اكتشاف دانش و داده كاوي در پژوهش هاي كمّي و كيفي: مقايسه روش‌شناسي هاي شبكه هاي عصبي مصنوعي (ANN) و نظريه بنياني(GT)

اكتشاف دانش و داده كاوي در پژوهش هاي كمّي و كيفي: مقايسه روش‌شناسي هاي شبكه هاي عصبي مصنوعي (ANN) و نظريه بنياني(GT)

چكيده در سال هاي اخير، شاهد حركتي مستمر از واكاوي ها، پژوهش ها و پردازش هاي صرفاً نظري و روش محور به پژوهش ها و پردازش هاي داده محوريم، حركتي كه به نحو احسن خود را در ظهور و توسعه روش هاي اكتشاف دانش، به ويژه داده كاوي و فنون خاص آن، نشان داده است. به رغم تصوّر رايج، داده كاوي صرفاً به پژوهش هاي كمّي و آماري محدود نمي شود و در پژوهش هاي كيفي هم شاهد ظهور تحوّلات مشابهي بوده ايم. در اين مقاله با فرض تطبيق پذيري اكتشاف دانش و داده-كاوي در پژوهش هاي كمّي و كيفي، به طور مشخص روش داده كاويِ شبكه هاي عصبي مصنوعي را به مثابه رويكردي نوين در پردازش چندمتغيره داده ها و اطلاعات و به مثابه رويكردي در حال ظهور و گسترش در روش هاي آناليز چندمتغيره آماري، و روش داده كاويِ نظريه بنياني را در مديريت و تحليل داده هاي كيفيِ مقايسه كرده و وجوه تمايز و اشتراك آنها را بيان مي كنيم. در اين مقاله نشان داده ايم كه صرف نظر از وجوه متمايز دو روش شناسيِ داده‌كاوي از حيث پارادايم، خاستگاه و فرايندهاي اكتشاف و پردازش و نوع داده، هر دو روش شناسي از ماهيّت و رويكردي پسيني، چند رشته اي و ميان رشته اي، استقرايي، اكتشافي، فرايندمحور، داده‌محور ، انعطاف پذير و معطوف به رابطه (رابطه مدار) بين هستارها و مقوله ها بهره مي برند.

In recent years we are increasingly witness to a continuous and steady departure from purely theoretical and methodological based studies towards data-driven knowledge discoveries and analytical processes. This departure is most visible in emerging and rapidly developing methodologies of knowledge discovery in particular data mining techniques. Contrary to sense in style, data mining is not an exclusive technique for quantitative research but it is also a well-established and well-received method of knowledge discovery in qualitative inquiries. Taking ANNs as a new and emerging approach in statistical processing of data in the realm of quantitative Multivariate Data Analysis (MDA) and grounded theory as an important approach in data mining and knowledge discovery in qualitative research realm, the article explores points of convergence and divergence between these two methodologies of knowledge production. It demonstrates that despite their paradigmatic differences, in terms of intellectual origin and process of analysis and discovery, they both are posteriori, multi- and inter-disciplinary, inductive, exploratory, process-oriented in nature as well as both enjoy flexible and relation-oriented algorithms and strategies in dealing with targeted entities and subject matters of study.