شبکه های عصبی مصنوعی؛ رویکردی نوین در سنجش کیفیت خدمات کتابخانه های دانشگاهی

- 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:

1. شواهد فیزیکی و ملموس[7]
2. اعتبار[8]
3. پاسخگویی[9]
4. اطمینان خاطر[10]
5. همدلی[11]

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

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

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

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.