ORIGINAL_ARTICLE
تأثیر سرمایه اجتماعی و مدیریت دانش بر ظرفیت سازمانی در کارکنان وزارت ورزش و جوانان
هدف: هدف از پژوهش حاضر تأثیر سرمایه اجتماعی و مدیریت دانش بر ظرفیت سازمانی در کارکنان وزارت ورزش و جوانان جمهوری اسلامی ایران بود. روش پژوهش: روش پژوهش توصیفی و از نوع مدل معادلات ساختاری بود که به لحاظ هدف، کاربردی و بهصورت میدانی در جامعه آماری انجام گرفت. جامعه آماری این پژوهش را کلیه کارکنان وزارت ورزش و جوانان ایران به تعداد 965 نفر تشکیل دادند که با استفاده از فرمول کوکران تعداد 276 نفر بهصورت تصادفی ساده بهعنوان نمونه انتخاب شدند. برای گردآوری دادهها از پرسشنامههای سرمایه اجتماعی فرجی (1389)، مدیریت دانش همتی (1389) و ظرفیت سازمانی مقیمی (1390) استفاده شد و پایایی آنها در یک مطالعه مقدماتی به ترتیب (82/0، 80/0، 78/0) به دست آمد. یافتهها: یافتهها نشان داد که سرمایه اجتماعی بر مدیریت دانش و ظرفیت سازمانی تأثیر مستقیم و معناداری داشته است. مدیریت دانش نیز اثری مثبت و مستقیم بر ظرفیت سازمانی داشته است. درنهایت نتایج حاصل از مدل پژوهش نشان داد که سرمایه اجتماعی سازمانی بهواسطه مدیریت دانش بر ظرفیت سازمانی تأثیر معناداری دارد. نتیجهگیری: بهطورکلی یافتههای پژوهش بیانگر اهمیت نقش سرمایه اجتماعی و مدیریت دانش بر ارتقای سطح ظرفیت سازمانی در کارکنان وزارت ورزش و جوانان است؛ بنابراین پیشنهاد میشود که وزارت ورزش و جوانان با استفاده از برنامههای دانشمحور و مدیریت آنها و تبدیل کارکنان به سرمایههای اجتماعی موجبات افزایش و تقویت ظرفیت سازمانی کارکنان را فراهم کند
https://jks.atu.ac.ir/article_9646_bbc7cee27c9fc4500162e62c84a6be93.pdf
2019-01-21
1
18
10.22054/jks.2019.41752.1222
سرمایه اجتماعی
ظرفیت سازمانی
مدیریت دانش
وزارت ورزش و جوانان
شهاب
بهرامی
bahramishahab@yahoo.com
1
استادیار، گروه مدیریت ورزشی، دانشگاه آزاد اسلامی، واحد کرمانشاه، کرمانشاه، ایران
LEAD_AUTHOR
Abaszade, M., Bodaghi, A., Hasanpour, M., & Hosaini, S. S. (2015). The impact of organizational social capital on organizational adaptability capacity. Journal of organizational behavior studies, 4 (3), 145-174. (Persian)
1
Abolmaleki, H. (2014). Investigating the relationship between social capital and job satisfaction of educational teachers, case study of Hamedan province. Journal of social capital management, 1 (1), 65-80. (Persian)
2
Alvani, S. M., Nategh, T., & Farahi, M. M. (2007). The role of social capital in the development of organizational knowledge management. Journal of management science of Iran, 2 (5), 35-70. (Persian)
3
Bordabar, Gh., & Zaree. M. (2013). The effect of organizational social capital to promote knowledge management in Yazd welfare organization. Journal of applied sociology, 24 (4), 227-244. (Persian)
4
Chen, C. -J., & Huang, J. -W. (2009). Strategic human resource practices and innovation performance - The mediating role of knowledge management capacity. Journal ofBusiness Research, 62(1), 104–114.
5
Chen, J.-S., & Lovvorn, Al S. (2011). The speed of knowledge transfer within multinational enterprises: the role of social capital. International Journal of Commerceand Management, 21(1), 46-62.
6
Civi, E. (2000). Knowledge management as a competitive asset: a review. Marketing Intelligence & Planning, 18(4), 166-74.
7
Ebili, Kh., & Zarea Khalili, M. (2013). The relationship between organizational social capital and knowledge management in a state insurance company. Insurance Journal, 28 (2), 129-152. (Persian)
8
Farahani, R, & Ilka, R. (2005). Knowledge management in power distribution companies, 10th conference on power distribution networks. Journal of social, economic and management studies. (Persian)
9
Frozande, L., Danaeefard, H., Rahnavard, F., & Mohammadi, A. (2014). Investigating the organizational capacity of Imam Ali's officer University based on the MacKenzie model. Journal of military management, 14 (54), 1-28. (Persian)
10
Goucher, N. P. (2007). Organizational Knowledge Creation to Enhance Adaptive Capacity: Exploratory Case Studies in Water Resource Management (Master's thesis, University of Waterloo).
11
Graziadio, G. L. (2011). Nonprofit capacity: a comparative case study of capacity building in community based organizations, Pepperdine University, Master of Science thesis.
12
Harandi, A. (2014). Explaining the role of social capital and knowledge transfer in organizational learning of knowledge companies. Journal of technology development management, 1 (4), 161-182. (Persian)
13
Yli‐Renko, H., Autio, E., & Sapienza, H. J. (2001). Social capital, knowledge acquisition, and knowledge exploitation in young technology‐based firms. Strategic management journal, 22(6‐7), 587-613.
14
Hoffman, J., & Hoelscher, M. L., & Sherif, K. (2005). Social capital, knowledge management and sustained superior performance. Journal of Knowledge Management, 9(3), 93-100.
15
Hoyle, T. B., Samek, B. B., & Valois, R. F. (2008). Building capacity for the continuous improvement of health‐promoting schools. Journal of School Health, 78(1), 1-8.
16
Jafari moghadam, S. (2002). Knowledge management process, from organizational learning to organizational memory. Journal of Management and Development, 3 (12), 79-96. (Persian)
17
Jansen, Rob J. G., Curseu, Pe. L., Vermeulen, P. A. M., Geurts, J. L.A., & Gibcus, P. (2013). Information processing and strategic decision-making in small and medium-sized enterprises: The role of human and social capital in attaining decision effectiveness. International Small Business Journal, 31(2), 192-216.
18
Johnson, S. G., Schnatterly, K., Hill, A. D. (2013). Board Composition Beyond Independence: Social Capital, Human Capital, and Demographics. Journalof Management, 39(1), 232-262.
19
Kalseth, K. (1999). Knowledge Management from a Business Strategy Perspective. FID Review, 1(1), 36.
20
Kazemzade, M., & Ghasemzade, A. (2013). Explaining the role and influence of social capital on organizational commitment and effective education. Journal of organizational behavior in education. 1(2), 105-116. (Persian)
21
Li, Y. -H., Huang, J. -W., & Tsai, M. -T. (2009). Entrepreneurial orientation and firm performance: The role of knowledge creation process. Industrial Marketing Management, 38(4), 440–449.
22
Lin, N. & Erickson, H. B. (2008). Social Capital and International Research Program. Oxford University Pressmarquardt, m (2002): Fire Elements of Learning Exectire Excellence, Information and Management, 85(268), 109-110.
23
Maurer, I., Bartsch, V., & Ebers, M. (2011). The Value of Intra-organizational Social Capital: How it Fosters Knowledge Transfer, Innovation Performance, and Growth. Organization Studies, 32(2), 157-185.
24
Nahapiet, J. & Ghoshal, S. (1998). Social Capital, Intellectual Capital and the Organizational Advantage. Academy of Management Review, 23(2), 242-266.
25
Pelling, M., & High, C. (2005). Understanding adaptation: What can social capital offer assessments of adaptive capacity?. Global Environmental Change, 15, 308–319.
26
Robinon, L. W., & Berkes, F. (2011). Multi-level participation for building adaptive capacity: Formal, agency-community interactions in northern Kenya. GlobalEnvironmental Change, 21, 1185–1194.
27
Silvia, M., Carmen, B., & Gabriel, C., (2013). The use of organizational capabilities to increase customer value. Journal of BusinessResearch, in press.
28
Strichman, N. J. (2005). Assessing Nonprofits Organizational Readiness for Adaptive Capacity. the dissertation of PhD, University of Pittsburgh, School of Education, 1-197.
29
Stuck, R., & Abdolmaleki, J. (2014). Exploring and explaining social capital on innovation with an emphasis on the role of mediating knowledge management. Journal of Social Capital Management, 1 (1), 1-20. (Persian)
30
Thomas, G., & Christopher, G. (2006). Development of organization and transformation of Tehran, translated by Islamic Azad University publication center. (Persian)
31
Turban, E. & Maclean, E. (2004). Information Technology for management. 3 rd ed, john wiley & Sons Ine.
32
Turkina, E. Thi, M., & Thai, T. (2013). Social capital, networks, trust and immigrant entrepreneurship: a cross-country analysis. Journal of Enterprising Communities, 7(2), 108-124.
33
Tymon, W. G., & Stumpf, S. A. (2003). Social capital in the success of knowledge workers. Career Development International, 8(1), 12-20.
34
ORIGINAL_ARTICLE
تحلیل محتوایی نشر دانش در سه فصلنامه حوزه مدیریت فنآوری و نوآوری
هدف: این مقاله به تحلیل محتوای نشر دانش در سه فصلنامه اصلی حوزه مدیریت فنآوری و نوآوری که شامل فصلنامه سیاست علم و فنآوری، فصلنامه مدیریت نوآوری و فصلنامه مدیریت توسعه فنآوری، در طی پنج سال انتشار فصلنامهها از سال 1392 تا 1396 پرداخته است. در این مقاله، ویژگیهای اصلی فصلنامه و مقالهها چاپشده در آن و همچنین ویژگیهای محتوایی اعم از مفاهیم و موضوعات مقالهها به همراه طرح کلی در اختیار پژوهشگران این حوزه دانشی قرار دهد. روش: تحلیل محتوا با رویکرد کیفی، در بخش نخست به بررسی جریان دانشی و دستهبندی موضوعی مقالات هریک از سه فصلنامه و مقایسه آنها با یکدیگر؛ و در بخش دوم به تحلیل حوزه صنعتی که به آن پرداخته شده و روایی و پایایی بر اساس اعتماد و اعتبار مقالات است. یافتهها: بررسیها نشان داد که سه فصلنامه ذکرشده در این سالها به موضوعات مختلف این حوزه پرداخته و خوشههایی که هرکدام از فصلنامهها درمجموع بیشتر از سایر فصلنامهها به آن پرداخته بودند به این شکل بود که در فصلنامه سیاست علم و فنآوری آموزش عالی، سیاست و اقتصاد؛ در فصلنامه مدیریت نوآوری مدیریت نوآوری، مدیریت دانش و استراتژی؛ و در فصلنامه مدیریت توسعه فنآوری، مدیریت فنآوری، صنعت و تکنولوژی بیشتر مورد نشر قرار گرفته بود.
https://jks.atu.ac.ir/article_9667_b42251768246e31d1b861eb479616475.pdf
2019-01-21
19
37
10.22054/jks.2019.41216.1219
: تحلیل محتوایی
جریان دانشی
علمسنجی
مدیریت فنآوری
ویژگی محتوایی
آیدین
اصغرزاده کرمشاهلو
aidinasgharzadeh73@gmail.com
1
دانشجوی کارشناسی ارشد مدیریت تکنولوژی، دانشگاه علامه طباطبائی، تهران، ایران
LEAD_AUTHOR
علی
غلام زاده
a.gholamzadeh@atu.ac.ir
2
دانشجوی کارشناسی ارشد مدیریت صنعتی، دانشگاه علامه طباطبائی، تهران، ایران
AUTHOR
سعید
اصغرزاده کرمشاهلو
saeedasgharzadeh@atu.ac.ir
3
کارشناس ارشدعلم اطلاعات و دانششناسی، دانشگاه علامه طباطبائی، تهران، ایران
AUTHOR
قاضی نوری، سید سروش، روشنی، سعید، رضایی نیک، نفیسه. (1392). 5 سال با سیاست علم و فناوری: تکامل و توسعه نظری فصلنامه سیاست علم و فناوری. فصلنامه سیاست علم و فنآوری، 6(2)، 17-38.
1
قاضی میرسعید، سید جواد، کلبادی نژاد، کمیل، ممتازان، محبوبه، محمدی، مسعود، (1394). تحلیل محتوایی و استنادی مقالات فصلنامه علمی پژوهشی پیاورد سلامت. مجله اطلاعرسانی پزشکی نوین، 1(2)، 31-41.
2
References
3
Biemans, W., Griffin, A., & Moenaert, R. (2007). Twenty years of the Journal of product innovation management: History, participants, and knowledge stock and flows. Journal of Product Innovation Management, 24(3), 193-213.
4
Merino, M. T. G., Do Carmo, M. L. P., & Alvarez, M. V. S. (2006). 25 Years of technovation: characterisation and evolution of the journal. Technovation, 26(12), 1303-1316.
5
Ball, D. F., & Rigby, J. (2006). Disseminating research in management of technology: journals and authors. R&D Management, 36(2), 205-215.
6
Linton, J. D., & Thongpapanl, N. (2004). Perspective: Ranking the technology innovation management journals. Journal of Product Innovation Management, 21(2), 123-139.
7
van Raaij, W. F. (1986). The first five years of the Journal of Economic Psychology. Journal of Economic Psychology, 7(1), 1-15.
8
Ghahnaviyeh, H., Movahedi, F., Yarmohamadian, M. H., & Ajami, S. (2011). Content And Citation Analysis Of Articles Published In The Journal Of. Health Information Management, 8(1), 86-9.
9
Merigó, J. M., Mas-Tur, A., Roig-Tierno, N., & Ribeiro-Soriano, D. (2015). A bibliometric overview of the Journal of Business Research between 1973 and 2014. Journal of Business Research, 68(12), 2645-2653.
10
Lee, K. R. (2014). 10 years of innovation studies in Asia through the Asian Journal of Technology Innovation. Asian Journal of Technology Innovation, 22(1), 168-184.
11
ORIGINAL_ARTICLE
شناسایی پارامترهای موفقیتآمیز پیادهسازی انواع فناوریهای مجازیسازی در مراکز داده سازمانها
هدف: پژوهش حاضر، با هدف بررسی عوامل مؤثر بر استفاده از انواع فنآوری مجازیسازی در مراکز داده برحسب نیاز سازمانها به بررسی فعالیتهای گسترده سازمانها در پیادهسازی انواع مجازی سازها و مطالعه موردی شرکت کیسون میپردازد؛ بنابراین ازنظر هدف، یک پژوهش کاربردی محسوب میشود. روش: همچنین با توجه به اینکه در این پژوهش از روشهای مطالعه کتابخانهای و نیز روشهای میدانی نظیر پرسشنامه استفاده شده است، میتوان گفت این پژوهش بر اساس ماهیت و روش، توصیفی- پیمایشی است. بدین معنی که ابتدا با بررسی ادبیات موجود، معیارها و شاخصهای پژوهش شناساییشده و بر اساس آن، فرضیات تحقیق تدوین شدهاند. متناسب با فرضیات، مدل مفهومی تحقیق توسعه داده شده و برای گردآوری دادهها نیز از پرسشنامه استاندارد استفاده گردیده است. درنهایت برای آزمون فرضیات تحقیق، از روش مدل یابی معادلات ساختاری (SEM) استفاده خواهد شد. همچنین تجزیهوتحلیل دادههای بهدستآمده با استفاده از نرمافزارهای EXCEL، SPSS و LISREL صورت گرفته است. نتیجهگیری: این پژوهش به شناسایی عوامل کلیدی برای اجرای سیستمهای مجازیسازی از دیدگاه متخصصان فناوری اطلاعات پرداخته است. در این مطالعه تأثیر هفت عامل شامل: کیفیت سیستم، کیفیت اطلاعات، تسهیل در مدیریت و نگهداری، کاهش هزینه، سهولت پیادهسازی، آزمایش و توسعه، ادغام منابع و اجماع سارمانیموردبررسی قرار گرفت. نتایج این مطالعه نشان داد که تمامی عوامل موردبررسی، تأثیر مثبت و معناداری بر موفقیت پیادهسازی فناوری مجازیسازی دارند.
https://jks.atu.ac.ir/article_9636_0f55355683b628cb48191861ba60ca35.pdf
2019-01-21
39
66
10.22054/jks.2019.41506.1220
فاکتورهای کلیدی
فناوری مجازیسازی
فناوری اطلاعات
محاسبات رایانهای
مراکز داد
نیرسادات
سیدعلی
merhaein@gmail.com
1
کارشناس ارشد مدیریت، واحد الکترونیکی دانشگاه آزاد اسلامی، تهران، ایران
LEAD_AUTHOR
اسدالله
شاه بهرامی
shahbahrami1@gmail.com
2
دانشیار، گروه مهندسی کامپیوتر، دانشگاه گیلان، رشت، ایران
AUTHOR
شاه بهرامی، اسدالله، ایران پاک، سمیه، اکبری فتیدهی، محمدکاظم، سرگلزایی، مرتضی. (۱۳۹۵). ارائه مدلی برای تحلیل دادههای مرکز آمار مبتنی بر هوش تجاری در بستر رایانش ابری، انتشار سومین همایش ملی مهندسی فنآوری اطلاعات.
1
شاه بهرامی، اسدالله، شعبان زاده، سید نیما و فرمانده بحری، رمضان. (1394). مفاهیم مجازیسازی و کاربردهای آن. تهران: سازمان انتشارات جهاد دانشگاهی.
2
اسدی، راضیه. (1391). زمانبندی ماشینهای مجازی متمرکز به کمک تحلیل تداخل بارهای کاری پایاننامه مقطع کارشناسی ارشد مهندسی فناوری اطلاعات، دانشگاه علوم و فنون مازندران.
3
پورنصیر، ستاره و روستایی، رسول. (۱۳۹۵). چالشهای مجازیسازی: دیدگاهی ازنظر تثبیت سرور، دومین کنفرانس بینالمللی یافتههای نوین علوم و تکنولوژی، قم، مرکز مطالعات و تحقیقات اسلامی سروش حکمت مرتضوی.
4
ثانی، آیدا و آقازاده، فهیمه. (۱۳۹۵). استفاده از رایانش ابری در سیستم آموزش الکترونیکی: نقاط قوت و ضعف، اولین کنفرانس بینالمللی دستاوردهای نوین تحقیقی در مهندسی برق و کامپیوتر، تهران.
5
دهقانی، هادی، میرعابدینی، سید جواد و مبارکی، علی. (۱۳۹۵). بررسی و ارزیابی روشهای مهاجرت ماشینهای مجازی در رایانش ابری، اولین کنفرانس بینالمللی دستاوردهای نوین تحقیقی در مهندسی برق و کامپیوتر، تهران، کنفدراسیون بینالمللی مخترعان جهان.
6
رحیمی، سمیه، شالویی، پریسا، گلخوار، سمیه و حسینی، زینب. (1391). دلایل اهمیت مجازیسازی در شبکه و امنیت، کنفرانس بینالمللی فنآوری اطلاعات ایران، موسسه نمودار توسعه داتیس.
7
سایت شرکت چرخه ارتباط سبز، گروه آموزشی، راهکارهای مجازیسازی. (1396). قابل دسترس در: http://www.charkheh.net/virtualization/
8
سایت مجموعه تدبیر، گروه آموزشی، فناوری مجازیسازی سرور. (1396). قابل دسترس در: http://www.tadbirweb.com
9
سایت مجموعه شرکتهای مهندسی دانشبنیان رها، گروه آموزشی، انواع مجازیسازی. (1396). قابل دسترس در: https://www.rahaco.net/
10
سایت راهکارهای جامع دیتاسنتر، تکنولوژی نوین مجازیسازی. (آبان ۱۴، ۱۳۹۴). قابل دسترس در: https://vcenter.ir
11
سرکانی، سعید، میرعابدینی، سید جواد و آقایی، حدیث. (۱۳۹۵). ارائه رویکرد جدیدی برای محاسبات شبکههای ابری با استفاده از تابع هزینه در حوزه انرژی، سومین کنفرانس بینالمللی علوم و مهندسی، استانبول- کشور ترکیه، موسسه مدیران ایده پرداز پایتخت ویرا.
12
کریمی، علی و شیرواند، امیرحسین. (۱۳۹۵). انجام رایانش ابری در سطح کاربر با استفاده از مجازیسازی، کنفرانس بینالمللی مهندسی کامپیوتر و فنآوری اطلاعات، تهران.
13
مستند معرفی راهکار جامع مجازیسازی، مفهوم مجازیسازی و انواع آن، مهندسی شبکه گـروه پـال نـت https://www.palnetgroup.ir/.
14
References
15
Fichera, R. (2002). The future of the data center–Modularity and virtualization. Forrester Research.
16
Chen, Z., Zhu, Y., Di, Y., & Feng, S. (2015). Optimized self-adaptive fault tolerance strategy in simulation system based on virtualization technology. IAENG International Journal of Computer Science, 42(4), 305-312.
17
Chen, C. Y. (2007). Exploring the model of energy conservation Planning and implementation of information center. Master thesis. Taiwan: National Chengchi University.
18
Hew, T. S., & Kadir, S. L. S. A. (2016). Predicting the acceptance of cloud-based virtual learning environment: The roles of Self Determination and Channel Expansion Theory. Telematics and Informatics, 33(4), 990-1013.
19
Hoesing, M. T. (2009). Virtualization security assessment. Information Security Journal: A Global Perspective, 18(3), 124–130.
20
Li, S. H., Yen, D. C., Hu, C. C., Lu, W. H., & Chiu, Y. C. (2012). Identifying critical factors for corporate implementing virtualization technology. Computers in Human Behavior, 28(6), 2244-2257.
21
Perez, R., van Doorn, L., & Sailer, R. (2008). Virtualization and hardware-based security. IEEE Security & Privacy, 6(5), 24–31.
22
Sabri, O. (2015, September). Measuring is Success Factors of Adopting Cloud Computing from Enterprise Overview. In Proceedings of the The International Conference on Engineering & MIS 2015
23
Seetharaman, S., & Murthy, K. (2006). Test optimization using software virtualization. Software, IEEE, 23(5), 66–69.
24
Sehgal, N. K., & Ganguli, M. (2006). Applications of virtualization for server management and security. In IEEE international conference on industrial technology 2006 (pp. 2752–2755).
25
Shavit, Y., & Migliore, D. (2009). Virtual machine. <http:/searchserver virtualization.techtarget.com/sDefinition/0,,sid94_gci213305,00.html>
26
Singh, A. (2004). An introduction to virtualization. <http://www.kernelthread .com /publications /virtualization />.
27
Smith, J. E., & Nair, R. (2005). The architecture of virtual machines. Computer, 38(5) 32–38.
28
Sontakke, V., Patil, P., Waghamare, S., Kulkarni, R., Patil, N. S., Saravanapriya, M., & Scholar, U. G. (2016). Dynamic Resource Allocation Strategy for Cloud Computing Using Virtual Machine Environment. International Journal of Engineering Science, 4804.
29
Symantec (2009). White paper: The green data center—A Symantec green IT guide.
30
Tulloch, M. (2009). Understanding Microsoft virtualization solutions. Microsoft Press.
31
Waters, J. K. (2007). Virtualization definition and solutions. <http://www.cio.com/article/40701/Virtualization_Definition_and_Solutions.2007>.
32
Feng, Y., Zhikun, Z., Huaijin, Z., & Xiaohong, Y. (2009, August). A virtualization-based business process management model for emergency response system. In 2009 ISECS International Colloquium on Computing, Communication, Control, and Management (Vol. 3, pp. 94-97). IEEE.
33
ORIGINAL_ARTICLE
وابستگی دانشجویان به شبکههای اجتماعی بر اساس متغیرهای جمعیتشناختی
هدف این پژوهش مطالعه وابستگی دانشجویان به شبکههای اجتماعی با توجه به متغیرهای جمعیت شناختی بوده است. این پژوهش ازنظر هدف کاربردی و با رویکرد کمی به روش پیمایشی انجام شد. ابزار اندازهگیری پژوهش، خرده مقیاس اعتیاد به شبکههای اجتماعی، از پرسشنامه ارسلان و کریک (2013) بود. جامعه آماری پژوهش، 4771 دانشجوی کارشناسی دانشگاه شهید مدنی آذربایجان و نمونه موردمطالعه 368 مورد بود که به روش نمونهگیری طبقهای نسبی انتخاب شدند. بر اساس آزمون پیرسون، رابطه بین وابستگی دانشجویان به شبکههای اجتماعی و میزان استفاده از اینترنت و شبکههای اجتماعی با اطمینان 99 درصد مثبت و معنادار بود. بر اساس آزمون تی مستقل تفاوت معناداری در میانگین وابستگی دانشجویان به شبکههای اجتماعی برحسب نوع اقامت آنان (زندگی با خانواده و خوابگاه) وجود داشت. بر اساس آزمون تحلیل واریانس وابستگی دانشجویان به شبکههای اجتماعی برحسب حوزه تحصیلی با اطمینان 95 درصد معنادار بود. وابستگی دانشجویان به شبکههای اجتماعی در حد متوسط بود. دانشجویانی که استفاده روزانه بیشتری از اینترنت و شبکههای اجتماعی داشتند، وابستگی بیشتری نیز به این شبکهها نشان دادند. وابستگی دانشجویان به شبکههای اجتماعی با سطوح پیشرفت تحصیلی متفاوت، تقریباً مشابه بود. وابستگی به شبکههای اجتماعی در میان دانشجویان ساکن در خوابگاه و دانشجویان حوزه علوم انسانی بیشتر بود.
https://jks.atu.ac.ir/article_9635_937d55287b403a6e3da98106992d0727.pdf
2019-01-21
67
89
10.22054/jks.2019.40291.1217
دانشجویان
دانشگاه شهید مدنی آذربایجان
شبکههای اجتماعی
وابستگی
متغیرهای جمعیتشناختی
لیلا
خلیلی
l.khalili@azaruniv.ac.ir
1
استادیار، گروه علم اطلاعات و دانش شناسی، دانشگاه شهید مدنی، آذربایجان، تبریز، ایران
LEAD_AUTHOR
فائقه
محمدی
f_mohammadi@tabrizu.ac.ir
2
استادیار، گروه علم اطلاعات و دانش شناسی، دانشگاه تبریز، تبریز، ایران
AUTHOR
: Dependency, Social Networks, Azarbaijan Shahid Madani University, Demographic variables, Undergraduate Student
1
ORIGINAL_ARTICLE
عوامل مؤثر بر استفاده از منابع الکتریکی و چاپی در بین دانشجویان دانشگاه رازی و آزاد اسلام کرمانشاه
هدف: هدف این پژوهش، تعیین میزان استفاده از منابع الکترونیکی و چاپی و عوامل مؤثر بر آن در بین دانشجویان دانشگاه رازی و آزاد کرمانشاه بوده است. روششناسی: این پژوهش، به لحاظ هدف کاربردی و ازنظر روش پیمایشی بود. ابزار گردآوری دادهها پرسشنامه بوده و جامعه آماری، دانشجویان دانشگاه رازی و آزاد کرمانشاه در سال تحصیلی 96-95 بود که تعداد آنها 35014 نفر و تعداد نمونه با استفاده از فرمول کوکران 380 نفر برآورد شده است. برای نمونهگیری از روش نمونهگیری تصادفی- طبقهای استفاده شده است و آزمونهای آماری توصیف، میانگین، انحراف معیار و آمار استنباطی کا اسکوار، واریانس، وآنالیز واریانس بکار گرفته شد. یافتهها: یافتههای پژوهش نشان داد که 45/63 درصد دانشجویان از منابع الکترونیکی و 55/36 درصد از منابع چاپی. استفاده کردهاند. از بین منابع الکترونیکی پایگاههای اطلاعاتی با 6/92 درصد بیشترین و میزان استفاده از منابع الکترونیکی در حد خیلی زیاد و منابع چاپی در حد متوسط ارزیابی شدهاند. میزان برآورده شدن نیازهای اطلاعاتی توسط پایگاههای اطلاعاتی با میانگین 66/4 در بالاترین سطح قرار دارد و وبسایتها با میانگین 37/2 دارای کمترین سطح در برآورده کردن نیاز اطلاعاتی دانشجویان قرار دارد. دسترسی به اطلاعات در کمترین زمان (4/88 درصد)، مهمترین عامل ترغیبکننده و تأثیرات مخرب بر چشم و مغز (9/58 درصد)، مهمترین عامل بازدارنده استفاده از منابع الکترونیکی بودند. اطلاعات صحیح و معتبر (1/62 درصد)، مهمترین عامل ترغیبکننده و وقتگیر بودن فرایند جستجو و امانت (8/61 درصد)، مهمترین عامل بازدارنده استفاده از منابع چاپی بودند. نتیجهگیری: نتایج پژوهش نشان داد که باوجوداینکه استفاده از منابع الکترونیکی به دلیل مزایایی که دارند، نسبت به منابع چاپی بیشتر است، اما منابع چاپی همچنان به میزان قابلتوجهی مورداستفاده قرار میگیرند، بنابراین منابع الکترونیکی نمیتوانند بهطور کامل جایگزین منابع چاپی شوند، بلکه بهعنوان مکمل همدیگر مورداستفاده قرار میگیرند.
https://jks.atu.ac.ir/article_9634_7327ceb71a46967c98c4ff47528a12a5.pdf
2019-01-21
91
124
10.22054/jks.2019.40100.1216
پایگاههای اطلاعاتی
منابع الکترونیکی
منابع چاپی
منابع کتابی
محمود
مرادی
mmoradi44@gmail.com
1
استادیار، گروه علم اطلاعات و دانش شناسی، دانشگاه رازی، کرمانشاه، ایران
LEAD_AUTHOR
صالح
رحیمی
s.rahimi@razi.ac.ir
2
استادیار، گروه علم اطلاعات و دانش شناسی، دانشگاه رازی، کرمانشاه، ایران
AUTHOR
فروزان
کرمی
foroozankarami24@gmail.com
3
کارشناس ارشد علم اطلاعات و دانش شناسی، دانشگاه رازی، کرمانشاه، ایران
AUTHOR
بیگدلی، زاهد، عبداللهزاده، آزاده و معرفزاده، عبدالحمید. (1393). مقایسه میزان استفاده اعضای هیئتعلمی و دانشجویان تحصیلات تکمیلی دانشکده علوم دانشگاه شیراز از مجلات الکترونیکی و مجلات چاپی مشترک. فصلنامه علمی پژوهشی پژوهشگاه علوم و فنآوری اطلاعات ایران، 29 (3)، 711-736.
1
جانسون، پگی. (2009). مبانی مجموعهسازی و مدیریت مجموعه. ترجمه محسن شمس اژهای و منصور کوهی رستمی. (1389). تهران: چاپار.
2
رهنما فرد، اصغر. (1385). کاربرد فنآوری اطلاعات در کتابخانههای عمومی- مطالعه موردی: کتابخانههای عمومی ایران. کتاب ماه، ٩٧ و ٩، 42-57.
3
سینق، اس. پی. (2004). مدیریت مجموعه در محیط الکترونیکی. ترجمه زهرا بتولی. (1384). مجله الکترونیکی پژوهشگاه اطلاعات و مدارک علمی ایران، 5 (1).
4
غفاری، سعید و نجفی، مهتاب. (1392). بررسی میزان استفاده دانشجویان تحصیلات تکمیلی دانشگاه آزاد اسلامی واحد قزوین از مجلات چاپی فارسی در مقایسه با مجلات الکترونیکی. فصلنامه دانششناسی (علوم کتابداری و اطلاعرسانی و فنآوری اطلاعات)، 6 (21)، 77-94.
5
فهیمیفر، سپیده و غائبی، امیر. (1387). کتابهای الکترونیکی از دیدگاه متخصصان اطلاعرسانی شاغل در کتابخانههای مرکزی دانشگاههای شهر تهران. علوم و فنآوری اطلاعات، 24 (1)، 79- 115.
6
قربانیفر، اعظم و مجیدی، موسی. (1392). بررسی میزان استفاده قضات شهر تهران از منابع چاپی و الکترونیکی کتابخانههای قوه قضائیه. فصلنامه دانششناسی (علوم کتابداری و اطلاعرسانی و فناوری اطلاعات)، 6 (23)، 61-70.
7
کوکبی، مرتضی و کرمیزاده، الهام. (1390). بررسی میزان گرایش، دسترسی و استفاده دانشآموزان دبیرستانهای شهر شیراز از منابع چاپی و الکترونیکی. مجله مطالعات کتابداری و علم اطلاعات دانشگاه شهید چمران اهواز، 3 (6)، 1-30.
8
محمودی، مائده، شعبانی، احمد، رجایی پور، سعید و سلیمانی، ناهید. (1393). بررسی میزان و نحوه بهکارگیری کتابهای الکترونیکی در فعالیتهای آموزشی و پژوهشی اعضای هیأت علمی دانشگاههای دولتی اصفهان. فصلنامه مدیریت اطلاعات و دانششناسی، 1 (3)، 13-25.
9
نوروزی، فرجالله. (1392). شناسایی و بررسی عوامل مؤثر بر نوع و میزان استفاده از منابع الکترونیکی از نگاه دانشجویان تحصیلات تکمیلی دانشگاه علوم پزشکی جندیشاپور اهواز. پایاننامه کارشناسی ارشد رشته علم اطلاعات و دانششناسی. دانشگاه شهید چمران اهواز، دانشکده علوم تربیتی و روانشناسی.
10
وایت، اندرو کارل و کمال، اریک جیوا. (2006). سنجش منابع و نظامهای الکترونیکی برای متخصصان کتابداری و اطلاعرسانی: چگونه از دادهها برای مدیریت و ارزیابی مجموعه منابع الکترونیکی استفاده نماییم. ترجمه رضا رجبعلی بگلو و علیاکبر خاصه (1388). تهران: چاپار، انجمن کتابداری و اطلاعرسانی ایران.
11
References
12
Agboola, I. O. (2010). Use of print and electronic resources by agricultural science students in Nigerian universities. Library & Information Science Research, 32 (2010), 62-65.
13
Akpojotor, L. O. (2016). Awareness and Usage of Electronic Information Resources among Postgraduage Students of Library and Information Science in Southern Nigeria. Library Philosophy and Practice (e-journal), 1408, 5-9.
14
Cumaoglu, G., Sacici, E., & Torun, K. (2013). E-Book versus Printed Materials: Preferences of University Students. Contemporary Educational Technology, 4 (2), 121-135.
15
Lin, X. (2002). Books of the Future. Digital Libraries. Retrieved 29 January, 2009, from: http://www.tk421.net/essays/ebooks.pdf.
16
Mincic-Obradovic, K. (2011). E-books in Academic Libraries. Oxford, United Kingdom: Chandos.
17
Mohseni, H. (2006). Electronic publishing. In: Ebrahim Afshar (Ed), Library & Information Encyclopedia, Vol. 2, 1792-1793. Tehran: Islamic Republic National Library.
18
Singh, S. P. (2004). Collection management in the electronic environment. The bottom line: managing library finances, 2 (2004), 55-60.
19
Tosun, N. (2014). A Study on Reading Printed Books or E-books: Reasons for Student-Teachers Preferences. TOJET: The Turkish Online Journal of Educational Technology, 13 (1), 21-28.
20
Trivedi, M., & A. Joshi (2009). Usage of electronic journals (e_journals) versus print journals by health care professionals in HM patel center for medical care and education (HMPCME). Gournal of Health Information in Developing Countries, 3 (1), 13-16.
21
ORIGINAL_ARTICLE
کشف دانش و کاربرد آن در اینترنت اشیاء
اینترنت اشیاء، به طور چشمگیری زندگی ما را در آیندهای نزدیک تغییر خواهد داد و بسیاری از ناممکنها را ممکن خواهد ساخت. حجم عظیم دادهی تولید شده یا گرفته شده توسط تجهیزات اینترنت اشیاء ، حاوی اطلاعات ارزشمند و قابل استفاده است. با رواج دستگاههای توسعه یافته فناوری بیسیم مانند بلوتوث، شناسایی با فرکانس رادیویی (RFID)، Wi-Fi، و خدمات داده برروی تلفن و همچنین سنسور و محرک و نودهای تعبیه شده در وسایل، شبکه های حسگر بی سیم، اینترنت اشیاء مراحل ابتدایی خود را پشت سر گذاشته و در آستانه تبدیل اینترنت ایستای کنونی، به اینترنت کاملاً یکپارچه در آینده است. کشف دانش از طریق داده کاوی و متن کاوی نیز بدون شک نقش زیادی در زمینه هوشمندسازی سیستم ها و در نتیجه ارائه خدمات و محیط مناسب برای ارائه خدمات خواهد داشت. همچنین از روش های داده کاوی برای خوشه بندی تجهیزات در شبکه های حسگر بی سیم و تعیین سرخوشه استفاده بسیاری میشود. در این مقاله به معرفی اینترنت اشیاء، معماری، کشف دانش ، نقش وکاربرد داده کاوی و متن کاوی در این حوزه پرداخته شده است.
https://jks.atu.ac.ir/article_9665_8864291d70107709ea7850a4edc252f3.pdf
2019-01-21
123
156
10.22054/jks.2019.41872.1223
اینترنت اشیاء
کشف دانش
داده کاوی
متن کاوی
دادههای حجیم
کیوان
برنا
borna@khu.ac.ir
1
استادیار، گروه علوم کامپیوتر، دانشگاه خوارزمی، تهران، ایران
AUTHOR
فرهاد
فتحی
fathi85@gmail.com
2
کارشناس ارشد مهندسی کامپیوتر (نرمافزار)، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
LEAD_AUTHOR
عصمت
مومنی
momeni.esmat@yahoo.com
3
استادیار، گروه علم اطلاعات و دانش شناسی، دانشگاه علامه طباطبائی، تهران، ایران
AUTHOR
رمضانی، هادی، علیپور حافظی، مهدی و مؤمنی، عصمت. (1393). نقشههای علمی: فنون و روشها. ترویج علم، 5(6)، 53- 84.
1
غفارزادگان، مریم. (1392). کشف ساختار درونی مطالعات خلاقیت به روش متنکاوی. پایاننامه کارشناسی ارشد علم اطلاعات و دانششناسی، دانشگاه علامه طباطبائی، تهران.
2
References
3
Abbasi, A. A., & Younis, M. (2007). A survey on clustering algorithms for wireless sensor networks. Computer communications, 30(14-15), 2826-2841.
4
Ashton, K. (2009). That ‘internet of things’ thing. RFID journal, 22(7), 97-114.
5
Atzori, L., Iera, A., & Morabito, G. (2010). The internet of things: A survey. Computer networks, 54(15), 2787-2805.
6
Baraniuk, R. G. (2011). More is less: signal processing and the data deluge. Science, 331(6018), 717-719.
7
Bélissent, J. (2010). Getting clever about smart cities: New opportunities require new business models. Cambridge, Massachusetts, USA.
8
Bellazzi, R., & Zupan, B. (2008). Predictive data mining in clinical medicine: current issues and guidelines. International journal of medical informatics, 77(2), 81-97.
9
Berkovich, S., & Liao, D. (2012, July). On clusterization of big data streams. In Proceedings of the 3rd International Conference on Computing for Geospatial Research and Applications (p. 26). ACM.
10
Bin, S., Yuan, L., & Xiaoyi, W. (2010, April). Research on data mining models for the internet of things. In 2010 International Conference on Image Analysis and Signal Processing (pp. 127-132). IEEE.
11
Blum, C., & Roli, A. (2003). Metaheuristics in combinatorial optimization: Overview and conceptual comparison. ACM computing surveys (CSUR), 35(3), 268-308.
12
Chadwick, A., & May, C. (2003). Interaction between States and Citizens in the Age of the Internet:“e‐Government” in the United States, Britain, and the European Union. Governance, 16(2), 271-300.
13
Chen, H., Chung, W., Qin, Y., Chau, M., Xu, J. J., Wang, G., ... & Atabakhsh, H. (2003, May). Crime data mining: an overview and case studies. In Proceedings of the 2003 annual national conference on Digital government research (pp. 1-5). Digital Government Society of North America.
14
Chen, H., Chung, W., Xu, J. J., Wang, G., Qin, Y., & Chau, M. (2004). Crime data mining: a general framework and some examples. computer.
15
Chen, L., & Ren, G. (2012). The research of data mining technology of privacy preserving in sharing platform of internet of things. In Internet of Things (pp. 481-485). Springer, Berlin, Heidelberg.
16
Chen, M. (2013). Towards smart city: M2M communications with software agent intelligence. Multimedia Tools and Applications, 67(1), 167-178.
17
Chen, M., Gonzalez, S., Leung, V., Zhang, Q., & Li, M. (2010). A 2G-RFID-based e-healthcare system. IEEE Wireless Communications, 17(1), 37-43.
18
Chen, M., Ma, Y., Wang, J., Mau, D. O., & Song, E. (2013, October). Enabling comfortable sports therapy for patient: a novel lightweight durable and portable ECG monitoring system. In 2013 IEEE 15th International Conference on e-Health Networking, Applications and Services (Healthcom 2013) (pp. 271-273). IEEE.
19
Chen, M., Mao, S., & Liu, Y. (2014). Big data: A survey. Mobile networks and applications, 19(2), 171-209.
20
Choi, W., Shah, P., & Das, S. K. (2004, August). A framework for energy-saving data gathering using two-phase clustering in wireless sensor networks. In The First Annual International Conference on Mobile and Ubiquitous Systems: Networking and Services, 2004. MOBIQUITOUS 2004. (pp. 203-212). IEEE.
21
Da Xu, L., He, W., & Li, S. (2014). Internet of things in industries: A survey. IEEE Transactions on industrial informatics, 10(4), 2233-2243.
22
Demirkol, I., Ersoy, C., & Alagoz, F. (2006). MAC protocols for wireless sensor networks: a survey. IEEE Communications Magazine, 44(4), 115-121.
23
Ding, C., & He, X. (2004, July). K-means clustering via principal component analysis. In Proceedings of the twenty-first international conference on Machine learning (p. 29). ACM.
24
Domingo, M. C. (2012). An overview of the Internet of Things for people with disabilities. Journal of Network and Computer Applications, 35(2), 584-596.
25
Du, X. F., Leung, S. C., Zhang, J. L., & Lai, K. K. (2013). Demand forecasting of perishable farm products using support vector machine. International journal of systems Science, 44(3), 556-567.
26
Elgendy, N., & Elragal, A. (2014, July). Big data analytics: a literature review paper. In Industrial Conference on Data Mining(pp. 214-227). Springer, Cham.
27
Galushka, M., Patterson, D., & Rooney, N. (2006). Temporal data mining for smart homes. In Designing Smart Homes (pp. 85-108). Springer, Berlin, Heidelberg.
28
Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (2013). Internet of Things (IoT): A vision, architectural elements, and future directions. Future generation computer systems, 29(7), 1645-1660.
29
Guha, S., Meyerson, A., Mishra, N., Motwani, R., & O'Callaghan, L. (2003). Clustering data streams: Theory and practice. IEEE transactions on knowledge and data engineering, 15(3), 515-528.
30
Hammouda, K. M., & Kamel, M. S. (2004). Efficient phrase-based document indexing for web document clustering. IEEE Transactions on knowledge and data engineering, 16(10), 1279-1296.
31
Han, J., Cheng, H., Xin, D., & Yan, X. (2007). Frequent pattern mining: current status and future directions. Data mining and knowledge discovery, 15(1), 55-86.
32
Heer, J., & Chi, E. H. (2001, April). Identification of web user traffic composition using multi-modal clustering and information scent. In Proc. of the Workshop on Web Mining, SIAM Conference on Data Mining (pp. 51-58).
33
Helbig, N., Gil-García, J. R., & Ferro, E. (2009). Understanding the complexity of electronic government: Implications from the digital divide literature. Government Information Quarterly, 26(1), 89-97.
34
Hsieh, N. C., & Hung, L. P. (2010). A data driven ensemble classifier for credit scoring analysis. Expert systems with Applications, 37(1), 534-545.
35
Peng, Y., Zhang, Y., Tang, Y., & Li, S. (2011). An incident information management framework based on data integration, data mining, and multi-criteria decision making. Decision Support Systems, 51(2), 316-327.
36
Jia, X., Feng, Q., Fan, T., & Lei, Q. (2012, April). RFID technology and its applications in Internet of Things (IoT). In 2012 2nd international conference on consumer electronics, communications and networks (CECNet) (pp. 1282-1285). IEEE.
37
Juels, A. (2006). RFID security and privacy: A research survey. IEEE journal on selected areas in communications, 24(2), 381-394.
38
Kambal, E., Osman, I., Taha, M., Mohammed, N., & Mohammed, S. (2013, August). Credit scoring using data mining techniques with particular reference to Sudanese banks. In 2013 INTERNATIONAL CONFERENCE ON COMPUTING, ELECTRICAL AND ELECTRONIC ENGINEERING (ICCEEE)(pp. 378-383). IEEE.
39
Kincade, K. (1998). Data mining: digging for healthcare gold. Insurance & Technology, 23(2), 2-7.
40
Koh, H. C., & Tan, G. (2011). Data mining applications in healthcare. Journal of healthcare information management, 19(2), 65.
41
Lakshman, T. V., & Madhow, U. (1997). The performance of TCP/IP for networks with high bandwidth-delay products and random loss. IEEE/ACM transactions on networking, 5(3), 336-350.
42
Lee, H., Kim, S. G., Park, H. W., & Kang, P. (2014). Pre-launch new product demand forecasting using the Bass model: A statistical and machine learning-based approach. Technological Forecasting and Social Change, 86, 49-64.
43
Lee, Y. H., Kim, H. J., Roh, B. H., Yoo, S. W., & Oh, Y. C. (2005, December). Tree-based classification algorithm for heterogeneous unique item ID schemes. In International Conference on Embedded and Ubiquitous Computing (pp. 1078-1087). Springer, Berlin, Heidelberg.
44
Liu, C. H., Yang, B., & Liu, T. (2014). Efficient naming, addressing and profile services in Internet-of-Things sensory environments. Ad Hoc Networks, 18, 85-101.
45
Liu, J., Pan, J., Wang, Y., Lin, D., Shen, D., Yang, H., ... & Cao, X. (2013). Component analysis of Chinese medicine and advances in fuming-washing therapy for knee osteoarthritis via unsupervised data mining methods. Journal of Traditional Chinese Medicine, 33(5), 686-691.
46
Liu, J., Wan, J., He, S., & Zhang, Y. (2014). E-healthcare supported by big data. ZTE Communications, 12(3), 46-52.
47
Liu, J., Wang, Q., Wan, J., Xiong, J., & Zeng, B. (2013). Towards Key Issues of Disaster Aid based on Wireless Body Area Networks. KSII Transactions on Internet & Information Systems, 7(5).
48
Liu, Q., Wan, J., & Zhou, K. (2014). Cloud manufacturing service system for industrial-cluster-oriented application. Journal of Internet Technology, 15(3), 373-380.
49
Lu, C. J., & Wang, Y. W. (2010). Combining independent component analysis and growing hierarchical self-organizing maps with support vector regression in product demand forecasting. International Journal of Production Economics, 128(2), 603-613.
50
Maaß, D., Spruit, M., & de Waal, P. (2014). Improving short-term demand forecasting for short-lifecycle consumer products with data mining techniques. Decision Analytics, 1(1), 4.
51
Moed, H. F., Glänzel, W., & Schmoch, U. (Ed.) (2004). Handbook of quantitative science and technology research. The use of publication and patent statistics in studies of S&T systems. Dordrecht (the Netherlands): Kluwer Academic Publishers.
52
Musaddiq, A., Zikria, Y. B., Hahm, O., Yu, H., Bashir, A. K., & Kim, S. W. (2018). A survey on resource management in IoT operating systems. IEEE Access, 6, 8459-8482.
53
Nath, S. V. (2006, December). Crime pattern detection using data mining. In 2006 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology Workshops (pp. 41-44). IEEE.
54
Ng, R. T., & Han, J. (2002). CLARANS: A method for clustering objects for spatial data mining. IEEE Transactions on Knowledge & Data Engineering, (5), 1003-1016.
55
Padhy, N., Mishra, D., & Panigrahi, R. (2012). The survey of data mining applications and feature scope. arXiv preprint arXiv:1211.5723.
56
Pan, G., Qi, G., Zhang, W., Li, S., Wu, Z., & Yang, L. T. (2013). Trace analysis and mining for smart cities: issues, methods, and applications. IEEE Communications Magazine, 51(6), 120-126.
57
Paulraj, D., Swamynathan, S., & Madhaiyan, M. (2012). Process model-based atomic service discovery and composition of composite semantic web services using web ontology language for services (OWL-S). Enterprise Information Systems, 6(4), 445-471.
58
Peng, Y., Zhang, Y., Tang, Y., & Li, S. (2011). An incident information management framework based on data
59
Rashidi, P., Cook, D. J., Holder, L. B., & Schmitter-Edgecombe, M. (2010). Discovering activities to recognize and track in a smart environment. IEEE transactions on knowledge and data engineering, 23(4), 527-539.
60
Sethi, P., & Sarangi, S. R. (2017). Internet of things: architectures, protocols, and applications. Journal of Electrical and Computer Engineering, 2017.
61
Silver, M., Sakata, T., Su, H. C., Herman, C., Dolins, S. B., & O Shea, M. J. (2001). Case study: how to apply data mining techniques in a healthcare data warehouse. Journal of healthcare information management, 15(2), 155-164.
62
Sundmaeker, H., Guillemin, P., Friess, P., & Woelfflé, S. (2010). Vision and challenges for realising the Internet of Things. Cluster of European Research Projects on the Internet of Things, European Commision, 3(3), 34-36.
63
Taylor, P. (2006). From patient data medical knowledge: the principles & practice of health informatics. Massachusetts: Black Well.
64
Thornton, D., Mueller, R. M., Schoutsen, P., & Van Hillegersberg, J. (2013). Predicting healthcare fraud in medicaid: a multidimensional data model and analysis techniques for fraud detection. Procedia technology, 9, 1252-1264.
65
Tsai, C. W., Lai, C. F., Chiang, M. C., & Yang, L. T. (2013). Data mining for internet of things: A survey. IEEE Communications Surveys & Tutorials, 16(1), 77-97.
66
Turban, E., Mclean, E., & Wetherbe, J. (1999). Information technology for management: making connections for strategic advantage. New York: Willey & sons.
67
Wan, J., Li, D., Zou, C., & Zhou, K. (2012, October). M2M communications for smart city: An event-based architecture. In 2012 IEEE 12th International Conference on Computer and Information Technology (pp. 895-900). IEEE.
68
Wang, G., Chen, H., & Atabakhsh, H. (2004). Automaticially detecting deceptive criminal identities.
69
Welbourne, E., Battle, L., Cole, G., Gould, K., Rector, K., Raymer, S., ... & Borriello, G. (2009). Building the internet of things using RFID: the RFID ecosystem experience. IEEE Internet computing, 13(3), 48-55.
70
Xie, J. L. (2004). Mobility Management in Next Generation All-IP Based Wireless Systems (Doctoral dissertation, Georgia Institute of Technology).
71
Yin, H., Sun, Y., Cui, B., Hu, Z., & Chen, L. (2013, August). LCARS: a location-content-aware recommender system. In Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 221-229). ACM.
72
Younis, O., & Fahmy, S. (2004, March). Distributed clustering in ad-hoc sensor networks: A hybrid, energy-efficient approach. In IEEE INFOCOM 2004 (Vol. 1). IEEE.
73
Yun, M., & Yuxin, B. (2010, June). Research on the architecture and key technology of Internet of Things (IoT) applied on smart grid. In 2010 International Conference on Advances in Energy Engineering (pp. 69-72). IEEE.
74
Zhang, T., Ramakrishnan, R., & Livny, M. (1996, June). BIRCH: an efficient data clustering method for very large databases. In ACM Sigmod Record (Vol. 25, No. 2, pp. 103-114). ACM.
75
Zhao, Q., & Bhowmick, S. S. (2003). Sequential pattern mining: A survey. ITechnical Report CAIS Nayang Technological University Singapore, 1, 26.
76
Zorzi, M., Gluhak, A., Lange, S., & Bassi, A. (2010). From today's intranet of things to a future internet of things: a wireless-and mobility-related view. IEEE Wireless communications, 17(6), 44-51.
77