ندا عباسی دشتکی

هدف: ارزیابی فازی و کلاسیک عملکرد موتورهای جستجو در بازیابی اطلاعات فارسی و تعیین میزان ریزش کاذب و بهترین موتور جستجو با بازیابی کمترین رکوردهای تکراری. روش شناسی: پژوهش کاربردی حاضر به لحاظ روش انجام کار نیمه تجربی، تطبیقی، و ارزیابانه است. طبق نمونه گیری هدفمند و براساس محبوبیت موتورهای جستجو ، نمونه های پژوهش انتخاب شدند. ابزار گردآوری داده ها، سیاهه وارسی پژوهشگرساخته با 20 پرسش بود. یافته ها: در دو ارزیابی فازی و کلاسیک، گوگل عملکرد بهتری نسبت به بینگ و یاهو داشت. به علاوه، مشخص شد میزان دقت ارزیابی فازی موتورهای جستجو از میزان دقت ارزیابی کلاسیک آنها بیشتر است. همچنین یافته ها در هر دو ارزیابی نشان داد گوگل، بینگ، و یاهو به ترتیب کمترین میزان ریزش کاذب را داشتند. علاوه بر این، میزان ریزش کاذب موتورهای جستجو در ارزیابی فازی کمتر از این میزان در ارزیابی کلاسیک به دست آمد. در این بررسی مشخص شد گوگل کمترین و یاهو بیشترین میزان رکوردهای تکراری را بازیابی کرد. نتیجه گیری: یافته ها نشان داد ارزیابی فازی باعث افزایش میزان دقت و کاهش میزان ریزش کاذب در موتورهای جستجو می شود. با توجه به اینکه ارزیابی فازی با طیف بندی میزان ارتباط رکوردهای بازیابی شده، میزان مانعیت و ریزش کاذب دقیق تر و واقعی تری را ارائه می دهد، به پژوهشگران پیشنهاد می شود برای بررسی عملکرد موتورهای جستجو از ارزیابی فازی استفاده کنند. به طورکلی، یافته های پژوهش نشان داد موتور جستجوی گوگل براساس سه معیار اندازه گرفته شده، عملکرد بهتری نسبت به بینگ و یاهو از خود نشان داد. از این رو، به کاربران پیشنهاد می شود هنگام جستجوی اطلاعات فارسی در وب برای صرفه جویی در وقت و هزینه خود از این موتور جستجو استفاده کنند.

هدف : شناسایی قدرت بازیابی ابزار کاوش فازی و غیرفازی و میزان هم پوشانی بین آنها. روش شناسی: این پژوهش با نمونه گیری طبقه ای تصادفی و هدفمند از میان همه ابزارهای کاوش فعال در وب انجام شده است. ابزار گردآوری داده ها سه سیاهه وارسی پژوهشگرساخته بوده است. یافته ها: ابزارهای غیرفازی متاکراولر، بینگ، و امرالد به ترتیب، و ابزارهای فازی گوگل، یاهو، و اسک بیشترین دقت را داشتند. در میان هر شش ابزار، گوگل قوی ترین و امرالد ضعیف ترین عملکرد را داشت. در جستجوی کلیدواژه ای، بینگ و متاکراولر بیشترین و در جستجوی سؤالی، یاهو و متاکراولر ببیشترین هم پوشانی را داشتند. در جستجوی عبارتی نیز بیشترین هم پوشانی بین یاهو و متاکراولر مشاهده شد. در سه جستجوی سؤالی، عبارتی، و کلیدواژه ای همه نتایج امرالد منحصر به فرد بود. نتیجه گیری: گوگل بهترین و امرالد ضعیف ترین عملکرد را داشتند. با اینکه متاکراولر یک ابرموتور کاوش محسوب می شود اما نسبت به گوگل که یک موتور کاوش عمومی است ضعیف تر بود. در کل، ابزارهای کاوش فازی عملکرد قوی تری داشتند. بیشترین هم پوشانی نیز در میان متاکراولر با یاهو و بینگ مشاهده شد.

هدف: هدف پژوهش حاضر بررسی و مقایسه عملکرد موتورها و ابرموتورهای کاوش عمومی در بازیابی اطلاعات رشته علم اطلاعات و دانش شناسی و میزان همپوشانی آنها می باشد. روش شناسی: پژوهش کاربردی حاضر از نوع پیمایشی- تحلیلی است. جامعه آماری، شامل تمام موتورها و ابرموتورهای کاوش عمومی فعال در وب بوده که بر اساس نمونه گیری طبقه ای تصادفی، هفت موتور کاوش و پنج ابرموتور کاوش عمومی اصلی که در   searchenginewatch.com  www. انتخاب شدند. سپس نتایج با استفاده از فرمول های دقت و بازیافت در نرم افزار اکسل مورد تحلیل قرار گرفتند. همچنین به منظور آزمون فرضیه از دو آزمون خی دو و t زوجی، با استفاده از نرم افزار اس پی اس اس نسخه 21 انجام گرفت. یافته ها: در میان 7 موتور کاوش مورد بررسی، موتور کاوش گوگل بیشترین میزان دقت را در بازیابی اطلاعات مرتبط کسب کرد و در میان 5 ابرموتور کاوش مورد بررسی، متاگوفر، بیشترین میزان دقت را بدست آورد. علاوه بر این، موتورهای کاوش گوگل و یاندکس، بیشترین میزان همپوشانی را با یکدیگر داشتند و موتور کاوش گیگابلاست کمترین میزان همپوشانی را با سایر موتورهای کاوش از خود نشان داد. نتیجه گیری: به طور کلی مشخص شد موتورهای کاوش و ابرموتورهای کاوش عمومی عملکرد یکسانی در بازیابی اطلاعات مرتبط با رشته علم اطلاعات و دانش شناسی دارند و فرضیه پژوهش مبنی بر اینکه ابرموتورهای کاوش عملکرد بهتری در بازیابی اطلاعات مرتبط دارند با توجه به نتایج بدست آمده رد شد. همچنین از نظر همپوشانی نیز می توان گفت استفاده از ابرموتورهای کاوش نسبت به موتورهای کاوش در بازیابی اطلاعات این رشته ارجح تر است.  

هدف: امروزه افراد به این حقیقت واقف اند که دانش قدرت است. لذا از بازیابی اطلاعات به سمت بازیابی دانش و کشف دانش سوق پیدا کرده اند. از طرفی، مطالعه حجم عظیم اسناد متنی وب، دسترس پذیری و کاربردپذیری دانش را برای آن ها دشوار نموده است. یکی از راهکارها جهت مواجهه با این مسئله، خلاصه سازی انتزاعی مبتنی بر پرس وجو است. خلاصه سازی انتزاعی مبتنی بر پرس وجو رویکردی سریع و کارآمد برای پیمایش متون است و یک حوزه پژوهشی بسیار پویا محسوب می شود. در این پژوهش با استفاده از مرور نظام مند، مطالعات پیرامون این حوزه شناسایی و تجزیه وتحلیل شده اند. روش: در پژوهش کاربردی حاضر با استفاده از دستورالعمل پریزما، یک مرور نظام مند انجام شده است. این دستورالعمل در قالب چهار گام شناسایی، غربالگری، شایستگی و شمول با استفاده از یک راهبرد جستجوی مناسب و بدون محدودیت زمانی در پایگاه های اسکوپوس، وب آوساینس، آی تریپل ای، پایگاه علمی کتابخانه دیجیتال ای سی ام، گوگل اسکالر، پروکوئست، نورمگز، مگیران، سید، سیویلیکا، علم نت و گنج اعمال شده است. درنهایت از 1714 مدرک شناسایی شده 31 مورد واجد شرایط بوده و مشمول مرور نظام مند شده اند. یافته ها: ماحصل مرور انجام شده نشان می دهد که مطالعات این حوزه قدمت چندانی ندارند و با سیر توأم صعودی و نزولی منتشر شده اند. اکثر این مطالعات از نوع مقاله منتشرشده در مجلات هستند. پژوهشگران برای سیستم های خلاصه سازی پیشنهادی بیشتر از رویکرد یک مرحله ای استفاده نموده اند و یادگیری های با نظارت و خودنظارتی بیشتر موردتوجه آن ها بوده است. همچنین، از روش های مبتنی بر قانون، آمار و یادگیری ماشین بهره گرفته اند. مدل های به کار گرفته شده مبتنی بر گراف، شبکه های عصبی و از پیش آموزش دیده است. نوع ورودی سیستم ها بیشتر تک سندی بوده و Debatepedia به عنوان محبوب ترین مجموعه داده شناسایی شده است. از میان هفده معیار ارزیابی ROUGE بیشترین کاربرد را داشته است. نتیجه گیری : بررسی ها نشان داد که چگونه هم افزایی های اتفاق افتاده در یادگیری، مدل ها، روش های مورداستفاده و معیارهای ارزیابی کاهش چالش هایی از قبیل عدم تناسب خلاصه تولیدشده با پرس و جو، عدم تناسب خلاصه تولیدشده با متن منبع، فقدان داده های برچسب گذاری شده برای آموزش مدل ها، افزونگی، مجموعه داده های محدود، فقدان مجموعه داده مخصوص این نوع خلاصه سازی، عدم وجود معیارهای ارزیابی بهبودیافته برای ارزیابی دقیق خلاصه های تولیدشده، ابهام معنایی ناشی از عدم تمایز بین جملات با معنای متفاوت و عدم رابطه هم ترازی بین توالی های ورودی و خروجی را به دنبال داشته است و درنهایت به بهبود عملکرد کلی سیستم های خلاصه سازی و توسعه آن ها کمک نموده است. اما، توانایی درک معنا در سیستم ها هنوز فاصله میان خلاصه های سیستمی و خلاصه های انسانی را پر نکرده است. زیرا معنای درک شده هنوز سطحی بوده و تا حدی وابستگی به ساختارهای نحوی در مدل ها دیده می شود. درواقع، توانایی درک معنا می تواند ضامن ایجاد سیستم هایی باشد که معنا و بینش های عمیق نهفته در متن را تشخیص داده و براساس وظیفه مشخص شده آن ها را در خروجی خود اعمال می کنند. بر این قرار، ارائه نوآوری هایی جهت رفع این ناکارآمدی به عنوان جهت های پژوهشی آینده پیشنهاد می شود. در این مسیر باید مدل سازی های معنایی و درک معنا در این سیستم های خلاصه سازی نهادینه شود که به اصلاح و پیشرفت مسیر تکامل روش شناسی های موجود کمک می نماید. همچنین، بهتر است با تغییر و تکامل منابع اطلاعاتی و تحولات درخواست های کاربران و زمینه های دانشی آن ها نیز همگام شد. افزون بر این، خلأ این سیستم ها در زبان های غیرانگلیسی احساس می شود. این امر با ایجاد و تقویت ابزارهای پردازش زبان طبیعی برای زبان های غیر انگلیسی قابلیت عملیاتی سازی دارد.