود فرمایید.
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم دادهها
❇️نام مقاله:
Issues and Challenges of Aspect-based
Sentiment Analysis: A Comprehensive Survey
🖋نویسندگان:
Ambreen Nazir , Yuan Rao, Lianwei Wu , and Ling Sun
📔منتشر شده در :
IEEE Transactions on Affective Computing
🔸این مقاله به حوزه تحلیل احساسات (SA) که به عنوان عقیده کاوی نیز نامیده می‌شود، بعنوان یک حوزه تحقیقاتی فعال برای نمایش احساسات و کشف خودکار احساسات بیان شده در متن می‌پردازد. هدف SA معمولاً محصول یا خدماتی است که در بین مردم مورد توجه است و افراد به بروز احساسات نسبت به آن اهمیت می‌دهند. به طور سنتی، SA به عنوان یک قطبیت عقیده در نظر گرفته می‌شود که آیا شخصی در مورد یک رویداد احساسات مثبت، منفی یا خنثی ابراز کرده است.
🔸تحلیل احساسات به طور کلی در سه سطح طبقه‌بندی شده است. سطح سند، سطح جمله و سطح جنبه به این معنا که آیا یک سند کامل، یک جمله (ذهنی یا عینی) و یک جنبه بیانگر یک احساس است، یعنی مثبت، منفی یا خنثی.
🔸حوزه تحلیل احساسات مبتنی بر جنبه(AbSA)، که در آن جنبه‌ها استخراج می‌شوند، احساسات مربوط به آنها تحلیل می‌شوند و احساسات در طول زمان تکامل می‌یابند، با افزایش بازخورد عمومی و حضور مشتریان در رسانه‌های اجتماعی، بسیار مورد توجه قرار گرفته است. پیشرفت‌های عظیم در این زمینه، محققان را بر آن داشت تا تکنیک‌ها و رویکردهای جدیدی را ابداع کنند، که هر کدام متمرکز بر یک تحلیل/پرسش پژوهشی متفاوت بوده و با مسائل آتی و سناریوهای پیچیده تحلیل احساسات مبتنی بر جنبه کار می‌کند.
🔸حوزه AbSA را می‌توان بر اساس سه مرحله پردازش اصلی طبقه‌بندی کرد: استخراج جنبه (AE)، تجزیه و تحلیل احساسات جنبه (ASA) و تکامل احساسات (SE). فاز اول به استخراج جنبه‌ها می‌پردازد که می‌تواند جنبه‌های صریح، جنبه‌های ضمنی، اصطلاحات جنبه، موجودیت‌ها و هدف عبارات نظر (OTE) باشد. مرحله دوم قطبیت احساسات را برای یک جنبه، هدف یا موجودیت از پیش تعریف شده طبقه بندی می‌کند. این مرحله همچنین تعاملات، وابستگی‌ها و روابط معنایی زمینه‌ای را بین اشیاء داده‌ای مختلف، به عنوان مثال، جنبه، موجودیت، هدف، هدف چند کلمه‌ای، کلمه احساس، برای دستیابی به دقت طبقه‌بندی احساسات، فرموله می‌کند. مرحله سوم به پویایی احساسات افراد نسبت به جنبه‌ها (رویدادها) در یک دوره زمانی مربوط می‌شود. ویژگی‌های اجتماعی و تجربه شخصی به عنوان علل اصلی SE در نظر گرفته می‌شود.
🔸از سویی نویسندگان مقاله تاکید دارند که تمرکز پژوهش‌های موجود به جزئیات فنی یا مراحل خاص AbSA محدود می‌شود و در آنها مسائل مهم و چالش‌های کلیدی AE، ASA، SE به طور دقیق بیان و خلاصه نشده است. همچنین به دلیل دستاوردها و نوآوری‌های نمایی در سال‌های اخیر، نتایج آن پژوهش‌ها در معرض منسوخ شدن قرار گرفته‌اند. لذا برای پر کردن این شکاف، نویسندگان مقاله یک بررسی جامع مرتبط با AbSA را پیشنهاد می‌کنند.
🔸در همین راستا این پژوهش بر مطالعه مسائل و چالش‌های مرتبط با استخراج جنبه‌های مختلف و احساسات مربوط به آنها، نگاشت رابطه‌ای بین جنبه‌ها، تعاملات، وابستگی‌ها و روابط معنایی زمینه‌ای بین اشیاء داده‌ای مختلف برای بهبود دقت احساسات و پیش‌بینی پویایی تحول احساسات تمرکز دارد.
🔸در نهایت یک مرور کلی دقیق از پیشرفت‌های اخیر در این حوزه خواهد داشت بر اساس اینکه سهم هریک در برجسته کردن و کاهش موضوعات مربوط به استخراج جنبه، تحلیل احساسات جنبه یا تکامل احساسات چه بوده است. عملکرد گزارش شده برای هر مطالعه موشکافانه استخراج جنبه و تحلیل احساسات جنبه نیز ارائه شده است که ارزیابی کمی رویکرد پیشنهادی را نشان می‌دهد. در انتها رویکردهای تحقیقاتی آتی با تحلیل انتقادی راه‌حل‌های اخیر ارائه شده پیشنهاد و مورد بحث قرار می‌گیرند که برای محققین مفید و برای بهبود طبقه‌بندی احساسات در سطح جنبه کارآمد خواهد بود.
👈در صورت تمایل، می‌توانید فایل مقاله را دانلود فرمایید👇👇
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله:
Issues and Challenges of Aspect-based
Sentiment Analysis: A Comprehensive Survey
🖋نویسندگان:
Ambreen Nazir , Yuan Rao, Lianwei Wu , and Ling Sun
📔منتشر شده در :
IEEE Transactions on Affective Computing
🔸این مقاله به حوزه تحلیل احساسات (SA) که به عنوان عقیده کاوی نیز نامیده می‌شود، بعنوان یک حوزه تحقیقاتی فعال برای نمایش احساسات و کشف خودکار احساسات بیان شده در متن می‌پردازد. هدف SA معمولاً محصول یا خدماتی است که در بین مردم مورد توجه است و افراد به بروز احساسات نسبت به آن اهمیت می‌دهند. به طور سنتی، SA به عنوان یک قطبیت عقیده در نظر گرفته می‌شود که آیا شخصی در مورد یک رویداد احساسات مثبت، منفی یا خنثی ابراز کرده است.
🔸تحلیل احساسات به طور کلی در سه سطح طبقه‌بندی شده است. سطح سند، سطح جمله و سطح جنبه به این معنا که آیا یک سند کامل، یک جمله (ذهنی یا عینی) و یک جنبه بیانگر یک احساس است، یعنی مثبت، منفی یا خنثی.
🔸حوزه تحلیل احساسات مبتنی بر جنبه(AbSA)، که در آن جنبه‌ها استخراج می‌شوند، احساسات مربوط به آنها تحلیل می‌شوند و احساسات در طول زمان تکامل می‌یابند، با افزایش بازخورد عمومی و حضور مشتریان در رسانه‌های اجتماعی، بسیار مورد توجه قرار گرفته است. پیشرفت‌های عظیم در این زمینه، محققان را بر آن داشت تا تکنیک‌ها و رویکردهای جدیدی را ابداع کنند، که هر کدام متمرکز بر یک تحلیل/پرسش پژوهشی متفاوت بوده و با مسائل آتی و سناریوهای پیچیده تحلیل احساسات مبتنی بر جنبه کار می‌کند.
🔸حوزه AbSA را می‌توان بر اساس سه مرحله پردازش اصلی طبقه‌بندی کرد: استخراج جنبه (AE)، تجزیه و تحلیل احساسات جنبه (ASA) و تکامل احساسات (SE). فاز اول به استخراج جنبه‌ها می‌پردازد که می‌تواند جنبه‌های صریح، جنبه‌های ضمنی، اصطلاحات جنبه، موجودیت‌ها و هدف عبارات نظر (OTE) باشد. مرحله دوم قطبیت احساسات را برای یک جنبه، هدف یا موجودیت از پیش تعریف شده طبقه بندی می‌کند. این مرحله همچنین تعاملات، وابستگی‌ها و روابط معنایی زمینه‌ای را بین اشیاء داده‌ای مختلف، به عنوان مثال، جنبه، موجودیت، هدف، هدف چند کلمه‌ای، کلمه احساس، برای دستیابی به دقت طبقه‌بندی احساسات، فرموله می‌کند. مرحله سوم به پویایی احساسات افراد نسبت به جنبه‌ها (رویدادها) در یک دوره زمانی مربوط می‌شود. ویژگی‌های اجتماعی و تجربه شخصی به عنوان علل اصلی SE در نظر گرفته می‌شود.
🔸از سویی نویسندگان مقاله تاکید دارند که تمرکز پژوهش‌های موجود به جزئیات فنی یا مراحل خاص AbSA محدود می‌شود و در آنها مسائل مهم و چالش‌های کلیدی AE، ASA، SE به طور دقیق بیان و خلاصه نشده است. همچنین به دلیل دستاوردها و نوآوری‌های نمایی در سال‌های اخیر، نتایج آن پژوهش‌ها در معرض منسوخ شدن قرار گرفته‌اند. لذا برای پر کردن این شکاف، نویسندگان مقاله یک بررسی جامع مرتبط با AbSA را پیشنهاد می‌کنند.
🔸در همین راستا این پژوهش بر مطالعه مسائل و چالش‌های مرتبط با استخراج جنبه‌های مختلف و احساسات مربوط به آنها، نگاشت رابطه‌ای بین جنبه‌ها، تعاملات، وابستگی‌ها و روابط معنایی زمینه‌ای بین اشیاء داده‌ای مختلف برای بهبود دقت احساسات و پیش‌بینی پویایی تحول احساسات تمرکز دارد.
🔸در نهایت یک مرور کلی دقیق از پیشرفت‌های اخیر در این حوزه خواهد داشت بر اساس اینکه سهم هریک در برجسته کردن و کاهش موضوعات مربوط به استخراج جنبه، تحلیل احساسات جنبه یا تکامل احساسات چه بوده است. عملکرد گزارش شده برای هر مطالعه موشکافانه استخراج جنبه و تحلیل احساسات جنبه نیز ارائه شده است که ارزیابی کمی رویکرد پیشنهادی را نشان می‌دهد. در انتها رویکردهای تحقیقاتی آتی با تحلیل انتقادی راه‌حل‌های اخیر ارائه شده پیشنهاد و مورد بحث قرار می‌گیرند که برای محققین مفید و برای بهبود طبقه‌بندی احساسات در سطح جنبه کارآمد خواهد بود.
👈در صورت تمایل، می‌توانید فایل مقاله را دانلود فرمایید👇👇
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات داغ حوزه عظیم دادهها
❇️نام مقاله:
How can organizations leverage big data to innovate their business models? A systematic literature review
🖋نویسندگان:
Chiara Acciarini , Francesco Cappa , Paolo Boccardelli , Raffaele Oriani
🗓سال انتشار: 2023
📔ژورنال:
Technovation
🔸حجم جهانی دادهها به سرعت در حال گسترش است و شرکت‌ها به دنبال درک چگونگی ایجاد، جذب و ارائه ارزش از این منبع ارزشمند هستند.
🔸در سال 2017، اکونومیست بیان کرد که "با ارزش ترین منبع جهان دیگر نفت نیست، بلکه داده است". در حال حاضر، بازار داده‌های عظیم بیش از 55 میلیارد دلار درآمد دارد و انتظار می‌رود تا سال 2027 به 103 میلیارد دلار افزایش یابد. در واقع، در سال‌های اخیر، شاهد افزایش انفجاری در میزان اطلاعات در دسترس بوده‌ایم و مدیران و سیاست‌گذاران به طور فزاینده‌ای به مزایای حاصل از داده‌های عظیم پی‌برده‌اند. با این حال، معایب مرتبط با آنها، مانند مسائل مربوط به حریم خصوصی و امنیتی، نیز در حال ظهور هستند.
🔸مطالعات موجود عمدتاً به مزایایی می‌پردازد که داده‌های عظیم می‌توانند فراهم کنند، که برای مثال شامل عملیات پایدارتر و مدیریت زنجیره تأمین، بودجه‌بندی بهتر و تصمیم‌گیری و نوآوری بهبودیافته است. با این حال، هنوز تعداد کمی از نویسندگان جنبه تاریک داده‌های عظیم را بررسی کرده‌اند.
🔸بنابراین، برای اطمینان از اینکه مزایا نسبت به چالش‌های داده‌های عظیم بیشتر است، و برای باز کردن پتانسیل کامل داده‌های عظیم از نظر نوآوری در مدل کسب‌وکار، نویسندگان این مقاله استدلال می‌کنند که شرکت‌ها باید نقشه واضحی از تمام کاربردهای احتمالی آن داشته باشند.
🔸در این مطالعه که به روش مروری سیستماتیک ادبیات انجام شده است و نهایتا 311 مقاله مورد بررسی قرار گرفته‌اند، یک نمای کلی جامع از موارد زیر ارائه می‌شود:
الف) اثرات تولید شده توسط داده‌های عظیم، از جمله مزایا و همچنین معایب
ب) حوزه‌های کسب و کاری که در آنها داده‌های عظیم استفاده می‌شوند
ج) روش‌های تحقیقاتی که تاکنون توسط مطالعات قبلی اتخاذ شده است (کمی، کیفی، مفهومی و میکس)
د)نوع شرکتی که تاکنون در نظر گرفته شده است و بین کسب و کارهای خصوصی و عمومی(دولتی) تمایز قائل شده است.
🔸در نهایت نتایج این مطالعه به افزایش درک علمی از پدیده داده‌های عظیم کمک کرده و توصیه‌های نظری و عملی در مورد استفاده‌های احتمالی از آنها ارائه می‌کند که ممکن است به شرکت‌ها اجازه دهد مدلهای کسب و کار خود را مورد بازبینی و نوآوری قرار دهند.
👈در صورت تمایل، می‌توانید فایل مقاله را در ادامه دانلود فرمایید👇
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله:
How can organizations leverage big data to innovate their business models? A systematic literature review
🖋نویسندگان:
Chiara Acciarini , Francesco Cappa , Paolo Boccardelli , Raffaele Oriani
🗓سال انتشار: 2023
📔ژورنال:
Technovation
🔸حجم جهانی دادهها به سرعت در حال گسترش است و شرکت‌ها به دنبال درک چگونگی ایجاد، جذب و ارائه ارزش از این منبع ارزشمند هستند.
🔸در سال 2017، اکونومیست بیان کرد که "با ارزش ترین منبع جهان دیگر نفت نیست، بلکه داده است". در حال حاضر، بازار داده‌های عظیم بیش از 55 میلیارد دلار درآمد دارد و انتظار می‌رود تا سال 2027 به 103 میلیارد دلار افزایش یابد. در واقع، در سال‌های اخیر، شاهد افزایش انفجاری در میزان اطلاعات در دسترس بوده‌ایم و مدیران و سیاست‌گذاران به طور فزاینده‌ای به مزایای حاصل از داده‌های عظیم پی‌برده‌اند. با این حال، معایب مرتبط با آنها، مانند مسائل مربوط به حریم خصوصی و امنیتی، نیز در حال ظهور هستند.
🔸مطالعات موجود عمدتاً به مزایایی می‌پردازد که داده‌های عظیم می‌توانند فراهم کنند، که برای مثال شامل عملیات پایدارتر و مدیریت زنجیره تأمین، بودجه‌بندی بهتر و تصمیم‌گیری و نوآوری بهبودیافته است. با این حال، هنوز تعداد کمی از نویسندگان جنبه تاریک داده‌های عظیم را بررسی کرده‌اند.
🔸بنابراین، برای اطمینان از اینکه مزایا نسبت به چالش‌های داده‌های عظیم بیشتر است، و برای باز کردن پتانسیل کامل داده‌های عظیم از نظر نوآوری در مدل کسب‌وکار، نویسندگان این مقاله استدلال می‌کنند که شرکت‌ها باید نقشه واضحی از تمام کاربردهای احتمالی آن داشته باشند.
🔸در این مطالعه که به روش مروری سیستماتیک ادبیات انجام شده است و نهایتا 311 مقاله مورد بررسی قرار گرفته‌اند، یک نمای کلی جامع از موارد زیر ارائه می‌شود:
الف) اثرات تولید شده توسط داده‌های عظیم، از جمله مزایا و همچنین معایب
ب) حوزه‌های کسب و کاری که در آنها داده‌های عظیم استفاده می‌شوند
ج) روش‌های تحقیقاتی که تاکنون توسط مطالعات قبلی اتخاذ شده است (کمی، کیفی، مفهومی و میکس)
د)نوع شرکتی که تاکنون در نظر گرفته شده است و بین کسب و کارهای خصوصی و عمومی(دولتی) تمایز قائل شده است.
🔸در نهایت نتایج این مطالعه به افزایش درک علمی از پدیده داده‌های عظیم کمک کرده و توصیه‌های نظری و عملی در مورد استفاده‌های احتمالی از آنها ارائه می‌کند که ممکن است به شرکت‌ها اجازه دهد مدلهای کسب و کار خود را مورد بازبینی و نوآوری قرار دهند.
👈در صورت تمایل، می‌توانید فایل مقاله را در ادامه دانلود فرمایید👇
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات حوزه عظیم دادهها
❇️نام مقاله:
Big data analytics capabilities: Patchwork or progress? A systematic review of the status quo and implications for future research
🖋نویسندگان:
Minh-Tay Huynh, Michael Nippa, Thomas Aichner
🗓سال انتشار : 2023
📔ژورنال:
Technological Forecasting & Social Change
🔸این مقاله یک مرور سیستماتیک ادبیات از زمینه تحقیقات در مورد قابلیت های تجزیه و تحلیل داده های عظیم (BDAC) ارائه می دهد.
🔸با ظهور داده های عظیم و تحول دیجیتال، تعداد زیادی از محققین به نیاز سازمان ها به توسعه BDAC اشاره کرده اند. با این حال علیرغم تلاش‌های ارزشمند برای بررسی عوامل تعیین‌کننده و کمک به معیارهای عملکرد، زمینه تحقیقاتی در مورد BDACها نسبتا ناشناخته باقی مانده است.
🔸 در حالی که تحلیل داده های عظیم (BDA) برای تبدیل آنها به اطلاعات ضروری است، با این حال برای تولید دانش ارزشمند، راهنمایی و بهبود تصمیم گیری استراتژیک کافی نیست. محققان تاکید کرده‌اند که علاوه بر تخصص فنی و تحلیلی مورد نیاز برای BDA، شرکت‌ها باید مهارت‌های مدیریتی را پرورش داده ، رویکرد کسب‌وکار و فرهنگ سازمانی بیشتر داده‌محور را اتخاذ کرده، یادگیری سازمانی را ارتقا داده و قابلیتهای سازمانی را تقویت کنند تا بینش‌های ارزشمندی را از تحلیل داده های عظیم به دست آورند.
🔸در همین راستا تعداد مطالعات بر روی قابلیت های تجزیه و تحلیل داده های عظیم (BDAC) در حوزه های مختلف، به ویژه مدیریت عمومی، مدیریت زنجیره تامین و مراقبت های بهداشتی، به طور قابل توجهی افزایش یافته است. در نتیجه، محققان ممکن است به طور مستقل تحقیقات قبلی را برای مطالعه BDAC به کار برده باشند که منجر به تناقضات آشکار در مفهوم‌سازی، ابعاد، نظریه‌ها و روش‌های اعمال شده آن می‌شود. لذا مشارکت‌های نظری و پیامدهای عملی جزئی بوده ، درک پیشرفت در این زمینه را دشوار کرده و فقدان راهنمایی برای تحقیقات بعدی فراهم می‌کند.
🔸 علیرغم وجود مقالات بررسی ادبیات اولیه در مورد BDAC، یک چارچوب جامع برای سازماندهی اجزای کلیدی BDAC هنوز وجود ندارد. بنابراین، برای برجسته کردن وضعیت موجود و ادغام تحقیقات موجود، یک مرور سیستماتیک ادبیات شامل چارچوب سازماندهی جامع برای هدایت تحقیقات آینده انجام می‌شود. بر این اساس، در این مقاله یک مرور ادبیات تفسیری BDAC با سه هدف اصلی انجام می گردد. در مرحله اول، هدف کاوش ادبیات موجود در مورد بلوک های ساختمانی اساسی BDAC، مانند پیشنیازها، ابعاد، و نتایج است. در مرحله دوم، بحث خواهد شد که تا چه اندازه تحقیقات در این حوزه با توجه به تکامل تعاریف، مفروضات نظری، زمینه‌ها و صنایع تحقیقاتی، سطوح تحلیل و لنزهای نظری اتخاذ شده پیشرفت کرده است. برای ادامه این امر، در گام سوم بر نیاز به مقایسه BDAC با قابلیتهای سازمانی قبلی، مانند فناوری اطلاعات، دیجیتالی‌سازی و قابلیتهای پویا، به منظور شناسایی شکاف‌های مهم، مسائل رسیدگی‌نشده، و جهت‌دهی‌های تحقیقاتی امیدوارکننده تاکید می‌گردد.
🔸برای این منظور یک بررسی ادبیات از مقالات علمی منتشر شده در 25 سال گذشته در پایگاه مقالات Scopus و Web of Science انجام گرفته است. در ابتدا 218 مقاله بازیابی شده و پس از اعمال معیارهای مرتبط، 103 مقاله به طور کامل مورد تجزیه و تحلیل قرار گرفته است. یافته‌ها نشان می‌دهد که علیرغم افزایش تحقیقات BDAC، موضوعات مختلف مربوط به مبانی مفهومی و نظری و همچنین قابلیت اطمینان و اعتبار سنجی نتایج تجربی بر ارزش کلی نتایج تأثیر می‌گذارد.
🔸این پژوهش از طریق ارائه بینشی در مورد ادبیات موجود BDACها، بررسی طیف وسیعی از جنبه‌های شامل این مفهوم و اجزای اصلی آن، به توسعه بیشتر این زمینه تحقیقاتی کمک می‌کند. علاوه بر این، به ادبیات عمومی مدیریت سازمانی کمک کرده و شباهت‌ها و تفاوت‌های رویکرد BDAC را با مفاهیم رایج‌تر قابلیتهای سازمانی برجسته می‌سازد. همچنین این مطالعه به ادبیات رو به رشد در مورد دیجیتالی شدن و تحول دیجیتال افزوده و در نهایت، به شکل‌گیری یک دستور کار تحقیقاتی آینده‌نگر کمک کرده که محققان می‌توانند بر اساس آن رویکردهای نظری و روش‌شناختی را برای رسیدگی به شکاف‌ها و کاستی‌های پژوهشی به شیوه‌ای انباشته به دست آورند و در عین حال دانش بیشتری را به مجموعه ادبیات موجود برای پیشرفت این رشته اضافه کنند.
👈درصورت تمایل، می‌توانید فایل مقاله را در ادامه دانلود نمایید
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️نام مقاله:
Big data analytics capabilities: Patchwork or progress? A systematic review of the status quo and implications for future research
🖋نویسندگان:
Minh-Tay Huynh, Michael Nippa, Thomas Aichner
🗓سال انتشار : 2023
📔ژورنال:
Technological Forecasting & Social Change
🔸این مقاله یک مرور سیستماتیک ادبیات از زمینه تحقیقات در مورد قابلیت های تجزیه و تحلیل داده های عظیم (BDAC) ارائه می دهد.
🔸با ظهور داده های عظیم و تحول دیجیتال، تعداد زیادی از محققین به نیاز سازمان ها به توسعه BDAC اشاره کرده اند. با این حال علیرغم تلاش‌های ارزشمند برای بررسی عوامل تعیین‌کننده و کمک به معیارهای عملکرد، زمینه تحقیقاتی در مورد BDACها نسبتا ناشناخته باقی مانده است.
🔸 در حالی که تحلیل داده های عظیم (BDA) برای تبدیل آنها به اطلاعات ضروری است، با این حال برای تولید دانش ارزشمند، راهنمایی و بهبود تصمیم گیری استراتژیک کافی نیست. محققان تاکید کرده‌اند که علاوه بر تخصص فنی و تحلیلی مورد نیاز برای BDA، شرکت‌ها باید مهارت‌های مدیریتی را پرورش داده ، رویکرد کسب‌وکار و فرهنگ سازمانی بیشتر داده‌محور را اتخاذ کرده، یادگیری سازمانی را ارتقا داده و قابلیتهای سازمانی را تقویت کنند تا بینش‌های ارزشمندی را از تحلیل داده های عظیم به دست آورند.
🔸در همین راستا تعداد مطالعات بر روی قابلیت های تجزیه و تحلیل داده های عظیم (BDAC) در حوزه های مختلف، به ویژه مدیریت عمومی، مدیریت زنجیره تامین و مراقبت های بهداشتی، به طور قابل توجهی افزایش یافته است. در نتیجه، محققان ممکن است به طور مستقل تحقیقات قبلی را برای مطالعه BDAC به کار برده باشند که منجر به تناقضات آشکار در مفهوم‌سازی، ابعاد، نظریه‌ها و روش‌های اعمال شده آن می‌شود. لذا مشارکت‌های نظری و پیامدهای عملی جزئی بوده ، درک پیشرفت در این زمینه را دشوار کرده و فقدان راهنمایی برای تحقیقات بعدی فراهم می‌کند.
🔸 علیرغم وجود مقالات بررسی ادبیات اولیه در مورد BDAC، یک چارچوب جامع برای سازماندهی اجزای کلیدی BDAC هنوز وجود ندارد. بنابراین، برای برجسته کردن وضعیت موجود و ادغام تحقیقات موجود، یک مرور سیستماتیک ادبیات شامل چارچوب سازماندهی جامع برای هدایت تحقیقات آینده انجام می‌شود. بر این اساس، در این مقاله یک مرور ادبیات تفسیری BDAC با سه هدف اصلی انجام می گردد. در مرحله اول، هدف کاوش ادبیات موجود در مورد بلوک های ساختمانی اساسی BDAC، مانند پیشنیازها، ابعاد، و نتایج است. در مرحله دوم، بحث خواهد شد که تا چه اندازه تحقیقات در این حوزه با توجه به تکامل تعاریف، مفروضات نظری، زمینه‌ها و صنایع تحقیقاتی، سطوح تحلیل و لنزهای نظری اتخاذ شده پیشرفت کرده است. برای ادامه این امر، در گام سوم بر نیاز به مقایسه BDAC با قابلیتهای سازمانی قبلی، مانند فناوری اطلاعات، دیجیتالی‌سازی و قابلیتهای پویا، به منظور شناسایی شکاف‌های مهم، مسائل رسیدگی‌نشده، و جهت‌دهی‌های تحقیقاتی امیدوارکننده تاکید می‌گردد.
🔸برای این منظور یک بررسی ادبیات از مقالات علمی منتشر شده در 25 سال گذشته در پایگاه مقالات Scopus و Web of Science انجام گرفته است. در ابتدا 218 مقاله بازیابی شده و پس از اعمال معیارهای مرتبط، 103 مقاله به طور کامل مورد تجزیه و تحلیل قرار گرفته است. یافته‌ها نشان می‌دهد که علیرغم افزایش تحقیقات BDAC، موضوعات مختلف مربوط به مبانی مفهومی و نظری و همچنین قابلیت اطمینان و اعتبار سنجی نتایج تجربی بر ارزش کلی نتایج تأثیر می‌گذارد.
🔸این پژوهش از طریق ارائه بینشی در مورد ادبیات موجود BDACها، بررسی طیف وسیعی از جنبه‌های شامل این مفهوم و اجزای اصلی آن، به توسعه بیشتر این زمینه تحقیقاتی کمک می‌کند. علاوه بر این، به ادبیات عمومی مدیریت سازمانی کمک کرده و شباهت‌ها و تفاوت‌های رویکرد BDAC را با مفاهیم رایج‌تر قابلیتهای سازمانی برجسته می‌سازد. همچنین این مطالعه به ادبیات رو به رشد در مورد دیجیتالی شدن و تحول دیجیتال افزوده و در نهایت، به شکل‌گیری یک دستور کار تحقیقاتی آینده‌نگر کمک کرده که محققان می‌توانند بر اساس آن رویکردهای نظری و روش‌شناختی را برای رسیدگی به شکاف‌ها و کاستی‌های پژوهشی به شیوه‌ای انباشته به دست آورند و در عین حال دانش بیشتری را به مجموعه ادبیات موجود برای پیشرفت این رشته اضافه کنند.
👈درصورت تمایل، می‌توانید فایل مقاله را در ادامه دانلود نمایید
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
📌معرفی مقالات حوزه عظیم دادهها
❇️ نام مقاله:
Product improvement in a big data environment: A novel method based on text mining and large group decision making
✍️نویسندگان:
Fang Zhang , Wenyan Song
🗓سال انتشار: 2024
📔ژورنال:
Expert Systems With Applications
🔸امروزه بهبود محصول به یک تلاش چندوجهی همراه با ابهام برای تولیدکنندگان در محیط کسب و کار رقابتی تبدیل شده است. در حالیکه پلتفرم‌های آنلاین برای جلب نظر مشتریان و بازخورد آنها در خصوص محصول پدید آمده‌اند، با این حال، بهبود محصول نیازمند یک رویکرد تصمیم‌گیری پیچیده برای تولیدکنندگان است. در واقع مدیران با چالش شناسایی موثرترین روش تصمیم گیری برای بهبود محصول، به ویژه در محیط داده‌های عظیم، مواجه هستند.
🔸 در این پژوهش، به طور جامع روش‌های مختلف تصمیم‌گیری بهبود محصول از طریق یک سری تحقیقات تجربی ارزیابی می‌شود. به طور خاص، سه آزمایش مختلف انجام شده که عبارتند از : 1) انتخاب اولیه که توسط ادراک شهودی تصمیم گیرندگان و متخصصین هدایت می‌شود، 2) تصمیم گیری چند متغیره بر اساس نظرات متخصصین، و 3) یک روش ترکیبی که داده‌های عظیم مصرف‌کننده و تصمیم گیری گروهی در مقیاس بزرگ را در بر می گیرد.
⏹شرح آزمایش اول: رتبه‌بندی گزینه‌ها بر اساس شناخت شهودی تصمیم گیرندگان
در این مرحله اطلاعات در هشت معیار در خصوص یخچال در اختیار تصمیم گیرندگان قرار می گیرد که عبارتند از: «قیمت»، «استفاده آسان»، «طراحی عملکرد»، «خنک کننده»، «نویز»، «فضا»، «مصرف انرژی» و «خدمات». سپس از هر شرکت کننده خواسته می‌شود تا چهار گزینه را با توجه به دانش و درک شخصی خود رتبه‌بندی کند. شرکت کنندگان در این بخش شامل بیست کارشناس، شش طراح محصول جدید برای یخچال‌ها، شش مدیر فروش محصولات یخچال و هشت کارشناس از دانشگاه‌ها هستند. پنل متخصص دارای تخصص غنی در زمینه طراحی و توسعه محصول است.
⏹شرح آزمایش 2: تصمیم گیری گروهی
در این آزمایش رتبه بندی گزینه‌ها بر اساس رویکردهای تصمیم‌گیری چند معیاره با استفاده از متد SWARA-TOPSIS انجام می‌پذیرد. از بیست شرکت‌کننده که مشابه با پنل آزمایش 1 هستند ، دعوت می‌شود تا به اولویت‌های خود امتیاز دهند. سپس، رویکرد SWARA-TOPSIS برای محاسبه اولویت گزیه ها اعمال می‌شود.
⏹شرح آزمایش 3: روش ترکیبی مبتنی بر متن کاوی و تصمیم گیری گروهی در مقیاس بزرگ
در این آزمایش رتبه‌بندی گزینه‌ها بر اساس روش ترکیبی با استفاده از بررسی‌های آنلاین برای به دست آوردن وزن ها و اعمال MCDM برای رتبه‌بندی گزینه‌ها پیشنهاد شده است. در این روش ابتدا، داده‌های بررسی آنلاین در مورد یخچال جمع آوری می‌شود. در مرحله دوم، الگوریتم TextRank برای به دست آوردن فاکتورها و معیارهای کلیدی برای تصمیمات طراحی محصول اعمال می‌شود. همچنین الگوریتم Word2Vec برای بدست آوردن درجه تشابه بین عوامل کلیدی و معیار استفاده می‌شود. سپس، از روش‌های تصمیم‌گیری چند معیاره برای رتبه‌بندی گزینه‌ها استفاده می‌شود.
👈نتایج تجربی آزمایش ها نشان می‌دهد که روش ترکیبی، که از تکنیک‌های متن کاوی در ارتباط با تصمیم‌گیری گروه‌های بزرگ استفاده می‌کند، رویکرد قابل اعتمادتر و مؤثرتری برای تسهیل بهبود محصول ارائه می‌کند. روش ترکیبی می‌تواند ترجیحات و نظرات متنوع و پویا مصرف کنندگان را جلب کند و آنها را در فرآیند بهبود محصول بگنجاند. روش ترکیبی همچنین می‌تواند عدم قطعیت و پیچیدگی تصمیم گیری را کاهش دهد و نتایج علمی و عینی بیشتری ارائه دهد.
👈در واقع این مقاله اثربخشی روش‌های مختلف تصمیم‌گیری را برای بهبود محصول در محیط عظیم داده ها بررسی کرده وبا ارائه یک مدل ترکیبی جدید که بررسی‌های آنلاین و نظرات کارشناسان را ادغام می‌کند، به ادبیات بهبود محصول کمک می‌کند. این مقاله همچنین مفاهیم عملی را برای تولیدکنندگانی که می‌خواهند محصولات خود را بر اساس بازخورد مصرف‌کننده بهبود بخشند، ارائه می‌کند. در نهایت این پژوهش پیشنهاد می‌کند که تولیدکنندگان از داده‌های عظیم و تصمیم‌گیری گروه‌های بزرگ برای افزایش کیفیت و رقابت محصول استفاده کنند.
👈درصورت تمایل، می‌توانید فایل مقاله را از لینک زیر دانلود نمایید.
🔗 https://bdbanalytics.ir/8fek
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics
❇️ نام مقاله:
Product improvement in a big data environment: A novel method based on text mining and large group decision making
✍️نویسندگان:
Fang Zhang , Wenyan Song
🗓سال انتشار: 2024
📔ژورنال:
Expert Systems With Applications
🔸امروزه بهبود محصول به یک تلاش چندوجهی همراه با ابهام برای تولیدکنندگان در محیط کسب و کار رقابتی تبدیل شده است. در حالیکه پلتفرم‌های آنلاین برای جلب نظر مشتریان و بازخورد آنها در خصوص محصول پدید آمده‌اند، با این حال، بهبود محصول نیازمند یک رویکرد تصمیم‌گیری پیچیده برای تولیدکنندگان است. در واقع مدیران با چالش شناسایی موثرترین روش تصمیم گیری برای بهبود محصول، به ویژه در محیط داده‌های عظیم، مواجه هستند.
🔸 در این پژوهش، به طور جامع روش‌های مختلف تصمیم‌گیری بهبود محصول از طریق یک سری تحقیقات تجربی ارزیابی می‌شود. به طور خاص، سه آزمایش مختلف انجام شده که عبارتند از : 1) انتخاب اولیه که توسط ادراک شهودی تصمیم گیرندگان و متخصصین هدایت می‌شود، 2) تصمیم گیری چند متغیره بر اساس نظرات متخصصین، و 3) یک روش ترکیبی که داده‌های عظیم مصرف‌کننده و تصمیم گیری گروهی در مقیاس بزرگ را در بر می گیرد.
⏹شرح آزمایش اول: رتبه‌بندی گزینه‌ها بر اساس شناخت شهودی تصمیم گیرندگان
در این مرحله اطلاعات در هشت معیار در خصوص یخچال در اختیار تصمیم گیرندگان قرار می گیرد که عبارتند از: «قیمت»، «استفاده آسان»، «طراحی عملکرد»، «خنک کننده»، «نویز»، «فضا»، «مصرف انرژی» و «خدمات». سپس از هر شرکت کننده خواسته می‌شود تا چهار گزینه را با توجه به دانش و درک شخصی خود رتبه‌بندی کند. شرکت کنندگان در این بخش شامل بیست کارشناس، شش طراح محصول جدید برای یخچال‌ها، شش مدیر فروش محصولات یخچال و هشت کارشناس از دانشگاه‌ها هستند. پنل متخصص دارای تخصص غنی در زمینه طراحی و توسعه محصول است.
⏹شرح آزمایش 2: تصمیم گیری گروهی
در این آزمایش رتبه بندی گزینه‌ها بر اساس رویکردهای تصمیم‌گیری چند معیاره با استفاده از متد SWARA-TOPSIS انجام می‌پذیرد. از بیست شرکت‌کننده که مشابه با پنل آزمایش 1 هستند ، دعوت می‌شود تا به اولویت‌های خود امتیاز دهند. سپس، رویکرد SWARA-TOPSIS برای محاسبه اولویت گزیه ها اعمال می‌شود.
⏹شرح آزمایش 3: روش ترکیبی مبتنی بر متن کاوی و تصمیم گیری گروهی در مقیاس بزرگ
در این آزمایش رتبه‌بندی گزینه‌ها بر اساس روش ترکیبی با استفاده از بررسی‌های آنلاین برای به دست آوردن وزن ها و اعمال MCDM برای رتبه‌بندی گزینه‌ها پیشنهاد شده است. در این روش ابتدا، داده‌های بررسی آنلاین در مورد یخچال جمع آوری می‌شود. در مرحله دوم، الگوریتم TextRank برای به دست آوردن فاکتورها و معیارهای کلیدی برای تصمیمات طراحی محصول اعمال می‌شود. همچنین الگوریتم Word2Vec برای بدست آوردن درجه تشابه بین عوامل کلیدی و معیار استفاده می‌شود. سپس، از روش‌های تصمیم‌گیری چند معیاره برای رتبه‌بندی گزینه‌ها استفاده می‌شود.
👈نتایج تجربی آزمایش ها نشان می‌دهد که روش ترکیبی، که از تکنیک‌های متن کاوی در ارتباط با تصمیم‌گیری گروه‌های بزرگ استفاده می‌کند، رویکرد قابل اعتمادتر و مؤثرتری برای تسهیل بهبود محصول ارائه می‌کند. روش ترکیبی می‌تواند ترجیحات و نظرات متنوع و پویا مصرف کنندگان را جلب کند و آنها را در فرآیند بهبود محصول بگنجاند. روش ترکیبی همچنین می‌تواند عدم قطعیت و پیچیدگی تصمیم گیری را کاهش دهد و نتایج علمی و عینی بیشتری ارائه دهد.
👈در واقع این مقاله اثربخشی روش‌های مختلف تصمیم‌گیری را برای بهبود محصول در محیط عظیم داده ها بررسی کرده وبا ارائه یک مدل ترکیبی جدید که بررسی‌های آنلاین و نظرات کارشناسان را ادغام می‌کند، به ادبیات بهبود محصول کمک می‌کند. این مقاله همچنین مفاهیم عملی را برای تولیدکنندگانی که می‌خواهند محصولات خود را بر اساس بازخورد مصرف‌کننده بهبود بخشند، ارائه می‌کند. در نهایت این پژوهش پیشنهاد می‌کند که تولیدکنندگان از داده‌های عظیم و تصمیم‌گیری گروه‌های بزرگ برای افزایش کیفیت و رقابت محصول استفاده کنند.
👈درصورت تمایل، می‌توانید فایل مقاله را از لینک زیر دانلود نمایید.
🔗 https://bdbanalytics.ir/8fek
#معرفی_مقاله
#تحلیل_عظیم_داده
#صبا_بزرگی
www.bdbanalytics.ir
@BigData_BusinessAnalytics