دانشگاه و پژوهشگاه عالی دفاع ملی و تحقیقات راهبردی
وزارت علوم، تحقیقات و فناوری
سامانه رتبه بندی نشریات علمی
سامانه همایش ها
سامانه جامع رسانه‌های کشور
پایگاه استنادی علوم جهان اسلام
مرکز ملی شاپا

 آمار

تعداد نشریات17
تعداد شماره‌ها406
تعداد مقالات2,796
تعداد مشاهده مقاله1,728,046
تعداد دریافت فایل اصل مقاله1,571,909
حسن پور, حسینعلی, کریمی, امیرمسعود, مصدق خواه, مسعود, زارعی, مصطفى. (1403). شناسایی عوامل مؤثر بر تاب‌آوری زنجیره‌تامین در موادغذایی: مطالعه‌ای کیفی. سامانه مدیریت نشریات علمی, 7(2), 113-154.
حسینعلی حسن پور; امیرمسعود کریمی; مسعود مصدق خواه; مصطفى زارعی. "شناسایی عوامل مؤثر بر تاب‌آوری زنجیره‌تامین در موادغذایی: مطالعه‌ای کیفی". سامانه مدیریت نشریات علمی, 7, 2, 1403, 113-154.
حسن پور, حسینعلی, کریمی, امیرمسعود, مصدق خواه, مسعود, زارعی, مصطفى. (1403). 'شناسایی عوامل مؤثر بر تاب‌آوری زنجیره‌تامین در موادغذایی: مطالعه‌ای کیفی', سامانه مدیریت نشریات علمی, 7(2), pp. 113-154.
حسن پور, حسینعلی, کریمی, امیرمسعود, مصدق خواه, مسعود, زارعی, مصطفى. شناسایی عوامل مؤثر بر تاب‌آوری زنجیره‌تامین در موادغذایی: مطالعه‌ای کیفی. سامانه مدیریت نشریات علمی, 1403; 7(2): 113-154.

شناسایی عوامل مؤثر بر تاب‌آوری زنجیره‌تامین در موادغذایی: مطالعه‌ای کیفی

فصلنامه آماد و فناوری دفاعی
دوره 7، شماره 2 - شماره پیاپی 22، مرداد 1403، صفحه 113-154    اصل مقاله (691.46 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
حسینعلی حسن پور* 1؛ امیرمسعود کریمی2؛ مسعود مصدق خواه3؛ مصطفى زارعی4
1استادیار و عضو هیئت علمی گروه مهندسی صنایع ،دانشکده فنی و مهندسی،دانشگاه جامع امام حسین (ع) ، تهران ، ایران
2دانشجوی دکتری مهندسی صنایع،گروه مهندسی صنایع، دانشکده فنی و مهندسی دانشگاه جامع امام حسین (ع)، تهران، ایران
3دانشیار و عضو هیئت علمی گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین ‌(ع)، تهران، ایران
4استادیار و عضو هیئت علمی گروه علمی آماد و زنجیره تامین، دانشکده علوم انسانی و قدرت نرم، دانشگاه افسری و تربیت پاسداری امام حسین (ع)، تهران ، ایران،
چکیده
هدف پژوهش تحلیل کیفی نتایج پژوهش‌های انجام‌شده و همچنین مصاحبه از خبرگان آگاه به مباحث زنجیره‌تامین موادغذایی و اختلالات موجود در آن و همچنین فرهنگ و فرآیندهای موجود در سازمان مورد مطالعه براساس روش فراترکیب کیفی است تا به شناسایی عوامل موثر بر تاب‌آوری زنجیره‌تامین در موادغذایی دست یابیم. ﭘﮋوﻫﺶ حاضر ﺑﺮاﺳﺎس ﻫﺪف، توسعه‌ای-ﮐـﺎرﺑﺮدی، روش اﻧﺠﺎم ﭘﮋوﻫﺶ، ﺗﺤﻠﯿﻠﯽـﺗﻮﺻﯿﻔﯽ ﺑﻮده و ﺑﺮاﺳـﺎس ﻣﺎﻫﯿـﺖ داده‌ها، ﮐﯿﻔﯽ است. در این پژوهش پس از جست‌وجوی اولیه و یافتن و پالایش منابع مرتبط با موضوع تاب‌آوری زنجیره‌تامین با روش ارزیابی حیاتی از 531 منبع اولیه، تعداد 62 منبع انتخاب و با استفاده از تحلیل مضمون، عوامل موثر بر تاب‌آوری زنجیره‌تامین در قالب مضامین پایه، سازمان‌دهنده و فراگیر شناسایی و دسته‌بندی شده‌ و سپس برای اشباع مدل از طریق مصاحبه نیمه ساختاریافته از خبرگان سازمانی استفاده شده است. براین اساس مضامین سازمان دهنده شناسایی شده در قالب سه مضمون فراگیر کنشی(قبل اختلال)، همزمان(حین اختلال) و واکنشی(بعدازاختلال) سازماندهی شده‌اند.
کلیدواژه‌ها
تاب‌آوری؛ زنجیره‌تامین؛ مواد غذایی؛ فراترکیب؛ ﺗﺤﻠﯿﻞ مضمون
مراجع
منابع

الف- فارسی

  • ابراهیمی، سید نصراله؛ محمودی، امیررضا؛ و میری بالاجورشری، سیده مهشید (1401). «بررسی تطبیقی سیاست کیفری انتشار اطلاعات نادرست در رسانه‌های مجازی»،فصلنامه آموزه‌های فقه و حقوق جزاء، 1 (1)، 1-20.‎
  • اخگری، محمدرضا؛ ممتازی، سعیده (1402). «کاربرد هوش مصنوعی در راستی‌آزمایی اخبار: تشخیص اخبار جعلی با استفاده از متن خبر و اطلاعات منابع منتشرکننده خبر»،پژوهش‌های رسانه و ارتباطات، 1 (1)، 243-268.‎
 

ب- انگلیسی

  • Almarashy, A. H. J., Feizi-Derakhshi, M. R., & Salehpour, P. (2023). “Enhancing Fake News Detection by Multi-Feature Classification”. IEEE Access. Almarashy, A. H. J., Feizi-Derakhshi, M. R., & Salehpour, P. (2023). Enhancing Fake News Detection by Multi-Feature Classification. IEEE Access.
  • Azzeh, M., Elsheikh, Y., Nassif, A. B., & Angelis, L. (2023). “Examining the performance of kernel methods for software defect prediction based on support vector machine”, Science of Computer Programming, (226), 102916.
  • Chai, C. P. (2023). “Comparison of text preprocessing methods”, Natural Language Engineering, 29 (3), 509-553.
  • Das, M., & Alphonse, P. J. A. (2023). “A comparative study on tf-idf feature weighting method and its analysis using unstructured dataset”, arXiv preprint arXiv, 2308.04037.
  • Dudeja, D., Noonia, A., Lavanya, S., Sharma, V., Kumar, V., Rehan, S., & Ramkumar, R. (2023). “Breast Cancer Diagnosis Using Bagging Decision Trees with Improved Feature Selection”, Engineering Proceedings, 59 (1), 17; https://doi.org/10.3390/engproc2023059017
  • Emami, S., & Martínez-Muñoz, G. (2023). Sequential training of neural networks with gradient boosting. IEEE Access.
  • Ghunimat, D., Alzoubi, A. E., Alzboon, A., & Hanandeh, S. (2023). “Prediction of concrete compressive strength with GGBFS and fly ash using multilayer perceptron algorithm, random forest regression and k-nearest neighbor regression”, Asian Journal of Civil Engineering, 24 (1), 169-177.
  • Golovin, A. (2024). “Fake News. Fake News dataset based on FakeNewsNet”. In: Kaggle, Available at: https://www.kaggle.com/datasets/algord/fake-news.
  • Guido, R., Groccia, M. C., & Conforti, D. (2023). “A hyper-parameter tuning approach for cost-sensitive support vector machine classifiers”, Soft Computing, 27 (18), 12863-12881.
  • Ho, L. S., & Tran, V. Q. (2024). “Evaluation and estimation of compressive strength of concrete masonry prism using gradient boosting algorithm”, Plos one, 19 (3), e0297364.
  • Hu, B., Sheng, Q., Cao, J., Shi, Y., Li, Y., Wang, D., & Qi, P. (2024, March). “Bad actor, good advisor: Exploring the role of large language models in fake news detection”. In: Proceedings of the AAAI Conference on Artificial Intelligence, 38 (20), 22105-22113.
  • Kumar, R. (2024). “Fake News Prediction Dataset. Dataset is having records of real and fake news which can be used for prediction”, Available at: https://www.kaggle.com/datasets/rajatkumar30/fake-news?resource.
  • Maheswari, R. U., & Sudha, N. (2024). “An efficient fake news classification model based on ensemble deep learning techniques”, Salud, Ciencia y Tecnología-Serie de Conferencias, (3), 649-649.
  • Makkar, K., Kumar, P., Poriye, M., & Aggarwal, S. (2023). “Improvisation in opinion mining using data preprocessing techniques based on consumer’s review”, International Journal of Advanced Technology and Engineering Exploration, 10 (99), 257-277; DOI:10.19101/IJATEE.2021.875886.
  • Patil, M., Yadav, H., Gawali, M., Suryawanshi, J., Patil, J., Yeole, A., ... & Potlabattini, J. (2024). “A Novel Approach to Fake News Detection Using Generative AI”, International Journal of Intelligent Systems and Applications in Engineering, 12 (4s), 343-354.
  • Pichiyan, V., Muthulingam, S., Sathar, G., Nalajala, S., Ch, A., & Das, M. N. (2023). “Web Scraping using Natural Language Processing: Exploiting Unstructured Text for Data Extraction and Analysis”, Procedia Computer Science, (230), 193-202; DOI: 10.1016/j.procs.2023.12.074.
  • Soetekouw, L., & Angelopoulos, S. (2024). “Digital resilience through training protocols: Learning to identify fake news on social media”, Information Systems Frontiers, 26 (2), 459-475.
  • Solomon, F. A. M., Sathianesan, G. W., & Ramesh, R. (2023). “Logistic Regression Trust-A Trust Model for Internet-of-Things Using Regression Analysis”, Computer Systems Science & Engineering, 44 (2), 1125-1142.
  • Truică, C. O., Apostol, E. S., & Karras, P. (2024). “DANES: Deep neural network ensemble architecture for social and textual context-aware fake news detection”, Knowledge-Based Systems, (294), 111715; https://doi.org/10.1016/j.knosys.2024.111715.
  • Veziroğlu, M., Eziroğlu, E., & Bucak, İ. Ö. (2024). “Performance Comparison between Naive Bayes and Machine Learning Algorithms for News Classification”. In: Bayesian Inference-Recent Trends. IntechOpen.
  • Xie, X., Yuan, M. J., Bai, X., Gao, W., & Zhou, Z. H. (2024). “On the Gini-impurity preservation for privacy random forests”, Advances in Neural Information Processing Systems, (36), 45055–45082.
  • Yenkikar, A., Sultanpure, K., & Bali, M. (2023). “Machine learning-based algorithmic comparison for fake news identification”. (pp. 67-83). In: AI-Based Metaheuristics for Information Security and Digital Media. Chapman and Hall/CRC.
  • Zaidi, A., & Al Luhayb, A. S. M. (2023). “Two statistical approaches to justify the use of the logistic function in binary logistic regression”. Mathematical Problems in Engineering. https://doi.org/10.1155/2023/5525675.
 

[1]. پژوهشگر حوزه مدیریت راهبردی فضای سایبر (نویسنده مسئول) a.tarrasoli@sndu.ac.ir.

[2]. Yenkikar, A., Sultanpure, K., & Bali, M.

[3]. WhatsApp

[4]. Signal

[5]. Cyberspace

[6]. Dataset

[7]. Patil

[8]. Hu

[9]. large language models (LLMs)

[10]. small language models (SLMs)

[11]. Truică

[12]. Novel Network Embedding

[13]. Lazer  & et.al.

[14]. Soetekouw, L., & Angelopoulos, S.

[15]. Pichiyan, V., Muthulingam, S., Sathar, G., Nalajala, S., Ch, A., & Das, M. N.

[16]. Makkar, K., Kumar, P., Poriye, M., & Aggarwal, S.

[17]. Stemming

[18]. Lemmatization

[19]. Chai

[20]. Stop word removal

[21]. Tokenization

[22]. Tokens

[23]. Maheswari & Sudha

[24]. Das & Alphonse

[25]. Feature extraction

[26]. Document-term matrix

[27]. Vector Space Model (VSM)

[28]. Term Frequency-Inverse Document Frequency (TF-IDF)

[29]. Inverse Document Frequency (IDF)

[30]. Term Frequency (TF)

[31]. Binary representation

[32]. Almarashy

[33]. Random Forests (RF)

[34]. Bagging

[35]. Decision Trees

[36]. Dudeja, D., Noonia, A., Lavanya, S., Sharma, V., Kumar, V., Rehan, S., & Ramkumar, R.

[37]. Random forest regression

[38]. Ghunimat, D., Alzoubi, A. E., Alzboon, A., & Hanandeh, S.

[39]. Classification Random Forest

[40]. Gini Impurity

[41]. Xie, X., Yuan, M. J., Bai, X., Gao, W., & Zhou, Z. H.

[42]. Support Vector Machine (SVM)

[43]. Supervised Learning

[44]. Cortes and Vapnik

[45]. Hyperparameters

[46]. Hyperplane

[47]. Guido, R., Groccia, M. C., & Conforti, D.

[48]. Kernel functions

[49]. linear kernel

[50]. polynomial and radial functions

[51]. Azzeh

[52]. Naive Bayes (NB)

[53]. Multinomial Naive Bayes

[54]. Veziroglu, M., Eziroglu, E., & Bucak, I. O.

[55]. Logistic Regression (LR)

[56]. logistic Sigmoid

[57]. Cost Function

[58]. Zaidi, A., & Al Luhayb, A. S. M.

[59]. Gradient Descent

[60]. The Beta coefficients

[61]. Solomon, F. A. M., Sathianesan, G. W., & Ramesh, R.

[62]. Gradient Boosting (GB)

[63]. loss function

[64]. Emami, S., & Martínez-Muñoz, G.

[65]. Ho, L. S., & Tran, V. Q.

[66]. Kaggle

[67]. Kumar, R.

[68]. Golovin

[69]. Retweet

[70]. RapidMiner

[71]. Confusion matrix

[72]. True-Positive

[73]. False-Positives

[74]. True-Negatives

[75]. False-Negatives

[76]. Accuracy

[77]. F1-Score

[78]. The Recall and Rhe Precision

[79]. Harmonic Mean

[80]. Hybrid warfare

آمار
تعداد مشاهده مقاله: 177
تعداد دریافت فایل اصل مقاله: 105