در سال های اخیر مدیریت فرآیندهای سازمانی (BPM)، به دلیل افزایش کارایی سازمان ها بسیار مورد توجه قرار گرفته است. استخراج و تحلیل اطلاعات فرآیندهای سازمانی بخش مهمی از این ساختار است؛ اما این فرآیندها در طول زمان پایدار نیستند و به مرور دچار تغییر می شوند که به این تغییرات، رانش مفهوم در فرآیند گفته می ­شود. کشف رانش ­های مفهوم یکی از چالش های موجود در حوزه مدیریت فرآیندهای سازمانی است. در این مقاله الگوریتمی برای شناسایی رانش های مفهوم در نگاره رویداد ارائه شده که براساس تحلیل توزیع گونه های دنباله در اجرای فرآیند است. در این روش با حرکت دو پنجره روی نگاره رویداد، دو بردار ویژگی از گونه های دنباله های دو پنجره حاصل و سپس با استفاده از آزمون های آماری گونه های دو پنجره با یکدیگر مقایسه و در نهایت رانش ها شناسایی می شوند. آزمایش های صورت گرفته روی پایگاه های داده مصنوعی، درستی روش و برتری آن را نسبت به روش های پیشین نشان می دهند.

در سازمان ها و شرکت های بزرگ که از سیستم های مدیریت فرآیندهای کسب و کار (BPMS) بهره می برند، در هر لحظه با توجه به قوانین بالادستی و شرایط بازار، ممکن است در فرآیندهای کسب و کار تغییرات رخ دهد. این تغییرات گاهی به صورت آنی و گاهی به صورت تدریجی روی سیستم اعمال می گردد. شناسایی به موقع این تغییرات می تواند در تصمیم گیری بهتر مدیران سازمان اثر گذار باشد. تجزیه و تحلیل سابقه ی رویدادها در این سیستم ها، امکان شناسایی تغییرات ایجاد شده در فرآیندهای کسب و کار را به صورت خودکار فراهم می کند. به این تغییرات در فرآیندها به اصطلاح رانش مفهوم در فرآیند کسب و کار گفته می شود. استخراج رانش مفهوم اشاره دارد به شناسایی محل و نوع تغییراتی که در طول زمان در فرآیندهای کسب و کار یا به طور کلی در سابقه ی روبداد رخ داده است. در این مقاله یک روش ابتکاری با معرفی یک تابع فاصله اصلاح شده، برای شناسایی محل و زمان ایجاد رانش مفهوم ارایه می-شود. آزمایش های انجام شده بر روی 72 پایگاه دادگان موجود در پیشینه ی پژوهش که شامل 648 رانش مفهوم در 12 نوع مختلف است، نشان می دهد روش پیشنهادی 18/98 درصد از رانش ها را تشخیص می دهد درحالی که روش پیشنهادی نسبت به بهترین روش موجود بسیار سریع تر است.

در بررسی وقایع غیرمترقبه و داده های متغیر با زمان، توجه به رانش مفهوم برای ارائه یک تحلیل معتبر ضروری می باشد. هرچند، پژوهشهای مرتبط با رانش مفهوم، اکثرا به جنبه فنی و تئوری روش ها پرداخته و استفاده از این روش ها در داده های غیر ساخت یافتۀ کاربردهای واقعی کمتر مورد توجه قرار گرفته است. هم چنین، پژوهش های اندکی بطور همزمان تغییر مفهوم در شبکه های اجتماعی و ارتباط آن با رویدادهای جهان واقع را در نظر گرفته اند. از جمله وقایع غیرمترقبه، اپیدمی بیماری کرونا (با نرخ بالای ابتلا، مرگ و میر، به همراه طبیعت ناشناخته) بود. در این بین، نگرانی های جامعه -بویژه در روزهای ابتدایی- در فضای مجازی و در خلال انبوه متون مرتبط با کرونا منعکس شد. در این پژوهش، روشی برای بررسی تغییرات ذهنیت جامعه در جریان داده های برخط پیشنهاد می دهیم. دادگان این پژوهش، پست های شبکه های اجتماعی تلگرام، اینستاگرام و توئیتر و متون فارسی خبری مرتبط با کرونا در بازه 100 روزه ابتدایی شیوع کروناست. درآنها ویژگی های قطبیت نظرات، دیدگاه نسبت به عملکرد مسئولین، و امید را رصد و تحلیل می کنیم.  بدین منظور از روشهای آماری توصیفی و روش پیشنهادی تحلیل رانش مفهوم استفاده می کنیم. سپس، با تحلیل محتوایی متون کلیدی در نقاط زمانی تغییر مفهوم، به کشف علت تغییر مفاهیم منفی به مثبت، و ارائه راهکارهای موثق به دادگان می پردازیم. یافته های این پژوهش نشان می دهند بطور کلی، مطالب منتشر شده در بازه مورد بررسی با شیب کندی به سمت مفاهیم خنثی و مثبت پیش می رود. در مورد ویژگی امید، امیدواری در کل بازه مورد بررسی وجود دارد. همچنین بازه مرتبط با تعطیلات سال نو شمسی یک بازه کلیدی از نظر هر سه ویژگی مورد بررسی است. بررسی متون کلیدی، نشان دهنده تأثیرگذاری راهکارهایی همچون تقویت روحیه ملی، ارتقای امکانات درمانی و عدالت در دسترسی به امکانات، از سمت مسئولین، طنزپردازی و توجه به وقایع مناسبتی بمنظور بالا بردن بهداشت روان جامعه است. نتایج این پژوهش نشان می دهند که تحلیل داده های فضای مجازی و رصد تغییرات ذهنیت افراد در این جریان داده با استفاده از رانش مفهوم، منجر به استخراج اطلاعات مفید برای برنامه ریزی آگاهانه تر، اطلاع رسانی درست تر، و ارتقای سلامت روان جامعه می گردد؛ که در تصمیم گیری های کلان و بازگشت آرامش به جامعه راهگشاست.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

نظرکاوی امروزه به عنوان یکی از کاربردهای پراهمیت پردازش زبان طبیعی مطرح است که به دلیل بالابودن حجم و نرخ نظرات تولیدشده نیاز به روش های ویژه ای برای پردازش دارد. امروزه با توجه به ماهیت جریان داده ای نظرات کاربران در شبکه های اجتماعی و سایت های تجارت الکترونیکی، استفاده از الگوریتم های دسته بندی غیر افزایشی باعث می گردد به مرور زمان کارایی مدل یادگرفته شده برای کاوش نظرات کاهش یافته و عملاً غیر قابل استفاده شود. علاوه بر این به دلیل نامحدودبودن تعداد نظرات، امکان برچسب گذاری تمام نظرات برای ایجاد نمونه های آموزشی جدید و به روزرسانی مدل یادگرفته شده وجود ندارد. از آنجا که ممکن است نظرات جدید دارای واژگان جدید بوده و یا توزیع دسته های قطبیت تغییر کند، رانش مفهوم نیز می بایست در نظرکاوی افزایشی پشتیبانی گردد. در این مقاله یک روش جدید برای یادگیری قطبیت متون به صورت افزایشی ارائه می گردد که با استفاده از یادگیری فعال جریان داده ای، متون ارزشمند برای به روز رسانی مدل دسته بندی را انتخاب می کند و پس از تعیین برچسب آنها توسط متخصص انسانی، از آنها برای بهبود مدل دسته بندی بهره می گیرد. روش پیشنهادی به صورت برخط و بدون نیاز به ذخیره متون، با استفاده از تعداد محدودی متون برچسب خورده آموزش می بیند و قادر به تشخیص و پشتیبانی از رانش مفهوم می باشد. روش پیشنهادی با روش های شاخص افزایشی و غیر افزایشی، با استفاده از مجموعه داده های معتبر و معیارهای ارزیابی استاندارد مقایسه و ارزیابی می شود.