در عصر حاضر که از آن به عنوان «انفجار اطلاعات» یاد می شود، سازمان ها و نهادهای علمی با حجم انبوهی از داده های ساختاریافته و غیرساختاریافته مواجه هستند. کتابخانه ها و مراکز اطلاع رسانی نیز از این قاعده مستثنی نیستند. چالش اصلی در این میان، نه صرفاً گردآوری اطلاعات، بلکه استخراج دانش نافع از دل این حجم عظیم داده است. در اینجاست که نقش داده کاوی به عنوان یک بازوی قدرتمند تحلیلی برجسته می شود. داده کاوی فرآیندی است که به کشف الگوهای پنهان در میان داده ها می پردازد و اجازه می دهد تا فرضیاتی که پیشتر بر اساس شهود شکل گرفته بود، اکنون بر پایه شواهد متقن آماری بررسی شوند.
در راستای تبیین علمی این موضوع، باید اشاره کرد که:
داده کاوی یکی از راه های تحلیل و استفاده از اطلاعات است که با استفاده از روش های تخصصی آماری و منطقی به تحلیل داده های بزرگ مقیاس می پردازد و به موسسات در اخذ تصمیم های کلان کمک می کند؛ یافته های پژوهش های دهه اخیر نشان داد داده کاوی در بخش های مختلفی از حوزه علم اطلاعات و دانش شناسی از جمله جست و جوی اطلاعات، فراهم آوری، مدیریت و خدمات کتابخانه، جمع آوری اطلاعات مراجعان به کتابخانه، حفظ وفاداری مراجعان، اخراج مراجعه کننده، تحلیل منابع موجود در کتابخانه (موجودی کتابخانه)، بانک اطلاعاتی، گردآوری منابع، استفاده از مجموعه و امانت بین کتابخانه ای کاربرد دارد. همچنین مشخص شد که از داده های بخش امانت و داده های هزینه ای جهت بهتر شدن عملکرد کتابخانه ها و بیشتر شدن هزینه – سودمندی کتابخانه استفاده کرد(رحمانی و زین العابدینی، ۱۳۹۴).
این توصیف دقیق نشان می دهد که داده کاوی فراتر از یک ابزار فنی، در واقع یک رویکرد استراتژیک در مدیریت دانش است. زمانی که از مدیریت خدمات کتابخانه صحبت می کنیم، الگوریتم های داده کاوی می توانند با تحلیل تاریخچه امانت، به کتابداران بگویند که کدام دسته از منابع در چه بازه های زمانی بیشترین تقاضا را دارند. این امر در بخش «فراهم‌آوری» به مدیران کمک می کند تا بودجه محدود خود را صرف خرید منابعی کنند که بالاترین نرخ بازگشت سرمایه علمی را دارند.
تحلیل رفتاری مراجعان و مدیریت مجموعه
یکی از حوزه های حساس که در متن فوق نیز به آن اشاره شد، «حفظ وفاداری مراجعان» است. با استفاده از تکنیک های خوشه بندی در داده کاوی، می توان مراجعان را بر اساس الگوهای رفتاری، علایق مطالعاتی و میزان حضور در کتابخانه دسته بندی کرد. این دسته بندی اجازه می دهد تا خدمات اختصاصی و شخصی سازی شده به هر گروه ارائه شود. برای مثال، اگر تحلیل های داده کاوی نشان دهد که گروهی از پژوهشگران عمدتاً از پایگاه های داده لاتین استفاده می کنند، کتابخانه می تواند اخبار مرتبط با اشتراک های جدید را مستقیماً برای آنها ارسال کند.
در بحث «اخراج مراجعه کننده» یا همان ریزش مخاطب (Churn Analysis)، داده کاوی ابزاری پیشگیرانه است. با تحلیل داده های مراجعانی که دیگر به کتابخانه مراجعه نمی کنند، می توان الگوهای نارضایتی را شناسایی کرد و پیش از آنکه سایر کاربران فعال نیز کتابخانه را ترک کنند، اقدامات اصلاحی در خدمات مرجع یا امانت انجام داد.
بهینه سازی اقتصادی و هزینه -سودمندی
همانطور که در متن اصلی ذکر شد، استفاده از داده های هزینه ای در کنار داده های امانت، منجر به افزایش هزینه – سودمندی می شود. در اقتصاد اطلاعات، کتابخانه ها باید توجیه کنند که هزینه های صرف شده برای خرید پایگاه های اطلاعاتی یا کتاب های چاپی، تا چه حد مورد بهره برداری قرار گرفته است. داده کاوی با مقایسه قیمت خرید هر منبع با تعداد دفعات استفاده از آن ( Cost-per-use)، تصویری شفاف از بهره وری منابع مالی ارائه می دهد. این تحلیل ها نه تنها در گردآوری منابع، بلکه در امانت بین کتابخانه ای نیز کاربرد دارد؛ به این صورت که اگر داده کاوی نشان دهد تقاضا برای موضوعی خاص که در مجموعه موجود نیست بالاست، کتابخانه به جای هزینه مداوم برای امانت بین کتابخانه ای، می تواند به فکر خرید دائم آن منابع باشد.
چالش ها و زیرساخت های لازم
اجرای موفقیت آمیز داده کاوی در علم اطلاعات نیازمند زیرساخت های فنی و نیروی انسانی متخصص است. داده های موجود در سیستم های یکپارچه کتابخانه ای( ILS) اغلب نیاز به پیش پردازش دارند. پاکسازی داده ها، یکپارچه سازی پایگاه های داده و انتخاب ویژگی های( Feature Selection) مناسب، از مراحل حیاتی است که باید پیش از اعمال الگوریتم های اصلی انجام شود. علاوه بر این، رعایت اخلاق در داده کاوی و حفظ حریم خصوصی مراجعان در هنگام تحلیل داده های رفتاری، از ضرورت های انکارناپذیر این حوزه پژوهشی است.
افق های نوین در دانش شناسی
با گسترش کتابخانه های دیجیتال و مخازن سازمانی، حجم داده های تولید شده به شکل نمایی افزایش یافته است. امروزه داده کاوی متن( Text Mining) نیز به کمک کتابداران آمده است تا بتوانند محتوای درون کتاب ها و مقالات را نیز تحلیل کنند، نه فقط فراداده های آنها را. این سطح از تحلیل، امکان کشف پیوندهای موضوعی جدید و ایجاد نقشه های دانش را فراهم می آورد که در نهایت به بهبود فرآیند جست و جوی اطلاعات برای کاربران منجر می شود.
نتیجه گیری
کاربردهای داده کاوی در حوزه علم اطلاعات و دانش شناسی بیشتر مختص به بخش های امانت، مرجع، و مجموعه سازی است. اما می تواند در سایر بخش ها نیز از داده کاوی برای تحلیل داده های موجود در راستای دستیابی هر چه بهتر به اهداف رشته و کتابخانه ها استفاده کرد.
سوالات متداول در زمینه داده کاوی در علم اطلاعات
۱. چرا داده کاوی برای کتابخانه های کوچک نیز حائز اهمیت است؟
حتی در کتابخانه های کوچک، منابع مالی محدود است. داده کاوی به این مراکز کمک می کند تا با تحلیل دقیق نیازهای جامعه محلی خود، از هدررفت بودجه در بخش فراهم آوری جلوگیری کرده و خدماتی دقیقاً متناسب با ذائقه مراجعان خود طراحی کنند.
۲. منظور از «تحلیل قوانین وابستگی» در داده کاوی کتابخانه ای چیست؟
این تکنیک به دنبال کشف ارتباط بین منابع مختلف است. برای مثال، تحلیل ها ممکن است نشان دهند مراجعانی که کتاب های حوزه مدیریت را امانت می گیرند، با احتمال ۸۰ درصد به کتاب های روانشناسی صنعتی نیز نیاز دارند. این یافته ها به چیدمان فیزیکی بهتر منابع و سیستم های پیشنهادگر آنلاین کمک می کند.
۳. آیا داده کاوی میتواند جایگزین تخصص کتابداران شود؟
خیر؛ داده کاوی یک ابزار تصمیم یار( Decision Support Tool) است. این ابزار الگوها را شناسایی می کند، اما تفسیر نهایی این الگوها و تبدیل آنها به سیاست های اجرایی، نیازمند دانش تخصصی، تجربه و بینش انسانی کتابداران و مدیران اطلاعات است.
۴. مهمترین مانع در اجرای پروژه های داده کاوی در کتابخانه ها چیست؟
معمولاً ناهمگون بودن داده ها در سیستم های مختلف (مانند تفاوت فرمت داده های بخش امانت با بخش مالی) و عدم وجود داده های تمیز و استاندارد، بزرگترین مانع فنی در مسیر پیاده سازی فرآیندهای داده کاوی محسوب می شود.
به قلم حمیدرضا درمحمدی مقدم
منبع
رحمانی، مهدی؛ و حاجی زین العابدینی، محسن( ۱۳۹۴). کاربردهای داده کاوی در علم اطلاعات و دانش شناسی. فصلنامه مدیریت اطلاعات و دانش شناسی، ۲(۳)، ۲۳- ۳۲.
