شماره تلفن : 09307584802

خانه ژورنال دانشجویان ایران

Iranian Students Article House

نقش توانمند سازی سیستم های پشتیبان تصمیم در یادگیری سازمانی

The enabling role of decision support systems in organizational learning

DOI: https://doi.org/10.1016/S0167-9236(01)00120-8

January 2002

 

Abstract

Organizations routinely process information, make decisions, and implement them. Recent advances in computer and communications technologies have changed the way in which organizations perform these functions. Decision support systems (DSSs) are a major category of tools that an organization utilizes to support and enhance its decision-making activities. Traditionally, organizations are considered to have a predefined and static set of goals. However, in order to stay competitive and survive in today’s dynamic environment, organizations must be able to quickly respond and adapt to changes in their business settings. Such changes could be due to technological advances, growing and changing customer demands, competitive forces, changes in the labor force, environmental and political concerns, societal impacts, security concerns, and others. In recent years, the field of DSS has become more sophisticated to encompass such paradigms as expert systems (ESs), intelligent DSSs, active DSSs, and adaptive DSSs. Artificial intelligence (AI)-based techniques are being embedded in many DSS applications, thus enhancing the support capabilities of the DSS. Such paradigms have application potential in both individual and organizational learning contexts. However, the degree to which current DSSs can support organizational learning has yet to be investigated in depth. This paper examines the learning strategies employed by organizations and DSSs and provides a framework to demonstrate how a DSS can enhance organizational learning.

Keywords: Decision support systems, Adaptive DSSs, Organizational learning, Artificial intelligence, Inductive learning

 

 

نقش توانمند سازی سیستم های پشتیبان تصمیم در یادگیری سازمانی

چکیده
سازمان ها به طور عادی اطلاعات را پردازش می کنند، تصمیماتی را اتخاذ نموده و آنها را اجرا می کنند. پیشرفت های اخیر در کامپیوتر و تکنولوژی های ارتباطات طریقه انجام هر یک از وظایف سازمان را تغییر داده است. سیستم های پشتیبان تصمیم (DSSs) دسته مهم از ابزار هایی هستند که یک سازمان برای پشتیبانی و ارتقاء فعالیت های تصمیم گیریش مورد استفاده قرار می دهد. به طور سنتی، سازمان ها به دنبال این هستند که یک سری اهداف از پیش تعیین شده و ثابت داشته باشند. اما برای حفظ جایگاه رقابتی و بقاء در محیط پویای امروز سازمان ها باید توانایی واکنش سریع نشان دادن و وفق پیدا کردن با تغییرات در وضعیت کسب و کارش را داشته باشند. برخی تغییرات می تواند به دلیل پیشرفت های فنی، رشد و تغییر تقاضای مشتریان، الزامات رقابتی، تغییر در نیروی کار، تاثیرات محیطی و سیاسی، فشارهای اجتماعی، نگرانی های امنیتی و غیره باشد. در سال های اخیر حوزه DSS بسیار تخصصی تر شده است و در برگیرنده پارادایم هایی همچون سیستم های خبره(ESs)، DSS های هوشمند، DSS های فعال و DSS های سازگارپذیر می باشد. هوش مصنوعی (AI) بر پایه فنونی است که در بسیاری از کاربردهای DSS به کار گرفته شده اند، از اینرو قابلیت های پشتیبانی DSS افزایش می یابد. برخی پارادایم ها دارای کاربرد بالقوه در هر دو زمینه یادگیری سازمانی و فردی می باشند. هرچند میزان اینکه هر یک از DSS های موجود می توانند یادگیری سازمانی را تقویت کنند هنوز به طور جدی مورد بحث است. این مقاله استراتژی های یادگیری به کارگرفته شده توسط سازمان ها و DSSها را مورد آزمون قرار می دهد و یک چارچوب را به منظور شرح اینکه چگونه یک DSS می تواند یادگیری سازمانی را ارتقاء دهد، ارائه می دهد.

کلیدواژه: سیستم های پشتیبان تصمیم، DSSهای سازگارپذیر، یادگیری سازمانی، هوش مصنوعی، یادگیری القائی

۱٫ مقدمه
دراکر مشاهده کرد که جهان در حال ورود به دوره فراصنعتی است که در آن دسترسی و پردازش اطلاعات شاخص است. بنابراین سازمان هایی که ساختار، فرایندها و تکنولوژی های آنها به خوبی با افزایش دانش و پیچیدگی های محیطی وفق پیدا نکرده اند، ادامه حیات آنها بعید است. بطوریکه برای بقاء و پیشرفت در این حالت که بازارهای رقابتی و محیط های پیچیده پیوسته در حال افزایش است، سازمان ها باید دائماً مهارت های جدید، دانش و امور عادی در مورد محصولات، فرایندها و روابط اجتماعی را آموخته و پردازش کنند.
آرجیریس و اسچون یادگیری سازمانی را این گونه تعریف می کنند: فرایند کشف و اصلاح خطاها می باشد به طوریکه سازمان ها را قادر به تحقق اهدافشان می سازد. اگر سازمان ها یادگیری را انجام ندهند و خود را با تغییرات پیوسته محیط شان وفق ندهند، با نمودهایی از کاهش قابلیت رقابتی خود و احتمالا حتی با انقراض مواجه خواهند شد. کاوش و آزمایش کنترل شده فاکتورهای اساسی فرایند یادگیری می باشند. یکی از فاکتورهای کلیدی که اجازه می دهد یک بازیگر سازمانی یا یک تصمیم گیرنده(DM) ریسک هایی را بپذیرد و به دنبال تنوع باشد رابطه مستقیم با ترجیحات و سلیقه شخصی تصمیم گیرنده دارد. سیستم های پشتیبان تصمیم(DSSs) می تواند یک نقش مهم در بهبود و افزایش توانایی های تصمیم گیری تصمیم گیرنده داشته باشد. سال های اخیر حوزه DSS بسیار تخصصی تر شده است و در برگیرنده پارادایم هایی همچون سیستم های خبره(ESs)، DSS های هوشمند، DSSهای فعال و DSSهای سازگارپذیر می باشد. برخی پارادایم ها دارای کاربرد بالقوه در هر دو زمینه یادگیری سازمانی و فردی می باشند. هرچند درجه و میزانی که هر یک از DSSهای موجود می توانند یادگیری سازمانی را تقویت کنند هنوز در حال بررسی است. در این مقاله استراتژی های یادگیری به کار گرفته شده توسط DSSها مورد بررسی قرار می گیرد و یک چارچوب برای تشریح اینکه یک DSS چگونه می تواند یادگیری سازمانی را تقویت و افزایش دهد، ارائه می شود. DSSها می توانند بواسطه پردازش داده ها و ایجاد شرایطی برای مشارکت سریع در یک سری سناریوهای متنوع و تصمیم گیری های اثربخش در یک وضعیت کارا، قابلیت های تصمیم گیری یک تصمیم گرنده را تقویت و افزایش دهند. همچنین یک DSS می تواند به ارزیابی و مقایسه مزایا و ریسک های موجود در سازمان کمک کند.
علی رغم روابط متقابل بین DSS و یادگیری سازمانی مفهوم چگونگی کمک یک DSS به تسهیل و افزایش یادگیری سازمانی مورد کاوش قرار نگرفته است. در این مقاله استراتژی های یادگیری به کار گرفته شده توسط DSSها و سازمان ها مورد بررسی قرار می گیرد و در مورد انواع مختلف DSS هایی که می توانند یادگیری سازمانی را تسهیل، ارتقاء و افزایش دهند، بحث می کند. ما معتقدیم این مقاله در ارائه راهنمایی برای مدیران مفید واقع خواهد شد، مدیرانی که در شرکت های مختلف شیفته مفهوم یادگیری سازمانی هستند و در جستجوی راه های جدیدی برای افزایش و ارتقاء یادگیری در سازمان هایشان هستند. این مقاله همچنین بینش و خلاصه ای را برای محققان به منظور کشف رابطه بین DSSها و یادگیری سازمانی فراهم می آورد. بقیه مقاله به شرح زیر سازماندهی شده است. در بخش ۲ به طور خلاصه در مورد یادگیری سازمانی و ماهیت نتایج حاصله بحث می کنیم. در بخش ۳ وظایف و مشخصات مختلف DSSها را بیان می کنیم. در بخش ۴ در مورد پارادایم های مختلف DSS برحسب استراتژی های یادگیری تحت آنها برای تحصیل و سازمان دهی مجدد دانش خود و به دنبال آن افزایش عملکرد سازمان، بحث می کنیم. در این بخش، همچنین در مورد راه های مختلفی که DSSها می توانند یادگیری در سازمان ها را تسهیل، تقویت و افزایش دهند، بحث می کنیم. در بخش ۵ مشخصات کلیدی DSSها را که می توانند یادگیری سازمانی ارتقاء بخشند، مشخص می کنیم. در بخش ۶ در مورد کاربردهای آتی بالقوه DSSها در تسهیل و افزایش یادگیری سازمانی بحث می شود و بخش ۷ دربرگیرنده توضیحات پایانی می باشد.

۲٫ یادگیری سازمانی
از اواسط و اواخر دهه ۱۹۸۰ موضوع یادگیری سازمانی در میان مدیران دانشگاهی و حرفه ای جایگاه ویژه ای پیدا کرد. اهمیت یادگیری سازمانی در محیط های تجاری پویا، پیچیده و پیوسته در حال تغییر، نمود بیشتری پیدا می کند. راهی که سازمان ها از طریق آن به مهارت ها و دانش جدید دست پیدا می کنند و در عین حال مورد بهره برداری مفید قرار می دهند و از دانش منسوخ و آشفته موجود دست می کشند، موضوعی است که در حال بررسی می باشد.
یادگیری برای خلق دانش ضروری مطرح شده است. اما یادگیری تضمین نمی کند که کسب دانش مفید و سازگارپذیر با محیط است. در حقیقت بهره گیری از دانش قبلی تنها زمانی مفید خواهد بود که محیط ایستا باشد. اگر محیط شروع به تغییر نماید، یادگیری قوانین و تکنولوژی های موجود می تواند برای سازمان و اعضایش یک سربار محسوب شود. به فراموشی سپردن یک برنامه یا روشی که به خوبی آموخته شده است و شروع دوباره آموزش یک سری مهارت ها و برنامه های جدید، بسیار دشوار است. از آنجاییکه خلق دانش یک فرایند پویا است به فراموشی سپردن برنامه های موجود و یادگیری یک سری قابلیت های جدید اغلب ضروری است.
سازمان ها نیاز به یادگیری دارند زیرا سیستم های باز هستند. آنها به منظور امکان ادامه حیات خود در بلندمدت، پیوسته در حال تعامل متقابل با محیط خارجی می باشند. اگر سازمان ها به مثابه سیستم های بسته عمل کنند، در حالتی که محیط به صورت غیرقابل پیش بینی تغییر می کند، بقاء بلندمدت آنها زیر سوال می رود. به هرحال در یک سازمان تمام اعضای سازمانی به یک روش مشابه متقابلاً تعامل نمی کنند. هر یک از این اعضاء نظرات متفاوتی دارند، اگر متضاد نباشند، و مدل های متفاوتی در مورد سازمان و محیط آن می سازند که منجر به ناسازگاری درمیان این مدل ها می شود و در نتیجه سازمان نمی تواند به تمام پتانسیل خود پی ببرد. این بدین دلیل است که یادگیری سازمانی یک حاصلجمع تجمعی ساده یادگیری های فردی نیست بلکه مبادله و به اشتراک گذاری مفروضات و مدل های فردی در تمام سازمان می باشد.
آرجیریس و اسچون دو نوع مکانیسم یادگیری مورد استفاده سازمان ها را شناسایی کردند: یادگیری تک حلقه و جفت حلقه. در یادگیری تک حلقه، خطایابی از اهمیت برخوردار است. این اشاره به حلقه بازخوردی دارد، اعضای سازمانی اقدامات لازم برای کنترل انحرافات را اتخاذ می کنند. حلقه بازخوردی مستقیماً با خروجی ها، استراتژی ها و مفروضات مربوط به سازمان و محیط در ارتباط است. در یک محیط کم و بیش ایستا به دلیل اینکه مهمترین هدف آن دستیابی اهداف برنامه ریزی شده و اهداف عملیاتی در یک محدوده قابل قبول است، یادگیری تک حلقه به طور قابل توجهی موثر واقع می گردد.
از سوی دیگر یادگیری جفت حلقه شامل بازبینی مفروضات، رهنمودها و اهداف اساسی یک سازمان می باشد. بواسطه تحقیق در مورد جریانات عادی و مفروضات سازمان و محیط آن بسیاری از ناسازگاری ها رفع شده و یا حداقل آشکار می گردد. این نوع از یادگیری به دلیل اینکه افراد نمی خواهند در رابطه با مفروضات، رهنمودها و درکشان از هنجارها و خط مشی های سازمان به چالش کشیده شوند، دشوار است. اما اگر یک سازمان شروع به ایجاد تغییر در خود کند در ابتدا مفروضات و اهداف ناسازگار موجود در رابطه با سازمان و محیط را مشخص می سازد و به ایجاد یک سری مفروضات، رهنمودها و عقاید جدید دست می زند.
در یک مفهوم محدودتر آرجیریس و اسچون از یادگیری تک حلقه به عنوان حل مسئله یاد می کنند، در حالیکه یادگیری جفت حلقه، انعکاسی انتقادی است که منجر به یادگیری بیشتر می شود. نویسندگان ادعا می کنند که بیشتر سازمان ها تمایل به تبعیت از یادگیری تک حلقه دارند که دربرگیرنده کشف و اصلاح خطاهای سازمانی می باشد و در عین حال اجازه می دهد که سازمان همچنان از خط مشی های موجود برای دستیابی به اهداف جاری استفاده کند. در عوض سازمان های بسیار کمی از یادگیری جفت حلقه تبعیت می کنند که شامل کشف و اصلاح خطاها بواسطه جرح و تعدیل هنجارها، خط مشی ها، اهداف و مفروضات عملیاتی اصلی سازمان می باشد. در یک مفهوم گسترده می توانیم بگوییم که یادگیری تک حلقه سازمان را در موقعیت موجود حفظ می کند در حالیکه یادگیری جفت حلقه تعریف مجددی از توانایی سازمان در ایجاد سازگاری و حفظ بقاء در محیط های فعال ارائه می دهد.
یکی از الزامات کلیدی در یادگیری سازمانی تبادل و به اشتراک گذاری فرضیات، رهنمودها و عقاید در رابطه سازمان و محیط می باشد. برای تبادل و به اشتراک گذاری فرضیات و عقاید کلیدی، اطلاعات مرتبط با فرضیات و عقاید باید تحصیل، توزیع و تفسیر شده باشند. هوبر چهار مفهوم را به عنوان عوامل جدایی ناپذیر یادگیری مطرح می سازد: تحصیل اطلاعات، توزیع اطلاعات، تفسیر اطلاعات و حافظه سازمانی. سازمان ها اطلاعات را از راه های مختلف تحصیل، توزیع و تفسیر می کنند. یک سازمان با کاوش و تجسس و کنترل محیط خارجی، هماهنگی خود را با محیط خارجی حفظ می کند. برای مثال، یک سازمان می تواند طرحی را که ترکیبی از محصولات رقیبان و انتظارات مشتریان باشد را به دقت مورد بررسی قرار دهد.
تحصیل اطلاعات اشاره به جمع آوری اطلاعات مربوط از منابع داخلی و خارجی دارد. سازمان ها مکانیزم هایی همچون استفاده از spannerهای مرزی، ساختار سازمانی، سیستم های اطلاعاتی، ارتباطات غیررسمی و غیره برای جمع آوری اطلاعات را به کار می گیرند. سازمان ها با کاوش و تجسس محیط های داخلی و خارجی می توانند سیگنال های محیطی را برای تنظیم الویت ها و استراتژی هایشان بیابند.
توزیع اطلاعات، بیش از پیش، میان بری را به واحدهای عملیاتی مرزی ایجاد می کند که با تصمیمات خودمختار خود موجب بروز مشکلاتی می شوند. همیشه رسیدن به یک اتفاق نظر در رابطه با تعریف و راه حل یک مشکل آسان نیست مخصوصاً هنگامی که مشکلات و راه حل شان به طور مستقیم بر روی شماری از روابط تاثیرگذار باشد. سازمان ها نیازمند ایجاد هماهنگی در منابع خود به منظور یکسان سازی ایده ها و دانش شان برای حل مشکلات می باشند. اگرچه توزیع اطلاعات سوال مهمی را برای برخی مدیران مطرح می سازد، اینکه چه کسی دریافت که همسان سازی نظرات مختلف دشوار می باشد. برخی مدیران اغلب اطلاعات مهم را برای خودشان نگاه می دارند و امکان ندارد هیچ گونه اطلاعاتی را فاش سازند. برای مثال، بیشتر سازمان ها بایستی کانال های ارتباطی غیررسمی را بین واحدهای طراحی، تولید و بازاریابی ایجاد کنند. به کارگیری مهندسی همزمان به منظور معرفی محصولات جدید و بدون عیب به مشتریان، تکنیکی است که به صورت گسترده برای افزایش توزیع اطلاعات درمیان اعضاء مختلف در سازمان مورد استفاده قرار می گیرد.
تفسیر اطلاعات به صورت قابل توجهی برای یادگیری سازمانی حیاتی می باشد. از طرف دیگر راهی که از طریق آن معنی و مفهوم اطلاعات به اعضای سازمانی انتقال می یابد کاملاً قابل مذاکره است. بسته به مفهوم و زمینه، اعضای سازمان ممکن است تفسیرهای متفاوتی را برای اطلاعات یکسان و یا مشابه پیشنهاد دهند. به منظور به هم رسانیدن نظرات و تفسیرهای مختلف، سازمان ها بایستی به طور مستمر منابع دانش خود را به روز کنند.
حافظه سازمانی سازمان ها را قادر به واکنش سریع در برابر بحران ها و رسیدگی کارا و موثر به تقاضاهای متضاد محیط می سازد. هرچند زمانی که محیط سازمانی به سرعت تغییر می کند استفاده از حافظه سازمانی همیشه نمی تواند راه حل های قابل پیش بینی و مفید ارائه دهد. در این حالت یک سازمان باید به طور مستمر حافظه خود را تصحیح و به روز کند.

۳٫ سیستم های پشتیبان تصمیم
در یک عبارت ساده، یک DSS یک نرم افزار کامپیوتر است که ورودی هایی را از تعداد زیادی واقعیت و روش دریافت کرده و به مقایسات، نمودارها و روندهای معنی داری تبدیل می کند که می تواند توانایی های تصمیم گیری تصمیم گیرنده(DMs) را افزایش دهد. یک DSS می تواند به تصمیم گیرنده در پردازش، ارزیابی، طبقه بندی و سازماندهی اطلاعات به یک روش مفید کمک کند که می توانند به راحتی در فرم های مختلف مورد بازیابی قرار بگیرند. به علاوه یک DSS همچنین می تواند در کنترل و پیگیری عملکرد سازمان مبتنی بر اهداف سازمان کمک کند.
با کمک کامپیوتر مدیریت می تواند داده ها را به صورت کارا و موثر برای کسب دانش و الگوهای معنادار پردازش نماید. فوردر و کین بیان می دارند که کاربر DSS، سازنده DSS و DSS در طی جریان طراحی، ساخت و پیاده سازی مراحل DSS بر یکدیگر تاثیر می گذارند که بواسطه یک فرایند انطباقی یادگیری و تکامل تدریجی توسعه یافته است. بنابراین یک DSS سیستمی است که دانش خود را برمبنای حقایق و روش های سازگار با هر تغییر محیط خارجی و ساختارهای داخلی سازمان، اصلاح می کند. همچنین یک DSS می تواند در بازبینی فرایندهای تصمیم، تغییر مفروضات متضاد کاربران و تصمیم گیری مبتنی بر متن، کمک کند.
یک DSS خوب طراحی شده می تواند حل مسئله را تسهیل کرده و فرایند یادگیری سازمانی را بهبود بخشد. یک DSS می تواند شناسایی مسئله و مدل سازی را تسهیل کند، در جمع آوری، ترکیب، سازماندهی و ارائه دانش مربوط کمک کند، یک استراتژی حل مسئله مناسب را برگزیند، راه حل های مختلف را ارزیابی می کند و بهترین راه حل را انتخاب می کند. همه این فعالیت ها می تواند یادگیری سازمانی را ارتقاء دهد و یک فرایند رضایت بخش با کارایی و اثربخشی بیشتر را ایجاد نماید. به علاوه یک DSS همچنین می تواند در پیاده سازی و ارزیابی استراتژی منتخب، مفید باشد.
دو خرده سیستم کلیدی یک DSS، سیستم دانش(KS) آن و سیستم پردازش مسئله(PPS) آن که به طور معنی داری بر رفتار پردازش مسئله آن تاثیر می گذارد. از منظر DSSها تغییر در وضعیت دانش در سیستم دانش(KS) آن مترادف با یادگیری است. KS دانش پردازش مسئله(PPK) DSS، روش های استفاده از دانش پردازش مسئله(PPK)، دلیل اینکه چرا یک قسمت خاصی از دانش پردازش مسئله استفاده شده است و دانش محیطی درباره اهداف، محدودیت ها و حوزه مسئله را شامل می شود.
سیستم با توجه به اهداف، محدودیت ها و حوزه مسائل، بر روی اطلاعات ورودی به منظور ایجاد دانش جدید کار می کند که در سیستم دانش آن ذخیره شده است. در تکرارهای بعدی فرایند حل مسئله، دانش مفید ایجاد شده می تواند دانش جامع تری را ارائه دهد. یک DSS ممکن است هر کدام از استراتژی های یادگیری ماشین را به منظور کشف دانش جدید در جریان حل مسئله به کار گیرد. مهمترین قصد آن ترکیب کردن دانش جدید، مفید و جامع تر در سیستم دانش(KS) و سیستم پردازش مسئله(PPS) به منظور تحت تاثیر قرار دادن و بهبود فرایندهای حل مسئله بعدی خود می باشد. در بخش بعدی در مورد پارادایم های مختلف DSS با توجه به سابقه استراتژی های یادگیری که به کار گرفته است، بحث می کنیم. همچنین در این بخش به طور خلاصه در مورد راه هایی که DSS می تواند یادگیری در سازمان را تسهیل، بهبود و افزایش دهد، بحث می کنیم.

۴٫ پارادایم های DSS و استراتژی های یادگیری
تکنیک های یادگیری ماشین که توسط DSS به کار گرفته می شود، می تواند قابلیت های کشف اطلاعات و فرایندهای جدید را افزایش دهد. تکنولوژی هوشمند به طور گسترده در سازمان ها، جایی که انسان و ماشین ها می تواند با یکدیگر در رابطه با یادگیری و بهبود مهارت های حل مسئله خود تعامل کنند، گنجانده شده است. به علاوه هم یادگیری انسان و هم یادگیری ماشین می تواند به عنوان هدف عمومی تحصیل دانش و مهارت با قصد بهبود عملکرد آینده، مطرح باشد. یک DSS که به یکی یا تعداد بیشتری از تکنیک های یادگیری ماشین زیر تجهیز شده باشد می تواند رفتار پردازش مسئله خود را به طور قابل توجهی بهبود دهد و در نتیجه فرایند یادگیری سازمانی را تحت تاثیر قرار دهد.
تعداد زیادی از استراتژی های یادگیری ماشین در ادبیات یادگیری ماشین شناسایی شده اند. با توجه به اهداف این بحث، می توان آنها را این گونه طبقه بندی کنیم: یادگیری طوطی وار(برحسب عادت)، یادگیری استقرایی(از کل به جز رسیدن)، یادگیری قیاسی و یادگیری القائی. یادگیری القائی را می توان به یادگیری تحت کنترل و یادگیری غیرکنترلی تقسیم نمود.
یکی از مهمترین نگرانی ها در یادگیری ماشین این است که ماشین ها باید بطور قابل ملاحظه ای در انجام برخی فعالیت های یادگیری سریع تر باشند. کارایی یادگیری ماشین معمولاً وابسته به انواع فعالیت های یادگیری و پیشرفت زبان می باشد. برای مثال، یک سیستم که به صورت طوطی وار می آموزد بسیار کارا است اما معمولاً توانایی انجام هیچ گونه استنباطی را ندارد. در سوی دیگر طیف، سیستمی که از طریق القاء می آموزد ممکن است ناکارا باشد، اما می تواند در موقعیت های جدید که تصمیم گیرنده که دانش لازم را حل مسئله نداشته باشد، مفید واقع گردد. برخی سیستم ها می توانند در جایی که دانش در دسترس در حداقل است اما انتظار می رود که افزایش یابد، بشدت موثر باشند.
در خصوص یک سیستم یادگیری طوطی وار بیشترین تاکید بر حافظه و توسعه طرح های شاخص گذاری(فهرست سازی) برای بازیابی کارا دانش ذخیره شده می باشد. بنابراین در یک واحد سازمانی جایی که بیشتر وظایف اداری و طبق یک روال ثابت می باشد یک سیستم یادگیری طوطی وار می تواند بسیار مفید باشد. این نوع از سیستم ها، DSSهای مرسوم هستند که می توانند برای انجام فعالیت های عادی خاص به یک روش منظم و ثابت، از قبل برنامه ریزی شده باشند. معمولاً همه تسهیلات پردازش مسئله آنها در هنگام طراحی ساخته شده اند. برنامه کاربردی می تواند به صورت مکرر برای حل صحیح مسئله از قبل تعیین شده، درخواست شده باشد. سیستم با حل مکرر مسئله در توانایی هایش به اثربخشی و کارایی بیشتر نمی رسد. پردازشگر مسئله که دستورالعمل های ذخیره شده را بر مبنای دستورالعمل های کاربر اجرا می کند، تغییرناپذیر است. در یک عبارت ساده، این نوع از یادگیری می تواند به عنوان یک یادگیری انفعالی به شمار آید. در اصل، DSSهای مرسوم دانش پردازش مسئله(PPK) خود را از طریق یادگیری طوطی وار برای انجام وظیفه حل مسئله خود، بدست می آورند. اگرچه برخی سیستم ها می توانند برای جمع آوری و ارائه بازخورد اطلاعاتی به روشی که تصمیم گیرنده(DM) بتواند برای تغییر رفتار DSS به منظور ایجاد بهبود در عملکرد آتی آن مورد استفاده قرار دهد، طراحی شده باشند.
یک چیز تاحدی مشابه، هنوز نقش خبره را نوعی از سیستم های خبره(ESs) بازی می کند که از یادگیری استقرایی بهره می گیرد. مهمترین هدف در طراحی سیستم های خبره گرفتن و ایفای نقش تخصص خبرگان می باشد، از اینرو افراد غیرمتخصص نیز می توانند از آنها در جهت افزایش بهره وری شان و بهبود کیفیت راه حل هایشان استفاده کنند. هدف سیستم های خبره جایگزینی فرد خبره نمی باشد بلکه خلاصی فرد متخصص از درگیری با مسائل بسیار پیچیده می باشد. با به کارگیری استدلال استقرایی، یک سیستم خبره می تواند از دانش موجود و استدلال های قانونی خبرگان به تمثال های مفید تغییر شکل یابد، ولواینکه معمولاً قادر به ایجاد قواعد استنباطی جدید نمی باشد. در این مفهوم، یک سیستم خبره را همچنین می توان به عنوان سیستمی که مبتنی بر یادگیری طوطی وار می باشد، به شمار آورد. اگرچه یک سیستم بسیار پیچیده تر که با یک ویرایشگر هوشمند برای اهداف آموزشی و استنتاج دانش جدید ترکیب شده، یک مثال از یادگیری استقرایی است. این سیستم ها با توجه به بازخوری که از فعالیت های بیشمار حل مسئله دریافت می کنند قادر به تغییر دانش پردازش مسئله خود می باشند.
بنابراین DSS های مرسوم می توانند در حل مسائل در سطوح پایین مدیریت کمک کنند در حالی که سیستم های خبره می توانند در حل مسائلی که مستلزم استفاده از دانش خبرگان می باشد، کمک کنند. اگر چه هر دو می توانند در ساخت حافظه سازمانی کمک کنند و از این رو یادگیری تک حلقه سازمان ها را شدیداً تحت تأثیر قرار دهند. به علاوه این DSS ها و Es ها همچنین می توانند برای شناسایی و تغییر کاربر با فرضیات متضاد که در طی جریان یک سناریو حل مسئله شکل گرفته اند و مشخص کردن اهداف و خط مشی های متناقض سازمان، از قبل برنامه ریزی شده باشند. بنابراین به طور خلاصه، برخی سیستم ها می توانند یادگیری جفت حلقه سازمان ها را نیز تحت تأثیر قرار دهند.
پارادایم دیگر مدل ترکیبی DSS و Es را برای ایجاد سیستم های پشتیبان هوشمند پیشنهاد می دهد که سیستم های ترکیبی پشتیبانی تصمیم- خبره (ESs- DS) نامیده می شوند. در حالی که برخی ترکیبات می تواند فرم های مختلفی را به خود بگیرند، بیشترین سود بالقوه می تواند توسط دسته ای از اجزای ES برای ارائه پشتیبانی سطح خبره برای مدل DSS مبتنی بر اجزای سیستم ترکیبی، پیشنهاد شده باشد. یک نمونه معرف از یک ترکیب DS-ES، سیستم زمان بندی گشت پلیس می باشد، جایی که پردازشگر مسئله با قابلیت های سیستم خبره (ES) ارتقا یافته است.
سیستمی که از طریق انجام قیاس ها می آموزد از استنباط بهره می گیرد. اگر چه، استنباط ها مبتنی بر قیاس های مشترکی هستند که یک سیستم از آن اگاهی دارد. این نوع از سیستم ها می توانند در میان واحدهای تجاری درون سازمانی مفید باشند چون آنها می توانند یک نگاه جامع تر و کل نگر از وضعیت را ارائه نمایند. اخیراً برخی محققان یک چارچوب را برای یادگیری از طریق قیاس پیشنهاد کرده اند. درسهای آموخته شده و بینش های بدست آمده در طی جریان یک فعالیت حل مسئله می تواند در سایر سناریوهای مشابه کاربرد داشته باشد. برای نمونه، گاروین مطالعه موردی بوئینگ را مورد بحث قرار می دهد که فرآیند توسعه ای پرتاب های ناموفق ۷۳۷ و ۷۴۷ را با هواپیمای بسیار موفق ۷۰۷ و ۷۲۷ مقایسه می کند. بر پایه این مقایسه بوئینگ می توانست به پیشنهاداتی که در فرآیند توسعه ای ۷۵۷ و ۷۶۷- موفق ترین و بدون اشکال ترین پرتاب های هواپیما در تاریخ آن تا به حال- استفاده شده بود، رجوع کند.
هوانگ هوش را در یک DSS از یک منظر کاملاً مدل محور با تأکید بر دو طبقه وسیع از مدل ها مورد بررسی قرار داد. اول، در غیاب هر گونه روش های مدل سازی تحلیلی سنتی برای یک مسئله تصمیم، یک تصمیم گیرنده ممکن است بر دانش استدلال یک فرد خبره درباره حوزه مسئله برای ساخت یک هوش مصنوعی (AI) مبتنی بر مدل های قضاوتی، تأکید کند. اگر چه، اگر یک مسئله تصمیم مستعد پذیرش مدل سازی تحلیلی باشد از این رو یک تصمیم گیرنده می تواند برای ساخت یک مدل رویه ای به کسی که در علم مدیریت یا پژوهش عملیاتی (MS/OR) خبره است، تأکید کند. در این مواقع مشاوره پژوهش عملیاتی متخصص حوزه است. هر دو نوع دانش مدل سازی می تواند در یک سیستم خبره سیستم پشتیبانی برای استفاده بعدی گنجانیده شده باشد.
بر مبنای این ملاحظات، هوانگ توسعه یک DSS هوشمند را به یک واحدی پیشنهاد کرد که: ۱) یک مسئله را تجزیه و تحلیل کند و یک راه حل برای آن تعیین کند. ۲) یک مدل تصمیم مناسب (یعنی یک مدل قضاوتی یا یک مدل تحلیلی) را بسازد یا جستجو کند. ۳) این مدل را اجرا کند و ۴) راه حل را تفسیر کند و از تجربه بدست آمده بیاموزد. سیستم تا حد زیادی یک مشاور مدل سازی ریاضی خبره می باشد.
سایر پیشرفت ها در DSS ها چارچوب های شبیه سازی شده برای توسعه DSS های فعال می باشد. ایده پشت سیستم این است که آن می تواند جدای از نیاز به دستورالعمل های کاربران، کار کند. سیستم می تواند بدون نظارت (سرپرستی) بیاموزد زیرا قابلیت های آن در ذخیره سازی دانش و قواعد گذشته در رابطه با مسائل ویژه در پایگاه دانش خود، و برخی سیستم ها اگر کاربران تغییرات مسئله را درک کنند، نسبتاً با مدل پردازش سازگار (منطبق) می باشند. با ارائه دستورالعمل های ساده در رابطه با مسائل و زمینه اطلاعات، این سیستم ها می توانند به صورت مستقل راه حل هایی را برای مسائل تولید و مورد آزمون قرار دهند. برخی سیستم ها می توانند شیوه های تحصیل و تفسیر دانش را تقویت کنند.
از سوی دیگر، یک سیستم که از طریق القاء یاد می گیرد، بهترین استفاده را از استنباط می برد. مبنی بر این، هالساپل و دیگران یک DSS انطباقی پیشنهاد کردند که از یادگیری القائی غیرکنترلی (فاقد سرپرستی) برای افزایش دانش خود بهره می گیرد. مهم ترین تأکید در این نوع یادگیری توسعه سیستم هایی است که می توانند محیط مربوط را به منظور ایجاد استنباط بر روی اطلاعات جدید مورد کاوش و تجزیه و تحلیل قرار می دهند. هدف اینجا بسیار پیچیده تر می شود. سیستم ها نباید فقط قادر به یادگیری از اطلاعات جدید باشند بلکه همچنین باید قادر به ترکیب دانش جدید با دانش موجود و قادر به سازماندهی مجدد پایگاه دانش خود برای بهبود عملکرد می باشد. بنابراین در یک واحد سازمانی که بیشتر (اساساً) با وضعیت های جدید سر و کار دارد، یک سیستمی که از طریق القاء می آموزد می تواند بسیار مفید واقع گردد. از این رو، یک DSS انطباقی که از این مکانیسم یادگیری بهره می گیرد فقط یادگیری تک حلقه را تقویت نمی کند بلکه همچنین می تواند به طور وسیع یادگیری جفت حلقه سازمان ها را تحت تأثیر قرار دهد.
مظاهر زیادی از پارادایم یادگیری القائی غیرکنترلی وجود دارد. (برای مثال منابع ۴۰، ۴۸، ۴۹ و ۶۰ را ببینید). در اینجا، به طور خلاصه چهار تکنیک که به طور موفق آمیز برای مسائل دنیای واقعی به کار برده شده اند را مورد بحث قرار می دهیم.
گرم کردن (پختن) شبیه سازی شده، یک مثال از تکنیک یادگیری القائی غیرکنترلی می باشد که از قیاس بین زمینه های مکانیک آماری و بهینه سازی ترکیبی بهره می گیرد. متروپلیس و دیگران، ابتدا تکنیکی را به عنوان یک ابزاری برای ایجاد ساختارهای افقی محتمل و پایدار در یک ماده، در یک درجه حرارت معلوم، پیشنهاد دادند. متعاقباً بسیاری از محققان کاربرد این ایده در حل بسیاری از مسائل NP کامل به منظور بهینه سازی، مورد مطالعه قرار دادند. برای مثال کیرکپاتریک و دیگران، کیرکپاتریک، کرین و آرتز و دیگران مسیر مسئله فروشنده دوره گرد را با استفاده از این تکنیک نشان دادند.
جستجوی تابو (Tabu Search) یک روش یادگیری غیرکنترلی است که از یک مجموعه از اپراتورها برای هدایت یک فرآیند از یک مرحله به مرحله دیگر بهره می گیرد. جستجوی تابو با یک مجموعه پویا از اپراتورها کار می کند. بر پایه داده های تاریخی گذشته، این مجموعه شامل مجموعه ای از محدودیت های تابو است که تغییر مکان های (حرکات) خاصی را به عنوان حرکات ممنوع طبقه بندی می نماید، به اضافه مجموعه ای از آرمان ها که می توانند به صورت ملاک در حالت تابو برای برخی حرکات و رهاسازی آنها از این حال در نظر گرفته شوند. ورا و هرتز، گلوور و گرینبرگ و گلوور از این تکنیک برای نشان دادن مسائل بهینه سازی ترکیبی همچون فروشنده دوره گرد، ترتیب گذاری جریان کار فروشگاه و رنگ آمیزی گراف (نمودار)، استفاده کردند.
تکنیک یادگیری ماشین مبتنی بر ژنتیک منتسب به نظرات ابتدائی هلند در مورد یک دسته از الگوریتم ها که الگوریتم های ژنتیک (GAS) نامیده می شود، می باشد. در اصل، یک ترکیبی از انتخاب طبیعی رشد و توسعه گونه های زنده را که به شدت با محیط خود سازگار هستند، را مجاز می شمارد (اجازه می دهد). یک الگوریتم ژنتیک، الگوریتمی است که بر پایه یک اصل مشابه عمل می کند. زمانی که در مورد یک مسئله به کار گرفته می شود، این الگوریتم از یک مکانیزم مبتنی بر ژنتیک برای تولید مکرر راه حل های جدید از میان راه حل های در دسترس جاری استفاده می کند. پس آن تعداد یا همه بخش های موجود راه حل جاری را با بخش های تولیدی جدید جایگزین می کند. انگیزه پشتیبان روش، کیفیت راه حلی است که باید در طی زمان افزایش یابد، فرآیندی که بسیار شبیه اصل بقای نسب است که به نظر می رسد توسط طبیعت دنبال می شود. برخی مطالعات بر روی کاربرد انواع مختلف روش های مبتنی بر الگوریتم ژنتیک برای مسائل بهینه سازی با محاسبات زیاد از حوزه های مختلف شامل پیکربندی شبکه ارتباطات، عملیات خط لوله گاز و نفت، ثبت تصویر، دیده بانی و مراقبت از منطقه در میدان جنگ، زمان بندی چند مرحله ای جریانات فروشگاه، زمان بندی چند معیاره نیروی کار و زمان بندی منابع محدود در سیستم های تولیدی انعطاف پذیر می باشد.
شبکه عصبی مصنوعی (ANN) تکنیکی است که بر روی طراحی و پیاده سازی سیستم های کامپیوتری با قابلیت های معماری و پردازش مبتنی بر قابلیت های پردازش هوش انسانی می باشد. این مدلی است که سعی می کند از شبکه عصبی بیولوژیکی (زیستی) تقلید کند. یک شبکه عصبی مصنوعی (ANN) ترکیبی از عناصر پردازش یا نورون ها (یاخته های عصبی) می باشد که ورودی ها را دریافت می کند، آنها را پردازش کرده و یک خروجی که می تواند محصول نهایی (تصمیم) یا به عنوان یک ورودی برای نورون دیگر باشد، تولید می کند. توربان و آرونسون اظهار می دارند که این نتایج در شبکه های عصبی مصنوعی از تکنیک های نمایش معلومات (دانش) استفاده می کنند که خودش را معطوف به پردازش موازی، بازیابی سریع و پردازش تعداد زیادی از داده ها و الگوشناسی مؤثر و کارا مبتنی بر داده های تاریخی گذشته، می کند. شبکه های عصبی مصنوعی به داده های آموزشی برای تعدیل وزن ها یا تقویت ارتباطات بین نورون ها نیاز دارند. انتشار خطای بازگشتی، الگوریتم یادگیری است که توسط بیشتر شبکه های عصبی مصنوعی مورد استفاده قرار می گیرد. شبکه های عصبی مصنوعی برای تهیه پشتیبان تصمیم پیچیده مورد استفاده قرار گرفته است و برای حل بسیاری از مسائل پیچیده. پوه استفاده از شبکه عصبی مصنوعی را در مدیریت استراتژیک مورد مطالعه قرار داد و نشان داد که شبکه عصبی مصنوعی به راحتی می تواند تجزیه و تحلیل حساسیت و تجزیه و تحلیل جزئی فاکتورهای ورودی را انجام دهد. ماراکاس به شماری از پروژه های موفق اشاره می کند که از تکنولوژی شبکه عصبی مصنوعی استفاده کرده بودند. برای مثال، کارخانه فولاد نیپون که یک سیستم کنترل عملیات کوره ذوب آهن را با استفاده از شبکه عصبی مصنوعی ایجاد نمود. شبکه عصبی مصنوعی روابط بین داده های سنسور و تفاوت دمایی الگوهای شناخته شده تجربی عملیات کلی کوره را فرا می گیرد. استفاده از شبکه عصبی مصنوعی یک دورنمای بهتری از عملیات کوره را فراهم می آورد و به دلیل نرخ موفقیت عالی آن، فولاد نیپون برنامه ریزی کرد تا تکنولوژی شبکه عصبی مصنوعی را در سایر قسمت های عملیات کوره بلند همچون تشخیص عیب نواقص کاری، به کار گیرد. به طور مشابه، کمپانی اوراق بهادار دایوا و شرکت الکتریکی نیپون (NEC) از تکنولوژی شبکه عصبی مصنوعی به منظور آگاهی یافتن از قیمت های آتی سهام از طریق تجزیه و تحلیل نمودارهای قیمت سهام، استفاده نمودند.
یک DSS انطباقی که به هر نوع از مکانیزم های یادگیری القائی غیرکنترلی تجهیز شده است، می تواند هر چهار جزء ترکیبی یادگیری سازمانی را تقویت کند. همانطور که بحث شد این DSS ها می تواند در کشف دانش، تفسیر دانش و طبقه بندی مفید و ذخیره سازی آنها برای سناریوهای حل مسئله آینده ، با ارزش واقع شوند. آنها همچنین قابلیت سازماندهی دانش را به منظور بازیابی کارا، آزمون ارزش آن و کنار گذاشتن هرگونه دانش منسوخ بعد از یک دوره زمانی را دارد. بنابراین، آنها می توانند به تصمیم گیرنده در کشف دانش جدید و مفید کمک کنند و بینش جدیدی راجع به درک تصمیم گیرنده از مفروضات، هنجارها و خط مشی های سازمان فراهم می آورد. از اینرو، گذشته از تاثیر بر یادگیری تک حلقه ای ، برخی DSS ها توان بالایی در تاثیر بر یادگیری جفت حلقه در سازمان ها دارند.
در مورد اینکه چگونه DSS ها می توانند در تقویت توانایی های تصمیم گیری تصمیم گیرنده کمک کنند، بحث کردیم. علاوه بر اینکه یک DSS می تواند هر یک از قابلیت های یادگیری مورد بحث در بالا را با هم ترکیب کند، همچنین می تواند اثربخشی این تصمیمات و کارایی تصمیمات پیاده سازی شده را افزایش دهد. در بخش بعدی در مورد خصوصیات کلیدی DSS ها که یادگیری سازمانی را تسهیل، افزایش و ارتقاء می بخشند، بحث می کنیم.

۵- خصوصیات DSS برای توانمندسازی یادگیری سازمانی
اگر اعضای یازمان بتوانند از طریق انتشار و به اشتراک گذاری اطلاعات به یک توافق دست یابند، تصمیمات اتخاذی معمولاً بهتر درک می شوند. بنابراین DSS باید طوری طراحی شده باشد که درک میان شرکت کنندگان مختلف در تصمیم گیری را تسهیل کند. هدف رسیدن به یک درک مشترک نسبت به کارایی و اثربخشی از اهمیت بیشتری برخوردار می باشد. تلاش برای رسیدن به یک درک مشترک مستلزم یک توزیع متقارن اطلاعات در بین شرکت کنندگان می باشد. با یک درک مشترک در میان شرکت کنندگان، آنها فرصت ابراز تفسیرها، ادعاها و توضیحاتشان را می یابند که با داعاهای متقابل و دوسویه در مورد آنها تصمیم گیری می شود.
این درک ابزاری را برای تصمیم گیرندگان به منظور ابراز علایق، انحرافات شناختی و الویت های شخصی فراهم می آورد. به تصمیم گیرندگان اجازه می دهد تا به طور مساوی و آزادانه نظرات و تجارب خدر رابیان کنند. برای مثال اچسو اثرات سبک های شناختی و وجه مشترک طرح های مورد استفاده در سیستم های دانش محور(KBS) را مورد مطالعه قرار داد و بر روی انتقال دانش از سیستم های دانش محور به کاربران تازه کار تمرکز کرد. او مشاهده کرد که در دسترس بودن تفسیرها در یادگیری دانش جدید از سوی کاربران تازه کار سودمند می باشد و اینکه استفاده از توجیه حاصله بسیار بیشتر از انتقال دانش بواسطه تفسیر تنها، می باشد. تعدادی راه وجود دارد که از طریق آنها یک DSS می تواند فرایند یادگیری سازمانی را تسهیل و ارتقاء بخشد که در ادامه در مورد آنها بحث می کنیم.
۵٫۱- دسترسی کارای (کارآمد) داده ها
معمولاً عملکرد یک تصمیم گیرنده بهبود خواهد یافت اگر دانش و مدل ها مبتنی بر الگوی مصرف تصمیم گیرنده به قابل دسترسی و غیرقابل دسترسی تقسیم شده باشد. فراوانی بازیابی بخش های ویژه دانش و مدلها وابسته به سوگیری های تصمیم گیرنده می باشد. اگر چه یک DSS می تواند سوگیری های فردی را به واسطه ارائه توابع احتمالی و آماری و معرفی پیشنهادهای چندگانه اصلاح کند، تصمیم گیرنده باز هم مدل های کمی را ترجیح می دهد که مطابق فرآیندهای ذهنی تصمیم گیری خودش می باشد. برای مثال اگر تصمیم گیرندگان بیشتر قضاوتی باشند، می توانند ابتدا قضاوت هایی را انجام دهند و سپس بازبینی انجام داده و آنها را با مدل های DSS معتبر سازند. برای این کاربران مهم این است که آنها به سهولت آن مدل هایی را که اغلب در قضاوت هایشان استفاده می کنند، بیابند. به عبارت دیگر، برای تصمیم گیرندگان تحلیلی، احتمال استفاده از هر مدل می تواند مساوی باشد و تصمیم گیرنده هیچ گونه تعصبی نداشته باشد. بنابراین مدل ها باید آنچنان موضع یابی شده باشند که بتوانند به طور مساوی کشف شده باشند.
۵٫۲- آزمایش متغیرها
آزمایش مزیت های بسیاری را برای مدیران به منظور تغییر چارچوب داوری آنها ارائه می دهد. مدیرانی که تمایل به جستجو در بین دامنه نرمال متغیرها می باشند آماده (حاضر) یادگیری و آزمون اعتبار فرضیاتشان هستند. با استفاده از تجزیه و تحلیل شرط و جزا و آزمایش با سناریوهای مختلف آتی، مدیران می توانند الگوهای تفکر و قضاوت ها، تصمیمات خود را ارزیابی، آزمون و تعدیل کنند. با استفاده از مدل های متفاوت، مدیران می توانند تعصبات (تورش های) خود را کنار گذاشته (حذف کنند) و اصلاحات مناسب و ضروری را در مورد تصمیمات خود اعمال می کنند.
۵٫۳- ایجاد مدل های جایگزین
همچنین DSS ها می توانند برای تولید مدل های جایگزین به وسیله تولید ایده های نو و خلاق در زمینه های متفاوت، مورد استفاده قرار بگیرند. برای مثال، یک DSS انعطاف پذیر اغلب قادر به افزایش و کاهش تعداد متغیرها می باشد. با تغییر تعداد متغیرها، مدیران اغلب می توانند سناریوهای متفاوت آتی را شبیه سازی و مورد آزمون قرار دهند. این مدل ها به یک تصمیم گیرنده در جستجو و ایجاد چشم اندازها و راه حل های جایگزین کمک می کنند. DSS هایی که توانایی پشتیبانی برنامه های چندگانه و ارائه راهنمایی لازم در ساختاربندی و خلاصه سازی مسائل دارند می توانند در مسائل ذهنی به منظور کمک به تصمیم گیرندگان در جستجوی میان راه حل های مشهود بسیار مورد استفاده قرار بگیرند.
۵٫۴- تجزیه و تحلیل روند
DSS های انطباقی، که به مکانیزم های یادگیری القایی و روش های آماری تجهیز شده اند، می توانند به سازمان در تفسیر الگوهای داده مختلف و پیش بینی آمادگی سازمانی برای رشد و بهره وری فصلی کمک کنند. برای مثال، تجزیه و تحلیل روند مرتبط با صنایع جهانگردی و توریسم که مستلزم سر و کار داشتن با افت و خیزهای فصلی است. سازمان با تجهیز به تجزیه و تحلیل روند، توانایی بیشتری در پیش بینی و اتخاذ حرکات زودتر از موعد دارد.
۵٫۵- مدل های اکتشافی و تأییدی (تقویمی)
یک DSS متشکل از سطوح مختلف مدل های اکتشافی و تأییدی باید منطبق با تخصص تصمیم گیرندگان باشد. کاربران مبتدی علاقه ای به استفاده از مدل های پیچیده ندارند، ولی از سوی دیگر، خبرگان علاقه ای به استفاده از روش های سطح پایین در تجزیه و تحلیل مسائل ندارند. برای مثال، کاربران مبتدی اغلب در هر مرحله پایین ترین سطح را بر می گزینند در حالی که خبرگان اغلب در مقام فرماندهی بر می آیند. از این رو یک DSS با هدف افزایش یادگیری سازمانی باید هر دو نوع وجه مشترک را به خدمت بگیرند: رابط های گرافیکی کاربران به خوبی دستورالعمل های حالت فرماندهی.
۵٫۶- شبیه سازی
DSS ها می توانند مطالعات شبیه سازی را به منظور کاهش ابهام و عدم اطمینان پشتیبانی کنند. با استفاده از سناریوهای مختلف، یک DSS قادر است یک سازمان را برای درک حقایق محتمل آتی و اتخاذ حرکات پیش از موعد ضروری کمک کند. با شبیه سازی سناریوهای مختلف، اعضای سازمانی می توانند محیط های آتی را در یک سبک مشابه تفسیر کنند که اغلب برای همسان سازی یادگیری فردی با یادگیری سازمانی بسیار مهم است. شبیه سازی های کامپیوتری صریح و روشن هستند و از این رو نتایج آنها به آسانی می توانند در سراسر سازمان انتشار یابند. یک DSS مجهز به قابلیت های یادگیری القایی می تواند سناریوهای مختلف را برای کاوش و آزمون سریع و اقتصادی موقعیت های مختلف شبیه سازی و ایجاد کند.
اخیراً نینیوز و دیگران از روش هدف محور برای توسعه مدل های شبیه سازی استفاده کرده اند.
۵٫۷- استدلال پیرامون راه حل ها
از طریق واضح سازی جزئیات راه حل ها، یک DSS می تواند به بهبود درک تصمیم گیرندگان کمک کند و به طور آشکار نقش متغیرهای مختلف را در تصمیم گیری مجسم می کند. دستکاری های مدل های مختلف، مدل های موجود و تغییر شکل یافته می تواند در ایجاد آگاهی در میان اعضای سازمانی به منظور تسهیل تغییرات به عنوان نتیجه کاربرد سیستم ها، یاری رساند. به عنوان مثال، یک مؤلفه کلیدی ES ها، توانایی آن برای فراهم سازی توجیهاتی برای نتایج و یا توصیه آن می باشد. این مؤلفه ES ها آن را قادر می سازد تا رفتار آن را تشریح نماید، دانش مورد استفاده را شناسایی نماید، و مراحلی که در گذشته برای رسیدن به یک نتیجه خاص صورت گرفته است، شناسایی نماید. بر اساس این بازخورد، تغییراتی می تواند بر روی مبنای دانش سیستم ها صورت گیرد و یا ساز و کار استنباط را تغییر دهد. هدف از این، جایگزینی رفتار سیستم برای مورد توجه قرار دادن مسائل پیچیده تر به گونه ای مؤثر می باشد.
۵٫۸- اکتشاف در مقابل اکتشاف دانش (شناسایی دانش)
یک DSS، سازمان ها را قادر می سازد تا از دانش تاریخی استفاده نمایند. اجزای پایگاه اطلاعاتی یک DSS یک منبع غنی از داده های تاریخی می باشد. اجزای پایگاه اطلاعاتی ممکن است شامل داده های حاصل از منابع خارجی با توجه به محیط آن و منابع داخلی با توجه به منابع سازمان، قابلیت ها و عملکرد شود. ارزیابی ادواری پایگاه اطلاعاتی این فرصت را در اختیار سازمان قرار می دهد تا منابع بالقوه مزایای رقابتی را کشف نماید. علاوه بر این مقایسه داده ها در طی زمانها، مکانها و موقعیت های مختلف می تواند به سازمان کمک کند تا بتواند عملکرد آن را در طی ادوار، موقعیت ها و مکان های مختلف ارزیابی نماید

۵٫۹- نظریه پردازی
به منظور کسب یک مزیت رقابتی، روند فعلی سازمان ها، جهانی شدن می باشد. چالش اصلی پیش روی این سازمان ها، تحصیل گروه کاری مؤثر و کارا می باشد. استفاده از DSS های گروهی (GDSS ها) می تواند برای شرکت کنندگان این امکان را فراهم آورد تا از طریق کاهش محدودیت های زمانی و مکانی در کنار یکدیگر باشند و دیدگاه های خود را به اشتراک بگذارند. یک سازمان مجهز به یک GDSS، به گونه ای بهتر قادر به استفاده از دانش کارکنان آن از طریق به اشتراک گذاری اطلاعات و دانش مکمل می باشد. به عنوان مثال، از طریق به کارگیری ابزارهای گروهی، CIGNA قادر به اشتراک گذاری مهارت کارکنان آن در ۵۵ واحد بین المللی است.

۶٫ کاربردهای آتی
در این مطالعه ما نشان دادیم که چگونه DSS می تواند موجب ارتقای یادگیری سازمانی شود. با افزایش استفاده از کامپیوترهای قدرتمند و ارتباطات متداول، روندی را مجسم می سازیم که در آن DSS ها به طور روز افزونی برای ارتقای یادگیری سازمانی مورد استفاده قرار می گیرد. این موضوع به خصوص در عرصه تجارت الکترونیک مصداق پیدا می کند به نحوی که سازمان ها با محیط آشفته ای مواجه می باشند و برای وفق دادن سریع خود با محیط در حال تغییر، تحت فشار می باشند. در مواجهه با چنین محیط های پویایی، سازمان ها به طور روز افزونی از عوامل هوشمند استفاده می کنند که موجب تسهیل یادگیری تک حلقه ای و جفت حلقه ای می شود. برخی از این عوامل مستقل و هوشمند مثل عوامل Sodabot و Foner می توانند در مذاکرات، همکاری گروهی و گسترش تعاملات یاری رسانند. به طور مشابه، سایر عوامل Maes ، Kidsim ، IBM و Hayes Roth به شناسایی مسائل و مشکلات در محیط های پویا، ارائه راه حل ها، و انجام وظایف به طور مستقل کمک می نماید.
Janca این گونه بیان می کند که عوامل هوشمند پیش روی، نقش های مهمی را بازی می کنند و تا حد زیادی بر روی عملکرد سازمان تاثیر می گذارند. با بکارگیری این عوامل بر روی کامپیوترهای شخصی، کاربران می توانند به سهولت از مزایای ناشی از قابلیت های چنین ابزارهایی بهره مند شوند به عنوان مثال چنین ابزارهایی هم در مرتب سازی اطلاعات و هم در داده کاوی به کاربران یاری می رسانند. بنابراین، کاربران به جای دریافت بار طاقت فرسایی از اطلاعات، تنها اطلاعات مربوط در تصمیم گیری های خود را دریافت می کنند.
علاوه بر این سازمان ها از DSS ها برای مدلسازی پویا استفاده می کنند که فرصت های زیادی را برای برنامه ریزی های سناریو ها و تحلیل حساسیت فراهم می کند. همچنین افزایش استفاده از شبکه ها و اهداف ارتباطی استفاده نمایند. با بکارگیری GDSS ها، شرکت کنندگان حاضر در یک یا چند گروه درسازمان بر روی فرصت های یادگیری ناشی از یکدیگر سرمایه گذاری می کنند. Marakas نشان می دهد که GDSS ها تا حد زیادی در DSS ها به عنوان مدل های مستقل یا به عنوان قسمتی از فرآیند های هدایت شد در نظر گرفته شود. Moffit این گونه بیان می کند که عوامل هوشمند، که شامل امکانات تفسیری می شود، می تواند موجب ارتقای اعتماد میان کاربران کامپیوتر و عوامل هوشمند آن ها گردد.

۷٫ نتایج
در این مقاله، ما راه هایی که در آن DSS ها می تواند یادگیری سازمانی را تسهیل ببخشد، ارتقاء ببخشد، افزایش دهد و حمایت کند، پیشنهاد کردیم. در محیط های پویای فعلی، ظرفیت DSS ها برای ارتقاء یادگیری سازمانی می تواند بسیار مهم باشد. برای مثال، زمانی که تصمیم گیرندگان با تصمیمات خاص مواجه می شوند، یک DSS می تواند قابلیت های مدلسازی کارآ و اثر بخش را ارائه کند. با استفاده از این GDSS ها، مدیران می توانند به آسانی ارتباطی بین تصمیمات و سلسله مراتب برقرار کنند. این می تواند در گردهم آوری اعضای سازمانی برای خلق طرح های ذهنی از مشکل و راه حل های آن، کمک کند.
اگر DSS به خوبی طراحی شود می تواند راهکارهایی برای بررسی و ارزیابی طرح های مختلف ذهنی و نتایج آنها برای مدیریت فراهم آورد. این کار بر انتخاب بهترین راهکار توسط مدیریت که با اهداف و افق های دید سازمان سازگار باشد، نتیجه خواهد گذاشت. اعتبار بخشی مدل های DSS می تواند مفید واقع شود چرا که معمولاً تصمیماتی مرتبط با موضوع پیشنهاد می کند. اگر استفاده کنندگان و سایر اعضای سازمان بتوانند صحت تصمیمات را از طریق DSS تأیید کنند، از متغیرهای بحرانی و مفاهیمی که از یک تصمیم خاص حاصل می شود، آگاه خواهند شد. اساساً، الگوهای مختلف DSS، از DSS های قراردادی گرفته تا DSS های توافقی، می تواند به طور بالقوه هم بر سیستم های یادگیری تک حلقه ای و هم سیستم های دو حلقه ای سازمان تأثیرگذار باشد.
DSS یک ابزار خود بیانگر و توضیحی برای DM می باشد. خود بیانگری و توضیح دهندگی آن نه تنها نیازمند انعطاف پذیری در استفاده از DSS است، که همچنین به وجود کنترل مقیم بر DSS نیاز دارد. انعطاف پذیری DSS می تواند از طریق استفاده آسان کارکنان کامپیوتر و قابلیت های مدل سازی آسان مدیریت شود. مطابقت مدل های مفهومی DM ها با مدل های DSS می تواند کنترل های بر روی DSS فراهم آورد. این قابلیت بین DM و DSS فرصت مستقیمی برای DM فراهم می آورد تا عملکرد DSS را مورد ارزیابی قرار دهد و اطلاعات بدست آمده از DSS را با اطلاعات حاصله از دیگر منابع تلفیق کند. لازم است تحقیقات بیشتری انجام پذیرد تا عملکرد و مشخصاتی که به شناسایی DSS های مناسب کمک خواهد کرد که یادگیری سازمانی را ارتقا یابد، به تفصیل مورد ارزیابی قرار دهد. به طور کلی، در شرایط پیچیده، زمانی که انسان ها از تجزیه و تحلیل تأثیرات متقابل چند متغیر به صورت همزمان ناتوان است، یک DSS می تواند با پیشنهاد واکاوی داده ها، مدل سازی و قابلیت های تحلیلی، راهکارهای متناظر بهتری ارائه کند.

 

دانلود مقاله انگلیسی و ترجمه فارسی

 

 

من سامان نصیری نویسنده این مقاله هستم.

تاریخ انتشار: 13 سپتامبر 2020
11 بازدید

مطالب مرتبط

دیدگاه ها

مجوزها و نمادها


logo-samandehi

پل های ارتباطی با ما …

تبریز ، بخش مقصودیه ، خیابان ارتش جنوبی، کوچه شهید شهابی ، بن بست باغچه ، پلاک ۸۷ ، طبقه 4
تلفن تماس : 04135421108-09307584802
ایمیل : entofa@gmail.com


Unit4,No87,Baghcheh Alley,South Artesh ST,Azadi ave,MAGHSUDIYEH, Tabriz, Iran
کلیه حقوق این وب سایت محفوظ می باشد . طراحی و توسعه آلسن وب    All rights reserved © 2020 Entofa