حال فرض کنید سند d با درجه عضویتی به شرح زیر انتخاب میشود:
نخست، برای محاسبه بخش اول عبارت یعنی حداقل سه مورد از (t1, t2, t3, t4) مجموعة فازی را که حاصل انطباق با سند d است، حساب میکنیم. (محاسبات این قسمت نظیر فرمولهایی است که در ابتدای همین فصل گفته شده است) این محاسبات به محاسبه کمّی «نماهای نیمه فازی»[13] منجر خواهد شد که به صورت زیر نمایش داده میشود:
otherwise
بنابراین، تمامی مقادیر کمّی نماهای فازی فوق، میتواند به صورت زیر محاسبه شود:
at least 3 (t1, t2, t3, t4) = 0 × 0.3 + 0 × 0.25 + 0 × 0.15 + 1 × 0.1 + 1 × 0 = 0.1
اکنون عضویت سند d نسبت به کل عبارت جبری، به قرار زیر خواهد بود:
0.1 and 0.4 = min (o.1, 0.4) = 0.1
شایان ذکر است، این روش به صورت عملی در یک مجموعه 65000 رکوردی از مقالههای روزنامه همشهری آزمایش شد. نتایج حاصل از این بررسی نشان داد روش یاد شده در زبان فارسی بهتر از زبان انگلیسی نتیجه داده و ضمناً نتایج آن در قیاس با روشهای حاصل از مدل «فضای برداری»[14] رضایتبخشتر بوده است (Nayyeri & Oroumchian, 2006, p.5).
سازماندهی اطلاعات
چنانکه دادههای جدول 1 نیز نشان داد، استفاده از نظریههای فازی در ردهبندی اطلاعات، به میزان بازیابی اطلاعات متداول نبوده است، تا سال 1995به جز مقالهای که در سال 1976 در خصوص ردهبندی منتشر شد[15]، هیچ مقالهای در خصوص ردهبندی یا سازماندهی و منطق فازی در LISA به ثبت نرسیده است. در فاصله سالهای 1995 تا 2006 نیز آثار منتشر شده با این موضوع، عمدتاً در حوزه اطلاعات پزشکی بوده است. به استناد مقالههای ثبت شده در بانک اطلاعاتی LISA، در سالهای اخیر تمایل به استفاده از ردهبندی فازی در ساخت پایگاههای اطلاعاتی و نیز نظامهای خبره، افزایش یافته است.
برای مثال، در ایجاد پایگاههای اطلاعاتی با استفاده از سرورهای SQL، ردهبندی فازی و استفاده از پرس و جوهای متداول، شرایطی را ایجاد کرده است که دادهها به نحو سادهای درست مانند ردهبندیهای متداول غیرفازی، از پایگاههای اطلاعاتی استخراج میشوند. چارچوبهای پیشرفتهای نیز به عنوان ابزار دادهآمایی در نظامهای گسترده اطلاعات استفاده شده و با پایگاههای اطلاعاتی مرتبط که معمولاً مورد استفاده قرار میگیرند، یکی میشوند. با استفاده از راهکارهای ارائهشده از طریق این روش، تحلیل دادهها به نحو انعطاف پذیرتری انجام میشود و اطلاعات نیز در مرحله شکلگیری گزارش به شکل بهتری ارائه میگردد (Veryha, 2005, p. 360).
قواعد ردهبندی فازی در پارهای موارد به صورت خودکار تعیین میشوند. شیوههای «نورو فازی»[16] یا فازی نوین، گزینش «الگوریتم تکوینی»[17] و «خوشهبندی فازی»[18] در ترکیب یا بهینهسازی الگوریتم تکوینی، از جمله فنونی است که برای ارائه این قواعد به کار گرفته میشود. مدلهای مختلف فازی، برای ردهبندی مراحل زیر را دنبال میکنند:
1. ساختار مدل
2. دادههای به دست آمده از ارزشدهی اولیه
3. تضمین صحت و شفافیت
4. استخراج قواعد مشابه سازی بر اساس سادهسازی
5. انتخاب ویژگیها بر اساس تفکیکسازی درونردهای
6. بهینهسازی چند مادهای تکوینی.
شیوه ارزشدهی به مدل بر اساس کوواریانس حاصل از یک دستهبندی فازی مقدماتی به کار گرفته میشود. با بهکارگیری موفقیتآمیز گزینش ملاکها، آسانسازی حاصل از بهکارگیری قواعد و تنظیم آنها بر مبنای الگوریتم تکوینی، کار کارشناسان ردهبندی در زمانی کوتاهتر، به شکل دقیقتری انجام خواهد گرفت. (Roubos & Setnes & Abonyi, 2001)
فراهمآوری اطلاعات
طبق اطلاعات ثبت شده در بانک اطلاعاتی LISA، واژه فازی برای اولین بار در سال 2003 به ادبیات فراهمآوری در کتابداری و اطلاعرسانی راه یافت. اما با نگاه دقیقتری به مقالههای این مجموعه، مشخص شد هیچ یک از این مقالهها به طور دقیق به کاربرد مجموعههای فازی در مجموعهسازی نپرداختهاند. آنچه این شش مقاله در نظر داشتهاند، نوعی تعامل میان «مجموعههای سخت»[19] و «مجموعههای نامعین»[20] در فراهمآوری دانش و بهرهگیری از رویکرد نظریه احتمالات در شکلگیری مجموعههای سخت بوده است.
پیش از این تاریخ، «بنسمن»[21] در مقالهایکه سال 2001 منتشر شد، به «قانون بردفورد» و «مجموعههای نامعیّن» توجه کرده بود. هرچند در کلیدواژههای این مقاله از واژه «فراهمآوری»، یا «مجموعهگستری» استفاده نشدهاست، اما از آنجا که قانون بردفورد مستقیماً با مجموعهسازی مرتبط است، میتوانیم این مقاله را در زمرة مقالههای مربوط به فراهمآوری و فازی قلمداد کنیم. «بنسمن» که معتقد بود قانون بردفورد از منطق کلاسیک پیروی میکند، با تشریح نظریه مجموعههای فازی، به مسائلی که پیرامون این دو تفکر در مجموعهسازی مطرح میشود، پرداخته است. بردفورد در گزارشی که برای قانون پراکندگی ارائه کرده بود، برای به دست آوردن تابع عضویت متناسب با این قانون، از نمودهای عینی استفاده کرد. این نمودها در شیوه به کار رفته برای تعیین ردههای a, b, c که در جدولهایی بسط داده شدهاند، آشکارا موجودند. با بررسی این روند، میتوان به شیوه وی پی برد. از تقسیم کل ارجاعات هر مجله به تعداد سالهای دربرگیرندة نمونه (برای مثال چهار سال برای ژئوفیزیک کاربردی) و به منظور تعیین کل ارجاعات در هر سال.
به این ترتیب ردههای معیّن شده، به صورت زیر قابل تبییناند:
a) مجلههایی که سالانه بیش از 4 ارجاع دارند.
b) مجلههایی که سالانه حداقل 4 و حداکثر بیش از 1 ارجاع دارند.
c) مجلههایی که سالانه 1 ارجاع یا کمتر دارند.
پیادهسازی این روش، به خارج قسمتهایی با حداکثر دو مرتبه اعشاری میانجامد که عامل ایجاد ردههایی با مرزبندیهای زیر است: بین a و b در 01/4؛ بین b و c 01/1؛ و بین c و رده صفر _ که بنسمن خود آن را اضافه کرده و d نامیده است- در 01/0 . اگر رده a را که شامل 8/2% مجلهها و 3/32% ارجاعات در موضوع ژئوفیزیک کاربردی است، در نظر بگیریم و آن را «هسته نشریههای ادواری و بسیار مختص و مرتبط با موضوع» بدانیم، برای مجموعههای بردفورد، تابع عضویت غیرقابل تخصیص است.
اگر تعداد ارجاعات سالانه به یک مجله از 4 بزرگتر باشد، نمره/درجه عضویت آن مجله برابر یک است. ولی اگر تعداد ارجاعات سالانه به یک مجله، برابر 4 یا کمتر از آن باشد، درجه عضویت آن مجله برابر با تعداد ارجاعات به آن در سال، تقسیم بر 01/4 است. عدد 01/4 با نشان دادن پایینترین حد هسته به عنوان خارج قسمت در بخش دوم تابع عضویت، انتخاب شده است. بهکارگرفتن چنین تابع عضویتی برای دادههای بردفورد، در یک جدول مجزا تنظیم میشود. در این جدول، ردههای بردفورد همراه با رده اضافه شده صفر (d) بر اساس اصول مجموعههای نامعیّن که به ترتیب، تنزل عضویت مجموعه را مینمایاند، نامگذاری و نشان داده شدهاند. A=a؛ A=b و نه A؛ c = نه A و A؛ و بالاخره d = نه A. بررسی این جدول نشان میدهد در پایین مجلههای هسته یا همان رده A، نمره عضویت مجلهها بلافاصله کم میشود، به نحوی که در واقع صرفاً به صورت حاشیه – و نه هسته- مجموعه یک رشته خاص به شمار میآیند. تعداد مجلههای موجود در رده صفر (d) تعداد مشخصنشده است و این همان سؤال پیچیدهای است که بردفورد هم نتوانست با موفقیت به آن پاسخ گوید (بنسمن، 1383، ص139-140).
تضمین امنیت منابع
از جمله موارد دیگری که منطق فازی در آن مؤثر بوده، امنیت منابع الکترونیکی بویژه در حوزه شبکههاست. در دنیای امروز گسترش وابستگی جوامع پیشرفته به ارتباطات دوربرد و شبکههای اطلاعاتی و سامانههای مختلف الکترونیکی، امری اجتنابناپذیر است. البته، این سامانهها و شبکهها هر لحظه در معرض آسیب بوده و به لحاظ امنیتی مورد تهدید هستند (Abouzakhar & Manson, 2003, p. 33)
تأمین امنیت شبکهها به کمک منطق فازی، برای اولین بار در سال 2003 مطرح شد. پیش از آن، تنها در یک مقاله در سال 1997 از بهکارگیری منطق فازی برای تأمین امنیت نظامهای رایانهای سخن رفته بود، و آن مورد نیز در خصوص شناسایی قرنیه چشم افراد به عنوان رمزینه ورود آنها به سیستم با کمک عوامل فازی بوده است.[22] این مسئله که اطلاعات شبکهها باید به صورت یکپارچه در دسترس کاربران قرار گیرد، صحیح است اما موردی که فراتر از دسترسی است و باید به آن توجه شود، تعریف سطوح دسترسپذیری و پرکردن حفرههای امنیتی موجود در شبکه است تا در صورت حمله به سامانههای اطلاعاتی و الکترونیکی، موجودیت اطلاعات صدمهای نبیند. برای کشف حملههای شبکهای و دفع آنها، طرح استفاده از عوامل هوشمند نوروفازی پیشنهاد شده است که از طریق آن میتوان ترافیک شبکهها را بررسی نمود. عوامل نوروفازی به ترکیب ویژگیهای منطق فازی و شبکههای عصبی میپردازند و از این طریق میتوان بر محدودیتهای تخصص انسان در تأمین امنیت شبکههای اطلاعاتی غلبه نمود.
به طور کلی، نوروفازی اجازه استفاده از اطلاعات در منابع چندگانه را فراهم میسازد. با بررسی میزان ترافیک ورود به شبکهها و تحلیل استفاده از آنها، میتوان برای تأمین امنیت شبکهها با کمک نوروفازی اقدام نمود. نوروفازی، پارامترهای سیستم فازی را با استفاده از دادههای به دست آمده از شبکههای جدید شناسایی میکند. تعیین پارامترهای سیستم فازی همچون عملکردهای عضویت، اهمیت اساسی داشته و شماری از رویکردهای آماری در آنها ارائه میگردند. عوامل هوشمند نوروفازی برای کشف ترافیک مشکوک در بسترهای TCP/IP پیشنهاد میشوند؛ زیرا قابلیتهای فراوانی برای استفاده از سیستمهای نوروفازی در تحلیل ترافیک شبکهها و تضمین امنیت آنها وجود دارد. دانش تخصصی انسان برای توصیف کارکردهای عضویت فازی در شبکهها محدود است، بخصوص اینکه مقدار گسترده دروندادها و بروندادهای شبکهای در ارتباطات دوربرد، تحقق این امر را دشوارتر میسازد. بنابراین، استفاده از مدلهای فازی، بویژه نوروفازی، این امر را تسهیل میکند. (Abouzakhar & Manson, 2003, p. 38)
کاربران اطلاعات
همان طور که دادههای جدول 1 نیز نشان میدهد، جستجوی مستقیم در خصوص اشاعة اطلاعات و فازی در LISA نتیجهای در بر نداشت. اما اگر مطالعات کاربران را به عنوان مصرفکنندگان نهایی اطلاعات، یکی از حوزههای مرتبط با اشاعه اطلاعات فرض کنیم، مطالعة رفتارهای اطلاعیابی آنان میتواند به عنوان یکی از شاخههای اشاعة اطلاعات و مفاهیم درگیر با این حوزه، تلقی شود. البته، مطالعه رفتارهای اطلاعیابی کاربران را به نوعی میتوان با تمامی حوزههای مدیریت اطلاعات مرتبط دانست، زیرا تمامی فرایندهای در حال انجام در این زمینه را متأثر خواهد کرد و با استفاده از این نتایج میتوان در خصوص فراهمآوری و شیوههای ذخیره و بازیابی، تصمیمهای جدیدی اتخاذ نمود.
«بوید»[23] در سال 2004 طی مقالهای که چکیده آن نیز در LISA به ثبت رسیده است، فرایند اطلاعیابی را به دلیل ماهیت نامشخصی که دارد، یک مفهوم فازی دانست (Boyd, 2004, p. 82).
در حقیقت، شیوههای اطلاعیابی به دلیل تنوع و گستردگی اطلاعات، همچنین به دلیل وجود تفاوتهای فردی و شیوههای گوناگونی که افراد بسته به نیازها و موقعیت خود برای جستجو و دریافت اطلاعات انتخاب میکنند، نامعیّن یا فازی است. سیستمهای کنترل فازی میتوانند به پژوهشگرانی که در حوزه مطالعات کاربران تحقیق میکنند، شیوههایی ارائه کنند که به وسیله آنها به بررسی نامعیّن بودن رفتارهای اطلاعیابی بپردازند.
در یک تحقیق بر روی کاربران وبسایتها، سؤالی دربارة میزان اهمیت وب سایت در قالب طیف لیکرت از آنها پرسیده شد. این مقیاس از 1 به معنای بیاهمیت شروع میشد و تا 10 به معنای بسیار مهم گسترش مییافت. با استفاده از سیستم کنترل فازی، پژوهشگران توانستند به گروهبندی پاسخها بپردازند و آنها را تحلیل نمایند.
به علاوه، چنانکه میدانیم با توجه به تنوع محملهای اطلاعاتی در دنیای الکترونیکی امروز، و راههای گوناگونی که برای انتقال اطلاعات وجود دارد، کاربران بسته به نیاز خود، از راهها و محملهای گوناگونی برای دریافت اطلاعات استفاده میکنند که میتوان آنها را شبکههای مختلف ارتباطی نامید. سیستمهای کنترل فازی در دستهبندی شبکههای مختلف نقش بسزایی ایفا میکنند و از طریق آنها میتوان بهراحتی رفتارهای اطلاعیابی کاربران را ـ که چندان نیز قابل پیشبینی نیستند ـ بررسی و تحلیل نمود (Boyd, 2004, p. 86).
نتیجهگیری
نظریة مجموعههای فازی، نقش بسزایی در مدیریت اطلاعات دارد و اگرچه بیش از 40 سال از ارائه این نظریه میگذرد، نه تنها وجوه استفاده از آن کمرنگ نشده، بلکه بتدریج به کاربردهای آن در حوزههای مختلف مدیریت اطلاعات افزوده میشود. در جهانی که همه چیز به سوی نسبیت پیش میرود و از قطعیت فاصله میگیرد، تمرکز بر منطق فازی که زیربنای آن را عدم قطعیت تشکیل میدهد، تقریباً اجتنابناپذیر است.
بویژه با وجود ابزارها و محملهای جدید اطلاعاتی مانند اینترنت، روز به روز با عدم قطعیت و ابهام بیشتری مواجه میشویم. در حقیقت، با فراگیر شدن رسانههای اطلاعاتی، با مخاطبان عامی مواجهیم که کنترل آنها به راحتی ممکن نیست و وجود و ماهیت آنها برای سرویسدهندگان در هالهای از ابهام قرار دارد. هرچند این کاربران ممکن است خواستههای مشخص و دقیقی داشته باشند، اما از آنجا که دانش آنها در سطوح متفاوت قرار دارد و به هیچ وجه قابل اندازهگیری نیست، ذخیره، سازماندهی و شیوههای بازیابی اطلاعات باید به گونهای باشد که بتواند با درنظر گرفتن ابهامی که در سیستم وجود دارد و با کمک زبان طبیعی، پاسخگوی این خواستهها باشد. زبان طبیعی از آنجا که به ساختار ذهنی انسان نزدیکتر بوده و توسط همه کاربران با هر سطح از توانایی و دانش قابل استفاده است، بویژه در شرایطی که خدمات کتابخانه غیرحضوری است و امکان آموزش به استفادهکنندگان نیز وجود ندارد، در ایجاد پایگاههای اطلاعاتی و طراحی موتورهای جستجو و ذخیره و بازیابی اطلاعات، بسیار مورد توجه قرار گرفته است و منطق فازی به تحقق چنین نظامی بسیار کمک میکند. به نظر میرسد در حوزه فراهمآوری و ردهبندی، منطق فازی نوپا بوده و عرصه برای پژوهشهای بیشتر، خالی مانده است. اگرچه این دو حوزه به لحاظ ماهیت کار و با توجه به پژوهشهای انجام شده، تا حدودی از منطق فازی دور هستند، اما به دلیل انعطاف زیادی که در نظریه مجموعههای فازی وجود دارد، این علم به باز شدن گرههای موجود در این دو حوزه نیز کمک خواهد کرد.