سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,230
تعداد مقالات67,764
تعداد مشاهده مقاله115,182,302
تعداد دریافت فایل اصل مقاله89,930,120
Hashemian Bojnord, Nahid, Menhaj, Mohammad Bagher. (1389). A model for developing knowledge production function in knowledge production (case study) (Technical note). , 44(1), -.
Nahid Hashemian Bojnord; Mohammad Bagher Menhaj. "A model for developing knowledge production function in knowledge production (case study) (Technical note)". , 44, 1, 1389, -.
Hashemian Bojnord, Nahid, Menhaj, Mohammad Bagher. (1389). 'A model for developing knowledge production function in knowledge production (case study) (Technical note)', , 44(1), pp. -.
Hashemian Bojnord, Nahid, Menhaj, Mohammad Bagher. A model for developing knowledge production function in knowledge production (case study) (Technical note). , 1389; 44(1): -.

A model for developing knowledge production function in knowledge production (case study) (Technical note)

Advances in Industrial Engineering
مقاله 9، دوره 44، شماره 1 - شماره پیاپی 326624، تیر 2010    اصل مقاله (236.19 K)
نویسندگان
Nahid Hashemian Bojnord؛ Mohammad Bagher Menhaj
چکیده
Intangibility of knowledge and unclear relationship between inputs and outputs has caused difficulties in knowledge production control. In this paper we present a model to clarify the relationships between inputs and outputs in knowledge production and develop knowledge production functions. In order to accomplish this, we extract resources of knowledge production and product utility indices from the literature. In order to develop production functions, we apply Analytical Hierarchy Process (AHP) to find the weights of production factors for each utility index and establish linear production functions by AHP results. Then, with the practical data and applying gradient descents method, we improve the coefficients of the linear functions. A set of data is generated through the linear functions. A neural network is then trained by this set of data and gathered data from the case to find the relationship of utility indices and production factors. So, we improved the production functions by real data. We applied this method in Ghods newspaper office. Although the t test verifies the performance of our method, the gradient descents method and neural network method decrease the mean square error.
کلیدواژه‌ها
Knowledge Management؛ knowledge production؛ Knowledge production function
عنوان مقاله [English]
ارائه‌ی روشی برای به دست آوردن توابع تولید در تولیدات دانشی(مطالعه‌ی موردی) (یادداشت فنی)
نویسندگان [English]
ناهید هاشمیان بجنورد؛ محمد باقر منهاج
چکیده [English]
یکی از چالش‌های مدیریت تولید دانش، ناملموس بودن فرایند تولید و مشخص نبودن رابطه‌ی بین ورودی ها و خروجی ها است. در این تحقیق، سعی در ارائه‌ی روشی برای بیان رابطه‌ی ورودی‌ها و خروجی‌ها در تولید دانش کرده‌ایم. بدین منظور ابتدا شاخص‌های مطلوبیت محصول دانشی و عوامل تولید دانش را شناسایی و با روش AHP، وزن عوامل تولید را در رابطه با هر یک از شاخص‌های مطلوبیت محاسبه و توابع تولید را بر اساس این وزن‌ها به طور خطی تعریف کرده‌ایم. برای بهبود ضرایب، با استفاده از روش گرادیان نزولی، بر اساس داده‌های واقعی، ضرایب را طوری تنظیم کرده‌ایم که بیشترین تطابق با داده‌های واقعی حاصل شود. همچنین، با فرمول خطی به دست آمده از روش AHP، داده تولید کرده و همراه با داده‌های واقعی با استفاده از شبکه عصبی رابطه‌ای بین عوامل تولید و شاخص مطلوبیت برقرار کرده‌ایم. بدین ترتیب، علاوه بر داده‌های واقعی، توابع خطی به دست آمده از روش AHP را در بیان روابط ورودی‌ها و خروجی‌ها در نظر گرفته‌ایم. این روش در تحریریه‌ی روزنامه‌ی قدس به کار گرفته شد. هر چند توابع خطی ایجاد شده با روش AHP ، با داده های واقعی با استفاده از آزمون tدوطرفه تأیید شد، به کارگیری روش گرادیان نزولی و شبکه‌های عصبی، مجموع مربع‌های خطا را کاهش داد.
کلیدواژه‌ها [English]
تابع تولید دانش, تولید دانش, مدیریت دانش
آمار
تعداد مشاهده مقاله: 2,374
تعداد دریافت فایل اصل مقاله: 2,256


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب