مطالعات مدیریت کسب و کار هوشمند

چکیده نوآوری در صنایع غذایی به تعاملات شبکه ای میان بنگاه ها، دانشگاه ها و سایر بازیگران نوآوری وابسته است، با این حال در اقتصاد های نوظهور، شکل گیری و پایداری این شبکه ها با چالش های نهادی و فرهنگی متعددی روبرو است.هدف این پژوهش، تبیین چارچوبی مفهومی برای شکل گیری و پایداری شبکه نوآوری پیرامون بنگاه های صنایع غذایی ایران با تمرکز بر نقش واسطه گری فناوری است. این پژوهش با رویکرد کیفی و پارادایم تفسیر گرایانه انجام شده و داده ها از طریق 31 مصاحبه نیمه ساختارمند با خبرگان دانشگاهی، مدیران صنعتی و کنشگران نقش های واسطه ای گردآوری شده است.تحلیل داده ها با استفاده از تحلیل مضمون چند سطحی(کدگذاری باز،سازمان یافته و تماتیک) انجام گرفته.یافته ها نشان می دهد شبکه نوآوری در صنعت غذایی ایران عمدتا غیر رسمی، کوتاه مدت و شکننده اند و تحت تاثیر هم زمان ضعف فرهنگ همکاری، ناهم ترازی منطق های سازمانی، رژیم محرمانگی ناشی از سطح پایین فناوری و سهولت کپی برداری و نیز بی ثباتی سیاسی و اعتماد نهادی پایین قراردارند. نتایج حاکی از آن است که واسطه های فناوری، برای کاهش هزینه های تعامل، اعتمادسازی و هم راستاسازی بازیگران، به دلیل ضعف حکمرانی شبکه ای و فقدان سازوکار پایدار اعتبارسنجی، نقش ناپایدار و حاشیه ای ایفا می کننند. براساس زنجیره های مکانیزیمی استخراج شده، پژوهش یک چارچوب مفهومی مرحله ای و اعتمادمحور برای توسعه شبکه نوآوری پیشنهاد می کند که بر اجرای پایلوت های کم ریسک ، حرفه ای سازی واسطه ها، شفافیت نهادی و طراحی سازوکارهای برد-برد تاکید دارد.

چکیده بیماری‌های قلبی-عروقی (CVDs) یکی از علل اصلی مرگ‌ومیر در سراسر جهان محسوب می‌شوند. افزایش داده‌های پیچیده حاصل از ابزارهای تشخیصی مانند الکتروکاردیوگرام (ECG)، چالش‌های قابل توجهی را برای پزشکان ایجاد کرده که بر دقت تشخیص و سرعت درمان تأثیر می‌گذارد. یادگیری گروهی (EL) با ترکیب مدل‌های مختلف، عملکرد بهتری را در مدیریت CVD ها ارائه می‌دهد، اما تحقیقات محدودی به صورت سیستماتیک تکنیک‌های مختلف آن را مقایسه کرده‌اند. این پژوهش با استفاده از رویکرد فراترکیب، به بررسی کاربرد مدل‌های EL در ترکیب با مدل‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) می‌پردازد. هدف این مطالعه، دسته‌بندی مدل‌های EL در مدیریت CVD ها، ارزیابی عملکرد و کارایی آن‌ها در هر دسته، شناسایی مزایا و محدودیت‌ها و تحلیل نقش مهندسی ویژگی است. یافته‌های این فراترکیب نشان می‌دهد که کاربرد مدل‌های یادگیری در مدیریت CVD ها به چهار حوزه‌ی اصلی تقسیم می‌شود: پیش‌بینی، تشخیص، شناسایی و طبقه‌بندی. نتایج تأیید می‌کند که مدل‌های EL در تمام این چهار حوزه غالب هستند و کارایی آن‌ها با ادغام با تکنیک‌های ML و DL به طور قابل توجهی افزایش می‌یابد. در میان رویکردهای مختلف، مدل‌های جنگل تصادفی (RF) و الگوریتم‌های تقویت گرادیان مانند XGBoost، بیشترین فراوانی استفاده را داشته و به عنوان کارآمدترین و دقیق‌ترین مدل‌ها شناخته می‌شوند. این پژوهش با ارائه یک نمای کلی ساختاریافته، بینش‌های ارزشمندی را برای محققان و متخصصان بالینی فراهم می‌کند و چارچوبی برای به‌کارگیری مدل‌های ترکیبی جهت دستیابی به مدیریت دقیق‌تر و مؤثرتر بیماری‌های قلبی-عروقی ارائه می‌دهد.

چکیده مهاجرت نیروی انسانی در بخش سلامت، علاوه بر کاهش کیفیت خدمات درمانی، تبعات مخربی در گستره اجتماعی و اقتصادی کشورهای در حال توسعه مانند ایران دارد. بنابراین مدل‌سازی دقیق رفتار تصمیم‌گیری این قشر نیازمند رویکردهای تحلیلی پیشرفته برای بازنمایی پیچیدگی‌ها و تعاملات اجتماعی است. این پژوهش با هدف طراحی و اعتبارسنجی یک مدل عامل‌بنیان داده‌محور انجام شد تا رفتار مهاجرت نیروی انسانی بخش سلامت ایران را شبیه‌سازی کند. در این پژوهش از داده‌های ثانویه استفاده شد که توسط رصدخانه مهاجرت ایران در سال ۱۴۰۲ با عنوان "پیمایش ملی مهاجرت نخبگان و عوامل موثر بر خروج سرمایه انسانی بخش سلامت" از طریق پرسشنامه استاندارد جمع‌آوری شده بود. روش پژوهش شامل یک چارچوب ترکیبی است که در آن از ۳۸۴ نمونه متوازن‌شده برای آموزش استفاده شد و الگوریتم یادگیری ماشین جنگل تصادفی به عنوان فرامدل رفتاری عامل‌ها عمل کرد تا قوانین تصمیم‌گیری غیرخطی را مستقیماً از داده‌های خرد استخراج نماید. سپس، خروجی این مدل، به عنوان احتمال مهاجرت هر عامل، به مدل عامل‌بنیان وارد شد با مقایسه آن با یک آستانه تصمیم بهینه، اقدام نهایی مهاجرت یا عدم مهاجرت عامل شبیه‌سازی شود. نتایج نشان داد که مدل عامل‌بنیان داده‌محور در پیش‌بینی قصد مهاجرت، به طور معناداری از مدل عامل‌بنیان نظریه‌محور مبتنی بر رگرسیون لجستیک پیشی گرفت. همچنین تحلیل‌ها تأیید کردند که متغیرهای کلیدی سن، سابقه کار، و اثرات شبکه اجتماعی، نقشی غیرخطی و اساسی در شکل‌دهی تصمیم نهایی داشتند.

چکیده ظهور پرشتاب هوش مصنوعی و فناوری‌های نوظهور دیجیتال، تحولی اساسی در عرصه حکمرانی عمومی ایجاد کرده است، با این حال گسستی عمیق میان قابلیت‌های فنی و کاربست عملی آن‌ها در سازمان‌های دولتی مشاهده می‌شود. هدف این پژوهش، آینده‌نگاری حکمرانی عمومی هوشمند سرمایه انسانی دولت و ترسیم مسیر تحول هوشمندانه در پرتو تحول دیجیتال است. این پژوهش از نظر ماهیت، کیفی و با ترکیب رویکردهای فراترکیب و سناریوپردازی انجام شد. متون انتخاب شده برای فراترکیب شامل کلیه مقاله‌ها و گزارش‌های علمی منتشر شده بین سال‌های ۲۰۲۰ تا ۲۰۲۵ بود که بر مفاهیم هوش مصنوعی در بخش عمومی، تحول دیجیتال و حکمرانی داده‌محور تمرکز داشتند. در مرحله اول با روش فراترکیب، عدم قطعیت‌های کلیدی و پیشران‌های اصلی تحول حکمرانی شناسایی و در مرحله دوم، سناریوهای محتمل برای آینده حکمرانی عمومی هوشمند تدوین شدند. یافته‌های پژوهش‌، ابعاد پیچیده این تحول را برجسته ساخت که مشتمل بر نیاز مبرم بخش عمومی به منابع انسانی با شایستگی‌های دیجیتال و ضرورت ایجاد چارچوب‌های حکمرانی عمومی منسجم برای مدیریت ریسک‌ها و سوگیری‌های الگوریتمی است.

چکیده پژوهش حاضر با هدف ارائه الگوی جامع اجرای خط‌مشی‌گذاری مبتنی بر هوش مصنوعی (AI) برای شعبه مرکزی سازمان تأمین اجتماعی استان خوزستان انجام شد. با توجه به گستردگی خدمات سازمان، استفاده از هوش مصنوعی برای افزایش شفافیت، کارایی در اجرا و پاسخگویی به چالش‌های اقتصادی-اجتماعی ضروری است.

این تحقیق از نظر هدف کاربردی و از نظر روش آمیخته (کیفی-کمی) است. در فاز کیفی، با استفاده از روش فراترکیب، مؤلفه‌های الگو استخراج گردید. جامعه آماری این فاز، ۳۰ مقاله و سند علمی (داخلی و خارجی) بود که پس از کدگذاری، منجر به شناسایی ۱۰ مؤلفه اصلی و ۵۳ شاخص شد.

در فاز کمی، جهت اعتبارسنجی، تأیید و وزن‌دهی مؤلفه‌ها، از روش دلفی فازی استفاده شد. جامعه آماری فاز کمی، شامل ۱۵ نفر از خبرگان و متخصصین دانشگاهی و اجرایی در حوزه هوش مصنوعی و سازمان تأمین اجتماعی بود.

نتایج فراترکیب نشان داد که الگوی اجرای خط‌مشی‌گذاری هوش مصنوعی شامل ۱۰ مؤلفه کلیدی است که مهم‌ترین آن‌ها عبارتند از: “ظرفیت تحلیلی و پشتیبانی تصمیم”، “الزامات و مهارت‌های منابع انسانی”، “یکپارچه‌سازی فناوری و عملیات” و “چالش‌های اخلاقی، حقوقی و امنیتی”. نتایج دلفی فازی نیز ضمن تأیید این مؤلفه‌ها، به اولویت‌بندی آن‌ها در زمینه تأمین اجتماعی و تعیین الزامات اجرایی نهایی پرداخت. الگوی نهایی، یک چارچوب جامع ۱۰ مؤلفه‌ای را فراهم می‌آورد که نه تنها ابزارهای AI را برای بهبود کارایی معرفی می‌کند، بلکه با تمرکز بر حکمرانی و اخلاق، اجرای مسئولانه و پاسخگوی سیاست‌ها را میسر می‌سازد.

کلیدواژه‌ها: فراترکیب، دلفی فازی، خط‌مشی‌گذاری، هوش مصنوعی، سازمان تأمین اجتماعی، الگوی اجرای خط‌مشی.

چکیده در عصر انقلاب صنعتی چهارم، هوشمندسازی و پیاده‌سازی فناوری‌های نوین به عنوان محرک‌های اصلی تحول در صنایع مختلف محسوب می‌شوند. صنعت حمل و نقل ریلی نیز از این قاعده مستثنی نبوده و نیازمند تعیین معیارهای دقیق برای ارزیابی میزان بلوغ و آمادگی خود در پذیرش و پیاده‌سازی فناوری‌های مرتبط با صنعت 4.0 است. هدف اصلی این پژوهش، شناسایی و ارایه الگوی مفهومی ارزیابی بلوغ صنعت حمل و نقل ریلی مبتنی بر فناوری‌های نسل چهارم صنعت است. این مطالعه با استفاده از روش فراترکیب هفت مرحله‌ای سندلوسکی و باروسو و بررسی نظام‌مند 87 مقاله علمی منتشر شده در بازه زمانی 2016 تا 2025 انجام شده است. فرآیند غربالگری مقالات براساس معیارهای ارزیابی دقیق شامل زبان، قلمرو زمانی، شرایط مطالعاتی، جامعه پژوهش و نوع مقالات صورت گرفت. نتایج پژوهش منجر به تدوین الگوی مفهومی شامل 5 بعد اصلی، 21 شاخص و 84 کد عملیاتی شد که عبارتند از: فناوری‌های صنعت 4.0 در حمل و نقل ریلی، چالش‌ها و موانع هوشمندسازی، امنیت سایبری و ریسک‌های دیجیتالی، کاربردهای عملی و بهبود عملکرد، و پایداری و محیط زیست. اعتبار علمی نتایج با ضریب کاپای 89/0 و روایی محتوایی 83/0 تایید شد. این الگو، چارچوب جامعی برای ارزیابی و سنجش میزان بلوغ سازمان‌های فعال در حوزه حمل و نقل ریلی ارایه می‌دهد و می‌تواند به عنوان ابزاری کارآمد برای شناسایی نقاط قوت و ضعف، و تدوین راهکارهای بهبود در مسیر هوشمندسازی مورد استفاده قرار گیرد.

چکیده تایید نام در فرآیند ﺛﺒﺖ ﺗﺎﺳﻴﺲ ﺷﺮﻛﺖ ﺑﺎﻋﺚ ﻣﻲﺷﻮﺩ ﺍﺯ ﺛﺒﺖ ﺷﺮﻛﺖ ﻫﺎﻳﻲ ﻛﻪ ﻧﺎﻡ ﺁﻥ ﻫﺎ ﺑﺎ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﻫﻤﺨﻮﺍﻧﻲ ﻧﺪﺍﺭﺩ ﺟﻠﻮﮔﻴﺮﻱﺑﻌﻤﻞ ﺁﻳﺪ. ﺩﺭ ﺍﻳﻦ ﻣﻘﺎﻟﻪ بمنظور بررسی درصد تطبیق ﻧﺎﻡ ﭘﻴﺸﻨﻬﺎﺩﻱ ﻣﺘﻘﺎﺿﻴﺎﻥ ﺛﺒﺖ ﺷﺮﻛﺖ ﺑﺎ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﺷﺮﻛﺖ روشی نوین بر اساس الگوریتمهای یادگیری عمیق ارائه شده است. داده های این پژوهش از ﺳﺎﺯﻣﺎﻥ ﺛﺒﺖ ﺍﺳﻨﺎﺩ ﻭ ﺍﻣﻼﻙ ﻛﺸﻮﺭ جمع آوری گردیده است. در روش پیاده سازی ابتدا از فیلترهای اولیه نامگذاری شرکت استفاده شده است. سپس با ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺗﺮﻛﻴﺐﺭﻭﺵ آریا برت به ﻋﻨﻮﺍﻥ ﻳﻚ ﺗﻜﻨﻴﻚ تعبیه کلمات به ﺗﺒﺪﻳﻞ ﻧﺎﻡ پیشنهادی ﺷﺮﻛﺖ به بردار پرداخته می شود. در مرحله ای موازی زمینه فعالیت شرکت را با استفاده از فستتکس به ﺑﺮﺩﺍﺭ ﻋﺪﺩﻱ ﻭ تلفیق بردار بدست آمده با الگوریتمهای یادگیری عمیق حافظه کوتاه و بلند مدت دو طرفه بر اساس یک لایه توجه اضافه می گردد. جهت ارزیابی نتایج از ﻣﻌﻴﺎﺭ ﺷﺒﺎﻫﺖﻛﺴﻴﻨﻮﺳﻲ و معیار روج (1و2و ال) ﺍستفاده ﺷﺪﻩ ﺍﺳﺖ. پس از تایید پذیرش نام شرکت و زمینه فعالیت، از روش خوشه بندی دیبی اسکن برای خوشه بندی نام شرکت در دسته های فعالیت استفاده می شود.
نتایج تحقیق نشان می دهد که مقادیر دقت در بخش بردار سازی زمینه فعالیتهای شرکت برای معیار روج ال مقدار 7982/0 و مقادیر دقت و فراخوانی نهایی مدل به ترتیب 8512/0 ،8317/. محاسبه گردید. ﻫﻤﭽﻨﻴﻦ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﺷﺒﺎﻫﺖ ﻛﺴﻴﻨﻮﺳﻲﻣﺤﺎﺳﺒﻪ ﺷﺪﻩ ﺑﻴﻦ ﻧﺎﻡ ﭘﻴﺸﻨﻬﺎﺩﻱ ﻭ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﺷﺮﻛﺖ ﺑﺎ ﻣﻘﺪﺍﺭ 93 درصد ﺑﺮ ﺍﺳﺎﺱ معیارهای ﺗﻌﻴﻴﻦ ﻧﺎﻡ ﻧﺸﺎﻥ ﺩﻫﻨﺪﻩ ﻛﺎﺭﻛﺮﺩ ﺩﺭﺳﺖ ﻣﺪﻝ ﻣﻲﺑﺎﺷﺪ.

چکیده کسب‌وکارهای نوظهور در مراحل آغازین هوشمندسازی داده‌محور با چالش شروع سرد مواجه‌اند، زیرا تنها به حجم محدودی از داده‌های واقعی دامنه‌ای برای آموزش و اعتبارسنجی مدل‌های هوش مصنوعی دسترسی دارند. این محدودیت داده، همراه با ناسازگاری داده‌های عمومی با نیازهای خاص هر کسب‌وکار، منجر به کاهش دقت پیش‌بینی‌ها و کیفیت توصیه‌ها می‌شود. علاوه بر این، پویایی محیط‌های تجاری و تغییرات سریع در توزیع داده و مفاهیم (نظیر انحراف داده و تغییر مفهوم)، خطر فراموشی دانش پیشین در یادگیری را تشدید می‌کند. چارچوب پیشنهادی این پژوهش، یک معماری یکپارچه و مقیاس‌پذیر برای ادغام یادگیری انتقالی و هوش جمعی ارائه می‌دهد. چارچوب پیشنهادی چهار لایه دارد: پیش‌پردازش داده‌ها، یادگیری انتقالی، تقویت با بازخورد کاربران، و پیش‌بینی پیوسته با پایش انحراف. در این چارچوب، داده‌های آموزشی ترکیبی از داده‌های واقعی، عمومی و بازخورد کاربران هستند و بهینه‌سازی مدل با هدف کمینه‌سازی خطا و کنترل پیچیدگی انجام می‌گیرد. ارزیابی تجربی بر روی سه مجموعه‌داده واقعی نشان داد که این رویکرد بهبود مطلوبی در عملکرد ایجاد می‌کند. علاوه بر معیار دقت، سایر شاخص‌ها همچون توانایی شناسایی نمونه‌های مثبت، تعادل میان دقت و بازخوانی، کاهش خطا و ثبات در برابر تغییرات داده نیز بهبود داشتند.

چکیده با توجه به اهمیت صنعت گردشگری در اقتصاد و فرهنگ کشور و کمبود منابع داده‌ای تخصصی برای آموزش مدل‌های زبانی فارسی، این تحقیق درصدد پر کردن این خلأ برآمد. هدف از این پژوهش، ارتقای عملکرد سیستم‌های پاسخگویی به سؤالات گردشگری فارسی و ارائه پاسخ‌های دقیق به پرس‌وجوهای مرتبط با جاذبه‌ها و مقاصد گردشگری ایران بوده است. بدین منظور، مجموعه‌ای از متون معتبر گردشگری گردآوری و پردازش شد و با بهره‌گیری از رویکردهای پیشرفته پردازش زبان طبیعی، از جمله مهندسی پرامپت (Prompt Engineering)، حدود ۲۰ هزار رکورد پرسش و پاسخ تولید گردید. علاوه‌براین، استفاده از راهبرد نوآورانه پنجره پاسخ (Answer Window) موجب ارتقای کیفیت داده‌های تولیدشده شد. در ادامه، مدل ToKA-BERT با این مجموعه‌داده فاین‌تیون گردید و نتایج ارزیابی‌ها نشان داد که عملکرد آن در حوزه پرسش و پاسخ تخصصی گردشگری نسبت به مدل‌های عمومی زبان فارسی برتری قابل‌توجهی دارد. مجموعه‌داده و مدل نهایی در پلتفرم Hugging Face منتشر شده و می‌توانند به‌عنوان منبعی ارزشمند برای توسعه سیستم‌های هوشمند در صنعت گردشگری و بهبود تجربه کاربران مورد استفاده قرار گیرند