داده کاوی

این مطالعه به بررسی نقش هوش مصنوعی در بهبود عدالت اقتصادی در ایران و ارائه راهکارهای عملی برای پیاده سازی این فناوری پرداخته است. در ابتدا، وضعیت فعلی عدالت اقتصادی با تأکید بر نابرابری های جغرافیایی و درآمدی مورد تحلیل قرار گرفت و چالش های مرتبط با توزیع نامناسب منابع مشخص شد. در ادامه، پتانسیل هوش مصنوعی در شناسایی نابرابری ها، بهینه سازی توزیع منابع و پیش بینی تأثیرات سیاست های اقتصادی بر اقشار آسیب پذیر بررسی گردید. همچنین، چالش های پیاده سازی هوش مصنوعی در ایران، از جمله کمبود زیرساخت های فناوری، نیروی انسانی متخصص، و موانع نهادی و حقوقی شناسایی شد. در نهایت، راهکارهایی نظیر تقویت زیرساخت های دیجیتال، آموزش نیروی انسانی متخصص، ایجاد چارچوب های قانونی برای حفاظت از داده ها و ترویج همکاری های بین بخشی پیشنهاد شد. نتایج این مطالعه نشان می دهد که هوش مصنوعی می تواند به کاهش نابرابری های اقتصادی کمک کند، به شرط آن که الزامات زیرساختی و قانونی مناسب فراهم گرد.

در این تحقیق که با داده کاوی بر روی کلان داده های اینستاگرام انجام شده است، با استفاده از روش اجتماع یابی بر روی شبکه روابط مابین 11 هزار و 515 صفحه پُرمخاطب محلی در استان تهران در سال 1403، تأثیرگذارترین شبکه ها و میدان های محلی در استان تهران شناسایی و پیکربندی شده اند. نتایج این تحقیق نشان داد که در سال های اخیر به واسطه فراگیرترشدن استفاده از اینترنت در زندگی روزمره شهروندان، زنان طبقه فرودست توانسته اند با تشکیل تدریجی شبکه های محلی آنلاین، به طور گسترده ای مشاغل خُرد و غیررسمی برای خود ایجاد کرده و همچنین به طور ناخواسته به نیروی اجتماعی جدیدی در تغییرات اجتماعی و سیاسی تبدیل شوند. قطب های مسلط در میدان های محلی شناسایی شده به ترتیبِ وسعت شبکه عبارت اند از: زنان دارای مشاغل آنلاین، سلبریتی ها، محافظه کاران، مرکزنشین ها، لات ها، ترک زبان ها و کفتربازها. در بین این هفت میدان محلی آنلاین، بیش ترین مرجعیت صفحه های پُرمخاطب ملی، به ترتیب در میدان سلبریتی ها، زنان شاغل و محافظه کاران دیده می شود و ازاین جهت این سه میدان محلی آنلاین، قابلیت تأثیرگذاری مستقیم تری بر نگرش ها و رفتارهای سیاسی شهروندان دارند. میدان های محلی زنانِ دارای مشاغل آنلاین به طور معناداری در مناطقی از استان تهران قدرت بیش تری دارند که مهاجرپذیرترند، در سال های اخیر در آن ها شهرک سازی انجام شده و نهادهای سنتی، مذهبی و حکومتیِ ضعیف تری دارند. بر اساس یافته های این تحقیق، الگوی متأخر پیش روی های آرام در استان تهران، به لحاظ بستر شکل گیری، موقعیت جغرافیایی، نیروی اجتماعی محوری و نوع مطالباتش، تفاوت های اساسی ای با پیش روی های آرام در دوران پیشااینترنتی پیدا کرده است.

مقدمه: نارسایی احتقانی قلب یکی از چالش های اصلی نظام های سلامت در جهان است که با افزایش جمعیت سالمند، شیوع آن رو به افزایش است. پیش بینی دقیق طول مدت بستری بیماران مبتلا می تواند نقش مهمی در مدیریت بهینه منابع بیمارستانی، کاهش هزینه های درمان و ارتقای کیفیت مراقبت های پزشکی ایفا کند. این مطالعه با هدف ارائه مدل پیش بینی مبتنی بر داده کاوی جهت تخمین مدت بستری بیماران مبتلا به نارسایی احتقانی قلب و شناسایی عوامل کلیدی مؤثر بر آن انجام شد. روش ها: این پژوهش تحلیلی-کاربردی به صورت مقطعی بر روی داده های ۳۴۲۱ بیمار بستری در دو بیمارستان سیدالشهدا و آیت الله طالقانی ارومیه طی سال های ۱۳۹۷ تا ۱۳۹۹ انجام شد. داده های بیمارستان سیدالشهدا برای آموزش (۸۰٪) و آزمون مدل (۲۰٪)استفاده شد. طول مدت بستری با الگوریتم K-means خوشه بندی و به دو خوشه کوتاه مدت و بلندمدت تفکیک شد. الگوریتم های یادگیری ماشین شامل جنگل تصادفی، درخت تصمیم(C5.0)، شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) برای طبقه بندی مدت بستری استفاده شد. همچنین از روش های بیش نمونه گیری، کم نمونه گیری و و SMOTE برای متعادل سازی کلاس ها، اعتبارسنجی متقاطع 10 تایی برای پایایی مدل ها و الگوریتم اپریوری برای کشف قوانین همبستگی بین متغیرها استفاده شد. یافته ها: جنگل تصادفی با صحت 87/14٪، حساسیت 97/56٪ و AUC معادل 85/40٪ بهترین عملکرد را داشت. متغیرهایی مانند کراتینین بالا، هموگلوبین پایین، جنسیت مرد و بیماری های زمینه ای عوامل مؤثر بر مدت اقامت بودند. نتیجه گیری: مدل پیشنهادی می تواند ابزاری مؤثر برای طبقه بندی مدت بستری بیماران نارسایی احتقانی قلب و پشتیبان تصمیم گیری های مدیریتی و بالینی در بیمارستان ها باشد.

داده کاوی راه حل موثری برای بهبود کارایی و اثربخشی صنعت خرده فروشی بوده است. با دسترسی به داده های تراکنش، مدل RFM می تواند مشتریان را به دقت تقسیم کند. تقسیم بندی مشتریان یکی از خلاقانه ترین راه هایی است که به کسب و کارها کمک بینش عمیق تری در مورد رفتار خرید مشتریان یافته و کمپین های بازاریابی مناسب را اتخاذ کنند و به مشتریان هدف دست یابند. در این پژوهش با بهره گیری از مدل RFM رفتار مشتریان فروشگاه های زنجیره ای شهروند تهران(مجیدیه، جمهوری، راه آهن، عدل و شمیران سنتر) که در ب ازه زمان ی خرداد 1401 تا پایان اسفند ماه همان سال از این پنج شعبه فروشگاه های زنجیره ای شهرون اقدام به خرید گوشت قرمزکرده اند، مورد بررسی قرار گرفت. یافته های پژوهش نشان داد که تعداد فروش، تعداد مشتریان و تعداد مشتریان وفادار و خوب برای محصول گوشت شناسنامه دار و برچسب حاوی اطلاعات ضروری بیشتر از برندهای بدون اطلاعات است. همچنین در خوشه مشتریان گذری و موقت تعداد مشتریان گوشت شناسنامه دار بیشتر از مشتریان گوشت غیرشناسنامه دار است.