اولویت‌گذاری ابعاد کیفیت دانش در سازمان‌های داده‌محور (مورد مطالعه: پژوهشگاه علوم و فناوری اطلاعات ایران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد تهران مرکز، تهران، ایران.

2 پژوهشکده فناوری اطلاعات، گروه پژوهشی مدیریت فناوری اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران.

چکیده

هدف: امروزه دانش از مهمترین مزیت‌های رقابتی و ایجاد ارزش برای سازمان‌ها محسوب می‌شود و برای استفاده مؤثر از دانش باید به کیفیت آن توجه نمود. سازمان‌های داده‌محور بر دارایی‌های داده‌ای خود تکیه دارند. داده‌های با کیفیت و قابل اعتماد در سازمان‌ها باعث اتخاذ تصمیمات بهتر می‌شود. همچنین کیفیت دانش در سازمان‌های داده‌محور باعث رشد و افزایش سودآوری و نوآوری می‌شود. در این راستا، پژوهش حاضر به منظور بررسی و اولویت‌بندی ابعاد کیفیت دانش در سازمان‌های داده‌محور صورت گرفته است.
روش پژوهش: جامعه آماری این پژوهش را 10 نفر از خبرگان این حوزه در پژوهشگاه علوم و فناوری اطلاعات ایران تشکیل می‌دهند. جهت گردآوری داده‌ها ضمن مرور ادبیات موضوع، از ابزارهای مصاحبه با خبرگان پژوهشگاه علوم و فناوری اطلاعات ایران و پرسش‌نامه استفاده شده است. برای تجزیه و تحلیل داده‌ها از روش دیمتِل فازی برای تعیین روابط میان شاخص‌ها و از روش فرایند تحلیل شبکه (ANP)  برای وزن‌دهی و اولویت‌بندی معیارها استفاده شده است.
یافته‌ها: نتایج تجزیه و تحلیل داده‌ها از طریق پرسش‌نامه و حل با استفاده از نرم‌افزار اکسل نشان می‌دهد که در میان معیارهای اصلی، معیار کیفیت نمایشگری دانش از اولویت بالاتری برخوردار است. همچنین در میان زیرمعیارها، میزان قابلیت توسعه‌پذیری با وزن (15089/0) اولویت اول، قابل درک بودن با وزن (14039/0) اولویت دوم و قابلیت تفسیرپذیری با وزن (13687/0) اولویت سوم را کسب کردند.
نتیجه‌گیری: در پژوهش حاضر به بررسی و رتبه‌بندی معیارها و زیرمعیارهای کیفیت دانش در پژوهشگاه علوم و فناوری اطلاعات ایران پرداخته شد. نتایج تجزیه و تحلیل داده‌ها بر اساس روش FDANP نشان داد که در میان چهار سطح کیفیت دانش، کیفیت نمایشگری دانش با وزن (27726/0) به عنوان مهمترین معیار شناخته شده است. تفسیر این موضوع می‌تواند این باشد که مصرف‌کنندگان دانش قادر به عمل بر روی دانشی هستند که به طور مناسب از لحاظ سهولت درک و قابلیت تفسیر‌پذیری به آنها ارائه شده باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Prioritize the Dimensions of Knowledge Quality in Data Driven Organizations (Case Study: Iranian Research Institute for Information Science and Technology)

نویسندگان [English]

  • Fatemeh Almasian 1
  • Mohammad Javad Ershadi 2
  • Mohammad Reza Nabatchian 1
1 Department of Industrial Engineering, Faculty of Engineering, Islamic Azad University, Central Tehran Branch, Tehran, Iran.
2 Iranian Research Institute for Information Science; Technology (IRANDOC), Tehran, Iran.
چکیده [English]

Objective: Knowledge is one of the most important competitive and value creating advantages of organizations, and for effective use of knowledge, attention should be paid to its quality. Data driven organizations rely on their data assets. Quality and reliable data in organizations leads to better decision making, and the knowledge quality in data driven organizations leads to growth and increase in profitability and innovation. The present research was conducted in order to investigate and prioritize the dimensions of knowledge quality in data driven organizations.
Methods: The statistical population of this research is made up of 10 experts in this field in the Research Iranian Research Institute for Information Science and Technology (IranDoc). In order to collect data, while reviewing the literature on the subject, interviews with experts of Iranian Research Institute for Information Science and Technology and questionnaires were used. For data analysis, the fuzzy DEMATEL method was used to determine the relationships between indicators and the ANP method was used for weighting and prioritizing criteria.
Results: The results of data analysis through questionnaires and solutions using EXCEL software show that among the main criteria, the representational knowledge quality is the highest quality priorities. Also, among the sub-criteria, the degree of Expandability with a weight of (0.15089) was the first priority, Understandability with a weight of (0.14039) was the second priority, and Interpretability was the third priority with a weight of (0.13687).
Conclusions: It is observed that the sub-criterion of expandability and use of knowledge content in the future through knowledge sharing and integration has a much greater impact on the perceived quality of knowledge in data-oriented organizations than other sub-criteria.

کلیدواژه‌ها [English]

  • Data Driven Methods
  • Information Quality
  • Data Quality
  • Knowledge Quality
References
Akbarpour, M., Tizrou, A. (2022). Future research of the strategy of knowledge-based companies with a scenario approach. Organizational Knowledge Management Quarterly, 5(3), 69-110. [in Persian]
Asgari, N. & Jahani, B. (2016). The mediating role of social capital in the effect of social media on the quality of organizational knowledge and innovative performance. Journal of Information Technology Management, 29(8), 751-770 [in Persian]
Ban, T., Wang, X., Chen, L., Wu, X., Chen, Q., & Chen, H. (2022). Quality Evaluation of Triples in Knowledge Graph by Incorporating Internal with External Consistency. IEEE Transactions on Neural Networks and Learning Systems.
Bharati, P., Zhang, W., & Chaudhury, A. (2015). Better knowledge with social media? Exploring the roles of social capital and organizational knowledge management. Journal of Knowledge Management, 19(3), 456-475. https://doi.org/10.1108/JKM-11-2014-0467
Boateng, H., Visnupriyan, R., Ofori, K., & Hinson, R. (2020). Examining the link between social capital, knowledge quality, SMEs innovativeness and performance. Business Information Review, 37(4), 167-175. https://doi.org/10.1177/0266382120970157
Chakrabarti, D., Arora, M., & Sharma, P. (2018). Evaluating Knowledge Quality in Knowledge Management Systems. Journal of Statistics Applications & Probability, 7(1), 75-83. http://dx.doi.org/10.18576/jsap/070107
Corral de Zubielqui, G., Lindsay, N., Lindsay, W., & Jones, J. (2018). Knowledge quality, innovation and firm performance: a study of knowledge transfer in SMEs. Small Business Economics, 53(1), 145-164. https://doi.org/10.1007/s11187-018-0046-0
Ganguly, A., Talukdar, A., & Chatterjee, D. (2019). Social capital, knowledge quality, knowledge sharing, and innovation capability: An empirical study of the Indian pharmaceutical sector. Knowl Process Manag, 1-18. https://doi.org/10.1002/kpm.1614
Karlinsky-Shichor, Y., & Zviran, M. (2016). Factors Influencing Perceived Benefits and User Satisfaction in Knowledge Management Systems. Information Systems Management, 33(1), 55-73. http://dx.doi.org/10.1080/10580530.2016.1117873
Mancilla-Amaya, L., Sanin, C., & Szczerbicki, E. (2012). Quality Assessment of Experiential Knowledge. Cybernetics and Systems, 43(2), 96-113. https://doi.org/10.1080/01969722.2012.654071
Moradzadeh, A., Zarei, K.h, & Heydarian, H. (2019). The effect of social capital on promoting organizational resilience: explaining the mediating role of knowledge sharing related to the Covid-19 crisis. Organizational Knowledge Management Quarterly, 3(3), 112-87. [in Persian]
Moser, C., & Deichmann, D. (2020). Knowledge sharing in two cultures: the moderating effect of national culture on perceived knowledge quality in online communities. European Journal of Information Systems, 30(6), 623-641. https://doi.org/10.1080/0960085X.2020.1817802
Shafiei, S., Khademi, R., & Hariri, E. (2021). Customer knowledge management and its effect on service quality and customer satisfaction - a cross-sectional study in Bank Mellat, Kermanshah province. Organizational Knowledge Management Quarterly, 4(2), 187-219. [in Persian]
Valaei, N., & Rezaei, S. (2016). Dose Web 2.0 utilisation lead to knowledge quality, improvisational creativity, compositional creativity, and innovation in small and medium-sized enterprises? A sense-making perspective. Technology Analysis & Strategic Management, 29(4), 381-394. https://doi.org/10.1080/09537325.2016.1213806
Vijai, J. (2018). Examining the relationship between system quality, knowledge quality and user satisfaction in the success of knowledge management system: an empirical study. International Journal of Knowledge Management Studies, 9(3), 203-221.
Waheed, M., & Kaur, K. (2014). Knowledge quality: A review and a revised conceptual model. Information Development, 32(3), 271-284. https://doi.org/10.1177/0266666914539694
Waheed, M., & Kaur, K. (2017). Students perceptual quality standards for judging knowledge quality: Development and validation of a perceived e-learning knowledge quality scale. Information Development, 35(2), 319-332. https://doi.org/10.1177/0266666917744370
Yoo, D. (2014). Substructures of perceived knowledge quality and interactions with knowledge sharing and innovativeness: a sensemaking perspective. Journal of Knowledge Management, 18(3), 523-537. http://dx.doi.org/10.1108/JKM-09-2013-0362
Zahringer, K., Kolympiris, C., & Kalaitzandonakes, N. (2017). Academic knowledge quality differentials and the quality of firm innovation. Industrial and Corporate Change, 26(5), 821-844. http://dx.doi.org/10.1093/icc/dtw050
Zhang, Y., Zhang, M., Luo, N., Wang, Y., & Niu, T. (2019). Understanding the formation mechanism of high-quality knowledge in social question and answer communities: A knowledge co-creation perspective. International Journal of Information Management, 48, 72-84. https://doi.org/10.1016/j.ijinfomgt.2019.01.022