در این روش برای افزایش نمونه ها در کلاس اقلیت به تولید نمونه های مصنوعی می­پردازیم. بیش نمونه برداری با تکرار(که از طریق کپی کردن نمونه های کلاس اقلیت ، آنها را تکثیر می­ کند) به طور بالقوه می ­تواند منجر به بیش برازش نمونه های کلاس اقلیت شود.برای غلبه بر این مشکل و گسترش ناحیه تصمیم گیری کلاس اقلیت از روش ایجاد نمونه های مصنوعی استفاده می­کنیم که در این روش به جای استفاده از فضای داده، از فضای ویژگی استفاده می شود. درواقع هر نمونه از کلاس اقلیت انتخاب شده و نمونه های مصنوعی با در نظر گرفتن همه/هر K نزدیک ترین نمونه از کلاس اقلیت که در امتداد خطی به هم می­پیوندند، تولید می­شوند.بسته به میزان بیش نمونه برداری مورد نیاز، همسایگانی از K نزدیک ترین همسایه انتخاب می­شوند.نمونه مصنوعی به صورت زیر تولید می شود : ابتدا نگاهی به تفاوت بین بردار ویژگی ( نمونه ) مورد نظر و نزدیکترین همسایه آن می اندازیم. سپس این تفاوت در عددی تصادفی بین صفر تا یک ضرب شده و آن را به بردار ویژگی اضافه می­کنیم. به طور معمول، نمونه برداری با تکرار باعث ایجاد مناطقی کوچک برای تصمیم گیری می­ شود اما با بهره گرفتن از نمونه های مصنوعی مناطق بزرگتری برای تصمیم گیری خواهیم داشت]38[.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

هنگامی که مجموعه های داده به شدت اریب هستند، برای بهبود تعمیم یادگیرنده از ترکیب روش­های بیش نمونه برداری و زیرنمونه برداری استفاده می­ شود.به عنوان مثال زمانی که مجموعه داده به شدت نامتوازن است و یا نمونه های کمی برای کلاس اقلیت وجود دارد، میتوان با ترکیب روش های SMOTE و Tomek Link ، و همچنین ترکیب روش های SMOTE و ENN به نتیجه بهتری دست یافت]36[.

2-9-2-1-6 نزدیک ترین همسایه فشرده^[91](CNN)

رویکرد اصلی روش CNN مانند روش نزدیک ترین همسایگی(NN)^[92] است اما تنها از زیرمجموعه­ای از نمونه های آموزشی استفاده می­ کند.این زیرمجموعه زمانی که به عنوان یک مجموعه مرجع ذخیره شده برای تصمیم گیری نزدیک ترین همسایگی مورد استفاده قرار گرفت، باعث شد که تمام نمونه های متعلق به مجموعه آموزشی اصلی به درستی طبقه بندی شوند.
در روش نزدیک ترین همسایگی، نمونه ورودی به دسته ای اختصاص می­یابد که اکثریت را در N همسایه نزدیک این نمونه دارد.قاعده ساده و در عین حال قدرتمند است و زمانی که تعداد نمونه­ها نامحدود باشد، ریسک این روش هرگز بدتر از دوبرابر ریسک روش bayes نیست.اما برای طبقه بندی یک نمونه آزمون، باید تمام نمونه های برچسب دار مجموعه آموزشی جستجو شوند.روش NN انباره بزرگ و نیازهای محاسباتی را تحمیل می­ کند]39[.
روش CNN برای کاهش و خلاصه کردن مجموعه اموزشی و پیدا کردن مهم ترین مشاهدات به کار می­رود که از این مشاهدات برای طبقه بندی هر مشاهده جدید استفاده خواهد شد.این امر به شدت تعداد مقایسه ها برای طبقه بندی یک مشاهده جدید را می­کاهد، در حالی که دقت را تنها کمی کاهش می­دهد.
روش کار بدین صورت است که داده ها به 3 نوع متفاوت تقسیم می­شوند:

1. 1. Outliers : یک داده پرت مشاهده ای است که بطور غیر عادی یا اتفاقی از وضعیت عمومی داده ­های تحت آزمایش و نسبت به قاعده ای که براساس آن آنالیز می­شوند، انحراف داشته است.

1. 1. Prototype : حداقل مجموعه آموزشی که مورد نیاز است تا همه نقاط غیر پرت دیگر به درستی تشخیص داده شوند.

1. 1. Absorbed points : نقاطی که پرت نیستند و بر اساس مجموعه نقاط پروتوتایپ به درستی تشخیص داده می­شوند.

بنابراین ما فقط نیاز به مقایسه مشاهدات جدید با نقاط پروتوتایپ داریم.
الگوریتم این روش به صورت زیر خلاصه میشود :

1. 1. نقاط موجود در مجموعه آموزشی را به نوبت حذف کرده، و سپس چک میکنیم آیا کلاس آن به درستی تشخیص داده شده یا خیر؟

• • اگر چنین باشد آن نقطه را دوباره در مجموعه قرار می دهیم

• • اگر نباشد، پس نتیجه میگیریم که داده ای پرت است و نباید در مجموعه گذاشته شود.

1. 1. یک پایگاه داده جدید ایجاد کرده و نقطه ای تصادفی به آن اضافه میکنیم.

1. 1. تمام نقاط موجود در مجموعه اصلی را انتحاب میکنیم،و سپس چک میکنیم که آیا بر اساس نقاط موجود در پایگاه داده جدید کلاس این نقاط به درستی تشخیص داده شده است؟، از KNN=1 استفاده میکنیم،

• • اگر چنین است نتیجه میگیریم که این یک نقطه جذب است و میتوانیم آن را از پایگاه داده جدید کنار بگذاریم

• • اگر چنین نباشد باید از مجموعه اصلی حذف شود و به پایگاه داده جدید از پروتوتایپ اضافه شود.

1. 1. به همین منوال در مجموعه اصلی پیش می رویم.

1. 1. مراحل 3 و4 را تکرار کنید تا زمانی که هیچ نمونه پروتوتایپ جدیدی اضافه نشود]39[.

این الگوریتم به زمان اجرای زیادی نیاز دارد زیرا باید تکرارها نگه داشته شود. همچنین CNN کاملا تحت تاثیر داده های مغشوش در مجموعه آموزشی قرار میگیرد.

2-9-2-1-7 نزدیک ترین همسایه تغییر یافته(ENN)^[93]

بر اساس روش ENN ویلسون، قانون پاک سازی همسایه برای حذف و یا از بین بردن نمونه های کلاس اکثریت پیشنهاد شده است.در این روش به منظور زیر نمونه برداری داده ها ، نمونه های نویزی از کلاس اکثریت حذف می­شوند.در این روش اگر برچسب نمونه ای با حداقل دو همسایه (از سه نزدیکترین همسایه) متفاوت باشد، آنگاه این نمونه حذف می­ شود. حالت متفاوتی از ENN ،^[94]NCL نامیده می­ شود. در این روش در زمان پاکسازی مجموعه داده، با نمونه های کلاس اقلیت و اکثریت به صورت جداگانه­ ای رفتار می­ شود.NCL برای حذف نمونه های اکثریت از روش ENN استفاده می­ کند.برای هر نمونه E_i در مجموعه آموزشی، سه نزدیکترین همسایگان آن یافت می­ شود. اگر E_i متعلق به طبقه اکثریت است و طبقه بندی ارائه شده توسط سه نزدیکترین همسایه، با طبقه اصلی E_i در تضاد باشد، آنگاه E_i حذف می­ شود.اگر E_i متعلق به کلاس اقلیت است و سه نزدیکترین همسایگان آن، E_i را به نادرستی طبقه بندی کنند، سپس نزدیک ترین همسایگان متعلق به کلاس اکثریت حذف خواهند شد ]36[.

2-9-2-1-8 Tomek-Link

این روش، یکی از تکنیک های پاکسازی داده است که برای حذف همپوشانی به کار می­رود.در این روش به نمونه هایی که در نزدیکی مرز قرار دارند توجه بیشتری می­ شود.به عنوان مثال ، دو نمونه E_i و E_j را در نظر بگیرید که به کلاس های متفاوت تعلق دارند.,d( E_j, E_i) فاصله این دو نمونه را نشان میدهد.جفت. ( E_i, E_j) یک Tomek Link نامیده می­ شود اگر نمونه ای مانند E₁ وجود نداشته باشد، به طوری که d(Ei,E1) < d(Ei, Ej) or d(Ej , E1) < d(Ei, Ej). اگر دو نمونه یک Tomek Linkرا تشکیل دهند، آنگاه یکی از این نمونه ها نویز است یا هر دو در کنار مرز قرار دارند.بنابراین می­توانیم از Tomek Link ها برای پاکسازی همپوشانی های ناخواسته بین کلاس ها استفاده کنیم و همه Tomek Link­ ها حذف می­شوند تا زمانی که همه جفت های نزدیک ترین همسایه، عضو یک کلاس باشند.لازم به ذکر است که Tomek Link، NCL و ENN بسیار وقت گیر هستند زیرا باید برای هر نمونه موجود در مجموعه داده، نزدیک همسایگان آن را یافت. بنابراین برای مجموعه داده های بزرگ قابل استفاده نیستند]36[.بنابراین با حذف نمونه های همپوشان می­توانیم خوشه های خوش تعریفی در مجموعه آموزشی ایجاد کنیم که به نوبه خود می ­تواند منجر به بهبود کارایی طبقه بندی شود.شکل (2-17) روش Tomek Link را نشان می دهد. برخی از کارهای ترکیبی انجام شده در این زمینه عبارتند از : نزدیک ترین همسایه فشرده و Tomek Link (Tomek Link +CNN) ، ترکیب SMOTE و ENN (SMOTE+ENN)، و همچنین ترکیب SMOTE و Tomek Link (SMOTE+Tomek Link). به عنوان مثال شکل (2-17) روش ترکیبی SMOTE+Tomek Link را برای حذف نقاط داده همپوشان نشان میدهد]15[. در قسمت (a) توزیع مجموعه داده اصلی نشان داده شده است که دارای همپوشانی در نمونه های اقلیت و اکثریت است. شکل (b)توزیع مجموعه داده بعد از اعمال روش SMOTE را نشان می دهد.شکل©، Tomek Link ها را در کادری مشخص کرده است و شکل (d) مجموعه داده را پس از اعمال پاکسازی نشان میدهد.

شکل (2-17)- (a) مجموعه داده اصلی. (b) مجموعه داده بعد از اعمال SMOTE. ) (c Tomek-Link های شناخته شده (d) مجموعه داده بعد از پاکسازی Tomek-Link ها]36[
2-9-2-2 روش­های یادگیری جمعی^[95]
یادگیری جمعی نیز به عنوان یک راه حل برای آموزش SVM با مجموعه داده نامتوازن بکار می­رود. به طور کلی، در این روش­ها، مجموعه داده های طبقه اکثریت به چندین زیر مجموعه داده^[96] تقسیم می­شوند به طوری که هر یک از این زیر مجموعه داده ها دارای تعداد یکسانی از نمونه ها به عنوان نمونه های طبقه اقلیت هستند.(تعداد نمونه های کلاس اقلیت در تمام زیرمجموعه داده ها یکسان است).این را میتوان با بهره گرفتن از نمونه گیری تصادفی با جایگزینی و یا بدون جایگزینی^[97] و یا از طریق روش­های خوشه بندی انجام داد.سپس مجموعه ای از کلاسه بندهای SVM توسعه داده شده و هر کدام از آنها با مجموعه داده مثبت یکسان و زیر مجموعه داده منفی متفاوت آموزش داده می­شوند.در نهایت با بهره گرفتن از روشی مانند رای گیری اکثریت^[98]، تصمیمات اتخاذ شده توسط کلاسه بندها با یکدیگر ترکیب می­شوند]20[.
در واقع روش های یادگیری جمعی به طور وسیعی در ارتباط با مشکل عدم توازن کلاس به کار می روند. این روش ها، نتایج کلاسه بند ها را با هم ترکیب می­ کنند.در این گروه، روش های Boosting و Bagging جز برتـرین روش ها هستند.در ادامـه برخی از روش هـای این گروه را مختصر توضیح می­دهیم.

2-9-2-2-1الگوریتم آموزشی Bagging

این الگوریتم از مفهوم Bootstrap Aggregatingدر ایجاد تخمین­هاي مختلف استفاده نموده است. اصولاً می­تـوان از تـکنیک فوق به منـظور ارزیابی دقت تخمین­هاي بکار گرفته شده در روش­هاي داده­کاوي از طریق نمونه برداري با جایگزینی از داده‌هاي آموزشی استفاده نمود. در این تکنیک فرض بر آنست که مجموعه‌داده هاي آموزشی نماینده جامعه تحت بررسی بوده و انواع حالات تحقق یافته جامعه را می­توان از این مجموعه داده شبیه سازی نمود. بنابراین با بهره گرفتن از دوباره نمونه برداری توسط به کارگیری مجموعه داده‌های مختلف تنوع مورد نیاز حاصل خواهد شد و زمانی که یک نمونه جدید وارد هرکدام از کلاسه بندها می‌شود، توافق اکثریتی به کار گرفته می‌شود تا کلاس مورد نظر تشخیص داده شود.به عنوان یک روش از bagging میتوان pasting small votes را نام برد که عموما برای مجموعه داده‌های حجیم طراحی شده است. این مجموعه داده‌ها به زیرمجموعه‌های کوچکتری تقسیم می‌شوند که به منظور آموزش دسته‌کننده‌های گوناگون به کار می‌رود. در این حالت دو نوع مختلفRvotes و Ivotes وجود دارند که اولین مقدار، زیرمجموعه‌هایی به صورت تصادفی ایجاد می‌کند و دومین مقدار زیرمجموعه‌های متوالی بر پایه اهمیت این نمونه‌ها ایجاد می‌کند.نمونه‌های مهم هم آن نمونه‌هایی هستند که موجب افزایش تنوع در مجموعه داده می‌شوند.استفاده از توزیع موزون داده‌های ضعیف و سخت است که باعث ساخت مجموعه داده می‌شود.داده‌های سخت^[99]توسط کلاسه بندهای out-of-bag شناسایی می‌شوند، به طوری که زمانی یک نمونه “سخت” در نظر گرفته می‌شود که توسط ensemble به صورت اشتباه کلاسه بندی شده است. این داده‌های سخت همیشه به مجموعه داده‌های بعدی اضافه می‌شوند در حالی که داده‌های آسان شانس کمی برای داخل شدن به مجموعه داده‌ها را دارند]15[.

2-9-2-2-2 الگوریتم آموزشی Boosting

شیوه های کارت امتیازی نیز همانند روش های مستقیم عمل می کنند با این تفاوت که در این شیوه ها ارزش پولی سرمایه فکری مشخص نخواهد شد. در این روش از شاخص هایی برای گزارش دهی عملکرد در قالب نمودارها یا جداول استفاده می شود.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

دو شیوه سرمایه گذاری بازار و نرخ بازگشت دارایی ها منجر به اندازه گیری تجمیعی برای کل سازمان در سطح کلان می شود. شیوه های سرمایه گذاری بازار، مقادیر پولی برای سرمایه فکری را از طریق کسر بین مجموع سرمایه گذاری شرکت در بازار از مقدار ارزش دفتری سهام سهامدارانش در ترازنامه محاسبه می کنند.
شیوه نرخ بازگشت دارایی ها از متوسط درآمدهای قبل از مالیات استفاده کرده و آن را به متوسط دارایی های مشهود تقسیم می کند تا ROA شرکت بدست آید. سپس تفاوت بین ROA صنعت و ROA شرکت در متوسط دارایی های مشهود شرکت ضرب گردیده و از این طریق متوسط درآمدهای حاصل از نامشهودها بدست می آید. در نهایت با تقسیم متوسط درآمدهای نامشهود بر متوسط هزینه سرمایه های شرکت، نرخ بهره، برآوردی از میزان سرمایه فکری شرکت بدست می آید(پتی، ۲۰۰۰).
بهره برداری از سیستم های هوشمند به منظور بهینه سازی و پیش بینی در حال حاضر به عنوان یکی از ابزارهای پیشرفته امروز در حوزه های مختلف علوم کاربرد فرآوانی دارد. این دستاوردهای تکاملی در تکنولوژی اطلاعات توانایی پردازش انبوهی از اطلاعات را به صورت موازی امکان پذیر ساخته است (شباهنگ، ۱۳۷۹).
چگونگی اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصمیم گیری از موضوعاتی بحث برانگیز در عصر حاضر است یکی ازمسائل مهم تحقیقاتی در زمینه علوم کامپیوتر، پیاده سازی مدلی شبیه به سیستم داخلی مغز انسان برای تجزیه تحلیل سیستم های مختلف بر اساس تجربه است در این راستا شبکه عصبی یکی از پویاترین حوزه های پژوهش در دوران معاصر هستند که افراد متعددی از رشته های گوناگون علمی را به خود جلب کرده است استفاده از شبکه عصبی و الگوریتم ژنتیک در حل مسائل پیچیده کاربردی این روزها بیش از بیش رواج یافته است.( جعفریه و همکاران، ۱۳۸۹).
ما در این پژوهش در پی این سئوال هستیم که آیا سرمایه فکری درجلوگیری از پریشانی مالی شرکت های بورس اوراق بهادار تهران تاثیر بسزای دارد؟ هدف این پژوهش، یافتن رابطه سرمایه فکری و عملکرد شرکت ها است تا برای سازمان هایی که می خواهند از ارزش عملکردشان به خوبی آگاهی داشته باشند رهنمود لازم را ارائه نماید. در واقع با ارائه این پژوهش کمک بسزای در عمق بخشیدن به بازار سرمایه ایران و ایجاد کارآیی در این بازار خواهیم کرد زیرا که نقش اطلاعات در تصیم گیری های مالی از اهمیت بسزای برخوردار است و همچنین جستجو برای یافتن روش های نوین و پویای تجزیه وتحلیل اطلاعات و پردازش صحیح آنها برای رسیدن به تصمیم گیری مطلوب می تواند از دیگر مزایای دیگر این پژوهش بشمار آید. که به کلیه کسانی که می خواهند در بورس اوراق بهادار تهران سرمایه گذاری کنند و همچنین به تمامی کارگزاران و سهامداران بورس اورق بهادار ایران در تجزیه وتحلیل اطلاعات کمک رسانی کرده و آنها را در تصیم گیری مطلوب راهنمایی خواهد کرد.
۱-۳- اهمیت و ضرورت انجام پژوهش
افزایش شکاف بین ارزش واقعی و دفتری شرکت‌ها، توجه پژوهشگران را برای توضیح ارزش نامرئی که در این بین از صورت‌های مالی حذف‌‌ شده، جلب کرده ‌است. ارزشی که ما از آن تحت عنوان سرمایه فکری نام می‌بریم و در تمامی ابعاد سازمان همچون یک پیکره دانش حضور دارد، اما نادیده گرفته می‌شود. بر اساس پژوهش های صورت‌گرفته بین ۵۰۰ شرکت تایوانی، نسبت ارزش بازار (واقعی) شرکت‌ها به ارزش دفتری آنها به تدریج از ۱ تا بیش از ۵ برابر بین سال‌های ۱۹۹۷ تا ۲۰۰۱ افزایش یافته است. پژوهش ها نشان داده‌اند که در حدود ۸۰ درصد ارزش بازار شرکت‌ها در گزارش‌های مالی آنها منعکس نشده ‌است (مدهوشی و همکاران ۱۳۸۸). اهمیت و ضرورت پژوهش حاضر ناشی از اهمیت فزاینده‌ای است که این سرمایه کمتر شناخته ‌‌شده (سرمایه فکری) در ارزش واقعی شرکت‌ها و عملکرد مالی آنها و به تبع آن موفقیت و شکست آنها در محیط رقابتی و پیچیده ‌امروزی دارد با توجه به کارهای که پژوهشگران مختلف،انجام داده اند به نظر می رسد که سرمایه فکری ارزش های مخفی باشد، که صورت های مالی را مخدوش می کند و چیزی است که سازمان ها را در دستیابی به مزیت های رقابتی سوق می دهد. به علاوه اعتقاد برآن است که محدودیت های صورت های مالی توضیح دقیق ارزش شرکت را با مشکل مواجه می سازد.و این واقعیت را آشکار می کند که این روزها ،منابع ارزش اقتصادی، محصول سرمایه فکری است نه تولیدات کالاهای مادی(چن :۲۰۰۵). همچنین یکی از مهمترین ویژگی های این پژوهش استفاده از شبکه عصبی (برای پیش بینی قیمت) است که همبستگی ناشناخته بین ویژگی_­های مطلوب و ارزش متغییرهای مسائل تصمیم گیری (جای که راه حل مسئله ناشناخته است )،مسائلی که دارای راه حل الگوریتم نیستند، و جای که داده های ناقص وجود دارد از کاربرد های این شبکه محسوب می شود و مزیت اصلی این شبکه قابلیت فوق العاده آنها در یادگیری و نیز پایداری شان در مقابل اغتشاشات ناچیز ورودی است (فاوست ۱۹۹۴) .که با بهره گیری از شبکه عصبی در این پژوهش می­توان با ضریب اطمینان بیشتری در خصوص آینده سهام یک شرکت تصمیم گیری کرد.
۱-۴- اهداف مشخص پژوهش (شامل اهداف کلی، ویژه و کاربردی)
هدف کلی: کاربرد سرمایه فکری بر مدل تنگدستی مالی با بهره گرفتن از شبکه عصبی
اهدف ویژه
تعیین میزان تاثیر سرمایه فکری با بازده حقوق صاحبان سهام در شرکت‌های ورشکسته بورس اوراق بهادار
تعیین میزان تاثیر سرمایه فکری بر بازده دارایی‌های در شرکت‌های ورشکسته بورس اوراق بهادار
تعیین میزان تاثیر سرمایه فکری بر بهره‌وری کارکنان در شرکت‌های ورشکسته بورس اوراق بهادار
تعیین میزان تاثیر سرمایه بر نسبت ارزش بازار به ارزش دفتری هر سهم در شرکت‌های ورشکسته بورس اوراق بهادار
تعیین میزان تاثیر ضریب ارزش افزوده فکری بر سود هر سهم در شرکت‌های ورشکسته بورس اوراق بهادار
اهداف کاربردی
هدف کاربردی این پژوهش شناسایی رفتار غیر خطی سهام در واکنش به متغییر های مختلف است تا با طراحی مدل های مناسب توانایی و قدرت پیش بینی مدل افزایش و ارتقاء می یابد. هدف دیگر از ارائه این پژوهش کمک به عمق بخشیدن به بازار سرمایه ایران و ایجاد کارآیی در این بازار است زیرا که نقش اطلاعات در تصیم گیری های مالی از اهمیت بسزای برخوردار است .هدف سوم جستجو برای یافتن روش های نوین و پویای تجزیه وتحلیل اطلاعات و پردازش صحیح آنها برای رسیدن به تصمیم گیری مطلوب خواهد بود .
بهره وران و ذینفعان : تمامی کسانی که اقدام به سرمایه گذاری در بورس اوراق بهادار تهران می کنند و همچنین تمامی کارگزاران و سهامداران بورس اورق بهادار ایران و کلیه افراد ذینفع و ذی علاقه .
۱-۵- فرضیه‏ های پژوهش
به دو دسته فرضیه اصلی و فرعی تقسیم می شود:
فرضیه اصلی:
سرمایه فکری با بازده حقوق صاحبان سهام در شرکت‌های ورشکسته بورس اوراق بهادار رابطه معنی دار دارد.
فرضیه فرعی
کارایی سرمایه ساختاری با بازده حقوق صاحبان سهام رابطه معنی داری دارد.
کارایی سرمایه انسانی با بازده حقوق صاحبان سهام رابطه معنی داری دارد.
کارایی سرمایه به کارگرفته شده با بازده حقوق صاحبان سهام رابطه معنی داری دارد.
فرضیه اصلی
سرمایه فکری با بازده دارایی‌های در شرکت‌های ورشکسته بورس اوراق بهادار رابطه معنی دار دارد.
فرضیه فرعی
کارایی سرمایه ساختاری با بازده دارایی ها رابطه معنی داری دارد.
کارایی سرمایه انسانی با بازده دارایی ها رابطه معنی داری دارد.
کارایی سرمایه به کارگرفته شده با بازده دارایی ها رابطه معنی داری دارد.
فرضیه اصلی
سرمایه فکری با بهره‌وری کارکنان در شرکت‌های ورشکسته بورس اوراق بهادار رابطه معنی دار دارد.
فرضیه فرعی
کارایی سرمایه ساختاری با بهره_­وری کارکنان رابطه معنی داری دارد.
کارایی سرمایه انسانی با بهره_­وری کارکنان رابطه معنی داری دارد.
کارایی سرمایه به کارگرفته شده با بهره­وری کارکنان رابطه معنی داری دارد.
فرضیه اصلی
سرمایه با نسبت ارزش بازار به ارزش دفتری هر سهم در شرکت‌های ورشکسته بورس اوراق بهادار رابطه معنی دار دارد.
فرضیه فرعی
کارایی سرمایه ساختاری با نسبت ارزش بازار به ارزش دفتری هر سهم رابطه معنی داری دارد.
کارایی سرمایه انسانی با نسبت ارزش بازار به ارزش دفتری هر سهم رابطه معنی داری دارد.
کارایی سرمایه بکارگرفته شده با نسبت ارزش بازار به ارزش دفتری هر سهم رابطه معنی داری دارد.
فرضیه اصلی
ضریب ارزش افزوده فکری با سود هر سهم در شرکت‌های ورشکسته بورس اوراق بهادار رابطه معنی داری دارد.
فرضیه فرعی

از مزیت‏های درخت‏ تصمیم نسبت به بسیار دیگری از رده‏بندها همانند شبکه‏های عصبی قابلیت تفسیر آن است به راحتی می‏توان اطلاعات موجود در درخت را بصورت عبارات منطقی نمایش داد. مزیت دیگر درخت تصمیم رده‏بندی سریع است معمولا با چندین پرسش ساده رده‏بندی صورت می‏گیرد.

تصویر ۳-۳: نمونه‏ای از یک درخت تصمیم

الگوریتم C5 [53] یکی از الگوریتم‏هایی است که با بهره گرفتن از داده‏های آموزشی درخت تصمیم را می‏سازد درختی که توسط الگوریتم C5 تولید می‏شود می‏تواند برای رده‏بندی به کار برود. الگوریتم C5 به طریقی مشابه یا الگوریتم ID3 و با بهره گرفتن از مفهوم آنتروپی اطلاعات درخت تصمیم را از روی داده‏های آموزشی می‏سازد. داده‏های آموزشی یک مجموعه به صورت از نمونه‏های رده‏بندی شده است. هر نمونه یک بردار است که در آن ها نمایانگر ویژگی‏های آن نمونه هستند. داده‏های آموزشی با بردار نشانه‏گذاری شده‏اند که درآن‏ها ها رده متناظر با هر نمونه را نشان می دهد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

الگوریتم C5 از این حقیقت استفاده می‏کند که هر ویژگی داده می‏تواند برای تولید یک تصمیم به کار رود که بر اساس آن داده‏ها به زیر بخش‏های کوچک‏تری تقسیم می‏شوند این الگوریتم بهره اطلاعاتی نرمال شده ویژگی را محاسبه می‏کند و ویژگی برای ایجاد تصمیم انتخاب می‏شود که بهره اطلاعاتی نرمال شده بیشتری داشته باشد. تصمیم فهرست داده‏ها را براساس مقادیر مختلف آن ویژگی به چند زیر فهرست تقسیم می‏نماید پس از آن الگوریتم بر روی زیر فهرست‏ها دنبال می‏شود.
الگوریتم C5 موارد پایه کمی دارد. متداولترین مورد پایه هنگامی است که تمام نمونه‏های موجود در فهرست به یک رده یکسان تعلق داشته باشند. در چنین مواقعی، یک گره برگ حاوی برچسب آن رده تولید می‏شود. مورد پایه دیگر هنگامی است که هیچ ویژگی نتواند داده‏های مورد بررسی را افراز کند. در چنین مواردی مابین داده‏های باقیمانده رای اکثریت گرفته می‏شود و گره برگی با برچسب رده‏ای که اکثریت را داشته باشد ایجاد می‏شود علاوه بر این موارد ممکن است در یک زیر شاخه از یک گره هیچ نمونه‏ای وجود نداشته باشد (هیچ یک از نمونه‏ها در میان نمونه‏های مورد برسی مقدار خاص مورد نظر از ویژگی‏ای را که برای ساخت گره تصمیم به کار رفته بود نداشته‏اند) در این مورد گره برگی با برچسب رده اکثریت نمونه‏های مورد بررسی ساخته می‏شود. روال الگوریتم C5 را در شکل ۳-۴ مشاهده می‏نمایید.

1. 1. تست کردن موارد پایه

1. 1. به ازای هر ویژگی a مرحله ۳ را انجام بده

1. 1. بدست آوردن بهره اطلاعاتی نرمال شده هنگامی که داده‏ها براساس ویژگی a تفکیک شوند.

1. 1. انتخاب ویژگی ای که بالاترین بهره اطلاعاتی نرمال شده را دارد.

1. 1. تولید یک گره تصمیم که داده‏ها را بر اساس ویژگی انتخاب شده در مرحله قبل افراز می‏کند.

1. 1. تکرار عملیات فوق به ازای زیر لیست‏های بوجود آمده توسط افراز مرحله قبل

شکل۳-۴: الگوریتم C5
۳-۲. خوشه‏بندی
هدف از خوشه‏بندی که یکی از مهمترین روش‏های یادگیری بدونِ‏ناظارت محسوب می‏شود، کشف یک ساختارp در میان مجموعه داده‏ی D می‏باشد که تابع هدف بهینه شود. به عبارت دیگر، با توجه به انتظاراتی که با شنیدن نام خوشه‏بندی ایجاد می‏شود، پیش بینی می‏شود که یک الگوریتم مناسب قادر باشد تا از طریق بررسی شباهت‏ها یا تفاوت‏هایی (مانند فاصله‏ها) موجود میان نقاط داده‏ای در مجموعه داده مفروض به کشف ساختار بپردازد. به این ترتیب خوشه‏هایی ایجاد می‏شود که آیتم‏های موجود در هر خوشه بسیار شبیه به یکدیگر باشند و با آیتم‏های خوشه‏های دیگر نیز تا حد ممکن متفاوت باشند. از جنبه محاسباتی باید در نظر داشت که تقسیم N نمونه به C خوشه، ایجاد تعداد زیادی از افرازها را فراهم می‏سازد.[۲] استفاده از عدد استرلینگ را برای نشان دادن داده‏های ممکن برای این افرازها را معرفی کرده‏است.
رابطه (۳-۱۳) S_n^©
به طور کلی یک الگوریتم افراز یک مجموعه داده‏ی D را می‏گیرد و مجموعه‏ای از خوشه‏ها P={C_i,…,C_C} را که یک شِما از افراز نمونه‏ها از D است را برمی‏گرداند. این بدین معنا است که خوشه‏های C_i با هم اشتراک ندارند و اجتماع همه آنها مجموعه داده را کامل می‏کند.
[۵۶] الگوریتم افرازبندی را به دو دسته‏ی اصلی تقسیم بندی می‏کند؛ (۱) بسته‏ای، (۲) افزایشی. الگوریتم‏های خوشه‏بندی بسته‏ای، کل مجموعه داده‏ها را بررسی می‏کنند تا مناسب‏ترین راه را برای سازماندهی آنها پیدا کنند. الگوریتم‏های افزایشی، در هر بار، یک مرحله از افراز داده‏ها را انجام می‏دهد. به طوریکه هر مرحله شامل یک آیتم داده‏ای واحد باشد. الگوریتم‏های بسته‏ای در ابتدای کار به تمام داده‏های مجموعه داده نیاز دارند. در حالیکه الگوریتم‏های افزایشی برای برنامه‏های کاربردی برخطی که داده‏ها در جریان مشاهدات افزایش پیدا می کنند مناسب هستند.
۳-۲-۱. الگوریتم‏های افراز بسته‏ای
این الگوریتم‏ها شامل چهار دسته‏ی کلی برای خوشه‏بندی می‏باشند ۱) خوشه‏بندی مبتنی بر بخش‏بندی (تابع هدف)، ۲) خوشه‏بندی سلسله مراتبی، ۳) خوشه‏بندی مبتنی بر مدل، و ۴) خوشه‏بندی مبتنی بر گراف.
در خوشه‏بندی مبتنی بر بخش بندی، اساس کار یک تابع هدف است. که کمینه سازی آن ما را به کشف ساختار موجود در مجموعه رهنمون می‏سازد و (در بسیاری موارد مسئله ی بهینه ‏سازی را می‏توان به خوبی فرموله کرد) به طور معمول در این گروه از الگوریتم‏ها، تعداد خوشه‏ها از قبل مشخص است و کار با بهینه ‏سازی تابع هدف ادامه پیدا می‏کند. با اعمال برخی تغییرات روی الگوریتم‏ها می‏توان تعداد خوشه‏ها را به طور پویا تنظیم کرد. مسئله‏ی اصلی در خوشه‏بندی سلسله مراتبی توسعه‏ی متوالی خوشه‏ها است که می‏تواند توسط الگوریتم‏های حریصانه^[۲۰۳] و یا بهینگی مرحله‏ای^[۲۰۴] انجام شود. در این روش کار به دو طریق بالا به پایین و یا پایین به بالا انجام می‏پذیرد. در حالت بالا به پایین، ابتدا کل مجموعه داده‏ها بعنوان یک خوشه در نظر گرفته می‏شوند و کار با تقسیمات متوالی ادامه پیدا می‏کند تا در آستانه توقف برسد. در حالت پایین به بالا، هر یک از نقاط به عنوان خوشه اولیه در نظر گرفته‏می‏شود و سپس ادغام صورت می‏گیرد. ( این فرایند ما را به مفهوم خوشه‏بندی انباشتی^[۲۰۵] رهنمود می‏سازد). آنچه برای خوشه‏بندی سلسله مراتبی مهم است، انتخاب تابع فاصله مناسب و نحوه‏ی تعیین فاصله موجود میان الگوها و نقاط است. با توجه به این مورد، طیف وسیعی از روش‏ها (تک پیوندی، پیوند کامل^[۲۰۶] و…) به وجود می‏آید. خوشه‏بندی مبتنی بر داده‏ها در نظر می‏گیرد. سپس پارامترها برآورد می‏شوند.
۳-۲-۱-۱.خوشه‏بندی سلسله مراتبی پایین به بالا
الگوریتم‏های خوشه‏بندی سلسله مراتبی، داده‏ها را بصورت گراف نمایش می‏دهند. ساخت گراف‏ها (این روش‏ها با در نظر گرفتن هر یک از نمونه ها، ساختار را آشکار می‏سازند) را می‏توان با توجه به دو رویکرد انجام داد: پایین به بالا، و بالا به پایین، در رویکرد پایین به بالا، که به آن رویکرد انباشتی نیز گفته می‏شود، هر الگو را یک خوشه تک عنصری در نظر گرفته و سپس بطور متوالی نزدیک‏ترین خوشه‏ها را ادغام می‏کنیم. این فرایند تا جایی ادامه پیدا می‏کند که به یک خوشه منفرد یا یک آستانه از پیش تعریف شده دست پیدا کنیم. رویکرد بالا به پایین که به آن رویکرد تقسیم کننده نیز گفته می‏شود، در جهت مخالف رویکرد قبلی عمل می‏کند. در این رویکرد، کل مجموعه داده در ابتدا یک خوشه منفرد در نظر گرفته شده، و در ادامه بطورمتوالی به خوشه‏های کوچکتر تقسیم می‏شود. با توجه به طبیعت فرآیندهای بالا به پایین و پایین به بالا، درمی‏یابیم که این روش‏ها در اغلب موارد از نظر محاسباتی ناکارا هستند. تنها حالتی که امکان دارد در آن پیاده سازی روش‏های مذکور بصرفه باشد، زمانی است که با الگوهای دودویی مواجه هستیم.
نتایج حاصل از خوشه‏بندی سلسله مراتبی بصورت دندروگرام نمایش داده می‏شود. همانطور که در شکل۳-۵ ملاحظه می‏کنید، دندروگرام، یک درخت دودویی با ریشه معین است که برگ‏های آن از تمامیِ اجزای داده‏ها تشکیل شده‏است. فرایند ادغام متوالی خوشه‏ها، با توجه به مقادیرفاصله هدایت می‏شود. با توجه به مقدار فاصله، دنباله‏ای از خوشه‏های تودرتو تولید می‏گردد. دندروگرام‏ها، دارای ساختار جالبی هستند که ما را در ادغام خوشه‏ها یاری می‏رساند، گره‏هایی که در پایین گراف قرار می‏گیرند متناظر با نمونه‏های موجود می‏باشند و همانطور که در گراف به سمت بالا حرکت می‏کنیم، می‏بینیم نقاطی که با توجه به تابع تشابهِ مفروض به یکدیگر نزدیک هستند ادغام شده‏اند. با حرکت در جهت بالا، اندازه خوشه‏ها نیز افزایش می‏یابد. از طرف دیگر فرایند ادغام تا زمانی ادامه می‏یابد که یا تنها یک خوشه داشته باشیم و یا اینکه به یک آستانه مناسب برسیم.

شکل۳-۵: مثالی از نمودار دندوگرام در تشخیص عبارت‏های اسمی هم‏مرجع ^[۲۰۷]

۸

۳۶۹/۱۳۳

–

–

** معنی‌دار در سطح احتمال ۱ درصد.
به‌منظور بررسی دقیق‌تر اثر سه نوع تسمه بر میزان صوت از آزمون چند دامنه‌ای دانکن استفاده گردید. جدول ۴-۶ نتایج را برای مقایسه میانگین اثر نوع تسمه بر میزان صوت نشان می‌دهد. با توجه به مقادیر میانگین صوت در دو زیرگروه مختلف قرار داده‌شده‌اند. تسمه‌ی نو با مقدار میانگینdb367/68 دارای کمترین میزان صدا و تسمه فرسوده با مقدار میانگین db033/76 دارای بیشترین صدا بوده است. اگرچه تسمه فرسوده دارای بیشترین مقدار صدا بوده است اما در زیرگروه یکسان با تسمه کهنه قرار داده‌شده است. این امر نشان می‌دهد که بین دو نوع تسمه کهنه و فرسوده در میزان نویز و صدا تفاوت معنی‌داری وجود ندارد.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

جدول ۴-۶: نتایج آزمون دانکن برای مقایسه میانگین اثر نوع تسمه بر میزان صوت (db)

نوع تسمه

میانگین (db)

نو

^a367/68

کهنه

^b233/75

فرسوده

^b033/76

میانگین­های دارای حروف مشترک اختلاف معنی­داری باهم ندارند.
شکل ۴-۴ مقادیر میانگین صدای تسمه­ها را نشان می­دهد. سفت کردن تسمه سفت کن، باهدف به دست آوردن سفتی یکسان تسمه‌ها، بر تسمه سفت کن فشار وارد می‌آورد و همین امر در افزایش صدای تسمه‌های کارکرده موثر است. از طرف دیگر افزایش طول و کاهش جرم تسمه، بر لغزش و نوسانات طولی تسمه تاثیر گذار است که این دلایل نیز باعث افزایش صدای آن­ها می‌شوند. در حالتی که تسمه‌ها کهنه یا فرسوده‌اند، برای اینکه سفتی تسمه‌ها یکسان باشند. تسمه سفت کن برای سفت نمودن آن‌ها، نسبت به تسمه نو در موقعیت مکانی بالاتری قرار می‌گیرد. درنتیجه نیروی یاتاقانی ناشی از نیروهای فشاری تسمه، بر روی پولی‌ها افزایش می‌یابد. این افزایش نیروی یاتاقانی سبب ایجاد صدای بیشتر، در سامانه می‌گردد و داده‌های صوتی تسمه کهنه و فرسوده را افزایش می‌دهد. از سوی دیگر افزایش کارکرد، باعث افزایش سختی و کاهش انعطاف شده و درنتیجه انطباق تسمه با پولی کمتر و لغزش افزایش می‌یابد که سبب افزایش مقادیر صوتی می­ شود. نتایج مشاهده‌شده در این بخش با نتایج گزارش‌شده، توسط دینگ^[۱۱۰] در سال ۲۰۰۹ و ساکاگوچی^[۱۱۱] در سال ۲۰۰۹ مطابقت دارد [۴۶ و ۱۰۰].
شکل ۴-۴: نمودار مقادیر میانگین صدای تسمه­ها
۴-۹- مقایسه نمودارهای داده‌های صوتی
افزایش طول و کاهش جرم تسمه، بر لغزش و نوسانات طولی تاثیر گذار است که این دلایل باعث افزایش صدای تسمه‌های فرسوده و کهنه، نسبت به تسمه نو می‌شود. شکل امواج صوتی انتشاریافته از تسمه­ها باهم متفاوت است؛ زیرا شکل امواج صوتی به ویژگی‌های آن­ها بستگی دارد و تسمه‌های مختلف دارای ویژگی‌های متفاوتی هستند. نتایج تحقیقات نشان می‌دهد که طول، مقدار نوسان و سختی تسمه به‌طور همزمان روی یکدیگر اثر متقابل دارند. افزایش طول تسمه کارکرده، در اثر حرارت ناشی از اصطکاک و لغزش و نیروهای طولی آن است؛ بنابراین با افزایش طولی تسمه در اثر کارکرد، سایر ویژگی‌های آن نیز افزایش می‌یابد و این امر باعث می‌شود که امواج منتشرشده‌ی صوتی از تسمه‌ها، باهم متفاوت باشند و داده‌های صوتی آن‌ها نیز باهم تفاوت داشته باشند. در اندازه‌گیری کلی صوت، درواقع دامنه یا بزرگی صدا، به‌طور لحظه‌به‌لحظه، اندازه‌گیری می‌شود و شکل موج تغییر می کند. با افزایش کارکرد تسمه، طول آن افزایش می‌یابد. افزایش طول، به‌صورت نوسانات طولی، در طول آن توزیع می‌شود. این تغییرات شکل موج‌ها، برای تسمه‌ها، به‌صورت تغییرات داده‌های صوتی در نمودار آن‌ها، مشاهده می‌گردد.
۴-۱۰- تغییرات ارتعاش و صدا در تسمه نو
شکل ۴-۵ ارتعاش و صدای تسمه­ی نو در زمان­های اندازه ­گیری را به طور همزمان نشان می­دهد. به منظور پایش مطابقت این شاخص ­ها با همدیگر، داده ­های صوتی و ارتعاشی تسمه­ی نو در بازه­های زمانی هر ۱۰ ثانیه یک­بار کنترل و مورد بررسی قرار گرفت. نتایج، هماهنگی و یکنواختی بین آن­ها را در بیشتر حالت­ها، نشان می­دهد. نامنظمی­های صوت بیشتر از ارتعاش است. چون هنوز تسمه با پولی انطباق کامل پیدا نکرده است؛ مقدار ارتعاش در نواحی مختلف نمودار کمتر و منظم‌تر از صدا است؛ زیرا تسمه­ی نو هنوز کاهش جرم و افزایش طول نداده است.
شکل ۴-۵: طیف ارتعاشی و صوتی تسمه نو
۴-۱۱- تغییرات ارتعاش و صدا در تسمه کهنه
همان‌طوری که شکل ۴-۶ نشان می­دهد، در زمان­های مشخص و فواصل معین، تغییرات صدا و ارتعاش تسمه­ی کهنه باهم مطابقت دارند. به علت افزایش طول آن، ارتعاشات بیشتر شده است؛ اما نامنظمی­های مقادیر صوتی کم شده است؛ زیرا به علت سایش و کاهش جرم تسمه با پولی انطباق بیشتری پیداکرده است. عدم یکنواختی در این نوع تسمه بیشتر از حالت قبل است.
شکل ۴-۶: طیف ارتعاشی و صوتی تسمه کهنه
۴-۱۲- تغییرات ارتعاش و صدا در تسمه فرسوده
ارتعاش و صدای تسمه در فواصل زمانی­ مشخص به طور همزمان با هدف هماهنگی بین داده ­های آن­ها مورد پایش وضعیت قرا گرفت (شکل ۴-۷). کاهش یا افزایش یافتن داده ­های صدا و ارتعاش در بیشتر زمان­ها شبیه به هم هستند؛ اما ارتعاشات به علت افزایش طول و کاهش جرم تسمه بیشتر شده و به علت انطباق بیشتر بین آن و پولی مقادیر ارتعاشی منظم‌تر است. طیف صوتی تسمه نیز افزایش را نشان می­دهد و تا حد زیادی، بین آن­ها هماهنگی وجود دارد.
شکل ۴-۷: طیف ارتعاشی و صوتی تسمه فرسوده
با مقایسه­ نمودارهای ارتعاشی- صوتی تسمه­ها می­توان نتیجه گرفت که بین صدا و ارتعاش وابستگی وجود دارد. به‌طوری‌که با افزایش کارکرد تسمه، ویژگی‌هایی مانند جرم و طول تغییر می‌کند و تغییر این ویژگی­ها بر ارتعاش و صدای آن تاثیر می­ گذارد؛ بنابراین تحلیل ارتعاش و صدای تسمه به‌طور همزمان اطلاعات بیشتر و قابل‌اطمینانی را ارائه می­دهد.

در عرصه زندگی فردی و اجتماعی، از مباحث بسیار ضروری جامعه کنونی ما است. ارکان اصلی شکل دهی به هویت اجتماعی یک جامعه عبارتند از: باورها ( جهان­بینی)، ارزش­ها (ایدئولوژی) و سبک زندگی (نظام ترجیحات رفتاری). تمایزات و تفاوت­های جوامع مختلف نیز به همین سه مؤلفه عمده بازگشت می­ کند.
غفلت از مسئله شیوه زندگی می ­تواند خسارت­های جبران­ناپذیری بر پیکره جامعه وارد کند. وقتی مردم نتوانند میان شیوه زندگی خود و باورها و ارزشهایشان ارتباط برقرار نمایند، بعد از مدتی ممکن است دست از باورها و ارزش­های خود نیز بشویند و آنان را ناکارآمد تلقی کنند؟ و برای اینکه توجیهی برای سبک زندگی غیر اسلامی خود داشته باشند، باورها و ارزش­های اسلامی را زیر سؤال ببرند و مثلاً آنها را ناظر به گذشته و مربوط به جوامع غیر پیشرفته بپندارند! و بدین ترتیب از اساس دست از اسلام بشویند. قرآن­کریم در این باره می­فرماید: «سپس، سرانجام کسانی که اعمال بد مرتکب شدند، به جایی رسید که آیات خدا را تکذیب کردند و پیوسته آن را مسخره می­نمودند.»( سوره روم، آیه ۱۰) (شریفی، ۱۳۹۱).

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

سلامت روان دانشجویان یکی از ضروریات جامعه محسوب می­ شود که توجه به آن در رشد و توسعه جامعه اثر مستقیمی دارد و پرداختن به آن شرط اساسی بهره وری از نیروهای کارآمد و تحصیل کرده است به ویژه اینکه دانشجویان به دلیل شرایط خاص دانشجویی از جمله دوری از خانواده، وارد شدن به مجموعه ای بزرگ و پر تنش، مشکلات اقتصادی، نداشتن درآمد کافی، حجم زیاد دروس و رقابت­های فشرده، مستعد از دست دادن بهداشت روانی هستند(شیرانی، احمدی و شعبانی، ۱۳۸۸).

سلامت عمومی

از دید سازمان بهداشت جهانی، بهداشت روان در درون مفهوم کلی بهداشت جای می­گیرد و بهداشت یعنی توانایی کامل برای ایفای نقش­های اجتماعی، روانی و جسمی. از نظر این کارشناسان، سلامت فکر و روان عبارت است از قابلیت ارتباط موزون و هماهنگ با دیگران، تغییر و اصلاح محیط فردی و اجتماعی و حل تضادها و تمایلات شخصی به طور منطقی، عادلانه و مناسب (احمدوند، ۱۳۸۲).

مؤلفه­ های سلامت عمومی

۱) افسردگی
طبق متن بازبینی شده چاپ چهارم DSM (DSM-IV-TR)، اختلال افسردگی اساسی (که افسردگی یک قطبی نیز نامیده می­ شود) بدون سابقه­ای از دوره­ های مانیا، مختلط، یا هیپومانی رخ می­دهد. دوره افسردگی اساسی باید لااقل دو هفته طول بکشد. بیماری که دچار دوره افسردگی اساسی تشخیص داده می­ شود، باید لااقل چهار علامت از فهرستی شامل تغییرات اشتها و وزن، تغییرات خواب و فعالیت، فقدان انرژی، احساس گناه، مشکل در تفکر و تصمیم ­گیری، و افکار عودکننده مرگ یا خودکشی را هم داشته باشد (کاپلان و سادوک، ۱۳۹۲).
۲) اضطراب و بی­خوابی
اضطراب، هشداری است که فرد را گوش به زنگ می­ کند^[۱۵]؛ یعنی به فرد هشدار می­دهد که خطری در راه است و باعث می­ شود که فرد بتواند برای مقابله با خطر، اقداماتی به عمل آورد. اضطراب، تشویشی فراگیر، ناخوشایند، و مبهم است که اغلب، علایم دستگاه خودکار (اتونوم) نظیر سردرد، تعریق، تپش قلب، احساس تنگی در قفسه سینه، و ناراحتی مختصر معده نیز با آن همراه است. فرد مضطرب ممکن است احساس بی­قراری هم بکند که نشانه­اش این است که نمی­تواند به مدت طولانی یک جا بنشیند یا بایستد. مجموعه علایمی که در حین اضطراب وجود دارد، اغلب در هر فرد به گونه ­ای متفاوت از دیگران است.
۳) نشانه­ های جسمانی
شکایات جسمانی متعددی است که با دستگاه­های عضوی مختلفی در ارتباط است.
۴) اختلال در عملکرد اجتماعی
ناتوانی از تن دادن به هنجارهای اجتماعی به طوری که جنبه­ های متعددی از رفتار فرد در نوجوانی و بزرگسالی تحت تأثیر این ناتوانی قرار گرفته باشد.
از ابتدای آفرینش انسان، دین نقش به­سزایی در حل معضلات فردی و اجتماعی داشته است. از سال­های پایانی قرن نوزده تا کنون دین جایگاهی ویژه در تحقیقات علوم اجتماعی و روانشناختی به دست آورده است. به ویژه دانشمندانی چون جیمز^[۱۶] (۱۹۸۸)، فروم^[۱۷] (۱۹۸۹) و یونگ^[۱۸] (۱۹۷۵) اهمیت باورها و رفتارهای دینی را در زندگی بشر یادآور شده ­اند. یونگ شکوهی را که دین به بشریت می­دهد ارج می­نهد. به اعتقاد جیمز انسان در پرتو دین به آرامش باطنی می­رسد. ویکتور فرانکل بیان می­دارد که اگر مذهب سرکوب شود انسان به پوچی، احساس افسردگی و سایر اختلالات روانی دچار می­ شود. مذهب نه تنها باعث می­ شود که انسان بهتر بتواند با ناگواریهای زندگی کنار آید بلکه می ­تواند در ایجاد احساس امید، آرامش، خودشکوفایی، احساس راحتی، مهار تکانه­ها، نزدیکی به خدا و حل مشکل مؤثر باشد (پارگامنت^[۱۹]، ۱۹۹۰؛ به نقل از پورمودت و عارفی، ۱۳۹۲).
به اعتقاد فرانکل^[۲۰] (۲۰۰۶) فقدان معنویت در زندگی یک خلاء وجودی ایجاد می­ کند که باعث به وجود آمدن روان­رنجوری جامعه­زاد و مثلث روان­رنجورانه گسترده­ای می­ شود که عبارت است از؛ افسردگی، اعتیاد و تجاوز. خداوند در قرآن کریم نیز میفرماید: الَذِینَ آمَننواْ وَلَمْ یَلْبِسُواْ إِیمَانَهُم بِظنلْمٍ أنوْلَئِکَ لَهُمُ الأَمْنن وَهُم مُهْتَدُونَ (انعام/۸۲). در این آیه، امنیت، آرامش، بهداشت روانی و هدایت را از آثار ایمان برمی­شمارد، آری هنگامی که ترس شدید بر جان انسان پنجه می­افکند و خود را تنها احساس می­ کند، تنها عاملی که می ­تواند با این احساس مقابله کند ایمان به خدا است (پورمودت و عارفی، ۱۳۹۲). به نظر می­رسد تعلقات دینی و مذهبی، انسان را به سوی نظام ارزشی یکپارچه و منسجم سوق می­دهد و با ایجاد قدرتی معنوی تحمل سختی­ها را آسان نموده و حمایت اجتماعی و روحانی را نصیب افراد می­سازد (غریبی و قلی زاده، ۱۳۸۵؛ به نقل از پورمودت و عارفی، ۱۳۹۲). کسانی که باورهای مذهبی قوی­تری دارند کمتر به اختلالاتی نظیر افسردگی، استرس و اضطراب مبتلا می­گردند. و بنا به تحقیقات کورشر^[۲۱] (۲۰۱۲) کمتر رفتارهای پرخاشگرانه از خود نشان می­ دهند (علوی و همکاران،۱۳۷۸)، به این نتیجه رسیدند که افراد مسجدی (دیندار درونی) کمتر از غیر مسجدی­ها دست به رفتارهای پرخاشگرانه می­زنند و به اعتقاد مک کوی^[۲۲] ( ۲۰۰۵ ) کسانی که از دین و مذهب جدا می­شوند دچار یک خلاء روحی و عاطفی می گردند که برای پر نمودن این خلاء راه­های گوناگونی را تجربه می­نمایند. در این میان رفتارهای مختلفی در انسان وجود دارند که می­توانند در ارتباط و تاثیرپذیر از قدرت معنوی و دینداری افراد باشند و همانگونه که در بالا اشاره شد پرخاشگری هم جزئی از این رفتارهاست (پورمودت و عارفی، ۱۳۹۲).
فردی که بتواند با الگوی صحیح ، ارتباط سالمی با دیگران برقرارکند و درکنار این ارتباط خصوصیات فردی و اجتماعی مثبت خود را (حسن خلق ، همدردی ، همراهی و….) به مرحله بروز برساند و به دیگران نشان دهد ، یقینا مورد توجه افراد واقع خواهد شد و دردید اکثریت آنها دارای مقبولبت و محبوبیت خواهد بود .
۱-۴- تعریف نظری و عملیاتی متغیرهای پژوهش
۱-۴-۱- تعریف نظری
هر فردی باید دارای ویژگیهایی باشد تا بتواند این ارتباط سالم و خصوصیات اجتماعی لازم را به ظهور برساند. این ویژگیها و استعدادهای خاص را ، روانشناسان « هوش اجتماعی » نامیده اند (حکم آبادی،۱۳۸۹).
از دید سازمان بهداشت جهانی، بهداشت روان در درون مفهوم کلی بهداشت جای می­گیرد و بهداشت یعنی توانایی کامل برای ایفای نقش­های اجتماعی، روانی و جسمی. از نظر این کارشناسان، سلامت فکر و روان عبارت است از قابلیت ارتباط موزون و هماهنگ با دیگران، تغییر و اصلاح محیط فردی و اجتماعی و حل تضادها و تمایلات شخصی به طور منطقی، عادلانه و مناسب (احمدوند، ۱۳۸۲).
دین مشتمل بر یک سلسله اصول و معتقدات است که هر کس باید خودش مستقیماً تحقیق کند و واقعاً تشنه­ی یاد گرفتن و تحقیق در آنها باشد و مسلماً اگر کسی خدا را پویا باشد خداوند تعالی او را دستگیری و هدایت خواهد کرد ( مطهری، ۱۳۸۶).
۱-۴-۲- تعریف عملیاتی:
باورهای مذهبی:
تعریف عملیاتی باورهای مذهبی عبارت است از نمره ای که شرکت کنندگان از پاسخگویی به پرسشنامه نگرش سنج مذهبی براهنی کسب نموده اند.
هوش اجتماعی:
تعریف عملیاتی هوش اجتماعی عبارت است از نمره ای که شرکت کنندگان از پاسخگویی به پرسشنامه هوش اجتماعی ترومسو کسب نموده اند.
سلامت روان:
تعریف عملیاتی سلامت روان عبارت است از نمره ای که شرکت کنندگان از پاسخگویی به پرسشنامه سلامت عمومی گلدبرگ کسب نموده اند.
۱-۵- متغیرهای پژوهش :
متغیر وابسته یا ملاک سلامت روان است .
متغییر مستقل یا پیش بین باورهای مذهبی و هوش اجتماعی است.
۱-۶- اهداف پژوهش
هدف کلی
پیش بینی سلامت روان بر اساس باورهای مذهبی و هوش اجتماعی در دانشجویان
اهداف جزیی
۱.پیش بینی سلامت روان بر اساس باورهای مذهبی در دانشجویان
۲.پیش بینی سلامت روان بر اساس هوش اجتماعی در دانشجویان
۳.پیش بینی سلامت روان بر اساس پردازش اطلاعات اجتماعی در دانشجویان
۴.پیش بینی سلامت روان بر اساس آگاهی اجتماعی در دانشجویان
۵.پیش بینی سلامت روان بر اساس مهارت های اجتماعی در دانشجویان
۱-۷- فرضیات پژوهش
فرضیه اصلی
به نظر می رسد رابطه ای بین سلامت روان با باورهای مذهبی و هوش اجتماعی در دانشجویان وجود دارد.
فرضیه های فرعی
به نظر می رسد رابطه ای بین باورهای مذهبی و سلامت روان دانشجویان وجود دارد.
به نظر می رسد رابطه ای بین هوش اجتماعی و سلامت روان دانشجویان وجود دارد.
به نظر می رسد ارتباطی بین پردازش اطلاعات اجتماعی و سلامت روان دانشجویان وجود دارد.
به نظر می رسد ارتباطی بین آگاهی اجتماعی و سلامت روان دانشجویان وجود دارد.
به نظر می رسد ارتباطی بین مهارت های اجتماعی و سلامت روان دانشجویان وجود دارد.
فصل دوم
ادبیات وپیشینه پژوهش

۲-۱- مقدمه

سوالاتی که در جامعه در خصوص سلامت روان مطرح می شود عمدتاً به مناسبات دین و روان و هوش برمی گردد بسیاری از روان شناسان به طور سلبی یا ایجابی به این سوالات پاسخ می دهند وعده ای روانشناسی را مقوله علوم تجربی و آزمایشی می دانند که از فلسفه جدا شده و مسیری را که علوم تجربی طی کرده است می پیماید و برای آزمون فرضیه هایش از روش های آزمایشگاهی استفاده می کند.