پایان نامه ها و مقالات

پایان نامه ارشد درمورد دندانپزشک، رفتار کارکنان، پرسش نامه، ارزش سهام

دانلود پایان نامه

میدهند. هر چه تعداد لایه‌ها بیشتر باشد، سیستم قادر به درک پیچیدگیهای بیشتری است. از لحاظ ریاضی اصطلاحاً گفته می‌شود که افزودن هر لایه، یک مرحله به قدرت Decode/Encodeکردن اطلاعات می‌افزاید. بیشتر مسائلی که محققین با آن سروکار دارند با 2 تا 3 لایه مخفی قابل حل هستند. زیاد بودن لایه‌ها دقت عددی پیشگویی را کم می کند، و ممکن است مانع Convergeشدن شبکه گردد.
نکته دیگر تعداد گره‌ها در هر لایه است. بطور تخمینی تعداد مناسب گره‌های لایه‌های مخفی بین نصف تا یک و نیم برابر تعداد گره‌های لایه ورودی (یعنی تعداد ورودی‌های سیستم) است. منابع مختلف مقیاسهای تجربی متفاوتی را به‌عنوان حدس اولیه برای این تعداد پیشنهاد کرده‌اند. در واقع، کم بودن مفرط تعداد گره‌ها قدرت تجزیه و تحلیل (و به‌دنبال آن دقت عددی پیشگویی) را کاهش می‌دهد. از سویی زیاد بودن مفرط این تعداد موجب می‌شود که سیستم، به‌جای تجزیه و تحلیل داده‌ها، آنها را حفظ کند (Memorizing).
2-2-6- میزان یادگیری
یک اتصال سیناپسی واحد بین دو نورون را در نظر بگیرید. فرض کنید که روال توزیع معکوس دستورالعملی صادر کرده که وزن این اتصال از میزان w1 باید به w2 تغییر یابد. تغییر وزن w1 به w2 را گرادیان وزنی می‌نامند. این تغییر وزن برای کاهش خطای پیشگویی نمونه شماره 2 لازم است اما سبب افزایش خطای پیشگویی نمونه شماره 1 می‌شود. بسته به نوع سیستم، ما می‌توانیم تعیین کنیم که اهمیت هر دستورالعمل توزیع معکوس چقدر است، یعنی سیستم در هر مرحله چقدر باید برای کاهش خطای پیشگویی عمل کند.
در سیستم‌هایی که دقیق هستند و اعداد در آنها معنی ریاضی و فیزیکی مشخصی دارند، به عبارتی دیگر در سیستم‌هایی که اهمیت هر نمونه زیاد است، می‌توانیم گرادیان را بطور تمام و کمال تأثیر بدهیم. اما در سیستم‌هایی که اعداد دارای خطای زیاد هستند و اهمیت نمونه ها کم است، حتماً باید تأثیر گرادیان را کاهش دهیم وگرنه شبکه از هر نمونه به نمونه دیگر دچار تنش و تغییر شدید شده و هرگز Converge نمی شود. به‌طور مثال، اگر داده‌ها مربوط به آزمایشات عدسی ها (فاصله، اندازه، و ماهیت حقیقی یا مجازی تصویر) هستند، تأثیر گرادیان باید حداکثر باشد، اما اگر داده‌ها مربوط به پیشگویی ارزش سهام در بازار بورس یا پیشگویی موفقیت یک دانشجو در ارزشیابی‌های پایان ترم هستند، باید تأثیر این گرادیان کاهش یابد، چرا که این بار سیستم، یک سیستم دقیق ریاضی-فیزیکی نیست و ارزش تک تک داده‌ها کمتر است.
به این منظور پارامتری به نام میزان یادگیری (Learning rate) تعریف و در گرادیان ضرب می‌شود که گفته می‌شود متناسب با اهمیت هر نمونه است. اگر اهمیت هر نمونه زیاد باشد (مشابه اولین گروه سیستم‌ها) این پارامتر باید نزدیک به 1 باشد و در صورتی که اهمیت هر نمونه کم باشد (مشابه دسته دوم سیستم‌ها) این پارامتر باید کمتر باشد.
2-2-7- مومنتوم
در شبیه‌سازی سیستم‌های مختلف مشاهده شده که معمولاً زمانی که در طول فرآیند یادگیری، یک وزن خاص افزایش می‌یابد، پس از آن معمولاً تا انتها تنها افزایش می‌یابد، و بالعکس، اگر وزن باید کاهش یابد تا انتها تنها کاهش می‌یابد، و به ندرت پیش می‌آید که یک وزن سیناپسی خاص به طور متوالی کم و زیاد شده و نوسان یابد. از این رو پارامتری به نام مومنتوم (Momentum) در گرادیان تغییر وزن تأثیر داده می‌شود، به‌طوری‌که، اگر وزنی بطور متوالی دستور برای افزایش دریافت کند، به طور غیر عادی و زیادتری افزایش یابد، و بالعکس، اگر وزنی قرار است به طور متوالی کاهش یابد، به تدریج میزان کاهش آن به طور غیر عادی زیاد شود. این پارامتر، مومنتوم نام دارد و نوعی اینرسی حرکتی برای تغییر وزنها ایجاد می‌کند، که سبب می‌شود با تعداد نمونه‌های کمتر و در زمان کمتری سیستم به مرحله Convergence برسد. مشابه پارامتر قبلی، در سیستم‌های دقیق، که اهمیت هر نمونه زیاد است و خطای عددی کمی در آن وجود دارد، می‌توان از مومنتوم بالا استفاده کرد، اما در سیستم‌های غیردقیق باید این میزان را کم انتخاب کرد.
در حالت کلی، هنگامی که قرار است یک وزن سیناپسی w1 به وسیله ضریب g به میزان w2 تغییر یابد، مقدار g تحت تأثیر Lr (میزان یادگیری) و mk (ضریب مومنتوم) قرار دارد، که میزان Lr برای هر سیستم ثابت است، اما میزان mk تحت تأثیر دو عامل است، یکی میزان مومنتوم تعیین‌شده (که حداکثر mk را نشان می‌دهد) و دیگری سابقه تغییر وزن در همان گره سیناپسی خاص، که اگر در چند مرحله متوالی در وزن سیناپسی مذکور تغییر مشابه (کاهش یا افزایشی) مشاهده شود میزان mk زیاد شده و به مومنتوم نزدیک می‌شود. به این ترتیب، برخلاف تأثیر ضریب یادگیری، تأثیر مومنتوم عملاً بر روی اتصالات سیناپسی مختلف متفاوت است و تنها میزان حداکثر مجاز آن برای کل سیستم یکسان است.
2-2-8- آموزش، آزمایش و ارزیابی مدل‌ها
برای افزایش اعتمادپذیری16 نتایج ارائه‌شده توسط مدل، ابتدا فرآیند مدل‌سازی با استفاده از یک زیرمجموعه از داده‌ها17 انجام شده و از مدل ریاضی به‌دست‌آمده برای طبقه‌بندی یا پیشگویی پارامتر هدف در زیرمجموعه‌ای که شامل مابقی داده‌هاست18 استفاده می‌شود. به مرحله اول، آموزش مدل (train) و به مرحله دوم، آزمایش مدل (test) گفته می‌شود. آموزش و آزمایش مدل‌ها معمولاً به شکلی صورت می‌گیرد که تمامی نمونه‌ها حداقل یک‌بار در مجموعه‌های آموزش و آزمــایـــش قــــرار گیـــرنــد. .(Alexander Golbarikh, et al, 2003) منظور از ارزیابی مدل‌ها ارائه شا
خص‌های کمّی است که بتوان به‌وسیله‌ آنها دقت و صحت نتایج ارائه‌شده توسط مدل را بررسی کرد. از این شاخص‌ها ابتدا برای بهینه‌سازی پارامترهای مدل و سپس برای گزارش میزان اعتمادپذیری آن استفاده می‌شود. در مراحل مدل‌سازی گسسته، متناسب با کلاسه‌بندی ترکیبات به دو دسته فعال و غیرفعال‌، ابتدا تعداد ترکیبات فعالی که مدل آنها را درست دسته‌بندی کرده است (NTP)، تعداد ترکیبات غیرفعالی که مدل آنها را درست دسته‌بندی کرده است (NTN)، تعداد ترکیباتی که مدل به غلط آنها را فعال شناخته است (NFP) و همچنین تعداد ترکیباتی که مدل به غلط آنها را غیرفعال شناخته است (NFN) شمرده می‌شود. سپس با استفاده از این کمیت‌ها شاخص‌های کمی ارزیابی به این صورت محاسبه می‌شوند:
نسبت صحیح19 (FC) درصدی از کل نمونه‌هاست که به درستی دسته‌بندی شده‌اند:

نسبت هشدار20 (FAR) درصدی از ترکیبات غیرفعال است که نادرست دسته‌بندی شده‌اند:

احتمال آشکارسازی21 (POD) درصدی از ترکیبات فعال است که به درستی دسته‌بندی شده‌اند:

بر این اساس بهترین مدل آن است که بیشترین نسبت صحیح و احتمال آشکارسازی و کمترین نسبت هشدار را دارا باشد. هرکدام از این شاخص‌ها اطلاعات ارزشمندی را در مورد مدل به ما می‌دهد.
در بخش مدل‌سازی پیوسته، در این تحقیق، متناسب با طبیعت پیوسته جواب‌ها از شاخص کمترین میانگین مربعات خطا22 (RMSE) استفاده شد که نحوه محاسبه آن به این شکل است:

که مقدار پیشگویی‌شده برای نمونه iاُم و yi مقدار حقیقی آن است. n نیز تعداد کل نمونه‌هاست. هرچه RMSE کمتر باشد، مدل قابل‌اعتمادتر است (Helge Malmgren, 2000).

این مطلب مشابه را هم بخوانید :   پایان نامه با کلید واژگانlearning، language، autonomy، an

2-3-1- مروری بر مطالعات پیشین
Newsome .1 وWright در مقاله مروری خود تحت عنوان “رضایت بیماران دندانپزشکی”، به بررسی 60 مقاله در زمینه جستجوی ادراک بیمار از سال 1980 تا 1997، جهت ارایه بازخورد در رابطه با مراقبت دندانپزشکی میپردازند و هدف از این مطالعه جستجوی ادراک بیماران به عنوان ورودی برای بهبود موثر بازاریابی و ارایه موثر خدماتشان میباشد. نتایج نشان داد که کیفیت مراقبت به عنوان اولین معیار ارزشیابی بیماران در خدمات دندانپزشکی مطرح میشود و مشتریان منبع مهمی برای ایجاد کسب و کار جدید میباشند.
عوامل زیر جزء معیارهای مهم در ارزشیابی دندانپزشک میباشند (به ترتیب اولویت):
کیفیت مراقبت، تمایل دندانپزشک جهت صحبت با بیمار در رابطه با درمانش، دندانپزشکی پیشگیرانه، پاکیزگی مطب، حساسیت نسبت به اطفال، سودمندی متخصص بهداشت، حداقل زمان انتظار، شخصیت دندانپزشک.
پیشنهادات لازم به عنوان راهبرد به شرح زیر توصیه شده است:
-کارکنان برای ایجاد جو مناسب باید مهربان باشند.
-کودکان باید درمان و توجه ویژه ای دریافت نمایند.
– برای به حداقل رساندن زمان انتظار باید تلاش آگاهانهای انجام گیرد.
-مطب باید خوب و تمیز نگهداری شود.
-بیمار باید فرصت صحبت با دندانپزشک خود در رابطه با درمانشان را داشته باشد.
-بیماران باید ترغیب شوند که به دوستان و آشنایان خود آن جا را توصیه نمایند (9)

Nora Ganim Barnes, Daphne Mowatt .2در سال 1986، پژوهشی تحت عنوان “بررسی نگرش بیمار و پیامدهای آن برای بازاریابی خدمات دندانپزشکی” انجام دادند. نمونه ها به طور تصادفی از 21 مطب تقریبا شامل 5000 بیمار از ده شهر واقع در انگلستان جمع آوری شد. اطلاعات از طریق پرسشنامه 4 لیکرتی که به بیماران از طریق پست الکترونیک داده شده بود، جمع آوری شده است. آیتم های پرسش نامه از طریق بررسی متون و مصاحبه با دندانپزشکان استخراج شده است. یافته ها نشان میدهد که توصیه اشخاص (دوستان و افراد خانواده) مهمترین منبع در در انتخاب دندانپزشک میباشد و برای هر شغلی مشتریان فعلی منبع مهمی برای ایجاد کسب و کار جدیداند. بنابراین، توصیه به نظارت و تعیین نیازهای بیماران جاری نه تنها برای وفاداری به شغل بلکه برای ارتقا فعال خدمات میباشد. پس از اینکه انتخاب اولیه دندانپزشک صورت گرفت چندین متغیر ممکن است در ارزیابی خدمات مورد توجه قرار گیرد. کیفیت خدمات ارائه شده به عنوان مهمترین معیار ارزیابی در این تحقیق بیان شده است. کیفیت خدمات میتواند ذهنی و کلی باشد. معیار مهم بعدی تمایل داندانپزشک به صحبت با بیمار درباره درمان می باشد. یافته های مطالعه نشان دهند اهمیت مهارت های تعاملی دندانپزشک، تمایل به صحبت با بیمار درباره مراحل درمان، و حساسیت نسبت به کودکان و همچنین کیفیت فضای مطب از جمله پاکیزگی محیط و بهداشت، در بازاریابی خدمات دندانپزشکی میباشد.

Wan-I Lee .3 و Bih-Yaw Shih پژوهشی تحت عنوان “به کارگیری شبکه عصبی برای تشخیص مشتریان سودآور برای بازاریابی خدمات دندانپزشکی در تایوان”، انجام دادند. داده ها به وسیله پرسشنامه و از هفت کلینیک دندانپزشکی در تایوان جمع آوری شده است و از روشfeed-forward چند لایه شبکه عصبی برای تشخیص مدل استفاده شده است. نتایج نشان می دهد که دقت شناسایی تست بر روی مدل بسیار بالاتر از حد انتظار بوده است. ضمنا مجموعه ای از وزنهای توزیعی نشان دهنده اهمیت کلی هر متغیر مستقل ایجاد شده می باشد و مفهوم بازاریابی نشان داده شده است. این پژوهش تایید میکند که مدل شبکه عصبی مصنوعی در تشخیص الگوهای موجود در داده های مشتریان سودمند است و مزایای استفاده از مدل مشخص و مفهوم بازاریابی ثابت شده است(10) .

Wan-I Lee .4 و Bih-Yaw Shih و همکاران در مقاله ای تحت عنوان “جستجوی رفتار مشتری در انتخاب بیمارستان با استفاده از شبکه ع
صبی” از شبکه عصبی برای طبقه بندی رفتار مشتری در انتخاب بیمارستان و برای جمع آوری دادهها از یک پرسشنامه کمی پژوهشی برای جستجوی رفتار مشتری در جنوب تایلند استفاده کردند. فاکتورهای رفتار مشتری به چهار دسته تقسیم و سپس مدل طبقه بندی شبکه عصبی 23back propagation استفاده شده است. سرانجام معیارهای بازاریابی مورد بحث قرار گرفته اند. نتایج به دست آمده از این تحقیق شواهد کافی برای پیشنهاد مدل شبکه عصبی در شناسایی الگوهای موجود در رفتار مشتری فراهم مینماید. مدل طبقه بندی شبکه عصبی برای شناسایی فاکتورهای مرتبط با انواع مختلف مشتریان با موفقیت توسعه یافته است. سپس مدل طبقه بندی شبکه عصبی برای شناسایی داده های دموگرافیکی در انواع گرایشات مختلف بیماران استفاده شده است. نرخ طبقه بندی مدل 78/84% ارزشیابی شده است. Press’s Q Statistic (79/114) بزرگتر از مقدار بحرانی24 (63/6) می باشد. دقت طبقه بندی تست بر روی مدل بزرگتر از آن چه به طور تصادفی انتظار داریم، می باشد و دقت بالاتری از روش تجزیه و تحلیل ممیزی دارد. بر اساس نتایج تحقیق، شواهد نشان می دهد که شبکه عصبی در شناسایی الگوهای موجود در بین داده ها مفید میباشد و مفاهیم بازاریابی نشان داده شده است. نویسندگان مقاله معتقدند که مدل به عنوان یک ابزار تجزیه و تحلیل برای برنامه ریزان بازاریابی در برنامه ریزی استراتژی بازاریابی مفید و موثراند. در عین حال، قدرت طبقه بندی برای درک آنچه بین ورودی و خروجی وجود دارد کمک خواهد کرد (Wan-I Lee, et al, 2007).

Berkowiz, E. N., &Flexner, W. A .5 (1981) در پژوهشی تحت عنوان “بازاریابی خدمات مراقبت سلامت” اشاره کردند که بیماران از اوایل دهه 1981 می توانند بیمارستان ها را قیاس و انتخاب نمایند و همچنین یافتند که مشتریان بر چهار فاکتور شامل کیفیت مراقبت، پاکیزگی تجهیزات، رفتار کارکنان بیمارستان و شهرت بیمارستان متمرکزاند(11).

Boscarino .6 و Stelber (1982) در پژوهشی تحت عنوان “بیمارستان و انتخاب مشتری”، معیارهای ذکر شده را تجزیه و تحلیل و رتبه بندی کردند. معیارها به ترتیب زیر رتبه بندی شده اند: نزدیکی به خانه، تعداد پزشکان، استفاده از پزشکان متخصص، تجهیزات بیمارستانی بهتر، کیفیت وسایل رفاهی بیمار، آشنا بودن با کارکنان، تجربیات گذشته، هزینهها، بزرگی بیمارستان و ارتباط بیمارستان با نهادهای مذهبی(4).
Wolinsky .7 و Kurz در مقاله خود تحت عنوان “چگونه افراد بیمارستان را انتخاب میکنند و میبینند”، با بحث کوتاه و مروری بر متون شروع میکنند و دو دسته تجزیه و تحلیل را شامل موضوع مهم انتخاب بیمارستان (که در این زمینه اطلاعات اندکی موجود می باشد) و نگرش افراد در انتخاب بیمارستان را عنوان میکنند. در نهایت، چهار فاکتور برای انتخاب بیمارستان که شامل موارد زیر میباشد: دانش (استفاده قبلی از بیمارستان، تجهیزات جدید، شهرت و نزدیکی به بیمارستان) ، هزینه (هزینه مراقبت) ، کیفیت (کیفیت مراقبت پزشکی، حسن نیت در مراقبت) ، پیشنهاد (پیشنهاد پزشک و دوستان)(11) را ارائه میدهند .(خلاصه)

Yavas .8 و Shemwell در سال 2001، در مقاله ای تحت عنوان “آنالیز اصلاح شده importance-performance کاربردی برای بیمارستانها”، به دنبال بررسی دلایل انتخاب بیمارستان توسط بیماران در محیط رقابتی بهداشت و درمان بودهاند و تکنیک و یافتههای حاصل از روش آنالیز اصلاح شده

Leave a Reply