بررسی کاربرد هوش مصنوعی در بهبود اشتراک دانش از دیدگاه خبرگان: مورد مطالعه سامانههای اطلاعاتی شهرداری تهران | ||
| علوم و فنون مدیریت اطلاعات | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 دی 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/stim.2025.14371.2308 | ||
| نویسندگان | ||
| مرجان هاشمی1؛ زهره میرحسینی* 2؛ ایرج مرادی3 | ||
| 1دانشجو دکتری علم اطلاعات و دانش شناسی واحد تهران شمال، دانشگاه آزاد اسلامی، تهران ، ایران | ||
| 2دانشیار گروه علم اطلاعات و دانششناسی واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 3استادیار گروه علم اطلاعات و دانششناسی واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران | ||
| چکیده | ||
| هدف: این پژوهش با تمرکز بر دیدگاه خبرگان، پتانسیل کاربرد هوش مصنوعی در رفع موانع فناورانه اشتراک دانش را بررسی کرده و راهکارهای پیشنهادی ارائه میدهد. اهمیت مطالعه به تأثیر مستقیم فناوریهای نوین بر کیفیت اشتراک دانش در سازمانهای پیچیدهای مانند شهرداری بازمیگردد، جایی که بیش از ۲۱۸ سامانه اطلاعاتی مستقل، جزیرههای اطلاعاتی متعددی ایجاد کرده و جریان دانش را مختل میسازد. چالشهای کلیدی شامل عدم یکپارچگی سامانهها، ضعف زیرساختهای فناوری، کمبود پشتیبانی فنی، ناکافی بودن آموزش کارکنان و سامانههای موروثی ناکارآمد است که منجر به تصمیمگیریهای متناقض، کاهش بهرهوری و هدررفت منابع میشود. ارائه راهکارهای مبتنی بر هوش مصنوعی نهتنها این موانع را برطرف میکند، بلکه حافظه سازمانی را تقویت، همکاری درونسازمانی را افزایش و خدمات شهری را ارتقاء میدهد. لذا، سوالاتی مطرح است: موانع فناورانه اشتراک دانش؛ و قابلیتهای هوش مصنوعی برای حذف موانع فناورانه اشتراک دانش در شهرداری تهران کدام است؟ ؛ و کاربرد ابزارهای هوشمصنوعی برای رفع موانع فناورانه اشتراک دانش در شهرداری تهران چگونه میباشد؟. این تحقیق، بر پایه مدل مفهومی تعامل انسان-ماشین و چارچوبهای نظری مانند مدل ووری و همکاران (۲۰۱۸) در موانع فناورانه و مدل جراحی و همکاران (۲۰۲۳) در قابلیتهای هوش مصنوعی، تدوین شده و راهبردهایی عملی برای مدیریت دانش در محیطهای دولتی ارائه میکند. روش: رویکرد تحقیق تلفیقی و کاربردی است، با ترکیب روش فراترکیب برای جمعآوری و تجمیع یافتههای کتابخانهای و دلفی فازی برای اجماع دیدگاه خبرگان و تمرکز برآن. در مرحله فراترکیب، بیش از 100 منبع داخلی و خارجی شامل مقالات فارسی و انگلیسی از پایگاههایی مانند SID، MagIran، Scopus، Google Scholar بررسی شد. فرایند جستجو بر اساس کلیدواژههایی مانند "اشتراک دانش"، "هوش مصنوعی"، "موانع فناورانه" و "مدیریت دانش شهری" انجام گرفت و پس از غربالگری (حذف تکراریها، مقالات نامرتبط و منابع غیرمعتبر)، ۸۵ مطالعه شاخص انتخاب شد. این روش امکان استخراج ۳۸ مؤلفه اولیه موانع را فراهم کرد. در مرحله دلفی فازی، پرسشنامه ساختارمند با مقیاس فازی میان ۴۲ خبره توزیع شد. جامعه خبرگان شامل مهندسان هوش مصنوعی از شرکتهای دانشبنیان، کارشناسان فناوری اطلاعات شهرداری تهران و متخصصان با حداقل ۱۰ سال تجربه (۶۱.۹% با ۱۰-۲۰ سال تجربه) بود. نمونهگیری هدفمند و تحلیل با نرمافزارهای SPSS و Expert Choice انجام شد. آزمون کفایت نمونه KMO=0.826 و بارتلت (χ²=4769.959, p<0.001) صحت دادهها را تأیید کرد. تحلیل عاملی اکتشافی ۵ مؤلفه اصلی (توضیحدهنده ۷۰.۲۲% واریانس) را شناسایی کرد و دلفی فازی با محاسبه میانگین فازی، ضریب واریانس((CV<0.2 برای اجماع بالا و تاو کندال، اولویتبندی موانع و ابزارها را انجام داد. این رویکرد چندمرحلهای، ابهامات را مدیریت و اعتبار نتایج را افزایش داد. یافتهها: نتایج تحلیل عاملی نشان داد عدم یکپارچگی سامانههای فناوری اطلاعات (۱۵.۲۱% واریانس، میانگین ۴.۶، رتبه ۱) اصلیترین مانع است که به جزیرهای شدن دادهها و تصمیمگیریهای ناهماهنگ منجر میشود. ضعف زیرساختهای فناوری (۱۸.۲۰% واریانس، میانگین ۴.۳) به دلیل ناپایداری شبکه و تعدد مخازن، رتبه دوم را کسب کرد. کمبود پشتیبانی فنی (میانگین ۴.۱)، ضعف آموزش کارکنان (میانگین ۳.۹) و سامانههای موروثی (۱۳.۳۰% واریانس، میانگین ۳.۵) سایر موانع بودند. از دیدگاه خبرگان، ابزارهای هوش مصنوعی مؤثر شامل پردازش زبان طبیعی (NLP، میانگین تأثیر ۴.۵، رتبه ۱) برای تسهیل ارتباطات و استخراج دانش ضمنی؛ هوش مشارکتی (۴.۳) برای تقویت تعامل انسان-ماشین و حافظه سازمانی؛ تحلیل هوشمند دادهها (۴.۱) برای یکپارچهسازی و اولویتبندی اطلاعات؛ و سیستمهای پیشبینی (۳.۹) برای پیشبینی نیازهای دانشی هستند. این ابزارها با هماهنگی منابع، کاهش تناقضات و افزایش دسترسی، اشتراک دانش را تا ۴۰-۶۰% بهبود میبخشند (بر اساس اجماع خبرگان). یافتهها با مطالعات پیشین مانند ریج (۲۰۰۵) در طبقهبندی موانع و تولایی (۱۴۰۳) در تعامل انسان-هوش مصنوعی همخوانی دارد و پتانسیل هوش مصنوعی در تبدیل شهرداری به سازمان دانشمحور را برجسته میکند. نتیجهگیری: کاربرد هوش مصنوعی در سامانههای اطلاعاتی شهرداری تهران، اشتراک دانش را از حالت جزیرهای به جریان یکپارچه تبدیل کرده و کیفیت خدمات شهری، تصمیمگیری راهبردی و یادگیری سازمانی را ارتقاء میدهد. این مطالعه، با شناسایی ۵ مانع کلیدی و ۴ ابزار اصلی، چارچوبی عملی برای سازمانهای دولتی ارائه میکند. آثار مثبت شامل افزایش امنیت دانش، پاسخگویی ۲۴ ساعته و بازیابی سریع است، در حالی که چالشهایی مانند مقاومت کارکنان، هزینه پیادهسازی و مسائل حریم خصوصی نیازمند مدیریت هستند. پیشنهادهای کاربردی شامل اعلام وضعیت بحرانی مدیریت دانش، تدوین استراتژی تغییرات، ارزیابی زیرساختها، انتخاب پلتفرمهای هوش مصنوعی مانند چتباتهای (NLP)، پیادهسازی آزمایشی با آموزش و بازنویسی استانداردهای امنیتی است. تحقیقات آینده میتواند اثرات تجربی این ابزارها را در نمونههای گستردهتر (مانند سایر شهرداریها و سازمانها و ادارات دولتی بزرگ) و با روشهای ترکیبی (مانند شبیهسازی) بررسی کند تا مدل پیشنهادی رساله دکتری به راهبرد ملی تبدیل شود. | ||
| کلیدواژهها | ||
| هوش مصنوعی؛ اشتراک دانش؛ سامانههای اطلاعاتی؛ فراترکیب؛ دلفی فازی؛ خبرگان؛ شهرداری تهران | ||
| عنوان مقاله [English] | ||
| Investigating the Application of Artificial Intelligence in Improving Knowledge Sharing from the Perspective of Experts: A Case Study of Tehran Municipality's Information Systems | ||
| نویسندگان [English] | ||
| Marjan Hashemi1؛ Zohreh Mirhosseini2؛ Iraj Moradi3 | ||
| 11 PhD Condidate in Information and Knowledge Science, North Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| 2Associate Professor, Department of Information and Knowledge Science, North Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| 3Assistant Professor, Department of Information and Knowledge Science, Arak Branch, Islamic Azad University, Arak, Iran | ||
| چکیده [English] | ||
| Objective: This research, with a focus on the perspective of experts, has examined the potential application of artificial intelligence in addressing technological barriers to knowledge sharing and provides proposed solutions. The significance of the study lies in the direct impact of modern technologies on the quality of knowledge sharing in complex organizations such as the municipality, where over 218 independent information systems have created numerous information silos, disrupting the flow of knowledge. Key challenges include lack of system integration, weaknesses in technological infrastructure, insufficient technical support, inadequate employee training, and inefficient legacy systems, which result in contradictory decision-making, reduced productivity, and resource wastage. AI-based solutions not only overcome these barriers but also strengthen organizational memory, enhance intra-organizational collaboration, and improve urban services. Therefore, the following questions are raised: What are the technological barriers to knowledge sharing? What are the capabilities of artificial intelligence in eliminating technological barriers to knowledge sharing in Tehran Municipality? And how can artificial intelligence tools be applied to address technological barriers to knowledge sharing in Tehran Municipality? This research is grounded in the human-machine interaction conceptual model and theoretical frameworks such as Vuori et al. (2018) on technological barriers and Jarrahi et al. (2023) on AI capabilities, offering practical strategies for knowledge management in governmental settings. Method: The research employs an integrated and applied approach, combining meta-synthesis for collecting and synthesizing library-based findings with fuzzy Delphi to achieve expert consensus and focus thereon. In the meta-synthesis phase, over 100 domestic and international sources—including Persian and English articles from databases such as SID, MagIran, Scopus, and Google Scholar—were reviewed. The search was conducted using keywords such as "knowledge sharing," "artificial intelligence," "technological barriers," and "urban knowledge management." After screening (removing duplicates, irrelevant articles, and unreliable sources), 85 key studies were selected. This method enabled the extraction of 38 initial barrier components. In the fuzzy Delphi phase, a structured questionnaire with a fuzzy scale was distributed among 42 experts. The expert panel consisted of AI engineers from knowledge-based companies, IT specialists from Tehran Municipality, and professionals with at least 10 years of experience (61.9% with 10–20 years of experience). Purposive sampling was used, and analysis was performed using SPSS and Expert Choice software. The sample adequacy test (KMO=0.826) and Bartlett’s test (χ²=4769.959, p<0.001) confirmed data validity. Exploratory factor analysis identified 5 main components (explaining 70.22% of variance), and fuzzy Delphi—through calculations of fuzzy mean, coefficient of variation (CV<0.2 for high consensus), and Kendall’s tau—prioritized barriers and tools. This multi-stage approach managed uncertainties and enhanced the validity of results. Findings: Factor analysis results revealed that lack of integration in information technology systems (15.21% variance, mean 4.6, rank 1) is the primary barrier, leading to data silos and uncoordinated decision-making. Weaknesses in technological infrastructure (18.20% variance, mean 4.3), due to network instability and multiple repositories, ranked second. Insufficient technical support (mean 4.1), inadequate employee training (mean 3.9), and inefficient legacy systems (13.30% variance, mean 3.5) were the other barriers. From the experts’ perspective, effective AI tools include natural language processing (NLP, impact mean 4.5, rank 1) for facilitating communication and extracting tacit knowledge; collaborative intelligence (4.3) for enhancing human-machine interaction and organizational memory; intelligent data analytics (4.1) for integration and information prioritization; and predictive systems (3.9) for forecasting knowledge needs. These tools improve knowledge sharing by 40–60% through resource coordination, contradiction reduction, and increased accessibility (based on expert consensus). The findings align with prior studies such as Riege (2005) on barrier classification and Tavalayi (2023) on human-AI interaction, highlighting AI’s potential to transform the municipality into a knowledge-driven organization. Conclusion: The application of artificial intelligence in Tehran Municipality’s information systems transforms knowledge sharing from a siloed state into an integrated flow, enhancing urban service quality, strategic decision-making, and organizational learning. This study, by identifying 5 key barriers and 4 primary tools, provides a practical framework for governmental organizations. Positive impacts include enhanced knowledge security, 24/7 responsiveness, and rapid retrieval, while challenges such as employee resistance, implementation costs, and privacy concerns require careful management. Practical recommendations include declaring a knowledge management crisis, developing a change strategy, assessing infrastructure, selecting AI platforms such as NLP-based chatbots, conducting pilot implementations with training, and revising security standards. Future research can examine the empirical effects of these tools in broader samples (such as other municipalities and large government organizations) using combined methods (e.g., simulation) to elevate the proposed doctoral model into a national strategy. | ||
| کلیدواژهها [English] | ||
| Artificial Intelligence, Knowledge Sharing, Information Systems, Meta-Synthesis, Fuzzy Delphi, Experts, Tehran Municipality | ||
|
آمار تعداد مشاهده مقاله: 95 |
||