كشف الگوي دسترسي كاربران و تحليل تراكنش‌هاي امانت منابع اطلاعاتي با استفاده از تكنيك قوانين انجمني در داده‌كاوي (مطالعه موردي: كتابخانه‌ها و مراكز اطلاع‌رساني دانشگاه علوم پزشكي همدان)

Discovery of User Access Pattern and Loan Transactions Analysis of Information Resources Using Association Rules Technique in Data Mining Case Study: Libraries and Information Centers of Hamedan University of Medical Sciences

افزايش حجم چشمگير داده‌ها و استفاده از آن‌ها جهت بهبود كيفيت تصميمات مديريتي از معضلات كتابخانه‌ها و مراكز اطلاع‌رساني است. در اين ميان ابزار پرتوان داده‌كاوي مي‌تواند با تحليل داده‌ها به‌منظور پيش‌بيني و تحليل تراكنش‌هاي كاربران و جلوگيري از اتلاف وقت آن‌ها در استفاده از اطلاعاتِ مفيد از ميان انبوه داده‌ها به تشخيص الگوهاي معتبر و رابطه‌هاي نامعلوم بپردازد و كتابخانه‌ها را در تصميم‌گيري‌هاي راهبردي و مديريت اثربخش ياري ‌رساند. اين مطالعه با استفاده از رويكرد قوانين انجمني كه يكي از روش‌هاي داده‌كاوي است، در صدد تحليل تراكنش‌هاي امانت كاربران و كشف الگوي دسترسي آن‌هاست. در اين مطالعه توصيفي كه از نوع مقطعي است، داده‌هاي مورد نياز از تراكنش‌هاي كاربران كتابخانه‌ها و مراكز اطلاع‌رساني «دانشگاه علوم پزشكي همدان» جمع‌آوري شد و پس از اعمال پيش‌پردازش بر روي اين داده‌ها در نهايت، 132833تراكنش‌ 6636 نفر از كاربران طي بازه زماني سه ساله به ‌روش سرشماري مورد بررسي قرار گرفت. نتايج پژوهش نشان داد كه بيشترين تراكنش‌ها و مراجعات با نمره 24/4 ± 20/7، مربوط به دانشجويان و بيشترين ديركرد و مدت‌زمان امانت به‌ترتيب با نمره 1396/9 ± 884/3 و 1765/3± 885/7 مربوط به اعضاي هيئت ‌علمي بوده است. همچنين، قوانين حاصل از الگوريتم Apriori با ارائه الگوي دسترسي كاربران بر اساس اطلاعات جمعيت‌شناختي و تعيين وابستگي موضوعي منابع اطلاعاتي نشان داد كه مي‌تواند به‌عنوان الگويي مناسب در تحليل و پيش‌بيني تراكنش كاربران مورد استفاده قرار گيرد. لذا، با بهره‌گيري از رويكرد قوانين انجمني مي‌توان نسبت به طراحي سيستم توصيه‌گر كتاب در كتابخانه‌ها و مراكز اطلاع‌رساني اقدام نمود. مديران و سياست‌گذاران نيز مي‌توانند با استفاده از اين الگوها و قواعد، گام‌هاي تهيه و عرضه منابع اطلاعاتي خود را با نيازهاي واقعي اعضا همسو سازند و از آن به‌طوري قابل‌توجه در امور فراهم‌آوري، مجموعه‌سازي، مديريت و خدمات كتابخانه بهره ‌جويند.

Increasing massive amount of data and using them to improve the quality of management decisions are the problems of libraries and information centers. In the meantime, a powerful data mining tool can analyze data to predict and analyze user transactions and stop wasting time to use useful data from among massive data, identify valid patterns and unknown relationships, and help libraries in strategic decision-making and effective management assistance. This study using association rules technique, which is one of the data mining methods, seeks to analyze the transactions of user lending and discover their access pattern. In this cross-sectional descriptive study required data were collected from transactions of users of the libraries and information centers of Hamedan University of Medical Sciences and after preprocessing these data, the total number of 6636 user transactions was 132833 using a census method during a three-year period examined. The results of this study showed that most transactions and referrals with the score of 20.7±24.4 were related to the students and the highest delay and duration of loan respectively with the score of 884.3±1396.9 and 885.7±1765.3 related to the faculty members. Also, the rules derived from the Apriori algorithm showed by providing a users access pattern based on demographic information and determining subject dependence of information resources could be used as an appropriate pattern for analyzing and predicting user transactions. Using association rules technique and implementing the Apriori algorithm, the best rules governing the data set were extracted. Therefore, using association rules technique can be designed as a book advisory system in libraries and information centers. Managers and policy-makers can also use these patterns and rules to align their supply and information resources with the real needs of their members, and can benefit greatly from library procurement, collection, management and services.