Journal of Innovation and Value Creation
,
Issue6,Year,
Autumn_Winter
2015
ارتباط کارامد دانشگاه و صنعت مسألهای است که محققین حوزههای مختلف چه در صنعت و چه در دانشگاه به دنبال یافتن راهکارهایی برای رفع مشکلات آن هستند. در یک دستهبندی میتوان راهکارهای ارائه شده را مبتنی بر سه رهیافت عملگرا، نهادگرا و ماهیتگرا دانست. راهکارهای عملگرا د More
ارتباط کارامد دانشگاه و صنعت مسألهای است که محققین حوزههای مختلف چه در صنعت و چه در دانشگاه به دنبال یافتن راهکارهایی برای رفع مشکلات آن هستند. در یک دستهبندی میتوان راهکارهای ارائه شده را مبتنی بر سه رهیافت عملگرا، نهادگرا و ماهیتگرا دانست. راهکارهای عملگرا در پی اثربخشی سریع بوده و عمدتاَ با شتابزدگی در عمل نیز مواجه هستند. راهکارهای نهادگرا به دنبال نقش دادن به نهادهای واسط نظیر دولت به عنوان حلقه مفقوده ارتباط صنعت و دانشگاه هستند. رهیافت ماهیتگرا صنعت را مظهر فنّاوری یا علم تجاری شده و دانشگاه را تولید کننده دانش میدانند. اگرچه این رهیافتها هریک از زاویهای به ارتباط صنعت و دانشگاه مینگرند لیکن همگی قائل به جریان دانش مناسب در زمان و مکان میان دانشگاه و صنعت هستند. در این مقاله، یک پژوهش توسعهای و مبتنی بر مطالعه کتابخانهای به انجام رسیده است و از میان 47 مقاله منتشر شده در مجلات معتبر علمی در حوزه مدیریت دانش، تعداد 12 مدل استخراج شده و از میان آنها 4 مدل که دارای کاربرد عام بوده و اعتبارسنجی آنها نیز گزارش شده بود به عنوان مدلهای منتخب جهت بهکارگیری در ارتباط دانشگاه و صنعت بررسی و مقایسه شدهاند. در این مقایسه تطابق این مدلها با رهیافتهای مذکور مورد بررسی قرار گرفته و استفاده از این مدلها در ارتباط صنعت و دانشگاه امکانسنجی شده است. سپس با استفاده از نتایج حاصل از مقایسه، یک چارچوب مفهومی برای مدلسازی جریان دانش در ارتباط صنعت و دانشگاه ارائه شده که با استفاده از آن میتوان یک نگرش جامع به مدلسازی جریان دانش در ارتباط صنعت و دانشگاه داشت. این چارچوب مبتنی بر چارچوب زکمن است و چهار جنبه از چارچوب زکمن را از شش منظر و سطح وقوع جریانهای دانشی برای مدلسازی جریانهای دانش میان دانشگاه و صنعت بررسی میکند. ارزیابی چارچوب ارائه شده از طریق ارائه مدل جریان دانش صنعت و دانشگاه به انجام رسیده است.
Manuscript profile
Journal of Information and Communication Technology
,
Issue51,Year,
Spring_Summer
2022
با گسترش وب و در دسترس قرار گرفتن حجم زیادی از اطلاعات در قالب اسناد متنی، توسعه سیستمهای خودکار خلاصهسازی متون بهعنوان یکی از موضوعات مهم در پردازش زبانهای طبیعی در مرکز توجه محققان قرار گرفته است. البته با معرفی روشهای یادگیری عمیق در حوزه پردازش متن، خلاصهساز More
با گسترش وب و در دسترس قرار گرفتن حجم زیادی از اطلاعات در قالب اسناد متنی، توسعه سیستمهای خودکار خلاصهسازی متون بهعنوان یکی از موضوعات مهم در پردازش زبانهای طبیعی در مرکز توجه محققان قرار گرفته است. البته با معرفی روشهای یادگیری عمیق در حوزه پردازش متن، خلاصهسازی متون نیز وارد فاز جدیدی از توسعه شده و در سالهای اخیر نیز استخراج خلاصه چکیدهای از متن با پیشرفت قابلتوجهی مواجه شده است. اما میتوان ادعا کرد که تاکنون از همه ظرفیت شبکههای عمیق برای این هدف استفاده نشده است و نیاز به پیشرفت در این حوزه توأمان با در نظر گرفتن ویژگیهای شناختی همچنان احساس میشود. در این راستا، در این مقاله یک مدل دنبالهای مجهز به سازوکار توجه کمکی برای خلاصهسازی چکیدهای متون معرفی شده است که نهتنها از ترکیب ویژگیهای زبانی و بردارهای تعبیه بهعنوان ورودی مدل یادگیری بهره میبرد بلکه برخلاف مطالعات پیشین که همواره از سازوکار توجه در بخش کدگذار استفاده میکردند، از سازوکار توجه کمکی در بخش کدگذار استفاده میکند. به کمک سازوکار توجه کمکی معرفیشده که از سازوکار ذهن انسان هنگام تولید خلاصه الهام میگیرد، بجای اینکه کل متن ورودی کدگذاری شود، تنها قسمتهای مهمتر متن کدگذاری شده و در اختیار کدگشا برای تولید خلاصه قرار میگیرند. مدل پیشنهادی همچنین از یک سوئیچ به همراه یک حد آستانه در کدگشا برای غلبه بر مشکل با کلمات نادر بهره میبرد. مدل پیشنهادی این مقاله روی دو مجموعه داده CNN/Daily Mail و DUC-2004 مورد آزمایش قرار گرفت. بر اساس نتایج حاصل از آزمایشها و معیار ارزیابی ROUGE، مدل پیشنهادی از دقت بالاتری نسبت به سایر روشهای موجود برای تولید خلاصه چکیدهای روی هر دو مجموعه داده برخوردار است.
Manuscript profile
Rimag
Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.