مدل بهینه ریاضی آرمانی تسهیم دانش با استفاده از روش‌های تصمیم‏گیری چندمعیاره و شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه کامپیوتر و فناوری اطلاعات، دانشکده فنی ومهندسی، دانشگاه پیام نور، تهران ، ایران.

2 دانشجوی ارشد، گروه مدیریت فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران.

3 دانشجوی ارشد، گروه مدیریت فناوری اطلاعات، دانشگاه پیام نور، تهران ، ایران.

چکیده

مدیریت دانش در سازمان، ‌‌‌‌یکی از اساسی­ترین ارکان مدیریتی محسوب می­شود که‌ در عصر انفجار داده از اهمیت بالایی برخوردار است. سازمان­ها به‌طور مستمر در حال تولید اطلاعات و دانش بوده و بدون یک نظام منسجم و یکپارچه جهت شناسایی، استخراج، ذخیره و تسهیم آن سازمان هرگز توانایی حضور در بازار رقابتی را نخواهد داشت. از طرفی در سالیان اخیر با ظهور شبکه­های اجتماعی متنوع و گسترده و با توجه به استقبال بالای کاربران، این ابزار نقشی اساسی در تولید و انتقال دانش در سازمان بر عهده دارند. کاربران فعال در این شبکه­ها به‌عنوان تولیدکننده و انتقال‌دهنده دانش دارای شاخص­های زیادی برای ارزیابی هستند. در این مقاله دودسته شاخص شامل تسهیم دانش و شاخص‌های وفاداری و رضایتمندی کاربران مورد استفاده قرار گرفته است. با استفاده از تکنیک­های تصمیم­گیری چند معیاره به تجزیه و تحلیل کیفی شاخص­ها پرداخته شده است. در ادامه با استفاده از روش خوشه­بندی پیشنهادی به خوشه‌بندی مشتریان (کاربران) بر اساس شاخص‌های شناسایی شده اقدام شد. سپس با استفاده از شبکه عصبی مصنوعی و مدل‌سازی ریاضی آرمانی به مدل‌سازی مسئله تسهیم دانش در شبکه‌های اجتماعی با رویکرد بهبود هم‌زمان وفاداری و سطح دانش در میان کاربران پرداخته شد. مدل ارائه شده برای داده‌های مورد مطالعه تحقیق با استفاده از یک الگوریتم مبتنی بر روش بهینه‌سازی ازدحام ذرات حل شد و نتایج مورد تجزیه و تحلیل قرار گرفت.
مدیریت دانش در سازمان، ‌‌‌‌یکی از اساسی­‌ترین ارکان مدیریتی محسوب می­‌شود که‌ در عصر انفجار داده از اهمیت بالایی برخوردار است. سازمان­‌ها به‌طور مستمر در حال تولید اطلاعات و دانش بوده و بدون یک نظام منسجم و یکپارچه جهت شناسایی، استخراج، ذخیره و تسهیم آن سازمان هرگز توانایی حضور در بازار رقابتی را نخواهد داشت. از طرفی در سالیان اخیر با ظهور شبکه­‌های اجتماعی متنوع و گسترده و با توجه به استقبال بالای کاربران، این ابزار نقشی اساسی در تولید و انتقال دانش در سازمان بر عهده دارند. کاربران فعال در این شبکه­ها به‌عنوان تولیدکننده و انتقال‌دهنده دانش دارای شاخص­‌های زیادی برای ارزیابی هستند. در این مقاله دودسته شاخص شامل تسهیم دانش و شاخص‌های وفاداری و رضایتمندی کاربران مورد استفاده قرار گرفته است. با استفاده از تکنیک­‌های تصمیم­‌گیری چند معیاره به تجزیه و تحلیل کیفی شاخص‌­ها پرداخته شده است. در ادامه با استفاده از روش خوشه­بندی پیشنهادی به خوشه‌بندی مشتریان (کاربران) بر اساس شاخص‌های شناسایی شده اقدام شد. سپس با استفاده از شبکه عصبی مصنوعی و مدل‌سازی ریاضی آرمانی به مدل‌سازی مسئله تسهیم دانش در شبکه‌های اجتماعی با رویکرد بهبود هم‌زمان وفاداری و سطح دانش در میان کاربران پرداخته شد. مدل ارائه شده برای داده‌های مورد مطالعه تحقیق با استفاده از یک الگوریتم مبتنی بر روش بهینه‌سازی ازدحام ذرات حل شد و نتایج مورد تجزیه و تحلیل قرار گرفت.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Ideal Mathematical Optimal Model of Knowledge Sharing Using Multi-Criteria Decision Making Methods and Artificial Neural Network

نویسندگان [English]

  • Seyed hasan Sadeghzadeh 1
  • Mahbobeh Abbasi 2
  • Maryam Bitarafan 3
1 Assistant Professor, Department of Information Technology & Computer, Payame Noor University, Tehran, Iran.
2 Msc Student, Department of Information Technology & Computer, Payame Noor University, Tehran, Iran.
3 Msc Student, Department of Information Technology & Computer, Payame Noor University, Tehran, Iran.
چکیده [English]

Knowledge management in the organization is considered one of the most essential elements of management, which is of great importance in the age of data explosion. Organizations are continuously producing information and knowledge and without a coherent and integrated system to identify, extract, store and share that organization will never have the ability to be in the competitive market. On the other hand, in recent years, with the emergence of diverse and extensive social networks and due to the high reception of users, these tools play a fundamental role in the production and transfer of knowledge in the organization. Active users in these networks as producers and transmitters of knowledge have many indicators to evaluate. In this article, two categories of indicators including knowledge sharing and user loyalty and satisfaction indicators are used. Using multi-criteria decision-making techniques, qualitative analysis of indicators has been done. Next, using the proposed clustering method, customers (users) were clustered based on the identified indicators. Then, using artificial neural network and ideal mathematical modeling, the problem of knowledge sharing in social networks was modeled with the approach of simultaneously improving loyalty and knowledge level among users. The presented model was solved for the research data using an algorithm based on the particle swarm optimization method and the results were analyzed.

کلیدواژه‌ها [English]

  • Knowledge Sharing
  • Ideal Mathematical Programming
  • Artificial Neural Network
  • Goal Programming
  • Social Network

مراجع

Bukowitz, W.R., & Williams, R.L. (1999).  The Knowledge Management Fieldbook, Prentice Hall.
Casimir, G, (2012).  Knowledge sharing: influences of trust, commitment and cost, J. Knowl. Manag. 16 (5), 740–753. https://doi.org/10.1108/13673271211262781
Fang, Y. C., Chen, J. Y., Wang, M. J., & Chen, C. Y. (2019). The impact of inclusive leadership on employees’ innovative behaviors: the mediation of psychological capital. Frontiers in psychology, 10, 1803.‏ https://doi.org/10.3389/fpsyg.2019.01803.
Han, Y., & Yang, B.Y. (2011). Real-life leadership, psychological capital, and employee innovation behavior: the role of leadership member exchange, Manag. World, (12), 78–86.
Hussinki, H., Kianto, A., Vanhala, M., & Ritala, P. (2018). Happy employees make happy customers: The role of intellectual capital in supporting sustainable value creation in organizations. In Intellectual capital management as a driver of sustainability: Perspectives for organizations and society (pp. 101-117). Cham: Springer International Publishing.‏
Janssen, O. (2004). How fairness perceptions make innovative behavior more or less stressful. J. Organ. Behav,  25(2), 201–215. DOI:10.1002/job.238
Liu, M, S., & Liu, N.C,(2008). Sources of knowledge acquisition and patterns of knowledge-sharing behaviors - an empirical study of Taiwanese high-tech firms, Int. J. Inf. Manag, 28(5), 423–432. DOI:10.1016/j.ijinfomgt.2008.01.005
Longo, M. Mura,M.(2011). The effect of intellectual capital on employees’ satisfaction and retention.Inf, Manag. 48 (7) 278–287. https://doi:10.1016/j.im. 2011.06.005.
Luthans, F., Avolio, B. J., Avey, J. B., & Norman, S. M. (2007). Positive psychological capital: Measurement and relationship with performance and satisfaction. Personnel psychology, 60(3), 541-572.‏ https://doi.org/10.1136/bmjqs-2017-006847.
Mesmer-Magnus, J. R., & DeChurch, L. A. (2009). Information sharing and team performance: A meta-analysis. Journal of Applied Psychology, 94(2), 535–546. https://doi.org/10.1037/a0013773
Mohajan, H. K. (2019). Knowledge sharing among employees in organizations. Journal of Economic Development, environment and people, 8(1), 52-61.‏ DOI:10.26458/jedep.v8i1.612
Nonaka, I., Toyama, R., & Konno, N. (2001). Model of Dynamic Knowledge Creation. Managing Industrial Knowledge: Creation, Transfer and Utilization, 13.‏
Odoardi, C., Montani, F., Boudrias, J.S., & Battistelli, A. (2015). Linkingmanagerial practices and leadership style to innovative work behavior: the role of group and psychological processes, Leader. Organ. Dev. J.(36), 545–569.https://doi.org/10.1108/lodj-10-2013-0131.
Shalley, C.E., & Gilson, L.L. (2004). What leaders need to know: a review of social and contextual factors that can foster or hinder creativity, Leader. Q. 15(1), 33–53.
 Shannak, R., Masa’deh, R., Al-Zu’bi, Z., Obeidat, B.,  Alshurideh, M., & Altamony, H. (2012). A theoretical perspective on the relationship between knowledge management systems, customer knowledge management, and firm competitive advantage, Eur. J. Soc. Sci. 32(4), 520–532.
Shin, S. J., Yuan, F., & Zhou, J. (2017). When perceived innovation job requirement increases employee innovative behavior: A sensemaking perspective. Journal of Organizational behavior, 38(1), 68-86.‏ .https://doi.org/10.1002/job.2111.
Sydler, R,Haefliger, S, Pruksa, R.(2014).  Measuring intellectual capital with financial figures: can we predict firm profitability? Eur. Manag. J, 32(2) 244–259.  https://doi.org/10.1016/j.emj.2013.01.008.
Uit Beijerse, R. P. (1999). Questions in knowledge management: defining and conceptualising a phenomenon. Journal of knowledge management, 3(2), 94-110.‏ https://doi.org/10.1108/13673279910275512
Wang, S., & Noe, R.A. (2010).  Knowledge sharing: a review and directions for future research, Hum. Resour. Manag. Rev. 20 (2), 115–131. https://doi.org/10.1016/j.hrmr.2009.10.001
Wang, W.T., & Hou, Y.P, (2015). Motivations of employees’ knowledge sharing behaviors: a self-determination perspective, Inf. Organ. 25(1) ,1–26. https://doi.org/10.1016/j.infoandorg.2014.11.001

فایل ها

سابقه مقاله

  • تاریخ دریافت: 04 دی 1402
  • تاریخ بازنگری: 18 دی 1402
  • تاریخ پذیرش: 01 اسفند 1403
  • تاریخ اولین انتشار: 01 اسفند 1403

هم رسانی

ارجاع به این مقاله

آمار