دانلود ترجمه مقاله مقایسه مدیریت دانش با داده کاوی – مجله الزویر

• فهرست مطالب:

 چکیده
۱ مقدمه
۱ ۱ مدیریت دانش
۱ ۲ داده کاوی
۱ ۳ رابطه بین مدیریت دانش و داده کاوی
۲ مواد و روش ها
۲ ۱ مواد تحقیق
۲ ۲ روش تحقیق
۲ ۲ ۱ قانون لتکا
۲ ۲ ۲ ساختار تحقیق
۳ نتایج
۳ ۱ توزیع با سال انتشار
۳ ۲ توزیع بر اساس استناد
۳ ۳ توزیع بر اساس کشور/ منطقه
۳ ۴ توزیع بر اساس نام موسسه
۳ ۵ توزیع بر اساس نوع اسناد
۳ ۶ توزیع بر اساس زبان
۳ ۷ توزیع بر اساس موضوع
۳ ۸ توزیع بر اساس عنوان منبع
۴ بحث
۴ ۱ مدیریت دانش
۴ ۲ داده کاوی
۴ ۳ بحث
۵ نتیجه گیری
۵ ۱ محدودیت مطالعه

• بخشی از ترجمه:

با استفاده از رویکرد کتاب سنجی، این مقاله به تجزیه تحلیل روند ها، پیش بینی ها و استناد های تحقیق از ۱۹۸۹ تا ۲۰۰۹ با یافتن عناوین “مدیریت دانش” و “داده کاوی” در موضوعات در دیتابیس SSCI می پردازد. روش تحلیلی کتاب سنجی برای بررسی این دو موضوع در مجلات SSCI از ۱۹۸۹-۲۰۰۹ استفاده شده و ۱۳۹۳ و ۱۱۸۱ مقاله به ترتیب با مدیریت دانش و داده کاوی یافت شد.این مقاله، مقالات مدیریت دانش و داده کاوی را با استفاده از هشت مقوله ذیل: سال انتشار، استناد، کشور/منطقه، نوع سند، نام موسسه، زبان، عنوان منبع و زمینه و موضوع- برای وضعیت توزیع متفاوت به منظور کشف تفاوت ها و شیوه توسعه فناوری های مدیریت دانش و داده کاوی در این دوره و تحلیل گرایشات فناوری مدیریت دانش و داده کاوی تحت نتایج فوق طبقه بندی کرد. هم چنین، این مقاله، آزمون K-S را برای کنترل این که آیا توزیع تولید مقاله نویسنده از قانون لتکا پیروی می کند یا نه انجام داد.
نتایج موجود در این مفاله دارای چندین پیامد و اهمیت مهم است. در مقایسه با داده کاوی، مدیریت دانش پتانسیل رشد و محبوبیت بیشتری دارد. مقاله، نوع اصلی سند در هر دو از تحقیقات مدیریت دانش و داده کاوی است. پر واضح است که انگلیسی هنوز یک زبان اصلی در هر دو تحقیقات مدیریت دانش و داده کاوی است.
بر اساس کشور ها/ مناطق، امریکا، انگلیس، کانادا و تایوان، چهار کشور/منطقه برتر از حیث تحقیقات مدیریت دانش و داده کاوی هستند. به علاوه، استرالیا، چین و المان نیز عرضه کنندگان اصلی مقالات دانشگاهی در این دو زمینه هستند.
در رابطه با موسسات، دانشگاه هاروارد، پنیسلوانیا، تگزاس و کارولینای شمالی، مراکز اصلی و ویژه برای تحقیقات مدیریت دانش و داده کاوی هستند. تحلیل مکان و موقعیت این موسسات نشان می دهد که امریکا هنوز پر بازده ترین کشور در زمینه تحقیقات مدیریت دانش و داده کاوی در دنیا است. در خصوص رابطه بین تولید مقاله و استناد در مدیریت دانش، تنها ۱۵ مقاله از دانشگاه هاروارد، ۱۳ مقاله از ایلیونیز، ۱۰ مقاله از دانشگاه تگزاس و نه مقاله از دانشگاه کارولینای شمالی در خصوص مدیریت دانش وجود دارد ولی استنادات آن ها به ترتیب ۷۰۴،۵۴۹، ۶۱۸ و ۴۰۹ بار در این زمینه است. سایرین تقریبا از رتبه بندی تولید مقاله تبعیت می کنند. از سوی دیگر تنها ۹ مقاله از دانشگاه یل در زمینه داده کاوی وجود دارد ولی استناد به آن ها بیشترین میزان است. سایرین در داده کاوی تقریبا از رتبه بندی تولید مقاله تبعیت می کنند.

• بخشی از مقاله انگلیسی:

. Introduction 1.1. Knowledge management Knowledge management (KM) does not carry its name accidentally because management normally means that ‘something’ has to be managed (Wiig, Hoog, & Spex, 1997). Since Polanyi’s discussion of the distinction between explicit and tacit knowledge (Polanyi, 1966), researchers were developed a set of management definitions, concepts, activities, stages, circulations, and procedures, all directed towards dealing with objects in order to describe the framework of KM as the KM methodology. Different KM working definitions, paradigms, frameworks, concepts, objects, propositions, perspectives, measurements, impacts, have been described for investigating the question of: What is KM? What are its methods and techniques? What is its value? And what are its functions for supporting individual and organizations in managing their knowledge (Drew, 1999; Heijst, Spek, & Kruizinga, 1997; Hendriks & Vriens, 1999; Johannessen, Olsen, & Olaisen, 1999; Liao, 2002; Liebowitz, 2001; Liebowitz & Wright, 1999; Nonaka, Umemoto, & Senoo, 1996; Rubenstein-Montano et al., 2001; Wiig, 1997; Wiig et al., 1997; Wilkins, Wegen, & Hoog, 1997). For example, the concept of ‘the knowledge-creating company’ is a management paradigm for the emerging ‘knowledge society’, and information technology can help implement this concept (Nonaka et al., 1996). Some articles have investigated issues concerning the definition and measurement of knowledge assets and intellectual capital (Liebowitz & Wright, 1999; Wilkins et al., 1997). A conceptual framework presents KM as consisting of a repertoire of methods, techniques, and tools with four activities performed sequentially (Wiig et al., 1997). These are also combined with another extension of KM working definitions and its historical development (Wiig, 1997). From the organizational perspective, corporate memories can act as a tool for KM on three types of learning in organizations: individual learning, learning through direct communication, and learning using a knowledge repository (Heijst et al., 1997). Another example is innovation theory based on organizational vision and KM, which facilitates development-integration and application of knowledge (Johannessen et al., 1999). For strategy, Drew explores how managers might build KM into the strategy process of their firms with a knowledge perspective and established strategy tools (Drew, 1999). Furthermore, a systems thinking framework for KM has been developed, providing suggestions for what a general KM framework should include (Rubenstein-Montano et al., 2001). Also, the emergence and future of KM, and its link to artificial intelligence been discussed (Liebowitz, 2001). Knowledge inertia (KI), means stemming from the use of routine problem solving procedures, stagnant knowledge sources, and following past experience or knowledge. It may enable or inhibit an organization’s or an individual’s ability on problem solving (Liao, 2002). On the other hand, the organizational impact of KM and its limits on knowledge-based systems are discussed in order to address the issue of how knowledge engineering relates to a perspective of KM (Hendriks & Vriens, 1999). These methodologies offer technological frameworks with qualitative research methods and explore their content by broadening the research horizon with different perspectives on KM research issues. 1.2. Data mining Data mining (DM) is an interdisciplinary field that combines artificial intelligence, database management, data visualization, machine learning, mathematic algorithms, and statistics. DM, also known as knowledge discovery in databases (KDD) (Chen, Han, & Yu, 1996; Fayyad, Piatetsky-Shapiro, & Smyth, 1996a), is a rapidly emerging field. This technology provides different methodologies for decision-making, problem solving, analysis, planning, diagnosis, detection, integration, prevention, learning, and innovation. This technology is motivated by the need of new techniques to help analyze, understand or even visualize the huge amounts of stored data gathered from business and scientific applications. It is the process of discovering interesting knowledge, such as patterns, associations, changes, anomalies and significant structures from large amounts of data stored in databases, data warehouses, or other information repositories. It can be used to help companies to make better decisions to stay competitive in the marketplace. The major DM functions that are developed in commercial and research communities include summarization, association, classification, prediction and clustering. These functions can be implemented using a variety of technologies, such as database-oriented techniques, machine learning and statistical techniques (Fayyad, Piatetsky-Shapiro, & Smyth, 1996b). DM was defined by Turban, Aronson, Liang, and Sharda (2007, p. 305) as a process that uses statistical, mathematical, artificial intelligence and machine-learning techniques to extract and identify useful information and subsequently gain knowledge from large databases. In an effort to develop new insights into practice-performance relationships, DM was used to investigate improvement programs, strategic priorities, environmental factors, manufacturing performance dimensions and their interactions (Hajirezaie, Mohammad, Husseini, Barfourosh, & Karimi, 2010).