خلاصة:
اتخاذ یک رویکرد یکپارچه، داده محور و مقیاسپذیر به چرخه فعالیتهای پژوهشی در جامعه علمی ما یک ضرورت است. وجود دادههای اثربخش، مدیریت فرادادهها، انبارههای قوی، تحلیلگریها و گزارشگری یافتهها به نهادها، گروهها و افراد همگی در توفیق این چرخه موثرند. با توجه به گستردگی مباحث مدیریت یکپارچه پژوهش پرداختن به همه ابعاد آن امکان پذیر نمیباشد، اما آنچه رواست در این سخن به آن بپردازیم و برای پژوهشگران ما و بهویژه علاقهمندان به نشر کارهای پژوهشی در مجله مفید است، بازشناسی ارزش دادهها و شیوههای تجزیه و تحلیل آنها در فرایند پژوهش است.
موفقیت فرایند پژوهش بهطور طبیعی به کیفیت دادههای در دسترس، دامنه و دربرگیرندگی آن و ابزارهای بکاررفته برای تحلیل آن بستگی دارد. رویکردهای نوین پژوهش عمدتاً بر نحوه روایت دادهها و افزایش کیفیت تجزیه و تحلیل آن مبتنی است. از اینروست که پژوهشگران ما سخت نیازمند بکارگیری رویکردها و روشهایی در پژوهش هستند که مبتنی بر روایتهای دقیقتری از گردآوری و تجزیه و تحلیل دادهها باشند.
در اینجا یکی از روایتهای معطوف به تجزیه و تحلیل دادهها را میآورم که در این روایت به قول دیوید کاکس (David cox) و براد افرون (Brad Efron)، بیشتر کارآمار (تحلیل دادهها) "درباره تاثیرات علی مداخلات" است تا "پیش بینیها". این تمایز گرچه چندان قطعی نیست اما نباید از این واقعیت دور شد که هدف نهایی همان تاثیرات علی است.
برای نمونه، لئو بریمان تصویری از دو گرایش درگیر تحلیل دادهها شامل مدلسازی دادهها (data modelling) و یادگیری ماشین الگوریتمی (algorithmic machine learning) ترسیم میکند. هر یک از این گرایشها بیانگر شیوههایی از روایت دادهها هستند. به قول گویدو ایمبنس (Guido Imbens) برنده نوبل اقتصاد در سال 2021، " اگرچه هریک از این روشها به وقت خود و در جای خود صحیح هستند"، اما تشخیص شیوه مناسب توسط پژوهشگر حائز اهمیت است. باید گفت که استفاده از شیوه نخست یعنی مدلسازی دادهها پیامدهای زیر را بدنبال داشته است:
ارائه نظریههای نامرتبط و نتایج علمی مساله دار
بازداشتن تحلیلگران از مدلهای مطلوب الگوریتمی
ممانعت از پرداختن تحلیلگران به مسائل جدید مبتلا
براساس یادگیری ماشین الگوریتمی در حال حاضر مدلسازیهای مختلفی از الگوریتمها صورت گرفته است. توسعهدهندگان الگوریتم اکنون به فراتر از مسائل اولیه پیشبینی گام نهادهاند و فعالانه روشهایی را جستجو میکنند تا اهداف و محدودیتهای علی را در الگوریتمها بگنجانند. از روشهای ایجاد شده برپایه الگوریتمها میتوان به شیوههای گرافیکی (graphical, Pearl 2000)، دیدگاه نتایج بالقوه Imbens and Rubin, 2015)) و مکاشفات علی (peters et al. 2,017) اشاره کرد. در ادامه روشهای متنوع یادگیری ماشینی و امکان ترکیب آنها با روشهای تحلیلی موجود و موارد بکارگیری آنها در حل مسایل واقعی کسبوکارها بطور خلاصه میآید.
روشهای یادگیری ماشینی
سایر روشهای تحلیل
موارد کاربرد
- خوشه بندی (Clustering)
- فروکاهی بعدمندی (Dimensionality reduction)
- طبقه بندی (Classification)
- شبکههای عصبی معمول
(Conventional neural networks)
- شبکههای یادگیری عمیق
(Deep learning networks)
- شبکه عصبی همگشتی
(Convolutional neural network)
- شبکه عصبی بازگشتی
(Recurrent neural network)
- شبکه باورهای عمیق
(Deep belief networks)
- رگرسیون
(Regression)
- الگوریتمهای جستجو
(Search algorithms)
- مرتب سازی
(Sorting)
- ترکیب سازی
(Merging)
- همفشردگی
(Compression)
- الگوریتمهای گراف
(Graph algorithms)
- بهینه سازی خطی و غیر خطی
(Linear and non-linear optimization)
- پردازش سیگنال
(Signal processing)
- رمزنگاری
(Encryption)
- تخصیص منابع
(Resource allocation)
- تحلیلهای پیش نگر
(Predictive analytics)
- نگهداری پیش نگر
(Predictive maintenance)
- شخص سازی ویژه
(Hyper-personalization)
- شناسایی روندهای جدید/ناسازگاریها
(Discover new trends /anomalies)
- پیش بینی
(Forecasting)
- بهینه سازی محصول و قیمت
(Price and product optimization)
- تبدیل دادههای ساختار نیافته
(Convert unstructured data)
- رده بندی ارجحیتی
(Triaging)
قصدم از پرداختن به روشهای تحلیل یادگیری ماشینی و امکان ترکیب آن با سایر روشهای تحلیلی بیان یک روایت تازه از روشهای برخورد با دادهها بعنوان دارایی ارزشمند در جهان امروز است. اکنون از محققانی که میخواهند به پژوهش و نشر یافتههای علمی در این مجله بپردازند این انتظار میرود که با اتکاء به رویکردهای نوین در پردازش و تحلیل دادهها مسیرهای تازهای را پیشروی خود در مکاشفات علمی بگشایند.
به قول نظامی
تا کی از این راه نو روزگار پردهای از راه قدیمی بیار
ملخص الجهاز:
Lr روشني عقل به جان داده اي چاشني دل به زبان داده اي پرده سوسن که مصابيح تست جمله زبان از پي تسبيح تست مديريت يکپارچه پژوهش و بازشناسي ارزش داده ها اتخاذ يک رويکرد يکپارچه ، داده محور و مقياس پذير به چرخه فعاليت هاي پژوهشي در جامعه علمي ما يک ضرورت است .
با توجه به گستردگي مباحث مديريت يکپارچه پژوهش پرداختن به همه ابعاد آن امکان پذير نمي باشد، اما آنچه رواست در اين سخن به آن بپردازيم و براي پژوهشگران ما و به ويژه علاقه مندان به نشر کارهاي پژوهشي در مجله مفيد است ، بازشناسي ارزش داده ها و شيوه هاي تجزيه و تحليل آن ها در فرايند پژوهش است .
از اين روست که پژوهشگران ما سخت نيازمند بکارگيري رويکردها و روش هايي در پژوهش هستند که مبتني بر روايت هاي دقيق تري از گردآوري و تجزيه و تحليل داده ها باشند.
سخن سردبير: مديريت يکپارچه پژوهش و بازشناسي ارزش داده ها.