طراحی الگوی محاسباتی اعتماد سیاسی به جمهوری اسلامی ایران با کمک داده کاوی

سنجش اعتماد سیاسی جهت ایجاد ثبات جامعه در رخدادها ضروری است. این پژوهش تلاش دارد الگوی محاسباتی اعتماد سیاسی را به کمک کلان‌داده‌های 1649 متغیر در حوزه‌های مختلف، برآمده از کنشگری شهروندان ایران مبتنی بر «کلان داده‌های مشاهداتی» به دست آورد. روش پژوهش، ترکیبی از روش کمی و کیفی (با غلبه روش کمی) است؛ ازاین‌رو ابتدا به بررسی مفهوم، ابعاد و متغیرهای اعتماد سیاسی مبتنی بر روش تحلیل اسنادی و با ابزار فیش‌برداری پرداخته شد. سپس مطابق سازه‌نظری مفهوم اعتماد سیاسی، متغیرهای مرتبط به کمک مصاحبه با خبرگان استخراج شده و آنگاه جهت تجزیه‌وتحلیل کلان‌داده‌ها، روش kdd مورد بهره‌برداری قرار گرفت. همچنین با کمک یادگیری ماشین دو روش تحت نظارت و بدون نظارت در داده‌کاوی تحلیل شده و با توجه به دو معیار ریسک کمتر و مطلوبیت بیشتر، بهترین الگوریتم انتخاب شد. با بررسی‌های انجام شده یادگیری با نظارت ذیل طبقه‌بندی و الگوریتم  شبکه عصبی «neural net» بهترین مدل معرفی شد. سپس با ابزار ibm spss modeler به «طبقه‌بندی» داده‌ها در چهار گام، غربال‌سازی، کشف داده‌های همبسته، نرمال‌سازی و مدل‌سازی صورت گرفت. لازم به ذکر است در مرحله مدل‌سازی ضرایب تاثیرگذاری 13 متغیر به‌دست‌آمده از مراحل گذشته، استخراج شده و نیز نسبت آن‌ها در شبکه عصبی مطابق تاثیر لایه‌های میانی (لایه‌های مخفی) بر اعتماد سیاسی مبتنی بر شبکه عصبی نشان داده شد.

the computational model of political trust in the islamic republic of iran with the help of data mining

measuring political trust is necessary to establish the stability of the society in the events. this research tries to obtain the calculation model of political trust with the help of big data of 1649 variables in different fields, resulting from the activism of iranian citizens based on &observational big data&. the research method is a combination of quantitative and qualitative methods (with the dominance of the quantitative method); therefore, first, the concept, dimensions and variables of political trust were investigated based on the document analysis method and with the phishing tool. then, according to the construct theory of the concept of political trust, the related variables were extracted with the help of interviews with experts, and then the kdd method was used to analyze the big data. also, with the help of machine learning, two supervised and unsupervised data mining methods were analyzed and the best algorithm was selected according to the two criteria of lower risk and greater utility. with the conducted investigations, the best model of supervised learning under classification and neural net algorithm was introduced. then, with the ibm spss modeler tool, the data was &classified& in four steps, screening, discovery of correlated data, normalization and modeling. it should be noted that in the modeling stage, the influence coefficients of 13 variables obtained from the previous stages were extracted and their ratio in the neural network was shown according to the effect of the middle layers (hidden layers) on the political trust based on the neural network.