همچنین به منظور سنجش میزان آمادگی مدیریت دانش در سازمان دانش محور مورد مطالعه (ستاد ویژه توسعه فناوری نانو) از پرسشنامه تهیه شده بر مبنای عوامل حیاتی موفقیت مدیریت دانش مستخرج شده استفاده خواهد شد.

۱-۷- جنبه جدید بودن و نوآوری

در این پژوهش چارچوب مفهومی جدید و بومی شده از مدیریت دانش در سازمان‌ها ی دانش محور بر مبنای عوامل حیاتی موفقیت مدیریت دانش در سازمان‌های دانش محور ارائه می‌شود.

۱-۸- واژگان تخصصی

مدیریت دانش: فرایند کشف، کسب، توسعه و ایجاد، تسهیم، نگهداری، ارزیابی و به کار گیری دانش مناسب در زمان مناسب توسط فرد مناسب در سازمان است که از طریق ایجاد پیوند بین منابع انسانی، فناوری اطلاعات و ارتباطات و ایجاد ساختاری مناسب برای دست‌یابی به اهداف سازمانی صورت می‏پذیرد (خطیبیان، ۱۳۸۸).

سازمان دانش محور: سازمان‎های دانش محور سازمان‌هایی هستند که دارای ویژگی‏های زیر می‌باشند (OECD, 2000) :

• • این‌گونه سازمان‏ها از حجم زیادی از دانش استفاده می‎کنند.

• • اعضای حرفه‏ای این سازمان‏ها سطح بالایی از دانش را در اختیار دارند که نمی‌توان آن دانش را به گستردگی و سادگی به اشتراک گذاشت بدین مفهوم که اعضا دارای تخصص هستند و به راحتی نمی‌توان آن‏ها را جایگزین یکدیگر کرد.

• • به استقبال تغییر می‌روند و در برابر آن مقاومت نمی‏کنند و سازماندهی مجدد امری رایج در این‌گونه سازمان‏ها می‏باشد.

• • سرمایه اجتماعی از جمله تعامل، اعتماد، غیر رسمیت در سطح بالایی قرار دارد. «شما می توانید با هر کسی صحبت کنید، اگر ایده‏ای دارید حتماً آن را بیان کنید.”

• • به کارکنان رده پایین به عنوان منابع غنی ایده‏های جدید نگریسته می‌شود.

• • از هرکسی انتظار می‌رود در نوآوری مشارکت نماید.

• • دانش و ایده‏ها به طور فعال مدیریت می‌شوند.

عوامل حیاتی موفقیت: حوزه‎هایی که حصول نتایج رضایت‎بخش در آن‎ها، موفقیت سازمان را تضمین می‌کند. این عوامل در صورت عدم وجود در سازمان، باید ایجاد شده و در صورت وجود، پرورش یافته و توسعه یابند (Wong, 2005).
آمادگی مدیریت دانش: آمادگی مدیریت دانش توانایی یک سازمان، یک بخش یا یک گروه کاری به منظور اتخاذ موفقیت آمیز استفاده و نفع بردن از مدیریت دانش است (موسی خانی و همکاران، ۱۳۸۹) .

فصل دوم

مبانی نظری تحقیق

۲-مبانی نظری تحقیق

۲-۱-مقدمه

جهان امروز در حال ورود به اقتصاد دانش محور است. در این اقتصاد، مدیریت دانش و سرمایه‌های فکری جزء مهم‌ترین دارایی‌های سازمانی محسوب می‌شوند و موفقیت سازمان‌ها عمدتاً ریشه در قابلیت‌های فکری آن‌ ها دارد (Finn & Torgeir, 2008) . دانش نخستین منبع راهبردی برای شرکت‌ها در قرن ۲۱ است. در محیط رقابتی فزاینده امروزه، دانش به عنوان منبع مزیت رقابتی سازمان‏ها تشخیص داده شده است. سازمان‏های موفق آن‌هایی هستند که به طور پایدار دارایی‏های دانش خود را مدیریت و ترکیب می‏ نمایند تا بتوانند فعالیت‏های عملیاتی خود را جهت رسیدن به اهداف خود به کار گیرند (Chen & Huang, 2007).
در جامعه دانش محور کنونی که دانش و کاربرد دانش حیاتی‏تر ین دارائی می‏باشد، بسیاری از سازمان‏ها و شرکت‏ها نیاز به مکتب استراتژیک جدید را حس می‏کنند تا بتوانند دانش را به عنوان منبع مهم نوآوری و عنصر بالقوه برای ایجاد مزیت رقابتی پایدار مدیریت کنند به نحوی که تعدادی از محققان عمیقاً براین باورند که از دست دادن دانش سازمانی ممکن است بازدهی و بهره‏وری سازمانی را کاهش، حافظه سازمانی را کم و یادگیری سازمانی را بین ببرد (Jansink et al , 2005).
چالش اصلی سازمان‌ها درک مدیریت دانش و چگونگی پیاده سازی آن است. امروزه بزرگ‌ترین آرزوی سازمان‌ها تعریف یک مدیریت دانش مناسب سازمان و اداره آن به یک روش موفق است. بی شک، سازمان‌های دانش محور باید در طراحی و به کار گیری مدیریت دانش، در نقش سازمان‌های پیشرو ظاهر شوند، و این امر مستلزم شناسایی عوامل حیاتی موفقیت و اقدام عملی بر مبنای این عوامل تأثیرگذار در مراحل مختلف طراحی و به کار گیری مدیریت دانش است.
در خصوص شناسایی عوامل حیاتی موفقیت مدیریت دانش در سازمان‌های دانش محور تحقیق سیستماتیکی صورت نگرفته است، اما این مطالعه بر مبنای تجارب سازمان‌های پیشرو در خصوص مدیریت دانش و مرور ادبیات، سعی در یافتن عوامل حیاتی موفقیت مدیریت دانش در سازمان‏های دانش محور و ارائه و توسعه یک چارچوب جامع از مدیریت دانش بر مبنای عوامل حیاتی موفقیت در این سازمان‏ها تمرکز دارد.
در این فصل ابتدا تاریخچه‌ای از مدیریت دانش و مطالبی در رابطه دانش و مقایسه آن با اطلاعات و داده، انواع دانش و ویژگی‌های دانش، مدیریت دانش و ضرورت آن، رویکردهای موجود نسبت به مدیریت دانش و فرایند های مدیریت دانش ارائه خواهد شد. سپس در رابطه با سازمان یادگیرنده و مدیریت دانش، نگرش دانش- محور به سازمان، سازمان دانش محور، مدیریت دانش در سازمان دانش‏محور و عوامل حیاتی موفقیت مدیریت دانش در سازمان‌های دانش محور توضیحاتی بیان می‌شود.

۲-۲-تاریخچه

در سال ۱۹۷۹، حسابدار سوئدی به نام کارل اریک سیوبی^[۲] که بعدها به عنوان یکی از بنیان گذاران علم مدیریت دانش معرفی شد، با پرسشی بزرگ روبرو گردید. دفاتر حسابداری (ارزش دفتری) یکی از شعبه‌های معروف سازمانی که او در آنجا کار می‌کرد، تنها یک کردن ارزش را نشان می‌داد. در حالی که ارزش واقعی سازمان به مراتب بیش از این‌ها بود. در این هنگام، وی متوجه شد که تراز نامه مالی شرکت، تنها ارزش دارایی فیزیکی آن را که شامل چند میز و ماشین تحریر بود نمایش می‌دهد، در حال یکه ارزش واقعی سازمان به شایستگی‌های کارکنان سازمان و چیزی که جمع کارمندان سازمان را به عنوان یک فکر و مغز جمعی تشکیل می‌دهند، وابسته است. سی وبی و دیگران این یافته را با نام «دارایی فکری» / «دارایی ناملموس» معرفی کرده و آن‌را در کنار دارایی‌های ملموس قرار دادند (افرازه، ۱۳۸۴).
در دهه گذشته، تمرکز سازمان‌ها و دانشمندان از جنبه‌های مالی سازمان به جنبه‌ها و فنون بهبود مدیریت دانش و توجه بیشتر به دانش و دارایی های نامشهود سازمان و نحوه مدیریت راهبردی دانش سازمان معطوف شده است. در این دهه، مدیریت سرمایه‌های فکری سازمان‌ها به عنوان یکی از مهم‌ترین عوامل موثر در مدیریت دانش، جهت بهبود کیفیت مدیریت اطلاعات و در نتیجه بهبود کیفیت مدیریت دانش سازمانی مورد توجه قرار گرفت. جهان امروز در حال ورود به اقتصاد دانش محور است. در این اقتصاد، مدیریت دانش و سرمایه‌های فکری جزء مهم‌ترین دارایی‌های سازمانی محسوب می‌شوند و موفقیت سازمان‌ها عمدتاً ریشه در قابلیت‌های فکری آن‌ ها دارد (سهرابی و همکاران، ۱۳۸۹).

۲-۳- مقایسه داده، اطلاعات و دانش

مفاهیم داده، اطلاعات و دانش عبارتند از (مختاری، ۱۳۸۳) :
داده:حقایق، اعداد خام و دستورالعمل‌هایی هستند که انسان می‌تواند بالقوه آن‌ ها را درک، تفسیر و تفهیم نماید و نیز آن‌ ها قابلیت پردازش به کمک رایانه را دارند.
اطلاعات: داده‌هایی هستند که به سادگی قابل درک و تفسیر بوده و در زمینه مورد نظر معنادار هستند.
دانش: اطلاعات قابل درک و ارزشمندی است که در پرتو تجارب و بسترهای آگاهانه فرد شکل گرفته و نهادینه می‌شود.

شکل ۲‑۱- تفاوت داده، اطلاعات و دانش (مختاری، ۱۳۸۳)

دانش، دارای مشخصاتی است که آن را از دیگر دارایی‌های سازمان، متمایز می‌کند (Holsapple, 2003) :
• قدرت خارق‌العاده و بازدهی فزاینده: دانش، مشمول قانون بازدهی نزولی نیست. زمانی که از آن استفاده می‌شود، مقدار آن کم نمی‌شود. مصرف کنندگان می‌توانند مواردی را به آن اضافه کنند، بنابراین ارزش آن افزایش می‌یابد.
• پراکندگی، تراوش و لزوم به روز بودن: دانش هم‌زمان با رشد، شاخه شده و به اجزائی تقسیم می‌گردد. دانش پویاست و در واقع، اطلاعات کاربردی است؛ بنابراین سازمان باید پیوسته، پایگاه دانش خود را به روز کند تا بتواند آن را به عنوان منبعی برای مزیت رقابتی، حفاظت نماید.
• ارزش نامعلوم: تخمین تأثیر سرمایه گذاری در دانش به علت وجود جنبه‌های ناملموس بسیار مشکل است.
• ارزش نامعلوم به اشتراک گذاری: به طور مشابه، تخمین ارزش اشتراک دانش یا حتی اینکه چه کسی بیشتر از آن نفع می‌برد، دشوار است.
• وابستگی به زمان: مطلوبیت و اعتبار دانش ممکن است با زمان تغییر کند، بنابراین فوریت، قدمت، زوال پذیری و ناپایداری دانش، از ویژگی‌های مهم آن هستند.

۲-۴-انواع دانش

علوی^[۳] و لیدنر^[۴] در مقاله‌ای در سال ۲۰۰۱ به بیان انواع دانش، تعاریف آن‌ ها و ارائه مثال برای ان‌ها پرداختند. به گفته آن دو محقق، نوناکا در سال ۱۹۹۴ دو بعد دانش در سازمان را توضیح داد: ضمنی و صریح، که دانش ضمنی رشد در عمل، تجربه و شرکت در بافت خاص دارد و شامل عناصر ذهنی، عقیده‏ها، پاردایم ‏ها و دیدگاه‏های فرد می‏باشد. عنصر فنی شامل داشته‏های عینی، چگونگی و مهارت‏هایی است که در محیط خاص به کار برده می‏شود. دانش صریح بعدی از دانش است که تولید، کدگذاری و در فرم‏های سمبولیک و زبان طبیعی مکاتبه می‏شود.
دانش را همچنین از دیدگاه وجود داشتن در فرد یا جمع می‏توان دید. دانش فردی به وسیله فرد تولید و در آن وجود دارد. نوناکا و افراد دیگر از جمله اسیندر خیلی زیاد قائل به تمایز دانش ضمنی و صریح و دانش فردی، جمعی هستند اما توضیح جامعی برای روابط درونی انواع متفاوت دانش ارائه نکرده‌اند.
یک جنبه مسئله دار احتمالی در تفسیر این طبقه‏بندی این فرض است که دانش ضمنی با ارزش ‏تر از دانش صریح است، تعداد خیلی کمی ریسک کرده‏اند و دانش صریح را با ارزش‏تر دانسته‏اند، دیدگاهی که اگر پذیرفته شود مطلوب فرایند مدیریت دانش ناشی از تکنولوژی می‎‏باشد یعنی از تکنولوژی در تفسیر و توضیح، ذخیره‏سازی و انتشار دانش استفاده می‏شود.
دانش ضمنی پس زمینه مورد نیاز برای تعیین ساختار برای توسعه و تفسیر دانش صریح می‏باشد. رابطه پیچیده دانش ضمنی و صریح بیان می‏کند که تنها افراد با سطح الزامی دانش مشترک می‏توانند به درستی دانش خود را مبادله نمایند. دانش ضمنی بیشتر مورد توجه قرار گرفته است، اما باز نتوانسته است منافع سازمان را برآورد سازد و سازمان را در چالش‏های خود یاری نمایند. دانش صریح به واسطه قابلیت ضبط شدن از مشروعیت بیشتری برخوردار است. این امر تصمیم‏گیرندگان را به دانش صریح علاقه‏مند می‏سازد زیرا بیشتر قابل توصیف است.

۱-۳) ارتباط بین عدم تقارن اطلاعاتی با مدیریت سود ۴
۱-۴- صندوق های سرمایه گذاری و نقش نظارتی آنها در مدیریت سود ۵
۱-۵- نقش عدم تقارن اطلاعاتی در سطح نظارت صندوق های سرمایه گذاری بر مدیریت سود ۵
۱-۶-ضرورت انجام تحقیق ۶
۱-۷-اهداف تحقیق ۷
۱-۸) فرضیه های تحقیق ۷
۱-۹)روش تحقیق ۸
۱-۱۰)جامعه و نمونه آماری ۸
۱-۱۱)روش گرد آوری اطلاعات ۸
۱-۱۲)قلمرو تحقیق ۹
قلمرو موضوع تحقیق ۹
قلمرو زمانی تحقیق ۹
ادامه فهرست مطالب
عنوان شماره صفحه
قلمرو مکانی تحقیق ۹
۱-۱۳)تعریف واژه گان تحقیق ۹
فصل دوم:مروری بر ادبیات و پیشینه تحقیق
۲-۱) مقدمه ۱۲
۲-۲) تئوری ساختار مالکیت ۱۳
۲-۳)تعاریف حاکمیت شرکتی ۱۳
۲-۴)سهامداران و حاکمیت شرکتی ۱۶
۲-۵)ترکیب مالکیت و حاکمیت شرکتی ۱۸
۲-۶)ترکیب مالکیت و سهامداران عمده ۱۹
)فرضیه نظارت کارآ ۲۱
)فرضیه همسویی استراتژیک ۲۱
)تأثیر سهامداران عمده مالی بر هزینه های نمایندگی ۲۲
۲-۷)دلایل منطقی برای حضور سهامداران عمده در حاکمیت شرکتی ۲۲

۲-۸)سهامداران عمده به عنوان ناظر ۲۳
۲-۹)نقش سهامداران عمده در نظارت بر شرکت و انتقال اطلاعات ۲۴
۲-۱۰)سهامدارعمده در نگاه نظام حاکمیت شرکتی در بورس اوراق بهادار ایران ۲۵
ادامه فهرست مطالب
عنوان شماره صفحه
۲-۱۱ ) صندوق های سرمایه گذاری و انواع آن ۲۶
۲-۱۱-۱) صندوق های سرمایه گذاری با سرمایه ثابت: ۲۸
۲-۱۱-۲) صندوق های سرمایه گذاری غیر فعال: ۲۸
۲-۱۱-۳)صندوق های سرمایه گذاری با سرمایه متغیر: ۳۰
۲-۱۱-۴)مقایسه صندوق های سرمایه گذاری با سرمایه ثابت و صندوق های سرمایه گذاری با سرمایه متغیر: ۳۱
۲-۱۲)مزایای صندوق های سرمایه گذاری : ۳۲
۲-۱۳)انواع صندوق های سرمایه گذاری از نظر ابزار های مورد استفاده ۳۴
۲-۱۳-۱)صندوق های سرمایه گذاری سهام ۳۴
۲-۱۳-۲)صندوق های سرمایه گذاری اوراق قرضه ۳۴
۲-۱۳-۳)صندوق های سرمایه گذاری بازار پول: ۳۵
۲-۳-۶-۴)صندوق های سرمایه گذاری متوازن ۳۵
۲-۳-۶-۵)صندوق های سرمایه گذاری با صنعت خاص ۳۵
۲-۳-۶-۶)صندوق های سرمایه گذاری با هدف دوگانه ۳۵
۲-۳-۶-۷)صندوق های سرمایه گذاری بین المللی ۳۵
۲-۳-۶-۸)صندوق های سرمایه گذاری شاخصی(گالاگردرا و سیلواپول، ۲۰۰۹). ۳۵
۲-۱۴)اهداف صندوق های سرمایه گذاری ۳۵

همه این گام­ها سخت است و بایستی با دقت انجام شود تا یک مدل قابل اعتماد ایجاد کند. طرح اولیه نگاشت ادراکی فازی به وسیله دو گام اولیه بالا (شناسایی موضوعات و مفاهیم کلیدی در آن حوزه و شناسایی روابط علی بین این مفاهیم) کامل می­ شود. مناسب­ترین راه برای دستیابی به این هدف با بهره گرفتن از مداد و کاغذ است تا یک گراف متناظر با آن رسم شود. مجموعه ­ای از گره­ها و یال­های مرتبط بین آن­ها که دارای جهت هستند، خروجی این قسمت است. این دو گام اول نسبت به گام سوم، ساده و واضح است. از سوی دیگر برآورد میزان روابط علی، بسیار سخت است زیرا تعداد نسبتاً زیادی از مقادیر عددی هستند که می­توانند به هر رابطه مربوط شوند. در عمل این گام بر مبنای فرایند زیر انجام می­ شود [۱۰۹]:

1. 1. اثر یک مفهوم روی مفهوم دیگر به صورت منفی، مثبت یا خنثی تعیین می­ شود.

1. 1. همه روابط بین مفاهیم به صورت اصطلاحات فازی از قبیل خیلی ضعیف، ضعیف، متوسط، قوی و خیلی قوی بیان می­ شود.

1. 1. عبارت­های فازی در نگاشت به مقدار عددی تبدیل می­شوند و غالباً مقداری بین صفر و یک می­گیرند.

یکی از مزایای مدل­سازی نگاشت ادراکی فازی ، سادگی در ترکیب دانش کارشناسان است به طوری که گروهی از کارشناسان بجای یک شخص می­توانند روی مدل کار کنند و این امر باعث بهبود اطمینان در مدل نهایی می­ شود. بدین منظور گروهی از افراد خبره در نظر گرفته می­شوند و هر کارشناس ارتباط بین مفاهیم را با کمک استنتاج فازی با یک وزن فازی مشخص می­ کند. پس از ترسیم نگاشت ادراکی فازی توسط هر کارشناس که با نگاشت ادراکی فازی دیگران متفاوت خواهد بود، با کمک روش­های ترکیب، نگاشت ادراکی فازی نهایی به دست می ­آید. این نگاشت ادراکی فازی نهایی در برگیرنده نظرات همه افراد خبره می­باشد [۷۸و۸۴]. با این حال برای فرد خبره تعیین دقیق عدد حقیقی که معرف عقیده وی باشد کار دشواری است. از این رو متغیرهای زبانی ترتیبی مانند خیلی­کم، کم، متوسط، زیاد، خیلی­زیاد و … بر اعداد حقیقی ترجیح داده می­شوند [۱۰]. گرچه فرآیندهای دستی توسعه نگاشت­های ادراکی فازی به خوبی انجام شده است، دارای چندین اشکال عمده است [۱۰۹] :
۱- روش­های دستی توسعه نگاشت ادراکی فازی ، نیازمند دانش کارشناس است که بایستی به وسیله دانش روش­شناسی نگاشت ادراکی فازی پشتیبانی شود. از زمانی که تعداد ارتباطات ممکن بین مفاهیم با افزایش تعداد مفاهیم چند برابر شود، نشان دادن این سیستم پیچیده با گره­ها و روابط زیاد غالباً به وسیله انسان بسیار مشکل و حتی غیر ممکن است. نتایج بدست آمده در این ساده­سازی­ها، ممکن است در نهایت به بی­دقتی یا نادرستی منجر شود.
۲- فرایند توسعه نگاشت ادراکی فازی قبل از ایجاد یک مدل مناسب، غالباً نیازمند تکرارها و شبیه­سازی زیادی است. در موارد توسعه گروهی نگاشت ادراکی فازی ، کیفیت نهایی یک مدل می ­تواند به وسیله تغییر اثر در مدل کارشناس روی مدل نهایی بهبود یابد که به اعتبار کارشناس بستگی دارد.
۳- روش­های دستی برای توسعه مدل­های نگاشت ادراکی فازی نقایصی از اعتماد روی دانش کارشناس در بر دارد. بسیار مشکل است که تعیین درستی مدل بدون غرض صورت گیرد. آنچه بیشتر است، حتی اگر داده ­های تاریخی برای توجیه کیفیت مدل وجود داشته باشد، کسب مدل مناسب که از داده ­ها تقلید کند، نیازمند تلاش بسیاری است که با رسم و شبیه­سازی مدل­های پی در پی صورت می­گیرد.
۲-۱۱-۱-۲- روش ساخت مبتنی بر فاصله : در این­ روش به تئوری ساخت اتوماتیک نگاشت ادراکی فازی بر مبنای داده ­های ایجاد شده به وسیله کاربران اشاره می­ شود [۱۱۰]. این تئوری عمدتاً با تبدیل بردارهای عددی به مجموعه­های فازی سروکار دارد و از طریق نزدیکی روابط ما بین بردارهای عددی تعیین می­ کند که آیا مابین متغیرها روابط مستقیم یا برعکس وجود دارد و روابط علل و معلولی را تعیین می­ کند. در این روش بردارها به مجموعه­های فازی تبدیل می­شوند [۸۴]. متدلوژی که برای مدل­سازی در این روش از آن استفاده شده است دارای ۴ بخش برای نمایش نتایج می­باشد که در هر مرحله از فرایند انجام کار هرکدام از این بخش­ها مشخص می­شوند. بخش­های مذکور عبارتند از: ماتریس اولیه عوامل (IMF) برای ایجاد این ماتریس از فرایند دلفی برای گردآوری اطلاعات و دسته­بندی عوامل استفاده شده است، ماتریس فازی شده عوامل (FZMF)، ماتریس قدرت ارتباط بین عوامل (SRMF) و ماتریس نهایی عوامل (FMF) [110]. به طور خلاصه مراحل ایجاد نگاشت ادراکی فازی بر مبنای روش فاصله در شکل (۲-۱۹) آمده است.
مراحل
ایجاد FCM
ماتریس IM
۱٫ استخراج داده از اطلاعات
۲٫ محاسبه درجات عضویت فازی
۳٫ تعیین میزان همانندی یین مفاهیم
۴٫ ارزیابی علی و معلولی
۵٫ استخراج ماتریس نهایی موفقیت با کمک SRM , EOMC
۶٫ نموار گرافیکی از ماتریس نهاییی FM
ماتریس FZM
ماتریس SRM
ماتریس EOMC
ماتریس FM
ماتریس FCM
شکل(۲-۱۹): مراحل ایجاد نگاشت­ ادراکی فازی در روش کمترین فاصله
۲-۱۰-۱-۳- روش استفاده از ضریب همبستگی^[۴۴] میان مفاهیم : از دیگر روش­های پیاده­سازی نگاشت­های ادراکی فازی، استفاده از ضریب همبستگی میان متغیرهای شناسایی شده می­باشد. ضریب همبستگی شاخصی است ریاضی که جهت و مقدار رابطه­ بین دو متغیر را توصیف می­ کند. ضریب همبستگی در مورد توزیع­های دو یا چند متغیره به کار می­رود. اگر مقادیر دو متغیر شبیه هم تغییر کند یعنی با کم یا زیاد شدن یکی دیگری هم کم یا زیاد شود به گونه ­ای که بتوان رابطه آنها را به صورت یک معادله بیان کرد گوییم بین این دو متغیر همبستگی وجود دارد. برای سنجش همبستگی ضرایب گوناگونی به کار می­رود که مهمترین آنها ضریب همبستگی ساده پیرسون، ضریب همبستگی اسپیرمن و ضریب همبستگی کندال است. ضریب همبستگی شدت رابطه و همچنین نوع رابطه (مستقیم یا معکوس) را نشان می‌دهد. و عددی بین ۱ تا ۱- است که در هنگام عدم وجود رابطه بین دو متغییر، برابر صفر است. با توجه به این خاصیت ضریب همبستگی شرایط لازم را دارا می‌باشد که به عنوان شاخصی برای وزن دهی روابط در FCM استفاده شود.
وقتی تعداد خبرگان ما به اندازه کافی زیاد باشند (n) برای وزن دهی به روابط میان مفاهیم گوناگون می­توان از ضریب همبستگی میان این مفاهیم استفاده کرد. در این تکنیک مفاهیم را دو به دو در نظر گرفته و با بهره گرفتن از روش‌های آماری اعدادی را که خبرگان به هر یک از متغیرها نسبت داده‌اند تحلیل می‌کنیم و ضریب همبستگی میان آنها را یافته و به عنوان وزن میان یال میان این دو متغییر استفاده می‌کنیم.
در پژوهشی در جهت “بررسی رابطه نظام­های تضمین کیفیت آموزش عالی با زمینه های فرهنگی و اجتماعی” [۱۱۱] انجام گرفت در جواب این سوال که ویژگی­های الگوی مناسب ارزشیابی و اعتبارسنجی آموزش عالی و ملزومات سیاستی، راهبردی و عملیاتی مربوط به استقرار کیفیت در کشور ایران چیست؟ یک مدل نگاشت ادراکی فازی توسعه داده شد که در طراحی آن از تکنیک همبستگی گفته شده در بالا استفاده شده است. در این پژوهش ۶ متغیر برای مؤلفه های وجوه افتراق نظام­های تضمین کیفیت آموزش عالی و ۹ متغیر برای ویژگی­های مرتبط در زمینه ­های فرهنگی و اجتماعی شناسی شده است، در ادامه پس از جمع آوری نظرات خبرگان و تحلیل آنها به روش گفته شده در بال نمودار نگاشت ادراکی فازی آن رسم شده است.
۲-۱۰-۲- روش­های یادگیری نگاشت ادراکی فازی
کارشناسان با تعیین مفاهیم نگاشت ادراکی فازی و روابط علی بین آنها در ساخت آن درگیر می­شوند. این رویکرد ممکن است تحریف مدل را به دنبال داشته باشد زیرا ممکن است که کارشناسان فاکتورهای مناسبی را لحاظ نکرده باشند و وزن­های علی نامناسبی بین مفاهیم نگاشت­های­ ادراکی فازی قرار دهند. توسعه نگاشت ادراکی فازی نیازمند اطلاعات علامت و اندازه هر رابطه علی است که توسط کارشناس ارائه می­ شود. گرچه تعیین علامت مربوط به رابطه علی نسبتاً آسان است، اما کارشناسان غالباً در تعیین اندازه مربوط به آن با مشکل مواجه می­شوند. بنابراین، غالباً از نگاشت­های­ ادراکی فازی ساده برای تحلیل ابتدایی مساله استفاده می­ شود. روش­شناسی توسعه نگاشت­های­ ادراکی فازی به آسانی قابل انطباق است و به تجربه و دانش کارشناس مربوط می­ شود.
یادگیری نگاشت­های­ ادراکی فازی شامل به­روزرسانی وزن­های روابط علی است و این استراتژی برای بهبود نگاشت­های­ ادراکی فازی بکار می­رود. این یادگیری به وسیله تنظیم دقیق روابط علی اولیه یا قدرت وزن­ یال­های نگاشت­ ادراکی فازی با کمک الگوریتم­های یادگیری صورت می­گیرد. روش یادگیری تکنیکی است که کارایی و توانایی نگاشت­های­ ادراکی فازی را با کمک روش­های هوشمند اصلاح ماتریس وزن­های نگاشت­­ ادراکی فازی ، افزایش می­دهد. علاوه بر این، قواعد یادگیری ویژگی­های مفیدی برای نگاشت­های­ ادراکی فازی فراهم می­آورد [۱۱۲].
مداخله نهایی کارشناس برای تعیین پارامترهای نگاشت­های­ ادراکی فازی، محاسبه مجدد وزن­ها و روابط علی در زمان پذیرش استراتژی جدید و همچنین همگرایی نهفته مقادیر مفاهیم به نواحی نامطلوب، نقص­های عمده نگاشت­ ادراکی فازی هستند. برطرف کردن این نقص­ها برای بهبود کارایی و توانمندی نگاشت­ ادراکی فازی ضروری است. روش­های انطباق وزن خیلی امیدبخش هستند و می­توانند این مشکلات را کم کنند. با این روش­ها که روابط علی به وسیله فرایند یادگیری تنظیم می­شوند، خطای کمتری در نگاشت­های­ ادراکی فازی ایجاد می­ شود [۱۱۲].
تاکنون تلاش­هایی در جهت بررسی و ارائه تکنیک یادگیری مناسب برای نگاشت­­ ادراکی فازی انجام شده است و جدیداً برخی الگوریتم­های یادگیری نگاشت­­ ادراکی فازی پیشنهاد شده است [۱۲و۱۱۲]. استفاده مناسب از الگوریتم­های یادگیری می ­تواند بر اغلب ضعف­های عمده نگاشت­­ ادراکی فازی غلبه کند. این ضعف­های عمده شامل همگرایی بالقوه (نهفته) به نواحی نامطلوب و محاسبه مجدد وزن­ها در هنگام پذیرش استراتژی­ های جدید می­باشد. با این حال، ضعف­هایی در به‌کارگیری روش­های یادگیری وجود دارد [۱۱۲].
۲-۱۰-۲-۱- روش­ یادگیری مبتنی بر شبکه ­های عصبی مصنوعی: از مهمترین روش­های یادگیری نگاشت­­­های ادراکی فازی، ترکیب نظر کارشناسان با ویژگی­های شبکه ­های عصبی است که باعث استفاده از مزایای هر دو می­ شود. غالباً الگوریتم­های یادگیری ارائه شده برای نگاشت­های­­ ادراکی فازی بر اساس ایده­های برآمده از حوزه آموزش شبکه ­های عصبی مصنوعی ^[۴۵] است [۱۲]. تکنیک­های یادگیری عصبی برای آموزش نگاشت­­ ادراکی فازی و تعیین مناسب وزن­های روابط بین مفاهیم بکار رفته است. نتیجه این ترکیب ایجاد یک سیستم فازی عصبی ترکیبی است. روش­های یادگیری مبتنی بر شبکه ­های عصبی مصنوعی بر مبنای قواعد یادگیری هبین بدون نظارت می­باشند و انطباق آن با مدل­های نگاشت­­ ادراکی فازی و تنظیم وزن­های آن برای اولین بار توسط کاسکو (۱۹۸۶) پیشنهاد شده است. قواعد یادگیری می­توانند نگاشت­­­های ادراکی فازی را آموزش دهند، به این معنی که روابط بین مفاهیم را تنظیم و تعدیل کنند، همان‌گونه که در مورد سیناپس­ها در شبکه ­های عصبی انجام می­ شود. در این نوع از روش­های یادگیری درجه هر وزن با قاعده عمومی زیر محاسبه می­ شود [۸۰] :

در این معادله وزن بهبود یافته  تابعی از وزن قبلی، مقادیر قبلی مفاهیم و مقادیر جدید آنها است. کاسکو و دیکرسون یادگیری هبین دیفرانسیل (تفاضلی) ^[۴۶]را با بهره گرفتن از قوانین یادگیری هبین دیفرانسیل برای آموزش نگاشت ادراکی فازی پیشنهاد دادند [۱۱۳] که شکلی از یادگیری بدون نظارت و بر مبنای تئوری هبین (۱۹۴۹) است. در یادگیری هبین دیفرانسیل، مقادیر وزن­ها به طور تکراری تا هنگام یافتن ساختار مطلوب و ماتریس متناظر مورد نظر، به روز می­شوند. در واقع وقتی مفاهیم تغییر می­ کنند، مقادیر روی یال­ها نیز به طور متناظر تغییر می­ کنند [۴و۸۰و۸۴].
به طور کلی، وزن­های یال‌های خروجی برای هر مفهوم، در ماتریس ارتباطات، تنها هنگامی اصلاح می­شوند که مقدار مفهوم متناظر به صورت معادله (۲-۱۲) تغییر کند [۸۰] :
(۲-۱۲)
جایی که  به وزن رابطه مفهوم  به  اشاره دارد.  نشان دهنده تغییر در مقدار فعال­سازی مفهوم  ، t شماره تکرار و  ضریب یادگیری است. ضریب یادگیری فوق یک مقدار ثابت کوچک است که به وسیله آن مقادیر عموماً در فرایند یادگیری کاهش می­یابند. اشکال عمده این روش یادگیری این است که قاعده به­روزرسانی وزن­ها بین مقادیر هر جفت از مفاهیم محاسبه می­ شود و تأثیرات سایر مفاهیم را نادیده می­گیرد [۸۰]. کاسکو فرمول­بندی ریاضی و کاربرد آن در مسائل واقعی را بیان نکرد.
در ادامه روش­های یادگیری بر مبنای شبکه عصبی، الگوریتم یادگیری دیفرانسیل متوازن^[۴۷] بر اساس یادگیری هبین دیفرانسیل، به وسیله هیورگا مورد بررسی قرار گرفته است[۱۱۴]. این الگوریتم یک نسخه بهبودیافته­ای از یادگیری هبین دیفرانسیل است و یکی از محدودیت­های روش یادگیری هبین دیفرانسیل را حذف می­ کند و به نظر می­رسد که الگوهای یادگیری و مدل­سازی حوزه داده شده را نسبت به رویکردهای کلاسیک بهتر انجام دهد. این روش با در نظر گرفتن همه مقادیر مفاهیم که به طور همزمان تأثیرگذارند، وزن­ها را به روز می­ کند. اما تا امروزه، روش یکپارچه­ای برای کاربرد یادگیری هبین دیفرانسیل و الگوریتم یادگیری دیفرانسیل متوازن در نگاشت­های ادراکی فازی به وجود نیامده است [۸۰ و۱۱۲]. از سوی دیگر، الگوریتم یادگیری دیفرانسیل متوازن فقط در نگاشت­های ادراکی فازی دودویی بکار رفته است. نگاشت­های با توابع تبدیلی دودویی، حوزه ­های کاربردی نگاشت­ ادراکی فازی را محدود می­سازند. در پژوهشی با مقایسه تجربی بین یادگیری هبین دیفرانسیل و یادگیری دیفرانسیل متوازن نشان داده شده است که روش یادگیری دیفرانسیل متوازن کیفیت نگاشت­های یادگیرنده را بهبود بخشیده است [۸۰].
در ادامه، الگوریتم یادگیری بدون نظارت دیگری به نام الگوریتم یادگیری هبین غیرخطی^[۴۸]، یادگیری نگاشت­های ادراکی فازی را بررسی کرده است [۱۱۵]. این الگوریتم بر اساس قاعده یادگیری هبین غیرخطی است و فقط وزن­های (غیر صفر) پیشنهادی اولیه نگاشت­ ادراکی فازی را به روز می­ کند. این وزن­ها در هر گام تکرار، تا وقتی که الگوریتم به پایان می­رسد، به طور همزمان به روز می­شوند. ایده اولیه و تشریح کاربرد قاعده هبین غیرخطی در نگاشت­های ادراکی فازی در سال ۲۰۰۳ ارائه شد اما فرمول­بندی ریاضی برای ورود یادگیری هبین غیرخطی به ساختار نگاشت­های ادراکی فازی و نیز روش اجرای الگوریتم بعداً ارائه شد [۱۲ و۱۱۲].
در سال­های اخیر استچ و همکارانش نسخه بهبود یافته­ای از روش یادگیری هبین غیرخطی را ارائه کردند. این الگوریتم یادگیری داده ­کاوی هبین غیر خطی^[۴۹] نامیده شده و بر مبنای همان قاعده یادگیری یادگیری هبین غیرخطی است اما مزایای به‌کارگیری داده ­های تاریخی را دارد و از خروجی مفاهیم برای بهبود کیفیت یادگیری استفاده می­ کند. در یک مطالعه با مقایسه تجربی نشان داده شده است که اگر داده تاریخی موجود باشند، روش یادگیری داده ­کاوی هبین غیر خطی مدل نگاشت­ ادراکی فازی بهتری را نسبت به روش عمومی یادگیری هبین غیرخطی ایجاد می­ کند [۸۰].
روش یادگیری بدون نظارت هبین دیگری به نام یادگیری هبین فعال ^[۵۰] به طور موفقیت آمیزی در یک مساله کنترلی عملی به کار گرفته شده است. این الگوریتم با در نظر گرفتن دانش و تجربه اولیه کارشناسان و با مقادیر اولیه مؤلفه‌های ماتریس وزنی که عقیده کارشناسان است شروع می­ شود. لذا در این روش نقش افراد خبره به طور کامل حذف نشده است. در الگوریتم یادگیری هبین فعال توالی مفاهیم فعال­ساز تعیین می­ شود. این توالی بستگی به وضعیت خاص و ویژگی­های مساله دارد [۱۱۲]. کارشناسان مجموعه ­ای مطلوب از مفاهیم را به عنوان مفاهیم خروجی انتخاب می­ کنند. رویکرد یادگیری هبین فعال شامل هفت گام است که بر اساس یادگیری هبین است. این گام­ها به طور تکراری بکار گرفته می­شوند تا وزن­ها را تعدیل کنند و در زمان دست­یابی به معیارهای از پیش تعریف شده، متوقف می­ شود [۸۰].
رویکرد دیگر یادگیری ماتریس ارتباطات نگاشت­ ادراکی فازی، شامل کاربرد استراتژی­ های تکاملی ^[۵۱] است [۱۱۶]. این تکنیک دقیقاً همان روش یادگیری شبکه ­های عصبی است. یکی از مهمترین اشکالات این روش این است که ساختار اولیه و دانش کارشناسان را در مدل نگاشت­ ادراکی فازی لحاظ نمی­کند، اما مجموعه­های داده را برای تعیین الگوهای ورودی و خروجی بکار می­گیرد تا روابط علت معلولی را با تابع مناسبی تعیین کند. اشکال عمده دیگر این روش نیازمندی به توالی­های بردار حالت چندگانه (زوج­های ورودی/ خروجی) است که ممکن است بدست آوردن آن برای بسیاری از مسائل دنیای واقعی مشکل باشد. به نظر می­رسد وزن­های محاسبه شده انحراف زیادی از وزن­های نگاشت­ ادراکی فازی واقعی دارند و در مسائل واقعی معنی فیزیکی قابل قبولی ندارند [۱۱۲].
۲-۱۰-۲-۲- روش­ یادگیری مبتنی بر الگوریتم ژنتیک : طبقه­ای از روش­های یادگیری نگاشت­ ادراکی فازی ، روش­های مبتنی بر الگوریتم ژنتیک می­باشند. در سال ۲۰۰۱، کولوریوتیس^[۵۲] و همکارانش از استراتژی ژنتیک ^[۵۳] استفاده کردند تا ساختار مدل نگاشت­ ادراکی فازی از جمله وزن­های روابط را با بهره گرفتن از داده ­ها آموزش دهند و مقادیر یال­ها را تعیین کنند [۸۰].
در روش آن­ها، فرایند یادگیری بر مبنای مجموعه ­ای از نمونه­های جفت­های ورودی/خروجی می­باشد. این یادگیری نیازمند داده ­های تاریخی شامل توالی­های چندگانه بردارهای حالت می­باشد. این الگوریتم­ ساختار یک نگاشت­ ادراکی فازی را آموزش می­دهد اما اشکال عمده این رویکرد این است که نیازمند توالی­های بردار حالت چندگانه است که ممکن است بدست آوردن آنها در برخی حوزه ­های کاربردی مشکل باشد [۸۰ و۸۴].
در ادامه بر اساس کاربرد الگوریتم­های ژنتیک دو رویکرد متفاوت برای یادگیری نگاشت­ ادراکی فازی پیشنهاد شده است. اولین رویکرد توسط خان و چونگ در سال ۲۰۰۳ ارائه شده است [۱۱۷]. این روش به جای یادگیری ماتریس ارتباطات و ساختار مدل نگاشت­ ادراکی فازی، به دنبال یافتن یک بردار حالت اولیه ( وضعیت اولیه) است که مدل داده شده را به حالت نهایی خاصی (همگرایی به نقظه ثابت یا دور محدود) هدایت کند [۱۱۲].
دومین رویکرد بر مبنای الگوریتم ژنتیک، در سال ۲۰۰۵ برای توسعه ماتریس ارتباطات نگاشت­ ادراکی فازی پیشنهاد شده است. این روش بر مبنای داده ­های تاریخی بردارهای حالت و یادگیری بدون نظارت می­باشد [۱۱۸]. این روش یک الگوریتم ژنتیک کدگذاری شده حقیقی ^[۵۴] است که اجازه حذف مداخله کارشناس در طول توسعه مدل را می­دهد و ماتریس ارتباطات نگاشت­ ادراکی فازی را آموزش می­دهد و از تابع تبدیل متوالی استفاده می­ کند. مهمترین مزیت روش الگوریتم ژنتیک کدگذاری شده حقیقی، عدم مداخله انسان است اما این روش نیازمند رسیدگی به دوره­ های همگرایی و بررسی بیشتر در جهت همکاری پارامترهای الگوریتم ژنتیک با ویژگی­های داده ­های تجربی می­باشد. مزیت این روش فقط در حوزه ­های مسائل خاصی محدود شده است [۱۱۲]. در حیطه الگوریتم ژنتیک، روش دیگری بر مبنای استنتاج و یادگیری بدون نظارت بر روی نوع خاصی از نگاشت­های ادراکی فازی ارائه شده است [۱۱۹].
۲-۱۰-۲-۳- روش یادگیری مبتنی بر الگوریتم بهینه­سازی گروه ذرات: از جمله روش­های یادگیری نگاشت­های­ ادراکی فازی بر پایه تکنیک­های محاسباتی تکاملی، روش بهینه­سازی گروه ذرات^[۵۵]است [۱۲۰و۱۲۱]. این روش در یادگیری نگاشت­ ادراکی فازی نتایج خیلی امیدبخشی داشته است. الگوریتم­های بهینه­سازی گروه ذرات به الگوریتم­های هوشمند گروهی تعلق دارد و در حوزه هوش مصنوعی به سرعت توسعه یافته است [۱۱۲].
این روش، یادگیری نگاشت­ ادراکی فازی را برمبنای داده ­های تاریخی هدف قرار داده است. بهینه­سازی گروه ذرات یک الگوریتم بر مبنای گروه است که برای یافتن راه­حلی از بین افراد گروه به جستجو می ­پردازد. این الگوریتم نیازمند دانش انسان در تعیین محدودیت­ها است. این محدودیت­ها معنی فیزیکی روابط نگاشت­ ادراکی فازی را حفظ می­ کنند [۸۰].
روش مذکور ساختار اولیه و دانش متخصصان را در مدل نگاشت­ ادراکی فازی لحاظ نمی­کند، بلکه با بهره گرفتن از مجموعه ­ای از داده ­ها، مفاهیم ورودی و خروجی را به منظور تعریف روابط علت و معلولی تعیین می­ کند. این روابط به گونه‌ای تعریف شده ­اند که در تابع مورد نظر صدق کنند و آن را بهینه نماید. با بهره گرفتن از این رویکرد یادگیری، تعدادی از ماتریس­های وزنی مناسب می­توانند سیستم را به نواحی همگرای مطلوب هدایت کنند. همچنین برای محاسبه مقادیر مطلوب مفاهیم خروجی و وضعیت سیستم، استراتژی تکاملی بکار گرفته شده است [۱۲].
روش دیگری بر مبنای بهینه­سازی گروهی به وسیله پتالاس و همکارانش در سال ۲۰۰۹ ارائه شده است [۱۲۲]. این روش با عنوان بهینه­سازی گروهی ذرات ممتیک ^[۵۶] نامیده می­ شود. این روش ترکیبی از الگوریتم ممتیک هوش گروهی با برنامه ­های جستجوی محلی قطعی و اتفاقی است تا عمل یادگیری نگاشت ادراکی فازی را انجام دهد. روش فوق نیازمند یک مجموعه از وزن­های اولیه است که معمولاً به وسیله یک کارشناس یا گروهی از کارشناسان تعیین شده است تا بهینه­سازی صورت گیرد [۸۰].

دولت هند گروه CERT-IN را بع عنوان هسته اصلی حفظ امنیت زیرساختهای کشور تاسیس کرده است. هر بخشی از این گروه به صورت یک تیم مستقل پاسخگویی به رخدادهای امنیتی عمل می نماید.ازاینرو امور مربوط به امنیت مالی و بانکداری بع عنوان بخشی از گروه CERT-IN توسط موسسه تحقیقات و توسعه در فناوری بانکداری اداره می شود.بر این اساس این موسسه اقدام به تاسیس گروه پاسخگویی به رخدادهای امنیتی مالی هند نموده است.فعایتهای این گروه پاسخگویی (INFICERT) شامل موارد ذیل می باشد:
مانیتور کردن خطرات به طور پیوسته
شناسایی دارایی های حیاتی
دریافت گزارش های حادثه و پاسخ به آنها
راهبری برنامه های آموزشی و آگاهی بخشی در زمینه امنیت اطلاعات
تبادل اطلاعات با بانک ها، موسسات مالی و کارشناسان امر
برای اطلاع رسانی بهتر، یک پایگاه وب برای کاربران مجاز بانک ها به منظور ارائه اطلاعات و خطرات ممکن از دید کاربران در نظر گرفته شده است. این پایگاه وب به عنوان مرکزی برای دریافت گزارش های حوادث مربوط به بانک ها و دارای پایگاه اطلاعاتی برای حوادث موجود است. مسئولین این تیم با پردازش و تلفیق اطلاعات و تبدیل آنها به یک فرمت قابل نمایش به بانکداران امکان تصمیم گیری در فضای گسترده تری را برای آنها فراهم می نمایند. همچنین پایگاه اطلاع رسانی اطلاعاتی در مورد خطرات و ویروس ها و کرمها و سایر تهدیداتی که عملیات بانکی را تحت تاثیر قرار می دهند ارائه خواهد کرد.

برنامه کاری این تیم به سه حوزه به شرح ذیل می باشد.
دریافت گزارش و پاسخ دهی به آنها
مرکز تماس شبانه روزی
پاسخگویی به همراه راه حل ها و توصیه ها
نگهداری اطلاعات بازخورد برای مراجعات بعدی
پشتیبانی از مدیران سیستم و فناوری اطلاعات
عملیات واکنشی
ارائه یک نقطه تماس برای گزارش امور امنیتی مربوط به بانک ها و موسسات مالی
ارزیابی اثرات رخدادها
ارائه توصیه ها برای مقابله با حوادث
مستند سازی حوادث برای مراجعات آتی
عملیات پیشگیرانه
مانیتور کردن توسعه از دید امنیتی
ارسال هشدارها و توصیه نامه ها به اعضا
راهبری برنامه ها و کارگاههای آموزشی
اجرای تحلیل های آسیب پذیری و ریسک
ارزیابی محصولات امنیتی و انتشار نتایج
ارتباط با تولیدکنندگان محصولات امنیتی برای شناخت بهتر آنها
گروه پاسخ به رخدادهای امنیتی پس اندازهای بانکی آلمان
این گروه از اعضای بانک های ارائه کننده خدمات پس انداز و متخصصان فناوری اطلاعات وابسته به Sparkassen Finanzgruppe تشکیل شده است. این گروه به چند موسسه مالی در کشورآلمان سرویس می دهد و همچنین ارائه کننده خدمات به موسسات بین المللی همکار از طریق یک نقطه تماس مرکزی است. این گروه پاسخگویی به رخدادهای امنیتی مالی گزارشات حوادث را از طریق خطوط تلفن و پست الکترونیک و فاکس دریافت می کند. خدمات ارائه شده توسط این گروه شامل سه حوزه پیش گیری و واکنشی و تثبیت در آینده بوده که به شرح ذیل می باشد.
پیش گیری
تهیه توصیه نامه ها برای تمامی محصولات نرم افزاری تایید شده
تهیه گزارش های مدیریتی در مورد جایگاه کلی امنیت در حوزه فناوری اطلاعات
تهیه گزارش های تحلیل امنیتی مربوط به بدافزارهای شناخته شده
واکنشی
رسیدگی به حوادث مختلف امنیتی در حوزه فناوری اطلاعات
تحلیل ابعاد قانونی و مسائل حقوقی
پشتیبانی و ارائه راهکار برای تمامی ابعاد امنیت در حوزه فناوری اطلاعات
آماده سازی تحلیل های فنی در مقابله با نفوذ و خطرات دیگر امنیتی
ارزیابی کلی اطلاعات امنیتی در حوزه فناوری اطلاعات
ایجاد سیستم های هشدار دهنده اولیه
تثبیت در آینده
تهیه مباحث آموزشی برای ارتقاءسطح آگاهی در زمینه امنیت اطلاعات
تهیه مناسبترین راهبردها برای تمامی ابعاد عملیات رسیدگی به رخدادها
ارزیابی مکرر کیفیت مکانیزمهای امنیتی
توسعه اطلاع رسانی در زمینه های مختلف امنیتی

آشنایی با گروه امداد کامپیوتر کشور سویس
این گروه یکی از گروه های موجود در اروپا می باشد(SWITCH-CERT) که توسط اتحادیه سویس و بخش هایی از کشور که در آنها دانشگاه وجود دارد تاسیس گردید. این هیات موسسان شامل مرکز تحقیقات شبکه کشور سویس که SWITCH نامیده می شود و شبکه های وابسته به آنها می باشد. این مرکز خدمات ۲۴ ساعته تمام وقت ارائه نمی نماید. گروه کاری امنیت شامل افرادی است که درگیر عملیات انتشارات امنیتی می باشند که محدود به اهداف این گروه های کاری به اشتراک گذاشتن اطلاعات و تجربیات و دانش و ایجاد محیطی برای علائق و منافع مشترک برای هماری های بیشتر می باشد. که این مرکز سیستم سری کلید عمومی را پشتیبانی می نماید.
خلاصه فصل سوم
در این فصل به کارهای پیشین انجام گرفته در زمینه تیمهای پاسخگویی به رخدادهای امنیتی مالی پرداخته شده و در این راستا نحوه ایجاد و اهداف و عملکرد سه تیم پاسخگویی Sparkassen Finanzgruppe در کشور المان و تیم INFICERT در کشور هند و تیم KFCERT در کشور کره و همچنین گروه امداد کامپیوتر کشور سویس مورد بررسی قرار گرفته است.
فصل چهارم: طراحی تیم پاسخگویی به رخدادهای امنیتی در یک بانک
چنان که واضح است تعداد آسیب پذیری های کامپیوتری و نرم افزاری در حال رشد است و پیچیدگی حملات در طول زمان بیشتر می شود. سازمانها نیازمند توسعه یک برنامه جامع برای ایمن سازی اطلاعات و تاکید بر ماندگاری ساختارهای زیر بنایی خود می باشند.
در این قسمت به ارائه یک طرح برای دست یابی به نکات مهم امنیتی و همچنین ایجاد یک گروه پاسخگویی به رخدادهای امنیتی در یک موسسه مالی پرداخته می شود.

در نظریه سوال پاسخ، برآورد سطح صفت اشخاص، مستلزم یک فرایند جستجو برای برآوردهای بهینه رفتار مدل است. نظریه سوال پاسخ به عنوان یک روش مدل­سازی نیرومند شناخته می­ شود زیرا بر مبنای پیش­فرض­های قوی استوار است. هدف نهایی مدل سوال پاسخ، مواجه کردن شخص با یک سوال معین است. الگوی پاسخ شخص به مجموعه خاصی از سوال­ها، مبنایی برای برآورد سطح صفت وی فراهم می سازد. اکنون نظریه سوال پاسخ شامل خانواده بزرگی از مدل هاست. ساده­ترین آن­ها مدل راش است که به مدل لوجستیک یک پارامتری (۱PL)^[8] نیز مشهور است.

آزمون انطباقی کامپیوتری، به طور روز افزونی به عنوان آزمون استاندارد شده، اهمیت پیدا کرده است. نسخه­های مختلف عملیاتی CAT شاهد بسیاری از آزمون­های استاندارد مانند TOFEL، GMAT و GRE بوده است. بر خلاف آزمون­های سنتی کاغذی و کامپیوتری، CAT آزمونی را فراهم کرده است که با آزمون دهنده در تعامل است. برای هر داوطلب، CAT به صورت متوالی سطح مهارت آزمون دهنده را بعد از هر سوالی، تخمین می­زند. سپس، این تخمین برای انتخاب سوال بعدی از بین سوالات باقی مانده در مجموعه عظیم سوالات، بر مبنای تعدادی از قواعد انتخاب، مورد استفاده قرار می­گیرد. تخمین سطح مهارت معمولاً با بهره گرفتن از روش برآورد بیشینه درست­نمایی^[۹] و یا تخمین بیض محاسبه می­ شود. در روش­های پارامتری، کیفیت تخمین صورت پذیرفته به شدت به مفروضات نسبتاً محدود کننده بستگی دارد. بسیاری از تحقیقات پیشین در مورد CAT بر اساس کلاسی از مدل­های آماری شناخته شده به عنوان نظریه سوال پاسخ استوار بود [۱۳, ۱۲, ۱۱]. مدل­های IRT به طور گسترده­ای در زمینه ­های مختلف از جمله آموزش و پرورش، روانپزشکی و دارو برای آنالیز پاسخ­های گسسته چندگانه برای مجموعه ­ای از سوال­های رتبه ­بندی شده، استفاده شده است.
رابطه بین ویژگی سوال­ها و توانایی آزمون­دهنده، بسیار پیچیده و غیر خطی است. اگرچه تعدادی از مقالات پژوهشی به تازگی در مورد IRT مدرن که توانایی فهم همزمان چندین مهارت و موارد رتبه ­بندی شده را دارا و بسیار پیچیده هستند و بر مبنای چندین فرضیه محدودکننده برای ساختن یک مدل محاسباتی هستند [۱۴]. در [۵]، Vomel شبکه ­های بیز،که یک مدل احتمالاتی گرافیکی است، را برای طراحی آزمون­های انطباقی اعمال کرده است. شبکه ­های بیز یک تعمیم برای نظریه سوال پاسخ­های چندبعدی فراهم می­ کند. به هر حال، شبکه ­های بیز هنوز هم جزء روش­های پارامتریک به شمار می ­آید و در برنامه­هایی با دامنه وسیع، مشکل­ساز است.
روش دیگر شبکه ­های عصبی هستند که با پیش زمینه تئوریکی قوی و قابلیت یادگیری و تعمیم و انعطاف پذیری بیشتر دقت تخمین بالاتری را ارائه می­دهد [۱۶, ۱۵]. شبکه ­های عصبی با موفقیت در سایر حوزه ها برای حل مشکلات پیچیده مورد استفاده قرار گرفته­اند که از جمله می­توان به تشخیص پزشکی، پیش ­بینی بازار سهام، به رسمیت شناختن الگو و داده کاوی، اشاره کرد.
فصل سوم : بحث­های مرتبط

نظریه سوال پاسخ
مقدمه
در سال­های اخیر، پایه­ های اساسی روان­سنجی آزمون­ها تغییر شگفت­انگیزی یافته است. با وجود اینکه نظریه کلاسیک آزمون چندین دهه به توسعه آزمون­ها کمک­های فراوان نمود، نظریه سوال پاسخ به سرعت به خط فکری پایه های نظری اندازه ­گیری درآمده است. اکنون نظریه سوال پاسخ زیربنای چند آزمون عمده را تشکیل می­دهد. به ­ویژه «آزمون انطباقی کامپیوتری»، بر نظریه سوال پاسخ استوار است. در «آزمون انطباقی کامپیوتری» آزمون­دهندگان به سوال هایی پاسخ می­ دهند که به نحو مطلوب برای اندازه ­گیری قابلیت­ها و توانایی­های آنان انتخاب شده است. آزمون دهندگان مختلف به سوال­های یکسان پاسخ نمی­دهند. اصول نظریه سوال پاسخ، در حالی که امکان انتخاب مناسب­ترین سوال­ها برای هر آزمون­دهنده را فراهم می­ کند، همترازسازی زیر مجموعه­های سوال­ها را نیز امکان­ پذیر می سازد. برای مثال، در مجموعه آزمون استعداد شغلی در خدمات نظامی، آزمایش ورودی دوره تحصیلات تکمیلی(GRE) برای برآورد توانایی آزمون دهنده­ها از نظریه سوال پاسخ استفاده می­ شود [۱۴, ۱۳].
نظریه کلاسیک آزمون (CTT) در بخش عمده سال­های قرن بیستم پایگاه اصلی پرورش آزمون­های روانی بوده است. کتاب کلاسیک گالیکسن (۱۹۵۰) که هنوز هم تجدید چاپ می­ شود، اغلب به عنوان منبع اصلی و معروفی به شمار می رود. اما نظریه کلاسیک بسیار قدیمی­تر از نظریه سوال پاسخ است. بسیاری از رویه­های روان­سنجی توسط پیشگامانی چون اسپیرمن (۱۹۰۷، ۱۹۱۳) به کار بسته شده است. نظریه کلاسیک روان­سنجی به عنوان معیار آزمون­سازی شناخته شده است که آغازگر انفجار اولیه آزمون­سازی در سال­های دهه ۱۹۳۰ به شمار می­رود [۱۴, ۱۳].
لرد و ناویک (۱۹۶۸) در کتاب کلاسیک خود اندازه ­گیری مبتنی بر مدل را معرفی کردند. نظریه سوال پاسخ به سرعت به صورت زیربنا و خط سیر اصلی اندازه ­گیری­های روان­شناختی درآمد. نظریه سوال پاسخ که به عنوان نظریه صفت مکنون نیز معروف است، اندازه ­گیری بر پایه مدل است که بر اساس آن برآورد سطح صفت هم به پاسخ­های شخص و هم به ویژگی­های سوال­های اجرا شده بستگی دارد. بسیاری از آزمون­های جدید بر اساس اصول نظریه سوال پاسخ تجدید نظر شده و دوباره تدوین گشته­اند اما چون اغلب کاربران این آزمون­ها با این نظریه آشنا نیستند، در راهنمای آزمون­ها به صورت جزئی و گذرا به کاربرد این نظریه اشاره شده است. به همین دلیل، بیشتر مصرف­ کنندگان این آزمون­ها از اینکه پایه­ های روان­سنجی آزمون­ها تغییر یافته است بی خبر مانده­اند. در سال­های اخیر کاربرد نظریه سوال پاسخ در موضوع­های پر اهمیت روان­شناسی آشکار شده است. اکنون تفسیر نمره­ها را می­توان از راه ویژگی­های اندازه گیری یکپارچه نظریه سوال پاسخ به مهارت­ های زیربنایی یا زمینه­ ساز ارتباط داد.
دانش بیشتر روان­شناسان از قواعد اندازه ­گیری بر روان­سنجی کلاسیک استوار است. (لرد و ناویک ۱۹۶۸) برای برقراری پیوستگی بین نظریه جدید و قدیم روان­سنجی، بسیاری از اصول نظریه کلاسیک را از نظریه سوال پاسخ استخراج کردند. وجود این اشتقاق­ها^[۱۰] به ظاهر نشان می­دهد که هرچند قواعد اندازه ­گیری در یک ساختار بدیهی و خردمندانه ریشه دارند، ولی بدون تغییر مانده­اند. اما در نظریه سوال پاسخ، بعضی قواعد شناخته شده اندازه ­گیری کاربرد خود را از دست داده است. به واقع قواعد جدید اندازه ­گیری در اساس با قواعد قدیمی تفاوت دارند. بسیاری از قواعد قدیمی باید مورد تجدید نظر قرار گیرند، تعمیم داده شوند و یا به کلی کنار گذاشته شوند. قواعد اندازه ­گیری اصولی هستند که بوسیله آن­ها آزمون­ها و مقیاس­های سنجشِ تفاوت­های فردی تدوین می­شوند. در ادامه قواعد جدید و قدیم را به طور مختصر بیان خواهیم کرد [۱۳].
قاعده۱- خطای معیار اندازه ­گیری
قاعده قدیم ۱: خطای معیار اندازه ­گیری درمورد تمامی نمره ­های یک جامعه خاص صدق می­ کند.
قاعده جدید ۱: خطای معیار اندازه ­گیری در سرتاسر نمره­ها(یا الگوهای پاسخ) تغییر می­ کند. اما در طول جامعه تعمیم­پذیر است.
قاعده ۲- طول تست و اعتبار
قاعده قدیم ۲: آزمونهای بلند از آزمونهای کوتاه معتبرتر هستند.
قاعده جدید ۲: آزمونهای بلند ممکن است از آزمونهای کوتاه معتبرتر باشند.
قاعده ۳- تبدیل­پذیر بودن^[۱۱] فرم­های آزمون
قاعده قدیم ۳: مقایسه نمره ­های آزمون­ها در فرم­های چندگانه (منظور فرم­هایی که میانگین ، واریانس و ضرایب اعتباری نابرابر دارند)، زمانی بهینه است که آزمون­ها موازی یا همتا باشند.
قاعده جدید ۳: مقایسه نمره ­های آزمونها­ در فرم­های چندگانه هنگامی بهینه است که سطوح دشواری آزمون برای آزمودنی­ها متفاوت باشد.
قاعده ۴- سنجش بدون سوگیری ویژگی­های سوال
قاعده قدیم ۴: برآورد بدون تورش یا بدون سوگیری ویژگی­های سوال به معرف بودن نمونه­ها بستگی دارد. یعنی نمی­ توان شاخص آماری دشواری سوال دو نمونه مختلف را به یک روش محاسبه نمود.
قاعده جدید ۴: برآورد بودن تورش یا بدون سوگیری ویژگی­های سوال را می­توان در مورد نمونه­های نامتعارف نیز به دست آورد. شاخص آماری دشواری سوال همه نمونه­ها را می­توان با یک روش یکسان محاسبه کرد.
قاعده ۵- تعیین نمره ­های مقیاسی با معنا
قاعده قدیم ۵: نمره ­های آزمون زمانی معنا پیدا می­ کنند که موقعیت آن­ها با گروه نرم یا هنجار مقایسه شود.
قاعده جدید ۵: نمره ­های آزمون وقتی معنا پیدا می­ کنند که فاصله آن­ها از سوال مقایسه شود.
قاعده ۶- محقق ساختن ویژگی­های مقیاس
قاعده قدیم ۶: وقتی که توزیع نمره ­های آزمون بهنجار باشد، ویژگی­های مقیاس فاصله­ای تحقق می­­یابد.
قاعده جدید ۶: ویژگی­های مقیاس فاصله­ای زمانی تحقق می­یابد که روش­های اندازه ­گیری توجیه­پذیر بکار بسته شود.
قاعده ۷- ترکیب چارچوب­های سوال
قاعده قدیم ۷: چارچوب مرکب سوال­ها در مجموع نمره ­های آزمون تأثیر ناهمسان برجای می­گذارد.
قاعده جدید ۷: چارچوب مرکب سوال­ها ممکن است به نمره ­های بهینه آزمون بینجامد.
قاعده ۸- معنای نمره ­های تغییر
قاعده قدیم ۸: اگر سطوح نمره ­های اولیه متفاوت باشند، نمره ­های تغییر را نمی­ توان به طور معنی­دار مقایسه کرد.
قاعده جدید ۸: اگر سطوح نمره ­های اولیه متفاوت باشند، نمره ­های تغییر را می­توان به­گونه معنی­دار مقایسه کرد.
قاعده ۹- تحلیل عاملی مدل­های دو ارزشی
قاعده قدیم ۹: تحلیل عاملی در مورد سوال­های دو ارزشی، به جای عامل واقعی به تولید عامل­های ساختگی منجر می شود.
قاعده جدید ۹: تحلیل عاملی در مورد داده ­های خام سوال­ها، به اطلاعات کاملی در مورد تحلیل عاملی منجر می­ شود.
قاعده ۱۰- اهمیت ویژگی­های محرک سوال
قاعده قدیم ۱۰: ویژگی­های محرک سوال­ها در مقایسه با خصایص روان­سنجی آن­ها بی­اهمیت­اند.
قاعده جدید ۱۰: ویژگی محرک سوال­ها می ­تواند به طور مستقیم به خصایص روان­سنجی آن­ها ارتباط پیدا کند.
قواعد اندازه ­گیری که در بالا ذکر شدند نشان می­دهد که نظریه سوال پاسخ شامل مجموعه اصولی است که با روان­سنجی کلاسیک تفاوت دارد. اگرچه اصول روان­سنجی کلاسیک را می­توان به عنوان حالت­های خاصی از نظریه سوال پاسخ استخراج کرد، ولی عکس این عمل صادق نیست. نظریه سوال پاسخ مبنای کلی تری برای روش­های روان­سنجی به شمار می­رود. بسیاری از اصول موجود در روان­سنجی کلاسیک، غیر لازم و یا حتی نامناسب است.
مدل­های نظریه سوال پاسخ
در نظریه­سوال پاسخ ، سطح توانائی شخص از روی پاسخ­های وی به سوال­های آزمون برآورد می­ شود. مدل سوال پاسخ مشخص می­ کند که سطح توانائی اشخاص و ویژگی­های سوال چگونه به یکدیگر مربوط می­شوند. سطح توانائی در بافت یا زمینه مدل برآورد می­ شود، و لذا نظریه سوال پاسخ اندازه ­گیری بر پایه مدل است [۱۳].
در نظریه سوال پاسخ، برآورد سطح صفت اشخاص، مستلزم یک فرایند جستجو برای برآوردهای بهینه رفتار مدل است. نظریه سوال پاسخ به عنوان یک روش مدل­سازی نیرومند شناخته می­ شود زیرا بر مبنای پیش­فرض­های قوی استوار است. هدف نهایی مدل سوال پاسخ، مواجه کردن شخص با یک سوال معین است. الگوی پاسخ شخص به مجموعه خاصی از سوال­ها، مبنایی برای برآورد سطح صفت وی فراهم می سازد.
اکنون نظریه سوال پاسخ شامل خانواده بزرگی از مدل هاست. ساده­ترین آن­ها مدل راش است که به مدل لوجستیک یک پارامتری (۱PL)^[12] نیز مشهور است. در مدل ساده راش، متغیر وابسته پاسخ دو ارزشی (یعنی موفقیت/شکست یا موافق/مخالف) شخص معین به یک سوال مشخص است. متغیرهای مستقل نمره ­های شخص در آزمون یعنی θ_s (تتاها) و سطح دشواری سوال یا β (بتا) است. متغیرهای مستقل با روش جمع­پذیر ترکیب می­شوند و سطح دشواری سوال از توانایی شخص (θ) منها می­ شود. این مدل دارای چند ویژگی مطلوب است، نخست، برآورد سطح صفت را می­توان در مورد هر سوالی که سطح دشواری آن معلوم است به کار بست. دوم، ویژگی­های سوال و سطوح صفت هر دو با رفتار پیوند یافته­اند. بنابراین، سوال پاسخ یک مدل کامل رفتار را فراهم می­سازد زیرا هم برای اشخاص و هم برای سوال­ها پارامترهای جداگانه­ ای دارد. سوم، سطح صفت و ویژگی­های سوال، متغیرهای مستقل هستند که می­توان آن­ها را جداگانه برآورد کرد [۱۷].
مدل­های دو ارزشی نظریه سوال پاسخ
در داده ­های دو ارزشی، به پاسخ درست هر سوال نمره ۱ و به پاسخ غلط نمره ۰ داده می­ شود. دو ویژگی این نوع داده ­ها را باید در نظر داشت. نخست، هرچند سوال­های آزمون، پیشرفت یا توانائی نمونه­های نخستین داده ­های دو ارزشی به شمار می­روند(یعنی پاسخ درست در برابر پاسخ اشتباه)، داده ­های دو ارزشی برای بسیاری از انواع دیگر آزمون­ها نیز مناسب است. دوم اینکه، در برخی موارد، پاسخ­های چند ارزشی یا چند طبقه­ای را می­توان به چارچوب دو ارزشی کاهش داد.
مدل­های سوال پاسخ تک بعدی برای داده ­های دو ارزشی
در مدل­های سوال پاسخ تک بعدی، فرض می­ شود که یک صفت مکنون واحد برای مشخص کردن تفاوت های اشخاص کفایت می­ کند. مدل­­های سوال پاسخ تک بعدی برای داده­هایی که زیر بنای پاسخ به سوال­ها فقط شامل یک عامل مشترک باشد مناسب است. مدل­­های سوال پاسخ تک بعدی برای داده­هایی که در آنها (الف) دو یا چند صفت مکنون، اثرهای متفاوتی بر سوال­ها دارند و (ب) از نظر راهبردها، ساختارهای دانش، و شیوه ­های تفسیر سوال­ها بین افراد تفاوت های اساسی وجود دارد، مناسب نیستند. در این گونه موارد مدل­­های سوال پاسخ چند بعدی مناسب­ترند. در جدول ‏۳‑۱ نمادهای متداول در مدل­های نظریه سوال پاسخ که در این فصل استفاده می­ شود، را مشاهده می­کنید.
جدول ‏۳‑۱: نمادهای متداول در مدل­های نظریه سوال پاسخ.