داده کاوی الگوی نامشهود تراکنشهای رفتارهای اطلاعیابی و اطلاع درمانی متخصصان بیماریهای نقص ایمنی
محورهای موضوعی : -مدارک پزشکیصدیقه محمداسماعیل 1 , شیبا کیانمهر 2
1 - دانشیار، گروه علم اطلاعات و دانش شناسی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - دانشجوی دکترای کتابداری و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
کلید واژه: اطلاع درمانی, مرکز طبی اطفال, دادهکاوی, شبکه عصبی مصنوعی, بیماریهای نقص سیستم ایمنی,
چکیده مقاله :
مقدمه: پژوهش حاضر با هدف تحلیل رفتار اطلاع درمانی ایمونولوژیستهای کشور، بر مبنای مدل شبکه عصبی خودسازمانده کوهونن انجام شده است. روش پژوهش: پژوهش کاربردی، به روش پیمایشی توصیفی و با استفاده از تکنیک شبکه عصبی انجام شده است. ابزار پرسشنامهای است محققساخته که بین ۱۴۹ نفر توزیع شد. به منظور خوشهبندی با استفاده از نرمافزارMATLAB متخصصان بر اساس مؤلفههای اصلی پژوهش خوشهبندی و سپس با حذف هر یک از زیرمؤلفههای اصلی، مؤثرترین و کماثرترین گزینه تعیین گردید. یافتهها: تحلیل ها نشان داد در مهارتهای اطلاعیابی؛ 63/75 درصد از افراد جامعه در خوشه اول با میانگین 29/88 و در خوشه دوم 36/24 درصد با میانگین نمرات 30/22، قرار دارند و مهم ترین مولفه استفاده از کلیدواژهها و اصطلاحات مرتبط با اطلاعات مورد نیاز است. در مورد راههای اطلاعیابی؛ 22/14 درصد جامعه با میانگین نمرات 54/36 در خوشه اول، 18/12 درصد افراد با میانگین 48/11 در خوشه دوم، 14/09 درصد با میانگین 43/28 در خوشه سوم، 16/1 درصد با میانگین 49/04 در خوشه چهارم و 29/53 درصد افراد با میانگین نمرات 53/72 در خوشه پنجم قرار داشته، و مهمترین راههای اطلاع یابی، استفاده از منابع اطلاعات الکترونیک بوده است. بر مبنای میزان استفاده از انواع خدمات اطلاعاتی؛46 درصد افراد با میانگین نمرات 54/85 در خوشه اول، 20/66 درصد با میانگین 49/38 در خوشه دوم و 32/66 درصد با میانگین 43/08 در خوشه سوم قرار داشته و مهم ترین مولفه خدمات اطلاع درمانی، آشنایی با انواع منابع و خدمات اطلاعاتی رشته تخصصی بوده است نتیجهگیری: خوشهبندی عصبی رفتارهای اطلاع درمانی جامعه مورد مطالعه و تراکنش های اطلاعاتی حاصل از آن، علاوه بر منتج شدن به آگاهی از نیازها و منابع اطلاعاتی مورد نیاز کاربران، به عنوان روشی در دسترس و کم هزینه که ارتقای سطح کیفیت اطلاعات متخصصین سیستم نقص ایمنی را در پی دارد و به ارایه خدمات درمانی موثرتر به بیماران منتهی میگردد، زمینه لازم جهت پیش بینی تمهیدات و تصمیمگیریهای اطلاعاتگرا را جهت تامین نیازها و محمل های اطلاعاتی مورد درخواست کاربران پایگاه های دادههای پزشکی فراهم و در اختیار مدیران و دستاندرکاران این حوزه قرار می دهد، و به عنوان راهبردی موثر با حداکثر سطح استانداردهای ممکن، به کشف الگوی نامشهود رفتار های اطلاعیابی کاربران حوزه سلامت منتهی، و به فرد مخاطب میآموزد تا هوشمندانه از محملهای اطلاعاتی بهره گیرد.
Introduction: This study analyzed the information therapy behavior of immunologists in the country, based on the Cohennon self-organized neural network model. Method: Applied research has been done by descriptive survey method using neural network technique. The tool is a researcher made-questionnaire that was distributed among 149 people. Using MATLAB software, specialists based on the main components of clustering research, and then by removing each of the main sub-components,, the most effective and least effective option was determined. Results: Analysis showed in information retrieval skills; 63.75% of the population are in the first cluster with an average of 29.88 and in the second cluster 36.24% with an average score of 30.22, and the most important component is the use of keywords and terms related to the required information. About ways to get information; 22.14% of the population with an average score of 54.36 in the first cluster, 18.12% of individuals with an average of 48.11 in the second cluster, 14.09% with an average of 43.28 in the third cluster, 16.1% with an average of 0.04 49 were in the fourth cluster and 29.53% of the people with an average score of 53.72 were in the fifth cluster, and the most important way to find information was to use electronic information sources. Based on the use of various information services, 46% of people with an average score of 54.85 in the first cluster, 20.66% with an average of 49.38 in the second cluster and 32.66% with an average of 43.08 in the third cluster and the most important component of information therapy services has been familiarity with various sources and information services in the specialized field. Conclusion: Neural clustering of information therapy behaviors of the study population and the resulting information transactions, in addition to resulting in awareness of the needs and information resources required by users, as an accessible and low-cost method that improves the quality of information of immunodeficiency specialists leads to the provision of more effective medical services to patients, provides the necessary basis for anticipating information-oriented arrangements and decisions to meet the needs and information carriers requested by users of medical databases and provides managers and staff This field, and as an effective strategy with the highest level of possible standards, leads to the discovery of the intangible pattern of information seeking behaviors of health users, and teaches the audience to use information media intelligently.
1- Parhamnia F. Introduction to Information. Kermanshah: Islamic Azad University; 2008. [In Persian]
2- Moghaddassi H, Hoseini A, Asadi F, Jahanbakhsh M. Application of Data Mining. Heal Inf Manag. 2012:9(2):304. [In Persian]
3- Nabovati E, Azizi A, Abbasi E, Vakili-Arki H, Zarei J, Razavi A. Using Data Mining to Predict Outcome in Burn Patients: A Comparison between Several Algorithms. Heal Inf Manag. 10(6):799. [In Persian]
4- David Lewis A, Delan D. Advanced Data Mining. Tehran: Kerman University Jihad. 2010.
5- Shahrabi J. Data Mining Concepts in Arak. Tehran: Metallon. 2008. [In Persian]
6- Naimi J, Mohammad Ismail S, Heydari H. Determining Information Needs and Information Behavior of Khorasan Razavi Seminary Students Using Neural Network Approach. J Libr Inf Sci. 2019:4(1):118–91. [In Persian]
7- Naimi J, Mohammad Ismail S. Determining Information Seeking Behavior of Khorasan Razavi University of Medical Sciences Students Using Neural Network Approach. J Libr Inf Sci. 2016:6(2):80–96. [In Persian]
8- Badr A, Esmaeil SM, Heidari H. Applying data mining technique in order to categorize the target users of the Central Library of Isfahan University of Technology (Studying the motives and information seeking behaviors of them). Iran J Inf Process Manag. 2017:33(1):275–98. [In Persian]
9- Alizadeh S, Malek Mohammadi Q. Data Mining and Step-by-Step Knowledge Discovery with Clementine Software. Tehran: Khaje Nasir al-Din Tusi University. 2011. [In Persian]
10- Zare_Farashbandi F, Yarahmadi A. Information Therapy: A New Approach with Old Concept in Improvement of Chronic DiseasesNo Title. Heal Inf Manag. 2015:12(1):135. [In Persian]
11- Ghazanfari M, Alizadeh S, Timourpour B. Data Mining and Knowledge Discovery. Tehran: Iran University of Science and Technology: 2011. [In Persian]
12- WHO. Health Promoting Hospitals [Internet]. [cited 2004 Mar 17]. Available from: http://www.euro.who.int/eprise/main/ who /progs/hph/home
13- Nutbeam D. Health Promotion Glossary, Health Promotion International. Oxford Univ Press. 2003:13(4):349–64.
_||_1- Parhamnia F. Introduction to Information. Kermanshah: Islamic Azad University; 2008. [In Persian]
2- Moghaddassi H, Hoseini A, Asadi F, Jahanbakhsh M. Application of Data Mining. Heal Inf Manag. 2012:9(2):304. [In Persian]
3- Nabovati E, Azizi A, Abbasi E, Vakili-Arki H, Zarei J, Razavi A. Using Data Mining to Predict Outcome in Burn Patients: A Comparison between Several Algorithms. Heal Inf Manag. 10(6):799. [In Persian]
4- David Lewis A, Delan D. Advanced Data Mining. Tehran: Kerman University Jihad. 2010.
5- Shahrabi J. Data Mining Concepts in Arak. Tehran: Metallon. 2008. [In Persian]
6- Naimi J, Mohammad Ismail S, Heydari H. Determining Information Needs and Information Behavior of Khorasan Razavi Seminary Students Using Neural Network Approach. J Libr Inf Sci. 2019:4(1):118–91. [In Persian]
7- Naimi J, Mohammad Ismail S. Determining Information Seeking Behavior of Khorasan Razavi University of Medical Sciences Students Using Neural Network Approach. J Libr Inf Sci. 2016:6(2):80–96. [In Persian]
8- Badr A, Esmaeil SM, Heidari H. Applying data mining technique in order to categorize the target users of the Central Library of Isfahan University of Technology (Studying the motives and information seeking behaviors of them). Iran J Inf Process Manag. 2017:33(1):275–98. [In Persian]
9- Alizadeh S, Malek Mohammadi Q. Data Mining and Step-by-Step Knowledge Discovery with Clementine Software. Tehran: Khaje Nasir al-Din Tusi University. 2011. [In Persian]
10- Zare_Farashbandi F, Yarahmadi A. Information Therapy: A New Approach with Old Concept in Improvement of Chronic DiseasesNo Title. Heal Inf Manag. 2015:12(1):135. [In Persian]
11- Ghazanfari M, Alizadeh S, Timourpour B. Data Mining and Knowledge Discovery. Tehran: Iran University of Science and Technology: 2011. [In Persian]
12- WHO. Health Promoting Hospitals [Internet]. [cited 2004 Mar 17]. Available from: http://www.euro.who.int/eprise/main/ who /progs/hph/home
13- Nutbeam D. Health Promotion Glossary, Health Promotion International. Oxford Univ Press. 2003:13(4):349–64.