مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017Automatic identification of personality traits using X contents based on Myers Briggs indexشناسایی خودکار خصوصیات شخصیتی افراد به کمک پست های آنها بر اساس شاخص مایرز بریگز119faملیکاکلهرگروه مهندسي کامپیوتر،واحد علوم و تحقیقات، دانشگاه آزاد اسلامي،تهران،ایران ميترا ميرزارضاييگروه مهندسي کامپیوتر،واحد علوم و تحقیقات، دانشگاه آزاد اسلامي،تهران،ایرانتورج بنی رستمگروه مهندسي کامپیوتر، دانشگاه آزاد اسلامي، ،واحد تهران مرکز، تهران،ایران2024116<p>Personality traits are a collection of behaviors and way of thinking in social environment and daily life. Psychologists usually use personality questionnaires to determine personality types. The increasing availability of online social data have stimulated researchers' interest in the study of advanced computational methods for text-based personality identification. Personality identification by computational and machine learning models based on text is an emerging phenomenon with high potential. In this article, the personality of people based on the Myers Briggs index has been investigated and analyzed using Twitter data. To investigate how text-based digital footprints can be used to predict users' personalities, a multi-model deep learning architecture along with three pre-trained language models Bert , Roberta, and XLNET, which are relatively new architectures in language processing are employed for extracting features from people's posts in X social media for identification of personality traits. the final decision is make via model averaging. The proposed model generates a predictive model for each personality trait. The results obtained shows an accuracy 88.5% and an F1-measure score of 0.882. This work provides a basis for the development of a personality trait identification system that can help the organizations to recruit and select the right personnel and improve its business by knowing the personality and preferences of its customers.</p><p>شخصیت افراد، مجموعه‌ای از رفتارها و شیوه تفکر آنها در محیط اجتماعی و زندگی روزمره است. روان‌شناسان به طور معمول از پرسش‌نامه‌های شخصیتی برای تعیین شخصیت افراد استفاده می‌کند. افزایش دسترسی به داده‌های اجتماعی آنلاین، علاقه محققان را به مطالعه روش‌های محاسباتی پیشرفته برای روان‌شناسی شخصیت مبتنی بر متن برانگیخته است که روشی نوظهور با پتانسیل بالا در زمینه شناسایی شخصیت است. در این مقاله بکمک شاخص مایرز بریگز و استفاده از داده‌های شبکه اجتماعی X تلاش شده تا مشخص شود چگونه می‌توان از ردپای دیجیتال افراد برای پیش‌بینی شخصیت آنها استفاده کرد. این مقاله از معماری یادگیری عمیق چند مدلی شامل برت و روبرتا، و ایکس ال نت که معماریهای نسبتا جدیدی در پردازش زبان هستند، استفاده نموده است. در این مقاله از مدلهای ذکر شده برای استخراج ویژگی و تشخیص شخصیت افراد بر اساس شاخص مایرز بریگز استفاده شده است. در نهایت، سیستم بر اساس میانگین‌گیری نتایج مدلها تصمیم گیری می کند. روش پیشنهادی، یک مدل پیش‌بینی‌کننده برای هر صفت شخصیتی را با استفاده از ویژگی های مستخرج از مدلهای از پیش آموزش دیده تولید می کند. نتایج نشان می دهد که این روش به دقت ۸۸.۵% و امتیاز اندازه گیری اف یک ۰.۸۸۲ دست یافته است. این پژوهش زمینه ای را برای توسعه سیستم شناسایی شخصیت فراهم می کند که می تواند به سازمان ها در استخدام و انتخاب پرسنل مناسب و همچنین بهبود روابط تجاری با مشتریان کمک نماید.</p>http://jour.aicti.ir/ar/Article/Download/45512مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017UsERQA: An LLM-Driven User-Aware Community Question Answering System UsERQA: سیستم پاسخگویی به پرسشهای انجمن آگاه به کاربر مبتنی بر مدلهای زبانی بزرگfa سیده زهراآفتابیدانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران0000-0002-3651-9723سعیدفرضیدانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران0000-0002-5531-8134202499<p style="text-align: justify;"><span style="font-family: 'times new roman', times, serif;">In the present era, question-and-answer communities have become vibrant platforms for sharing knowledge. Every year, millions of questions are posted on these forums with the hope of receiving answers from human experts. Nonetheless, many of these questions fail to receive timely or accurate answers due to experts' limited time or being duplicates. In recent years, a large body of research has focused on identifying entailed questions within community archives and using their accepted answers to fulfill the information needs of newly posed questions. Most of these studies match questions syntactically and semantically while resorting to external knowledge injection or increased model complexity to enhance question understanding. However, the critical role that the topics typically explored by questioners play in disambiguating their queries has been overlooked. This research addresses this gap by introducing UsERQA, a novel retrieval-augmented generation (RAG)-based question-answering system incorporating user knowledge. UsERQA utilizes large language models to represent the questioner's knowledge as a sequence of topical tags. In addition, it employs a question entailment recognition process as a post-retrieval strategy, with a new constraint, mandating the alignment between entailed questions and the questioner's knowledge. Afterward, another large language model generates the final answer using the accepted answers of top entailed questions as context. The goal is to imitate human writing patterns and leverage the knowledge contained in human responses to produce high-quality answers. Experimental results on the CQAD-ReQuEST dataset indicate the efficiency of UsERQA in modeling user knowledge and producing more accurate responses than its user-agnostic counterpart.</span></p>
<div id="highlighter--hover-tools" style="display: none; text-align: justify;"><span style="font-family: 'times new roman', times, serif;"> </span></div>
<div id="highlighter--hover-tools" style="display: none; text-align: justify;"> </div><p style="text-align: justify;"><span style="font-family: arial, helvetica, sans-serif;">در عصر حاضر، انجمن‌های پرسش و پاسخ، به بستر‌هایی پویا برای تبادل دانش بدل شده‌اند. سالانه میلیون‌ها پرسش به امید دریافت پاسخ از متخصصین، راهی این انجمن‌ها می‌شوند. اما شمار زیادی از آنها به دلیل محدودیت زمان و منابع متخصصین یا داشتن محتوای تکراری، از دریافت پاسخ صحیح و زودهنگام بی‌نصیب می‌مانند. در این راستا، مطالعات بسیاری به شناسایی پرسش‌های با مضمون مشابه پرسش ورودی در بایگانی انجمن و بهره‌مندی از پاسخ‌های تأییدشده آنها جهت رفع نیاز اطلاعاتی پرسش پرداخته‌اند. عمده این پژوهش‌ها، از تطابق ویژگی‌های نحوی و معنایی زوج پرسش استفاده نموده‌ و برای درک بهتر پرسش‌ها، به تزریق دانش خارجی یا افزایش پیچیدگی مدل متوسل شده‌اند. در این میان، نقش کلیدی دایره موضوعات مورد مطالعه پرسشگر در رفع ابهام از محتوای پرسش مغفول مانده‌است. پژوهش حاضر با ارائه یک سیستم مولد بازیابی‌افزوده برای پاسخگویی به پرسش‌ها موسوم به UsERQA که مبتنی بر مدلسازی دانش پرسشگر است، به رفع این شکاف تحقیقاتی می‌پردازد. UsERQA با بهره‌گیری از مدل‌های زبانی بزرگ، دانش پرسشگر را به‌صورت دنباله‌ای از برچسب‌های موضوعی توصیف نموده و شرط همسو بودن پرسش‌های متضمن با دانش پرسشگر را به فرآیند شناسایی پرسش‌های متضمن که یک فرآیند پسابازیابی است می‌افزاید. سپس، یک مدل زبانی دیگر، به تولید پاسخی واحد بر پایه برترین پاسخ‌ها مبادرت می‌ورزد. به موجب این فرآیند می‌توان از سبک نوشتاری و دانش نهفته در پاسخ‌های انسانی، جهت تولید پاسخِ باکیفیت، الگوبرداری کرد. نتایج آزمایش‌ها روی دادگان CQAD-ReQuEST، عملکرد موفق UsERQA در مدلسازی کاربر و بهبود کیفیت پاسخ‌ها نسبت به مدل مستقل از کاربر را نشان داد.</span></p>
<div id="highlighter--hover-tools" style="display: none; text-align: justify;"><span style="font-family: arial, helvetica, sans-serif;"> </span></div>
<div id="highlighter--hover-tools" style="display: none; text-align: justify;"> </div>http://jour.aicti.ir/ar/Article/Download/47950مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017Improving Sentiment Analysis in Persian text based on combination of Stacked Auto-Encoder and Transformer-BiLSTM-CNNبهبود تحلیل احساسات در متن فارسی براساس ترکیبی از رمزگذار خودکار پشتهای و Transformer-BiLSTM-CNNfaسینادامیگروه مهندسی کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامیمحمدعلی ثناگوی محررگروه مهندسی کامپیوتر، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران2024115<p style="padding-right: 30px; text-align: left;"><span style="font-family: arial, helvetica, sans-serif; font-size: 12pt;">The expansion of the internet and the increasing amount of user-generated textual opinions on various topics have made sentiment analysis a crucial tool for understanding public sentiment towards different subjects. These insights are invaluable for businesses, policymakers, and society as a whole, but manually analyzing such a volume of data is costly and impractical. This study leverages automated and deep learning approaches by combining a Stacked Autoencoder (SAE) for feature extraction and a Transformer-BiLSTM-CNN model for sentiment classification, specifically designed for the Persian language. ParsBert, the Persian version of BERT, was used for data preprocessing. This combined approach demonstrated improved performance in key evaluation metrics such as accuracy, precision, recall, and F1 score, outperforming comparative models like Transformer-BiLSTM-CNN, SAE-LSTM, and CNN. Results on datasets including user reviews from the Taghcheh and Digikala platforms and Persian tweets affirm the effectiveness of this hybrid model.</span></p><p><span style="font-family: arial, helvetica, sans-serif; font-size: 14pt;">با گسترش اینترنت و افزایش ثبت نظرات متنی کاربران درباره رویدادهای مختلف، تحلیل احساسات متنی اهمیت بالایی یافته است، زیرا می‌تواند احساسات مثبت، منفی یا خنثی کاربران را نسبت به موضوعات گوناگون نشان دهد و به شرکت‌ها، سیاست‌گذاران و جامعه، اطلاعات ارزشمندی ارائه دهد. اما تحلیل دستی این حجم از داده‌ها بسیار زمان‌بر و پرهزینه است؛ لذا پژوهشگران به روش‌های خودکار و یادگیری عمیق روی آورده‌اند. این پژوهش با ترکیب رمزگذار خودکار پشته‌ای (<span style="font-size: 12pt;">SAE</span>) برای استخراج ویژگی‌ها و مدل ترکیبی <span style="font-size: 12pt;">Transformer-BiLSTM-CNN</span> برای طبقه‌بندی، به بهبود تحلیل احساسات متنی در زبان فارسی پرداخته است. برای پیش‌پردازش داده‌ها نیز از مدل <span style="font-size: 12pt;">ParsBERT</span>، نسخه فارسی <span style="font-size: 12pt;">BERT</span>، استفاده شد. این ترکیب در برخی معیارهای ارزیابی مانند دقت، صحت، یادآوری و امتیاز <span style="font-size: 12pt;">F1</span>، نسبت به مدل‌های مشابه همچون <span style="font-size: 12pt;">Transformer-BiLSTM-CNN</span> ،<span style="font-size: 12pt;">SAE-LSTM</span> و <span style="font-size: 12pt;">CNN</span> عملکرد بهتری داشت و نتایج مطلوبی در مجموعه‌داده‌های نظرات کاربران طاقچه و دیجی‌کالا و توئیت‌های فارسی به دست آمد.</span></p>http://jour.aicti.ir/ar/Article/Download/48488مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017Creation of Persian dataset for sentiment analysis in texts published in social networksایجاد مجموعه دادگان فارسی تحلیل احساس در متون منتشرشده در شبکه¬های اجتماعیfaمژگانفرهودی2024423<p>Sentiment analysis is the process of automatic detection of sentiments embedded in a social media posts such as text, image or video. It has become increasingly important in recent years due to the high volume of user-generated content on the Internet and the need for businesses and organizations to understand public opinion about their products or services. The accuracy and reliability of sentiment analysis algorithms depends on the quality of the dataset used for training and testing. Therefore, preparing a suitable dataset is very important for the success of sentiment analysis models. With this aim, this paper presents a dataset for author sentiment analysis using Twitter textual posts. Twitter has been chosen as a source of data collection due to its popularity and diverse range of users. The informal and colloquial language of Twitter texts, along with the presence of ambiguity, metaphor and irony, as well as the limitation of the allowed text length, have been other reasons for choosing this source. In this work, the localized crowdsourcing platform in ParsiAzma lab was used for tagging the tweets. Each tweet was tagged by three people and the final tag was decided by majority vote. This dataset, which has no subject restrictions and the entire labeling process is human, contains more than 5000 tweets, including 1948 positive tweets, 3021 negative tweets, and 284 neutral tweets. Sentiment analysis in these data has been done at the level of the document and based on the overall feeling of the author of the text.</p><p>تجزیه و تحلیل احساسات، فرآیند تشخیص خودکار احساسات نهفته در یک رسانه ارتباطی مثل متن، صوت، تصویر یا فیلم است که در سال‌های اخیر به دلیل حجم بالای محتوای تولید شده توسط کاربران در اینترنت و نیاز کسب‌وکارها و سازمان‌ها به درک افکار عمومی در مورد محصولات یا خدمات خود، اهمیت فزاینده‌ای پیدا کرده است. دقت و قابلیت اطمینان الگوریتم‌های تحلیل احساسات به کیفیت مجموعه داده مورد استفاده برای آموزش و آزمایش بستگی دارد. بنابراین، تهیه یک مجموعه داده مناسب برای موفقیت مدل‌های تحلیل احساس بسیار مهم است. با این هدف، مقاله حاضر مجموعه داده‌ای متنی را برای تحلیل احساسات نویسنده با استفاده از متون توییتر ارائه می‌کند. توییتر به دلیل محبوبیت و گستره متنوع کاربرانش به عنوان منبع استخراج دادگان انتخاب شده است. زبان غیر رسمی و محاوره‌ای متون توییتر همراه با وجود ابهام، استعاره و کنایه، همچنین محدودیت طول متن مجاز آن از دیگر دلایل انتخاب این منبع بوده است. در این کار از بستر جمع‌سپاری بومی‌سازی شده پارسی‌آزما برای برچسب‌زنی توییت‌ها استفاده شد. هر توییت توسط سه نفر برچسب زده شد و معیار برچسب نهایی رای اکثریت بود. این مجموعه داده که محدودیت موضوعی ندارد و کل فرآیند برچسب‌زنی در آن به صورت انسانی انجام شده است، حاوی بیش از 5000 توییت، شامل 1948 توییت مثبت، 3021 توییت منفی و 284 توییت خنثی است. تحلیل احساسات در این دادگان، در سطح سند و بر اساس احساس کلی نویسنده متن انجام شده است.</p>http://jour.aicti.ir/ar/Article/Download/46478مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017The Analysis of User Reviews on Digikala with the Aim of Detecting Deceptive Opinionsتحلیل نظرات کاربران در فروشگاه دیجیکالا با هدف تشخیص نظرات فریبندهfaحسینسرلک0009-0006-7066-7152علیرضاشیخگروه آموزشی مدیریت کسب و کار، دانشکده مدیریت، علم و فنّاوری0000-0003-1873-52782024822<p>This research investigates and analyzes user reviews on the Digikala platform with the aim of detecting deceptive opinions. Initially, user review data was collected and preprocessed, followed by the application of various machine learning models and large language models to identify deceptive reviews. The results indicated that deceptive reviews are often written by users with lower credibility, and reviews that receive more dislikes tend to be less credible. Additionally, positive reviews are the most prevalent, and users with positive reviews generally receive more likes. This study demonstrated that employing large language models and machine learning can enhance the detection of deceptive opinions and improve the accuracy of user review monitoring systems, aiding in better identification of valuable and influential users.</p><p>این پژوهش به بررسی و تحلیل نظرات کاربران در فروشگاه دیجیکالا با هدف تشخیص نظرات فریبنده پرداخته است. ابتدا داده‌های نظرات کاربران جمع‌آوری و پیش‌پردازش شدند و سپس با استفاده از مدل‌های مختلف یادگیری ماشین و مدل‌های زبانی بزرگ، نظرات فریبنده تشخیص داده شدند. نتایج نشان داد که نظرات فریبنده معمولاً توسط کاربرانی با اعتبار پایین‌تر نوشته شده‌اند و نظراتی که تعداد دیسلایک بیشتری دریافت کرده‌اند، اغلب دارای اعتبار کمتری هستند. همچنین، نظرات مثبت بیشترین تعداد را دارند و کاربران با نظرات مثبت اغلب لایک‌های بیشتری دریافت می‌کنند. این پژوهش نشان داد که استفاده از مدل‌های زبانی بزرگ و یادگیری ماشین می‌تواند به بهبود تشخیص نظرات فریبنده و افزایش دقت سیستم‌های نظارت بر نظرات کاربران کمک کند و به شناسایی بهتر کاربران با ارزش و تاثیرگذار یاری رساند.</p>http://jour.aicti.ir/ar/Article/Download/47692مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017Analysis of the Impact of Artificial Intelligence Application in the Employment Sector and Proposing Priority Solutions for Iranتحلیل اثرات کاربست هوش مصنوعی در حوزه اشتغال و پیشنهاد راهکارهای اولویتدار برای ایرانfaاعظم ساداتمرتضوی کهنگیپژوهشگاه ارتباطات و فناوری اطلاعاتحسنیگانهپژوهشگاه ارتباطات و فناوری اطلاعات0000000336287982آنیتاهادیزادهپژوهشگاه ارتباطات و فناوری اطلاعات0009000063417063202516<p style="padding-right: 30px; text-align: left;">The rapid growth of transformative technologies has created numerous opportunities and challenges for economic sectors. The impact of artificial intelligence (AI) on the economy and labor market, along with future projections, has drawn the attention of policymakers and decision-makers to this field. Studies and forecasts evaluate these impacts differently depending on the level of development of various countries. Therefore, preparing for the effects of AI application in the labor market, considering its role in the national economy, requires thorough examination. This study proposes and prioritizes strategies to address AI-related challenges in employment in Iran. Through a qualitative approach, the study identifies higher-level policy documents using a document-based methodology and analyzes their content to derive relevant considerations. By mapping these considerations to recommendations from international organizations, initial strategies were developed and finalized through the Delphi method, involving 14 experts in the field. These strategies were then prioritized using the AHP method and Super Decision software. The findings reveal that the strategy "focusing policymakers' and regulators' efforts on drafting and updating regulations for relevant sectors and establishing suitable enforcement mechanisms" ranks highest in the education and skills dimension. The strategy "investing in strengthening the technological and digital skills of the current and future workforce by updating skill indicators in recruitment and workforce evaluation processes" is prioritized in the workforce employment dimension, while the strategy "policy-making to promote digital literacy mechanisms and enhance public digital culture" is paramount in the digital literacy dimension</p><p>همزمان با رشد سریع فناوری‌های تحول آفرین، فرصت‌ها و چالش‌های بسیاری پیش‌ روی بخش‌های اقتصادی قرار گرفته است. تأثیرات کاربست هوش مصنوعی بر اقتصاد و بازار کار به همراه پیش‌بینی‌های صورت گرفته، توجه سیاست‌گذاران و تصمیم‌گیران را به این مقوله جلب کرده است. مطالعات و پیش‌بینی‌ها، این تأثیرات را با توجه به نوع توسعه‌یافتگی کشورها متفاوت ارزیابی می‌کنند. از این‌رو اهمیت آمادگی برای اثرات کاربست هوش مصنوعی در بازار کار با توجه به نقش آن در اقتصاد کشور نیازمند بررسی عمیق است. هدف از این پژوهش ارائه راهکارهای پاسخ‎گویی به چالش‌های هوش مصنوعی در حوزه اشتغال در ایران و اولویت‌بندی آنها است. در این پژوهش کیفی به شناسایی اسناد بالادستی با استفاده از روش اسنادی پرداخته و با تحلیل مضمون، ملاحظات این اسناد تبیین شد و با نگاشت آنها با توصیه‌های نهادهای بین‌المللی، راهکارهای پیشنهادی اولیه ارائه شده و از طریق روش دلفی و نظر 14 خبره این حوزه، راهکارها نهایی شد. سپس این راهکارها با استفاده از روش AHP و نرم‌افزار سوپردسیژن اولویت‌بندی شد. نتیجه این پژوهش نشان می‌دهد که راهکار "تمرکز سیاست‌گذاران و مقررات‌گذاران در تدوین و به‌روزرسانی مقررات بخش‌های مرتبط و تدوین ضمانت اجرایی مناسب" در بُعد آموزش و مهارت، راهکار "سرمایه‌گذاری در تقویت مهارت‌های فناورانه و دیجیتال نیروی کار فعلی و آتی با به‌روزآوری شاخص‌های مهارتی در فرایند استخدام و یا ارزیابی نیروی کار" در بُعد استخدام نیروی کار و راهکار "سیاست‌گذاری به منظور ایجاد سازوکارهای ترويج سواد دیجیتال و ارتقاي فرهنگ عمومی دیجیتال" در بُعد سواد دیجیتال اولویت دارند.</p>http://jour.aicti.ir/ar/Article/Download/49102مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017Computational Models of Opinion Formation in Social Networks and Their Dimensionsمدل های محاسباتی برای شکلگیری عقیده در شبکههای اجتماعی و ابعاد آنهاfaعلیرضامنصوریپژوهشگاه ارتباطات و فناوری اطلاعات00000003195357612025325<p style="text-align: left;">Opinion formation is a propagation process in social networks, examining the dynamics of people's opinion dynamics under the influence of others. Several computational opinion formation models have been proposed to study the dynamics of opinion and the process of creating situations such as consensus, bipolarity/multi-polarization, or the diversity of opinions in a society. Due to the growing trend of online social networks and considering the speed and convenience of producing and publishing content in these networks, an appropriate opinion formation model should be used in related studies. This study surveys the major opinion formation models and introduces a set of dimensions distinguishing opinion formation models. These dimensions are comprised of 1) opinion space, 2) discrete/continuous time, 3) interaction network, 4) interaction limitation, 5) degree of influence, 6) time dependency, and 7) linearity of model. Moreover, some conditions could be considered on the models that affect opinion formation model, including 1) homogeneity/heterogeneity of interacting people, 2) the number of dimensions of opinion space, 3) first impression, and 4) deterministic/noisy modeling. The results of this study help the researchers in the field of opinion formation to choose the appropriate opinion formation model according to the conditions and characteristics of the subject under investigation, and even to expand opinion formation models, if necessary.</p><p><span style="font-family: tahoma, arial, helvetica, sans-serif;">شکل‌گیری عقیده در شبکه‌های اجتماعی به بررسی پویایی تغییر عقیدة افراد تحت تأثیر سایرین و در نتیجه تغییر عقیده در کل جامعه می‌پردازد. شکل‌گیری عقیده از مباحث علوم اجتماعی است، اما برخی مدل‌های محاسباتی برای آن ارائه شده‌اند که بررسی پویایی عقیده و نحوة ایجاد وضعیت‌هایی مانند اجماع، دوقطبی/چندقطبی شدن، و یا اختلاف عقاید افراد جامعه در شرایط مختلف را با روش‌های محاسباتی توجیه نمایند. با روند روبه‌رشد شبکه‌های اجتماعی برخط و با توجه به سرعت و سهولت تولید و انتشار محتوا در این شبکه‌ها، انتخاب و استفاده از مدل شکل‌گیری عقیدة مناسب از اهمیت زیادی برخوردار است. در این پژوهش ضمن مرور مدل‌های شکل‌گیری عقیده، ابعاد مختلفی که این مدل‌ها را نسبت به یکدیگر متمایز می‌کنند، استخراج شده و بر اساس این ابعاد، جایگاه مدل‌های شکل‌گیری عقیده نیز مشخص شده است. این ابعاد عبارتند از: 1) فضای عقیده، 2)گسسته/پیوسته بودن زمان 3) شبکة تعامل، 4) محدودیت تعامل، 5) میزان تأثیر، 6) وابستگی به زمان و 7) خطی/غیرخطی بودن. به‌علاوه، شرایطی را در مدل‌های شکل‌گیری عقیده می توان در نظر گرفته که روی پویایی و نتیجه تأثیرگذار است، شامل 1) همگونی/ناهمگونی جامعه، 2) تعداد ابعاد فضای عقیده، 3) تصور اولیة جامعه، 4) قطعی یا نویزی بودن مدل. نتایج این پژوهش به پژوهشگران حوزة شکل‌گیری عقیده کمک می‌کند مدل شکل‌گیری عقیدة مناسب با توجه به شرایط و ویژگی‌های موضوع مورد بررسی انتخاب کنند و حتی در صورتی که نیاز به گسترش مدل‌های شکل‌گیری عقیده است، چه ابعاد و ویژگی‌هایی را مد نظر قرار دهند.</span></p>http://jour.aicti.ir/ar/Article/Download/49814مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017Application of Artificial Intelligence in the Art of Music A Systematic Reviewکاربرد هوش مصنوعی در هنر موسیقی: بررسی نظاممندfa مجید اخشابیدانشگاه پیام نور، تهران، ایران2024814<p>"Despite its relatively short history, dating back to around 1960 when John McCarthy initiated the field, artificial intelligence (AI) has made significant inroads into nearly all domains, profoundly impacting them. Music is no exception. This research aims to systematically review the literature on AI and its applications in music, with the goal of understanding and introducing the various uses of AI in this art form. To achieve this, five primary research and application areas of AI in music were identified. Subsequently, data from all relevant scientific documents within these five areas was extracted from the Scopus database. For each of the five areas, the countries with the highest number of published articles, the universities with the most publications, and the top authors were identified. Additionally, the temporal trend of scientific document publication in each area was determined. Furthermore, the various AI methods and algorithms employed in each area were identified, along with the corresponding articles. Deep learning has been transforming and improving results in all areas, leading to a quantitative growth in scientific research within the field of music. Moreover, generative AI has experienced remarkable growth in the realm of music production. Finally, the challenges and future research topics of the different areas were examined. One of the most crucial tasks for the future is the creation of suitable datasets for various domains."</p><p>فناوری هوش مصنوعی علی‌رغم عمر کوتاهش که از حدود سال 1960 توسط جان مک کارتی آغاز شد، تقریبا به تمامی عرصه‌ها ورود جدی داشته است و آن را تحت تاثیر شگفتی‌های خود قرار داده است، ازجمله هنر موسیقی. پژوهش حاضر با هدف شناخت و معرفی کاربردهای هوش مصنوعی در موسیقی، به بررسی نظام‌مند ادبیات موضوع هوش مصنوعی و کاربردهای آن در هنر موسیقی پردازد. برای نیل به این هدف ابتدا 5 حوزه پرکاربرد تحقیقاتی و کاربردی هوش مصنوعی در موسیقی مدنظر قرار گرفته است. سپس اطلاعات تمامی اسناد علمی مرتبط با این 5 حوزه از پایگاه استنادی اسکوپوس استخراج شده است. در هر یک از 5 حوزه کشورهایی با بیشترین مقالات چاپ شده، دانشگاه‌هایی که بیشترین مقالات را چاپ کرده‌اند و نویسندگان برتر استخراج گردید. علاوه بر این روند زمانی چاپ اسناد علمی مرتبط با هر حوزه مشخص گردید. در ادامه روش‌های و الگوریتم‌های مختلف هوش مصنوعی که در هر یک از حوزه‌ها مورد استفاده قرار گرفتند مشخص شده و مقالات متناظر با هر یک از آن‌ها نیز مشخص شده است. یادگیری ژرف در تمامی حوزه‌ها در حال تغییر و بهبود نتایج بوده و سبب رشد کمی پژوهش‌های علمی در حوزه موسیقی شده است. علاوه بر این هوش مصنوعی مولد در حیطه تولید موسیقی رشد چشمگیری را در رقم زده است. در نهایت نیز چالش‌ها و موضوعات آینده تحقیقاتی حوزه‌های مختلف بررسی شده است. از مهم‌ترین کارهایی که می‌توان در آینده انجام داد، تهیه مجموعه دادگان مناسب برای حوزه‌های مختلف است.</p>http://jour.aicti.ir/ar/Article/Download/47672مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-0411176520251017The future of online branding with an emphasis on the impact of artificial intelligence in the horizon of 2025آینده برندسازی آنلاین با تأکید بر تأثیر هوش مصنوعی در افق 2025fa یوسفامیریدانشگاه آزاد اسلامی واحد نجف آباد0009000399057647عبدالرضا شاه محمدیدانشگاه آزاد اسلامی تهران مرکز، تهران، ایران0000-0002-1227-9745احمد رضا شکرچی زاده دانشگاه نجف آباد 20241210<div class="form-group">
<div class="form-control EnArticleBox">
<p>Artificial intelligence appears in many forms in creating a reliable brand, the accessibility and understanding of customer feedback and many other issues are facilitated today with the help of artificial intelligence, and despite the concern about the negative consequences of the growth of artificial intelligence, this has put clear horizons in front of businesses. . One of the economic fields of benefiting from machine learning and artificial intelligence is branding for the development of different markets. Artificial intelligence plays a very important role in digital branding, helping companies to improve customer experience and optimize their marketing strategies using advanced data and algorithms. Personalization, content creation, data analysis, advertising optimization and finally predicting customer behavior are only part of the help that artificial intelligence can provide. At the same time, futurology, as one of the interdisciplinary sciences, tries to help to know and build a better future with efficient tools such as mutual influence analysis, future cycles, scenario development, etc. . This research, which is analytical and descriptive in terms of the development type, has tried to use a mixed approach with the help of the questionnaire tool and the scenario writing method of the global business network and with the two key uncertainties of commercial sanctions by governments on specific brands or specific target communities and Weakness of laws and regulations in the applied field of artificial intelligence will present a picture of possible and possible alternative futures and at the end provide recommendations for the formation of a better future.</p>
</div>
</div><div class="form-group">
<div class="form-control">
<p><span dir="RTL" lang="FA">هوش مصنوعی </span><span dir="RTL" lang="FA">در ایجاد یک برند معتبر به چند شکل ظاهر می‌شود، دسترس‌پذیری و فهم بازخورد مشتریان و بسیاری از موضوعات دیگر امروزه به کمک هوش مصنوعی تسهیل گردیده و همین امر علی‌رغم نگرانی از پیامدها منفی رشد هوش مصنوعی افق‌های روشنی را پیش روی کسب‌وکارها قرار داده است. یکی از عرصه‌های اقتصادی سود جستن از یادگیری ماشینی و هوش مصنوعی، موضوع برندسازی برای توسعه بازارهای مختلف است. هوش مصنوعی نقش بسیار مهمی در برندسازی دیجیتال ایفا می‌کند و به شرکت‌ها کمک می‌کند تا با استفاده از داده‌ها و الگوریتم‌های پیشرفته، تجربه مشتریان را بهبود بخشند و استراتژی‌های بازاریابی خود را بهینه کنند. شخصی‌سازی، تولید محتوا، تحلیل داده‌ها، بهینه‌سازی تبلیغات و بالاخره پیش‌بینی رفتار مشتری تنها بخشی از کمک‌هایی است که هوش مصنوعی می‌تواند انجام دهد. در عین حال آینده‌پژوهی با عنوان یکی از علوم بینارشته‌ای تلاش می‌کند تا با ابزارهای کارآمدی همچون تحلیل تأثیر متقابل، چرخه‌های آینده، تدوین سناریو و... به شناخت و ساخت آینده‌ای بهتر کمک نموده و تدوین سناریو که در این تحقیق مورد استفاده قرار گرفته است. این تحقیق که از نظر روش تحلیلی و توصیفی و به لحاظ نوع توسعه ایست تلاش نموده تا با رویکردی آمیخته به کمک ابزار پرسش‌نامه و روش سناریونویسی شبکه جهانی کسب‌وکار و با دو عدم قطعیت کلیدی تحریم‌های تجاری دولت‌ها بر روی برندهای خاص و یا جوامع هدف خاص و ضعف قوانین و مقررات حوزه کاربردی هوش مصنوعی به ارائه تصویری از آینده‌های بدیل ممکن و محتمل پرداخته و در انتها تجویزهایی را برای شکل‌گیری آینده بهتر ارائه نماید.</span></p>
</div>
</div>http://jour.aicti.ir/ar/Article/Download/48841