نوع مقاله : مقاله پژوهشی
نویسندگان
1 استادیار دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد
2 دانشجوی کارشناسی ارشد مدیریت اجرایی، دانشگاه یزد
3 دانشجوی کارشناسی ارشد مدیریت بازرگانی، دانشگاه یزد
چکیده
کلیدواژهها
- مقدمه
ارزیابی کیفیت خدمات، فعالیتی ذهنی است که در یک فرایند پیچیدة تصمیمگیری توسط مشتریان یا ارائهدهندگان خدمات صورت میگیرد. عوامل گوناگونی در طی فرایند تصمیمگیری بر روی تصمیم نهایی یک فرد تأثیر میگذارند. این امر، پیچیدگی فرایند تصمیمگیری را بیشتر میکند. تاکنون در تلاش برای ارزیابی کیفیت خدمات، به عنوان یک فرایند اخذ تصمیم، از تحلیلهای خطیِ آماری و ریاضی استفاده شده است؛ یعنی استفاده از ابزاری خطی برای مدلسازی روابط غیرخطی. امّا پیشرفتهای صورت گرفته در دیگر رشتههای دانشگاهی و استفاده از روشهای فرا ابتکاری برای حل مسائل پیچیده، فرصتهایی را برای مدلسازی ارزیابی مشتریان از کیفیت خدمات ایجاد کرده است. یکی از این پیشرفتها در زمینة هوش مصنوعی، شبکههای عصبی مصنوعی[1](ANN) هستند. شبکه عصبی مصنوعی، یک ابزار پردازش اطلاعات با ساختار موازی است، که میتواند اعمالی مانند تخمین توابع غیرخطی، طبقهبندی الگوها، تشخیص الگوها، پیشبینی و ... را با موفقیت انجام دهد. هدف مطالعة حاضر، استفاده از شبکههای عصبی مصنوعی برای سنجش کیفیت خدمات کتابخانه مرکزی دانشگاه یزد بوده و تلاش دارد با استفاده از این تکنیک، ترکیب بهینة ادراکها و انتظارهای استفادهکنندگان از خدمات کتابخانهای را برای پیشبینی رضایت آنها فراهم آورد. از آنجا که این کتابخانهها پذیرای تعداد زیادی از دانشجویان به عنوان مشتریان اصلی مراکز آموزشی هستند، نقش بسزایی در ارتقای سطح فرهنگ و آگاهی جامعه دارند. از اینرو، تلاش در جهت افزایش کیفیت خدمات در این مراکز، نیازمند به کارگیری روشهای کارآمدی است که به شناخت دقیق وضعیت کنونی و برنامهریزی مؤثر برای بهبود آن منجر شود. هدف این پژوهش، معرفی ابزاری مناسب برای اندازهگیری کیفیت خدمات در کتابخانههاست.
2- چارچوب نظری تحقیق
2-1. مفهوم کیفیت
کیفیت خدمات، مفهومی چند وجهی است که در نهایت در ذهن مشتریان مورد ارزیابی قرار می گیرد (Lehtinen & Lehtinen, 1982: p.5). مطرح کردن کیفیت در بخش خدمات، دشواریهایی را در سنجش کیفیت به همراه دارد که ناشی از خصوصیات خاص خدمات است. این خصوصیات عبارتند از:
1- خدمت تغییرپذیر است؛ بدین معنا که تحت استانداردهای گسترده در نمیآید و حتی یک فرد در دو زمان متفاوت، خدمت خود را متفاوت ارائه میکند.
2- خدمت، فعالیتی ناملموس و مشاهدهناپذیر است.
3- خدمت فناپذیر است؛ بدین معنا که امکان ذخیره شدن برای آن وجود ندارد و به محض ارائه شدن به مصرف میرسد.
4- خدمت تفکیک ناپذیر است؛ بدین معنا که از ارائهدهندة آن جدا نشدنی است (Kano, 1996: p.12).
در بخش خدمات، ارزیابی کیفیت بر اساس فرایند ارائه خدمات انجام میگیرد. هر تماس مشتری به عنوان لحظهای برای ایجاد اعتماد و فرصتی برای راضی کردن یا ناراضی کردن به شمار میرود. رضایت مشتری از یک خدمت را میتوان از طریق مقایسة انتظارهای او از خدمات با برداشت او از خدمات ارائه شده، تعریف کرد. اگر خدمات ارائه شده از حد انتظارهای مشتری فراتر باشد، فرحبخش و فوقالعاده قلمداد میشود. وقتی انتظارهای مشتری از خدمات با برداشتهای او از خدمات ارائه شده منطبق باشد، کیفیت خدمات ارائه شده رضایتبخش است. این انتظارها از منابع مختلفی چون گفتههای دیگران، نیازهای فردی و تجربه قبلی در رابطه با همان ارائه دهنده خدمت یا دیگر ارائه دهندگان، شکل میگیرند. شکل شماره 1، عوامل مؤثر در شکلدهی انتظارهای فرد از کیفیت خدمات را نشان می دهد.
شکل 1. عوامل مؤثر در شکلدهی انتظارهای افراد از کیفیت خدمات
(سید جوادین، 1384: ص78)
2-2. سنجش کیفیت خدمات
سنجش کیفیت در سازمانهای خدماتی، سنجشی است از اینکه تا چه اندازه، خدمت ارائه شده انتظارهای مشتریان را برآورده میسازد. در فرایند دریافت خدمت، معمولاً مشتری حضور دارد و این به معنای آن است که ادراک مشتری از کیفیت، نه تنها از ستادة خدمت بلکه از فرایند ارائه خدمت نیز متأثر است. کیفیت ادراک شده، طیفی است که در یک قسمت آن کیفیت ایدهآل و در سمت دیگر کیفیت غیرقابل پذیرش قرار دارد. این ادراکها در ارزیابی کیفیت خدمت ارائه شده، در کنار انتظارهای مشتری قرار میگیرند.صاحبنظران، برای سنجش کیفیت خدمات در سازمانهای خدماتی روشها و مدلهای مختلفی را ارائه کردهاند که از جمله مشهورترین آنها، مدلهای سروکوآل[2]، سروپرف[3] و سروایمپرف[4] میباشد. سروپرف از جمله مدلهای برگرفته از مدل سروکوآل است که توسط «کرونین و تیلور»[5] ارائه شده است (Cronin & Taylor, 1994: p.127). این مدل پس از انتقادهای برخی از محققان به مدل سروکوآل با ارزیابی نظر مشتری در مورد کیفیت خدمات و نه شکاف میان انتظارها و ادراکهایش در مورد خدمات دریافت شده، ارائه گردید.
مدل SERVQUAL
در ادبیات تحقیق، SERVQUAL از جمله قویترین و پرکاربردترین مدلها برای ارزیابی کیفیت خدمات به شمار میآید که توسط «پاراسورمان و زیت هامل»[6] ارائه گردید (Parasuraman & Zeithaml, 1985). مدل مذکور کیفیت خدمات ارائه شده را در 5 بُعد مورد ارزیابی قرار می دهد. این 5 بُعد عبارتند از:
با وجود کاربردهای فراوان مدل سروکوآل، این مدل با انتقادهای متعددی نیز روبرو بوده است. برای مثال، اعتبار و پایایی تفاوتهای میان انتظارهای مشتریان و درک آنها از عملکرد، مورد پرسش جدی قرار گرفته است. بر این اساس، تعدادی از محققان پیشنهاد کردهاند نمرههای مرتبط با درک مشتریان از عملکرد، شاخص بهتری از کیفیت خدمات به شمار می آید. مدل مبتنی بر این ایده را سروپرف (SERVPERF) نامیدند.
«کرونین و تیلور» در سال 1994 این بحث را مطرح کردند که سنجش کیفیت خدمات از طریق تفاضل عملکردها از انتظارها مبنای نامناسبی است و پیشنهاد کردند ارزیابیِ فقط مبتنی بر عملکرد، روش بهتری است. در مدل سروپرف، قضاوت کلی در رابطه با کیفیت از طریق جمع هر یک از معیارهای منفرد محاسبه میشود. در حقیقت، کیفیت ادراک شده در این مدل با عملکرد ادراک شده از سوی مشتریان برابر است.
از طرفی، با وجود اعتبار و پایایی بالای ابزار سروکوآل، محققان معتقدند در موارد کاربردی باید آن را به نحوی تعدیل شده به کار برد. سودمندی مدل سروکوآل در محیطهای تجاری تأیید شده است، اما به کارگیری آن در محیط غیرانتفاعی مانند کتابخانه نشان داد برخی از بندهای آن با محیط کتابخانه تناسب ندارد. بدین ترتیب، عمومیت سروکوآل در مورد انطباق آن با سازمان خدماتی ویژهای همچون کتابخانه، تردیدهایی را بر انگیخت که به واسطة آن، برخی از پژوهشگران کتابداری و اطلاعرسانی برای تحلیل شکاف خدمات کتابخانه، ابزار مناسبتر و اختصاصیتری را تهیه کردند. این اقدامها بر اساس مصاحبههای متعددی که با استفادهکنندگان کتابخانهها به عمل آمد، به تجدید ساختار ابزار سروکوآل منجر شد و بدین ترتیب لایب کوال ابزار اختصاصی ارزیابی کیفیت کتابخانهها توسط انجمن کتابخانههای پژوهشی تدوین، آزمون و پالایش گردید. در حال حاضر، شناخت انتظارهای استفادهکنندگان کتابخانهها و بررسی و تحلیل شکاف میان انتظارها و برداشتهای آنها از خدمات دریافتی، با استفاده از ابزار لایبکوآل، متداولترین شیوهای است که در سنجش کیفیت خدمات کتابخانهها به کار میرود. ابزار لایبکوآل علاوه بر ایالات متحده، کانادا، استرالیا، انگلستان، ایرلند و اسکاتلند، به زبانهای مختلف در کشورهای متعدد دیگر نیز به کار گرفته شده است (حریری و افنانی، 1387).
2-3. شبکههای عصبی مصنوعی (ANN)
شبکه عصبی مصنوعی یا به اختصار شبکه عصبی، یک ابزار محاسباتی الهام گرفته از مغز انسان است[12]. الهام از مغز انسان، شبکههای عصبی مصنوعی را به مجموعهای از روشهای ساده و در عین حال قدرتمند محاسباتی تبدیل نموده است. ویژگیهایی همچون قدرت یادگیری و انطباق، قدرت تعمیم، پردازش زمینهای اطلاعات، تحمل خطا و یکنواختی تحلیل و طراحی (راعی، 1380: ص146)، باعث میشود شبکههای عصبی توان پردازش بالایی داشته و قادر به انجام موفقیتآمیز اعمالی مانند تخمین توابع پیچیدة غیرخطی و تشخیص و طبقهبندی الگوها باشند. ساختار شبکه عصبی معمولاً یک شبکه یا گراف چند لایه با ارتباطهای ساده بین لایههاست. در هر لایه یک یا چندین واحد محاسباتی به نام گره یا نرون مصنوعی وجود دارد که در حقیقت الگویی ساده از نرونهای عصبی مغز انسان هستند. نقش نرونها در شبکه عصبی، پردازش اطلاعات است و این امر در شبکههای عصبی مصنوعی به وسیله یک پردازشگر ریاضی که همان تابع فعالسازی[13] است، انجام میشود. تابع فعالسازی یا تابع عملیاتی، با توجه به مسئلهای که قرار است به وسیلة شبکة عصبی حل شود و از سوی طراح انتخاب می شود. یک شبکه عصبی مصنوعی در سادهترین حالت دارای یک لایة ورودی و یک لایة خروجی است. امّا شبکه با لایههای پنهان، دارای تواناییهای بیشتری است. میتوان ثابت کرد که یک شبکه عصبی پیشخور با یک لایة پنهان، تابع فعالسازی سیگموئید در لایه پنهان، تابع فعالسازی خطی در لایه خروجی و تعداد نرونهای کافی در لایه پنهان، قادر است هر تابعی را با دقت دلخواه تقریب بزند. شبکه شبیه یک سیستم ورودی- خروجی عمل میکند و ارزش نرونهای ورودی را برای محاسبة ارزش نرونهای خروجی مورد استفاده قرار میدهد. هر کدام از ارتباطهای بین نرونها در لایههای مختلف وزن مخصوص به خود دارند که شبکه در حقیقت با تعدیل این اوزان در طی مرحله آموزش، الگوی بین متغیرهای خروجی و ورودی را یاد میگیرد. به طور کلی، شبکههای عصبی را میتوان بر حسب روشهای یادگیری، به دو نوع یادگیری با سرپرست[14] و یادگیری بدون سرپرست[15] تقسیمبندی کرد. در یادگیری با سرپرست یا معلم، پاسخ (خروجی) صحیح برای هر الگوی ورودی به شبکه داده می شود. وزنها به گونهای تعیین میشوند که شبکه، جوابهایی نزدیک به جوابهای صحیح شناختهشده را ایجاد کند. در جریان اصلاح مکرر وزنها، یک شبکه آموزش میبیند. با تکرار فرایند یادگیری، شبکه مقادیر صحیح وزنها را شناسایی میکند و خطا را کاهش میدهد. برای مجموعه مشخصی از ورودیها، خطا عبارت است از تفاضل بین مقدار واقعی و خروجی شبکه. در یادگیری، بدون سرپرست یا بدون معلم، برای هر الگوی ورودی موجود در مجموعه آموزشی، نیازی به پاسخ واقعی نیست. در این یادگیری، شبکه ساختار اساسی دادهها و همبستگی بین الگوهای موجود در دادهها را کشف و الگوها را در طبقاتی مناسب سازماندهی میکند. بر حسب ساختار نیز شبکههای عصبی مصنوعی به دو نوع شبکه پیشخور[16] و شبکه بازگشتی[17] تقسیمبندی میشوند. شبکههای پیشخور که در آنها حلقه بازخور وجود ندارد و شبکههای بازگشتی که دارای حلقه بازخور بوده و نرونها در هر لایه اطلاعات را هم از لایههای ماقبل و هم از لایه های بعدی میگیرند.
شکل زیر، یک شبکة عصبی نوعی را نمایش می دهد.
شکل2. یک نمونه شبکه عصبی
مفروضات زیر در شبکههای عصبی مصنوعی مورد توجه قرار میگیرد:
1- فرایند پردازش اطلاعات در واحدهای سادهای به نام نرون صورت میگیرد. این نرونهای مصنوعی یا به اختصار نرون، در حقیقت نمونهای بسیار ساده از نرونهای مغزیاند.
2- اطلاعات در مسیرهای ارتباطی بین نرونها رد و بدل میشوند.
3- هر کدام از خطوط ارتباطی بین نرونها دارای وزن هستند.
4- هر نرون از یک تابع عملیاتی (معمولاً غیرخطی) استفاده میکند، تا با اعمال آن روی ورودی نرون (مجموع اطلاعات وزن دار شده)، خروجی مشخصی ایجاد کند (Fausett, 1994: p.243).
شبکة عصبی توسط الگوی ارتباطی بین لایههای مختلف شبکه، تعداد نرونها، تعداد لایهها، الگوریتم یادگیری و تابع عملیاتی نرون، شناسایی و تعریف میشود. امّا یک قانون کلی دربارة اندازة استاندارد این مؤلفهها برای هر شبکه و در هر کاربردی وجود ندارد. در بیشتر موارد یک روش ابتکاری است که در آن شبکههای چند لایه با تعداد نرونهای متفاوت در هر لایه، نرخهای یادگیری متفاوت و توابع فعالسازی گوناگون آموزش میبینند و سپس بهترین شبکه انتخاب میشود. در مرحله یادگیری، شبکه از طریق تعدیل وزنها، آموزش میبیند تا قادر به پیشبینی یا طبقهبندی صحیح بروندادهای هدف بر اساس مجموعهای از دروندادها باشد (Thawornwong, 2003: p.318).
2-4. مروری بر تحقیقات پیشین
مطالعات زیادی در داخل کشور (مهدیزاده قلعهجوق، 1383؛ حکیمی و صمدزاده، 1384؛ رئیسی و ابراهیمی، 1386؛ باباغیبی و فتاحی، 1388؛ حریری و اشرفی، 1388) و در خارج از کشور (Tuomi, 2001; Barnes, 2007; Hernon, 2002; Filiz, 2007) کیفیت خدمات و رضایت دانشجویان را در کتابخانههای دانشگاهی پرداختهاند. در اغلب این مطالعات، از ابزار سروکوآل و لایب کوآل برای سنجش سطح کیفی خدمات استفاده شده است.
در مطالعهای که به منظور ارزیابی کیفیت خدمات کتابخانه مرکزی سازمان مدیریت و برنامهریزی کشور بین دو گروه از کاربران سازمانی و غیر سازمانی انجام گردید، نتایج اختلاف معناداری را بین سطح موجود و سطح مطلوب کیفیت خدمات نشان داد. نظرات این دو گروه از کاربران در مورد وجود فاصله بین وضعیت موجود و مطلوب، جداگانه بررسی شد. یافتهها نشان داد نظرات هر دو گروه یکسان امّا مقدار این اختلاف در هر گروه متفاوت است و به طور کلی «خدمات اطلاعاتی مرتبط» از نظر کاربران کتابخانه دارای بیشترین میزان اهمیت است (درخشان، 1384).
در پژوهشی دیگر با هدف ارزیابی کیفیت خدمات کتابخانة مرکزی دانشگاههای فنی مهندسی دولتی شهر تهران، از مدل لایبکوآل استفاده شد. یافتههای پژوهش نشان داد کتابخانههای مذکور در فراهمآوردن ابزارهای دسترسی به اطلاعات، عملکرد نسبتاً موفقی داشته ولی در مقابل فضای کتابخانهها بخصوص برای فعالیتهای گروهی، کیفیت نسبتاً پایینی دارند (کاظمپور، 1385).
نتایج مطالعه کیفیت خدمات کتابخانههای آموزشی در دانشگاه یزد نشان داد سطح کیفی خدمات این کتابخانهها در حد مطلوب نیست و میان انتظارها و ادراکهای استفادهکنندگان، شکاف وجود دارد و این شکاف در ابعاد دسترسی به اطلاعات و کنترل شخصی، عمیقتر است (میرغفوری و مکی، 1386).
در پژوهشی دیگر که در کتابخانههای دانشگاه [18]JNU هند با ابزار سروکوآل انجام شد، نتایج نشان داد هر چند کتابخانه دانشگاه در موقعیت خوبی از لحاظ سرویسدهی به دانشجویان قرار دارد، ارائه خدمات بیشتر برای دستیابی راحتتر به اطلاعات، موجب رضایتمندی دانشجویان خواهد شد (Sahu, 2007).
تحقیقی نیز با استفاده از ابزار سروپرف انجام شد که نشان داد هر چند کتابخانه مورد بررسی برنامههای متعددی را برای بهبود خدمات انجام میدهد، امّا چون تلاشی در زمینه شناخت نیازهای مشتریان انجام نمیشود، این برنامهها اغلب با شکست مواجه شدهاند (Nejati & Nejati, 2008).
3- روششناسی تحقیق
روش تحقیق به کار برده شده در این پژوهش از لحاظ هدف، کاربردی است. همچنین، روش تحقیق مورد استفاده بر اساس نحوة گردآوری اطلاعات، توصیفی - اکتشافی میباشد.
3-1. جامعه و نمونه آماری پژوهش
جامعه آماری تحقیق شامل تمامی دانشجویان استفادهکننده از امکانات کتابخانه مرکزی دانشگاه یزد در شش ماهه دوم سال 1387 میباشد. مطابق با سیاستهای دانشگاه یزد، تمامی دانشجویان دانشگاه پس از ثبت نام قطعی، به طور خودکار امکان استفاده از امکانات کتابخانهای را پیدا میکنند. بر این اساس، تعداد دانشجویان عضو کتابخانه مرکزی، به تفکیک مقطع تحصیلی در جدول شماره 1 آمده است.
جدول1. تعداد دانشجویان عضو کتابخانه مرکزی به تفکیک مقطع تحصیلی
دکتری |
کارشناسی ارشد |
کارشناسی |
کاردانی |
مقطع تحصیلی |
60 نفر |
1086 نفر |
8157 نفر |
54نفر |
تعداد دانشجویان |
بدین ترتیب، در مجموع تعداد 9357 نفر عضو کتابخانه مرکزی دانشگاه یزد هستند. این تعداد، حجم جامعه تحقیق را تشکیل داد. سپس از روی جدول تعیین حجم نمونه از روی حجم جامعه[19]، حجم نمونهای برابر با 370 نفر به دست آمد. با توجه به این نکته که در غالب تحقیقات، احتمال عدم برگشت پرسشنامه وجود دارد، به منظور تأمین این تعداد نمونه، 450 عدد پرسشنامه توزیع شد که از این تعداد 415 مورد بازگشت داده شد. بدین ترتیب، نرخ بازگشت 92% است. تعداد 36 پرسشنامه به دلیل نقص کنار گذاشته شد و بنابراین 379 پرسشنامه قابل استفاده به دست آمد. برای نمونهگیری، از روش نمونهگیری تصادفی استفاده شد.
3-2- فرایند انجام پژوهش
فرایند انجام پژوهش حاضر به صورت شماتیک در شکل شماره 3 آمده است.
|
||||||||||||
|
||||||||||||
|
|
|||||||||||
|
||||||||||||
|
شکل 3. مراحل انجام پژوهش
در راستای هدفهای پژوهش، برای جمعآوری اطلاعات از ویرایش جدید پرسشنامه استاندارد لایبکوآل استفاده شده است. با توجه به پیمایشهای متعدد و وسیعی که تا سال 2003 انجام گرفت، بررسیها و تحلیلهای دقیقی در ارتباط با سنجش اعتبار و پایایی ابزار لایبکوآل به عمل آمد و در نهایت، با پالایش مجدد، ابعاد چهارگانه آن شامل کیفیت خدمات در بُعد منابع اطلاعاتی مورد دسترس، ارائه خدمات از سوی کارکنان، فضا و مکان کتابخانه و امکانات دستیابی شخصی به منابع، به سه بُعد «تأثیر خدمات»، «کنترل اطلاعات» و «فضا و مکان کتابخانه» کاهش یافت (حریری و افنانی، 1387). ویرایش جدید لایبکوآل در سه بُعد با 22 مؤلفه مورد استفاده قرار گرفت. بدین ترتیب، پرسشنامة مطالعه حاضر به طور کلی شامل 45 سؤال میشد. 22 سؤال انتظارهای استفادهکنندگان از خدمات را مورد سنجش قرار میداد. 22 سؤال ادراکهای استفادهکنندگان را میسنجید و یک سؤال که ارزیابی کلی دانشجویان از سطح کیفیت خدمات کتابخانه را مورد سنجش قرار میداد. طیف هفتتایی لیکرت از «ابداً با این ایده موافق نیستم» تا «کاملاً با این ایده موافقم»، برای سنجش سطح انتظارها و ادراکهای دانشجویان از هر یک از ویژگیهای خدماتی مورد استفاده قرار گرفت. به منظور ارزیابی پایایی پرسشنامه از ضریب آلفای کرونباخ[20] استفاده گردید. نتایج حاصل از سنجش پایایی پرسشنامه در ابعاد سهگانه آن، در جدول شماره 2 آمده است. از آنجا که ضریب آلفای کرونباخ در هر سه بُعد پرسشنامه از 70% بیشتر است، پرسشنامه دارای پایایی سنجش قابل قبولی است.
جدول 3. نتایج حاصل از تحلیل پایایی پرسشنامه
پرسشنامه ابعاد کیفیت |
پرسشنامه انتظارهای دانشجویان |
پرسشنامه ادراکهای دانشجویان |
1- تأثیر خدمات 2-کنترل اطلاعات 3- فضا و مکان کتابخانه |
87% 76% 71% |
73% 89% 77% |
4- تجزیه و تحلیل دادهها
پس از جمعآوری دادهها به وسیلة پرسشنامه، در سه مرحله (مطابق شکل شماره 3) به عنوان ورودی به شبکة عصبی داده شدند. لایة خروجی شبکه در هر سه حالت یک نرون داشت که ارزیابی کلی دانشجویان را از کیفیت خدمات کتابخانه نشان میداد. تعداد نرونها در هر لایه، تعداد لایهها، وزنهای ارتباطی و توابع فعالسازی ساختار شبکه را تعیین میکنند. در مطالعة حاضر 75% اطلاعات برای آموزش شبکه و 25% باقیمانده اطلاعات برای آزمایش شبکه مورد استفاده قرار گرفت. یعنی 284 پرسشنامه در مرحلة آموزش و 95 پرسشنامه در مرحله آزمایش مورد استفاده قرار گرفت. دادههای آزمایش، برای اندازهگیری میزان موفقیت پیشبینی مدل استفاده میشوند. برای طراحی یک شبکه مطلوب که بهترین نتیجه را به دنبال داشته باشد، از روش آزمون و خطا استفاده کردیم و پس از بارها تکرار، شبکة مطلوب با بهترین نتیجه انتخاب شد. یک شبکه پیشخور سه لایه با تابع فعالسازی سیگموئیدی در لایة پنهان، تابع خطی در لایة خروجی و الگوریتم پس انتشار خطا[21]. الگوریتم پس انتشار خطا، پرکاربردترین روش آموزش است (Rumelhart, 1986: p.322).
شکل شماره 4، شماتیکی از شبکة عصبی به کار گرفتهشده در این تحقیق است. به منظور تجزیه و تحلیل اطلاعات، از نرم افزار MATLAB استفاده شد.
شکل4. ساختار شبکة عصبی مورد استفاده در این پژوهش
کارایی یک شبکة عصبی، به وسیلة 2 شاخص ارزیابی میشود: نرخ پیشبینی[22] و میزان انطباق[23]. نرخ پیشبینی را میتوان با معادلة زیر مدلسازی کرد:
که در آن F میزان خروجی است که به درستی پیشبینی شده و N کل خروجیهای پیشبینی شدهاند. میزان انطباق، که آن را با نماد نمایش میدهند، با معادلة زیر مدلسازی میشود:
RMS[24] جذر میانگین مجذور خطاست و با معادلة زیر محاسبه میشود:
خروجی شبکه برای نمونه i و خروجی واقعی برای نمونه مذکور است. نیز نشاندهندة واریانس خروجی واقعی است. معادله نشان میدهد هر چه مقدار جذر میانگین مجذور خطا کاهش یابد، افزایش مییابد و میزان بالاتر به معنای برازندگی بهتر شبکه است.
پس از جمعآوری دادهها به وسیلة پرسشنامه، در سه مرحله، شبکة عصبی با دادههای مختلف مورد استفاده قرار گرفت.
1- در مرحلة اول، اطلاعات مربوط به ادراکهای دانشجویان از کیفیت خدمات کتابخانهای را به عنوان ورودی و ارزیابی کلی آنها از کیفیت به عنوان خروجی به شبکه دادیم؛ بدین ترتیب که برای هر دانشجو یا پاسخگو، این اطلاعات به شبکه داده می شد. با 75% اطلاعات شبکة آموزش دیده و سپس با 25% باقی مانده مورد آزمایش قرار گرفت. در این مرحله، شبکه با تعداد نرونهای مختلف در لایة پنهان به کار گرفته شد و در بهترین حالت با تعداد 12 نرون در لایة پنهان، شبکه نرخ پیش بینی 5/72% را به دست داد.
2- در مرحلة دوم، اطلاعات مربوط به شکاف بین انتظارها و ادراکها به عنوان ورودی و ارزیابی کلی پاسخدهندگان از کیفیت را به عنوان خروجی، به شبکه دادیم. مانند مرحلة اول، 22 نمره شکاف به ورودی و یک نمره ارزیابیِ کلی به خروجی داده شد. باز با همان نسبت اطلاعات یعنی 75% برای آموزش و 25% برای آزمایش، شبکه به کار گرفته شد. در این مرحله، بهترین جواب شبکه با 11 نرون در لایة پنهان و به میزان 78% نرخ پیش بینی بود.
3- در این مرحله، اطلاعات مربوط به انتظارها و ادراکهای پاسخدهندگان به صورت توأمان به عنوان ورودی به شبکه داده شد. 22 مؤلفه انتظار و 22 مؤلفه ادراک، در مجموع شامل 44 مؤلفه، به عنوان ورودی و یک مؤلفه ارزیابی کلی به عنوان خروجی به شبکه داده شده و شبکه با همان نسبت اطلاعات برای آموزش و آزمایش، مورد بهرهبرداری قرار گرفت. در این حالت، بهترین جواب برای نرخ پیش بینی با 18 نرون در لایة پنهان و به میزان 45/95% به دست آمد. این نتایج به طور خلاصه در جدول شماره 4 نشان داده شده است.
جدول4. نتایج حاصل از پژوهش
مؤلفههای شبکه
مدلهای ارزیابی |
تعداد نرونهای ورودی |
تعداد نرونهای لایة پنهان در بهترین حالت |
میزان انطباق
|
نرخ پیشبینی |
مدل ادراکات Perceptions-only model |
22 ورودی مربوط به مؤلفههای سنجش ادراکها |
12 |
67% |
5/72% |
مدل شکاف Perception minus-expectation, P-E gap model |
22 ورودی مربوط به شکاف ادراکها و انتظارها |
11 |
5/69% |
78% |
مدل ادراکها و انتظارها Expectations and perceptions, E & P model |
44 ورودی، 22 ورودی مربوط به مؤلفههای سنجش ادراکها و 22 ورودی مربوط به مؤلفههای سنجش انتظارها |
18 |
3/82% |
45/95% |
5- بحث و نتیجهگیری
پس از بهکارگیری پرسشنامه لایبکوآل و گردآوری دادههای مربوط به ارزیابی دانشجویان استفادهکننده از خدمات کتابخانه مرکزی دانشگاه یزد، این دادهها به وسیلة شبکه عصبی مصنوعی تجزیه و تحلیل شد. نتایج حاصل از این کنکاش جالب توجه بود. شبکههای عصبی مصنوعی توانایی بالایی در پیشبینی سطح کیفیت خدمات کتابخانه مرکزی دانشگاه یزد از خود نشان دادند. ابتدا اطلاعات مربوط به دو مدل شکاف و مدل عملکرد، به عنوان ورودی به شبکه عصبی داده شد. شبکة عصبی با اطلاعات مدل عملکرد نرخ پیش بینی 5/72% و با مدل شکاف نرخ پیش بینی 78% را نتیجه داد. بعد در یک ابتکار، اطلاعات مربوط به سطح ادراکها و انتظارها جمعاً به عنوان ورودی به شبکه داده شد و این بار شبکه نتایج بهتری را نشان داد. در این حالت، نرخ پیشبینی شبکه به 45/95% رسید. این نرخِ بالای پیشبینی حاکی از آن است که شبکة عصبی با داشتن توأمان اطلاعات مربوط به ادراکها و انتظارهای دانشجویان، توانایی بالاتری در پیشبینی خواهد داشت. نتایج این تحقیق به دو نکته قابل توجه ختم میشود. اوّل، توانایی شبکة عصبی در پیشبینی کیفیت خدمات. این توانایی یاریدهندة مدیران سازمانهای خدماتی بخصوص مسئولان کتابخانهها و مراکز اطلاعرسانی در تصمیمگیری است. دوم، لزوم به کارگیری روشهای جدید در ارزیابی کیفیت خدمات که احتمالاً نتایج بهتری را نسبت به مدلهای سنتی منتج از مدل تحلیل شکاف، به دنبال خواهند داشت.
1. البته باید توجه داشت که شبکه عصبی مصنوعی به لحاظ پیچیدگی، با مغز انسان قابل مقایسه نیست. در حقیقت، شبکه عصبی مصنوعی یک الگوبرداری بسیار ساده از مغز انسان است.