ارايه يك مدل شبكه عصبي مصنوعي در پيش بيني كيفيت خدمات كتابخانه هاي دانشگاهي

An Artificial Neural Network Model to Predict the Service Quality of Academic Libraries

مقدمه:كتابخانه ها و مراكز اطلاع رساني معمولاً با استفاده از ابزار ليب كوآل به بررسي كيفيت خدمات مي‏پردازند. در تجزيه و تحليل ليب كوآل مي توان از شبكه عصبي مصنوعي استفاده نمودكه با درجه خطاي پايين به بررسي سطح خدمات مي-پردازد. پژوهش حاضر در پي آن است كه به معرفي شبكه عصبي مصنوعي بپردازد تا در پيش بيني كيفيت خدمات ساير كتابخانه هاي دانشگاهي مثمر ثمر واقع شود. روش كار: اين پژوهش با استفاده از روش پيمايشي و از نوع كاربردي مقطعي مي باشد. جامعه پژوهش شامل كليه دانشجويان دانشگاه علوم پزشكي شيراز است. ابزار گرد آوري داده ها پرسشنامه ليب كوآل مي باشد. به منظور تجزيه و تحليل داده ها و ارايه شبكه عصبي مناسب از نرم افزار MATLAB استفاده شده است. همچنين جهت دستيابي به مناسب ترين شبكه عصبي مصنوعي كه قادر به پيش بيني كيفيت خدمات با كمترين خطا و بيشترين ميزان تطابق باشد الگوريتمي در نرم افزارMATLAB نوشته شد كه به صورت خودكار با گرفتن داده هاي ورودي و داده هاي هدف به محاسبه چنين شبكه-اي بپردازد. يافته ها: به ازاي پنج دسته داده ورودي و اجراي الگوريتم نوشته شده، پنج شبكه عصبي مصنوعي ايجاد گرديد كه به ترتيب داراي ضريب تعيين 77059/0، 68280/0، 81089/0، 79161/0 و 83273/0 مي باشد. نتيجه گيري: با مقايسه شبكه هاي عصبي مصنوعي مشخص گرديد شبكه عصبي مصنوعي كه داراي 20 لايه پنهان،80 درصد داده آموزشي، 667/16 درصد داده آزمايشي، 3333/3 درصد داده اعتبارسنجي باشد و به وسيله داده هاي ورودي پنج تغذيه شود، مناسب ترين شبكه در ارزيابي كيفيت خدمات كتابخانه هاي دانشگاهي مي باشد. كليدواژه ها: شبكه عصبي، خدمات كتابخانه اي، مديريت خدمات سازمان ها

Introduction: Commonly libraries and information centers use LibQual to measure their quality of services. Although analysis of Libqual done with classical statistics, it is possible to analyze it through Artificial Neural Network with lower error rate. This research try to introduce an Artificial Neural Network that is able to predict service quality of university library. Methods: In this applied cross-sectional study, all of Shiraz university of medical science students were assessed. LibQual questionnaire was the instrument of data collection and MATLAB software was being used to analyze data. In addition an algorithm was written to automatic selection of the best network architecture based on lower error rate and higher adaptation rate. Results: for 5 categories of input data and with running of the written algorithm, 5 ANN was created and their matching ratio is 0.77059, 0.6828, 0.81089, 0.79161 and 0.83273 respectively. Conclusion: By comparing the ANNs, it was found that ANN with 20 hidden layer, %80 training data, %16.667 testing data and %3.3333 validation data that be fed with fifth input data, is the most appropriate ANN in quality evaluation of university libraries. Keywords: Neural Networks(Computer), Library Services, Management Service Organizations.