نقشه‌های فهم و شناخت؛ معرفی مدل‌های تبدیل داده به دانش و خرد

تاریخ انتشار: 1404/09/02 - 15:16
نقشه‌های فهم و شناخت؛ معرفی مدل‌های تبدیل داده به دانش و خرد

چکیده:
در علوم اطلاعات، مدیریت دانش، روان‌شناسی شناختی و آموزش، الگوهای مختلفی برای توضیح مسیر «داده تا تصمیم» ساخته شده‌اند. این الگوها نشان می‌دهند چگونه واقعیت خام تبدیل می‌شود به معنا، بینش، و نهایتاً خرد. این مقاله مروری جامع بر مهم‌ترین مدل‌های این حوزه است و پایه‌ای برای مقالات تخصصی بعدی درباره هر مدل خواهد بود.


۱) مقدمه: چرا مدل‌های تبدیل داده به دانش مهم‌اند؟

در جهان امروز، حجم داده‌ها به‌شدت افزایش یافته اما توانایی انسان در فهم، تحلیل و تصمیم‌گیری همچنان محدود است. مدل‌های «شناخت و دانش» تلاش می‌کنند یک نقشه روشن برای حرکت از داده خام → اطلاعات معنادار → دانش قابل استفاده → خرد و تصمیم درست ارائه دهند. این مدل‌ها در مدیریت سازمانی، تحلیل داده، طراحی آموزشی، تفکر انتقادی و علوم انسانی کاربرد گسترده دارند.

مهم‌ترین و مشهورترین این نقشه‌ها شامل:

  • هرم DIKW
  • مدل SECI
  • مدل ارزش اطلاعات (Information Value Chain)
  • چرخه تصمیم مبتنی بر داده
  • مدل فهم بلوم
  • مدل آکاف (Ackoff)
  • مدل شناخت انسان (Information Processing)
  • مدل‌های بینش (Insight Models)

در ادامه، هرکدام را به‌صورت خلاصه معرفی می‌کنیم.


۲) هرم DIKW: داده → اطلاعات → دانش → خرد

DIKW Pyramid مشهورترین مدل در مدیریت دانش است.

  • داده: واقعیت‌های خام.
  • اطلاعات: داده‌های معنادار.
  • دانش: اطلاعات + تفسیر + تجربه.
  • خرد: توانایی تصمیم درست.

این مدل به‌دلیل سادگی، در سازمان‌ها و آموزش بسیار به‌کار می‌رود.


۳) مدل آکاف (Ackoff): از داده تا زهد

راسل آکاف پیش از DIKW، مدلی پنج‌سطحی ارائه کرد:
Data → Information → Knowledge → Understanding → Wisdom → Transcendence (Zuhd)
او مرحله درک (Understanding) را بین دانش و خرد اضافه کرد و مرحله نهایی را تعالی یا زهد نامید. DIKW نسخه ساده‌شده مدل اوست.


۴) مدل ارزش اطلاعات (Information Value Chain)

این مدل نشان می‌دهد چگونه اطلاعات باعث ایجاد «ارزش عملی» می‌شود:
Data → Information → Knowledge → Decision → Action → Outcome → Value
کاربرد اصلی آن در مدیریت، کسب‌وکار، سیاست‌گذاری و تحلیل داده است.


۵) چرخه تصمیم مبتنی بر داده (Data-Driven Decision Cycle)

مدلی کاربردی برای سازمان‌ها:
Collection → Processing → Analysis → Insight → Action → Evaluation
بر «بینش (Insight)» و «اقدام عملی» تأکید دارد.


۶) مدل SECI (نوناکا و تاکوچی): چرخه خلق دانش

یکی از مهم‌ترین مدل‌ها در مدیریت دانش سازمانی:

  • Socialization: انتقال دانش ضمنی
  • Externalization: تبدیل دانش ضمنی به صریح
  • Combination: ترکیب دانش‌های صریح
  • Internalization: تبدیل دوباره به دانش ضمنی در فرد

این مدل بر تعامل اجتماعی، تجربه، و یادگیری سازمانی تأکید دارد.


۷) مدل بلوم (Bloom’s Taxonomy): سطوح یادگیری

در آموزش برای توضیح سطوح شناخت:
به‌خاطر سپردن → درک → کاربرد → تحلیل → ارزیابی → آفرینش
این مدل از «دانش اولیه» آغاز و به «خلاقیت و خرد عملی» ختم می‌شود.


۸) مدل پردازش اطلاعات انسانی (Cognitive Information Processing Model)

رویکرد روان‌شناسی شناختی:
ورودی حسی → توجه → حافظه کوتاه‌مدت → پردازش → حافظه بلندمدت → طرح‌ریزی و تصمیم
به‌جای تمرکز بر سازمان، مسیر پردازش مغز را توضیح می‌دهد.


۹) مدل تفکر انتقادی پل و الدر (Paul–Elder Model)

بر ساختار استدلال و قضاوت تأکید دارد:
داده → پرسش → تحلیل → مفاهیم → فرض‌ها → استنتاج → پیامدها
این مدل برای ارزیابی کیفیت تفکر و تصمیم‌گیری استفاده می‌شود.


۱۰) مدل «بینش» (Insight Models)

در تحلیل داده و کسب‌وکار استفاده می‌شود:
Data → Information → Insight → Action
بینش را جایگزین «دانش/خرد» می‌کند و بر عمل‌پذیری تمرکز دارد.


۱۱) مدل‌های فلسفی: ارسطو (Episteme / Techne / Phronesis)

سه نوع دانایی:

  • Episteme: دانش نظری
  • Techne: مهارت عملی
  • Phronesis: خرد اخلاقی و تصمیم‌گیری درست

این مدل پایه بسیاری از مدل‌های تصمیم‌گیری امروزی است.


۱۲) جمع‌بندی: چرا این مدل‌ها مهم‌اند؟

تمام این مدل‌ها—با وجود تفاوت‌ها—یک سؤال مشترک دارند:

چطور از واقعیت خام به فهم عمیق و تصمیم خردمندانه می‌رسیم؟

پاسخ‌ها متفاوت است:

  • برخی (DIKW، آکاف) سلسله‌مراتبی‌اند.
  • برخی (SECI) چرخه‌ای‌اند.
  • برخی (بلوم) رویکرد آموزشی دارند.
  • برخی (Insight Models) کاربردی و سازمانی‌اند.

منابع

  • Ackoff, R. L. (1989). From Data to Wisdom. Journal of Applied Systems Analysis, 16, 3–9.
  • Rowley, J. (2007). The Wisdom Hierarchy. Journal of Information Science, 33(2), 163–180.
  • Zeleny, M. (2006). Knowledge-Information-Data: Closing the Semantic Gap. International Journal of Information Technology and Decision Making, 5(4), 681–694.
  • Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company. Oxford University Press.
  • Bloom, B. S. (1956). Taxonomy of Educational Objectives. Longmans.
  • Paul, R., & Elder, L. (2006). Critical Thinking: Tools for Taking Charge of Your Learning and Your Life. Pearson.
  • Simon, H. A. (1971). Designing Organizations for an Information-Rich World. Johns Hopkins Press.
  • Provost, F., & Fawcett, T. (2013). Data Science for Business. O’Reilly Media.
Submitted by boof_admin_meytad on