بخشی از مقاله
چکیده
کشف کیفیت همچون دانش دیگري با رویکرد کاوشی می کاود تا کیفیت را بدست آورد. کشف کیفیت ماهیتی جدیدي از دانش آوري را در بردارد. روشها و ابزارهاي آن ماهیت اکتشافی دارد و به فراخور نیاز رشتهها و تخصصها فراهم می شود. دانش جغرافیا به مانند سایر دانشها در ماهیت و آموزش نیازمند رویکرد اکتشافی به کیفیت است تا بتواند بالندگی خود ، محیط و جامعه را استمرار دهد.
کشف کیفیت در ماهیت و آموزش رشته جغرافیا - QDGE - در واقع سراجی خواهد بود که نقشه راه را در آینده نشان خواهد داد و متضمن حقایق و روابطی است که متقاعد ساز ذهن است و فراگیري، آموزش، و استفاده را ضروري می-سازد، و براین اساس نیازمند جستار شناسی از ذهن پذیري فردي، گروههاي علمی و انجمنها از یک طرف و از طرف دیگر ماهیت، رشتههاي وابسته، دانش آموختگان و حرفه پذیري در آموزش جغرافیا است که در این مقاله با توجه به مستندات موجود در ایران از جمله چشمانداز جامعه کوچک و جدید رشته هاي جغرافیا،با استفاده از قواعد تلازمی آن را کیفیت شناسی خواهیم کرد.
مقدمه
ایده کشف کیفیت - - Quality Discovery به عنوان یک دانش جدید میان رشتهاي ،در حال رشد است و حوزههاي مختلفی دانشی از جمله جغرافیا را شامل می شود. پایگاه داده، آمار، یادگیري، تحلیل و سایر زمینه هاي مرتبط را با هم تلفیق و کیفیت ارزشمند نهفته در حجم بزرگی از داده ها را استخراج مینماید. همانطور که فرکانس الکترونها و امواج موضوع اصلی کیفیت مهندسی صدا هستند نتایج حاصل از تحلیل داده
ها،رشته ها ، گرایشها ، مدرسین ، اطلاعات دانشجو، آموزش و توسعه نیز موضوع اساسی کیفیت در ماهیت آموزش از جمله آموزش جغرافیا - Quality Discovery Geography Education - می باشد که به اختصار QDGE می نامیم.
به طور کلی کیفیت را رشته اي از بیتها - به صورت صفر تا یک - یا اعداد و نشانه ها و یا اشیا هستند که وقتی در فرمتی مشخص به یک برنامه ارسال می شوند، معنا می یابند - غضنفري و همکاران ،. - 1387 کیفیت در واقع به عنوان تصاویر ذهنی و عینی، درك، کشف یا فراگیري می شود.
محققانی که از حوزه هاي مختلف به کیفیت می پردازند ممکن است فهم متفاوتی از عبارات »کشف کیفیت« و کیفیت داشته باشند. کشف کیفت از پایگاه دادهها در واقع فرایند تشخیص الگوها - patterns - و مدلهاي موجود در داده هاس
نتایجی که معتبر، بدیع - - Novel بالقوه مفید و کاملاً قابل فهم هستند کیفیت برترند. هدف کشف کیفیت یافتن رضایتمندي و نتایج مطلوب موجود در داده ها است که در میان حجم عظیمی از داده ها و اقدامات تصدیقی پنهان است. تصدیق یا گواهی - - Evidence نشانگر معنی دار بودن یک »یافته« بر حسب یک معیار آماري یا ارزشی است
مطلوبیت و برتري، مقدار شباهت یک الگوي کشف شده نسبت به یافته هاي دیگر است و درجه تبعیت آنرا از دیگري اندازه می گیرد. رضایتمندي، ارزش ارتباط یافته را با اهداف کاربران بیان می کند. بدیع بودن - Novelty - بیانگر میزان تازگی نسبت به دانش قبلی کاربر یا کاشف سیستم است. سادگی - - simplicity به پیچیدگی نحوي - Syntactical - و نمایش یک الگوي کشف شده و نحوه تعمیم آن اشاره دارد. از این رو با کشف دانش متفاوت است.
- -2بحث و تحلیل
- 2-1کشف دانش در پایگاه داده ها - KDD - و داده کاوي - DD -
از دیدگاه منطق، »دانش« حقیقت صریحاً اظهار شده و موجه در یک زمینه است که با زبانهاي تخصصی بیان میشود. کشف دانش، گزاره هایی را تولید می کند که حقیقت اشیاء جهان ، مفاهیم و نظمها را توصیف و شفاف می کنند. پایگاه هاي داده، مخازنی از داده ها درباره زمینه هاي مختلف دنیاي واقعی می باشند. KDD بیش از تحلیل داده ها و فراتر از کشف الگو است. بسیاري از الگوهاي موجود در داده ها، ماهیت دانشی ندارند
شاپیرو که در سال 1989 واژه KDD را ابداع کرده است می گوید: »واژه KDD ابتدا در جامعه داراي هوش مصنوعی و یا ابزاري - صنعتی - متداول شد. ولیکن محققان پایگاه داده ها که در ارتباط بیشتري براي گفتمان با اهل فن و رسانه ها بودند و دادههایی را در اختیار داشتند، بیشتر استفاده کردند. داده کاوي - DD - واژه اي قدیمی تر از KDD است و درجامعه تحلیل داده هاي آمار محور، ابداع شده است
فییاد و همکاران استفاده کننده از داده کاوي را واژه اي گمراه کننده می دانند. آنها معتقدند که در واقع آهن و طلا کاوش می شوند، کاوش از خود طلا یا آهن است نه غبار یا سنگ و خاك. لذا دانش کاوي و داده کاوي دو مقوله متفاوت است. دانش کاوي مانند آهن و طلا، خروجی مورد نظر، دانش است، نه طلا. برخی، داده کاوي را یک گام مرکزي در فرایند کشف دانش می دانند که الگوریتمهاي استخراج و اثبات فرضیه را اعمال می کند. بسیاري داده کاوي را معادل با واژه متداول کشف دانش در پایگاه داده ها می دانند - Fayyad and at . - all,1996 عناوین دیگري که در گذشته به جاي داده کاوي استفاده می شدند عبارتند از: با ستان شناسی داده - - Data Archaeology، لایروبی داده - Data Dredging - ، تحلیل وابستگی تابعی و درو کردن داده - . - Data Harvesting همه اینها ماهیت بررسی دارند ولی ماهیت اکتشافی دانشی ندارند
باید توجه داشت که در زبان فارسی فعل »کاویدن« هم براي دادهها و هم براي دانشی که از داده ها استخراج می شود، قابل استفاده است.یعنی اصطلاح کاویدن بر روي داده ها و کاویدن بر روي دانش، هر دو درست است. ولی ما در این مقاله؛ با تفکیک مستقل استفاده می کنیم.
یعنی واژه »کاویدن« را براي داده ها و براي دانش از واژه »کشف« استفاده کرده و واژگان داده کاوي و کشف دانش را به کار می بریم. و هر دو را زمینه و اساس کشف کیفیت میدانیم.
- 3-1فرایند کشف کیفیت
بر اساس دیدگاه و مطالب فوق که کشف دانش و داده کاوي را بخشی از فرایند کشف کیفیت می دانند، چرخه کشف کیفیت شامل مراحل متعددي مطابق با شکل یک است و متدولوژي آن در شکل دو آمده است. طبق شکل شماره یک اولین مرحله: شناسایی و تعریف مسئله است.
مرحله دوم: جمع آوري و پیش پردازش داده ها - - Preprocess شامل انتخاب داده ها، حذف نقاط پرت - - Quilters یا مغشوش - Noise - ، طرز برخورد با داده هاي مفقوده - Missing Data - و تبدیل - - Transformation و یا گسسته سازي - Discrimination - و کاهش - - Reduction داده ها است. این مرحله معمولاً در کل فرایند بیشترین زمان را می برد.
شکل - 1 سیکل یا چرخه کشف کیفیت
مرحله سوم: داده کاوي است که هدف آن استخراج الگوها و یا مدلهاي مخفی یا پنهان کرانه دار - حد اکثري یا حداقلی - در داده ها است. روشهاي اصلی داده کاوي به دو دسته توصیفی - Descriptive - و پیشبینانه تقسیم می شوند. نمونه هایی از این روشها عبارتند از: مدلسازي براي پیش بینی - - Predictive - مثل دسته بندي - - Classification و رگرسیون - Regression - - ، طبقه بندي یا تقطیع - Segmentation - - خوشه بندي - - Clustering - ، مدلسازي وابستگی - - Dependency - مانند مدلهاي تصویري یا تخمین چگالی - ، تلخیص - خلاصه سازي - - - Summarization پیدا کردن رابطه بین فیلدها، تلازم یا انجمنی، مصور سازي - - Visualization و مدلسازي یافتن تغییر و انحراف - Deviation - در داده و دانش. مرحله چهارم: تفسیر - یا فرا پردازش - - post – process - داده کشف شده است.
