طلاعات کاربران از اینترنت حذف نمیشود
جنجال و بحث بر سر جاسوسی سازمانهای اطلاعاتی و امنیتی آمریکا از شهروندان اتحادیه اروپا همچنان ادامه دارد. فعالان آزادی بیان و آزادی اینترنت همچنان به دولتهای اروپایی بهویژه دولت آلمان معترضاند که واکنش درخوری به این جاسوسی آمریکا در حریم خصوصی شهروندان اروپا نشان نداده است.
اودو هلمبرشت – رئیس آژانس امنیت ارتباطات و شبکه اروپا – در این خصوص گفت: ارتقاء و تضمین امنیت کاربران اینترنت در اروپا همچنان مهمترین دغدغه این نهاد است.
وی با اعلام اینکه بخشی از تقصیر نیز متوجه خود شهروندان است، گفت: شهروندان اتحادیه اروپا تمایل چندانی به استفاده از شبکههای اجتماعی و امکانات تکنولوژی ساخت اروپا نشان نمیدهند.
او در این راستا از شبکه اجتماعی «استادی وز» ساخت آلمان نام میبرد که علیرغم اینکه امکانات کارآمدی داشت، با استقبال کاربران روبرو نشد و کاربران آلمان ترجیح میدهند از فیسبوک استفاده کنند.
این مقام مسوول در تامین امنیت آنلاین شهروندان اروپا میگوید که وقتی شهروندان تمایل به استفاده از محصولات آمریکاییها دارند، ناچارند قوانین آنها را نیز رعایت کنند. او میگوید دست آنها برای پیگیری قضایی جدی در این موارد بسته میماند.
قرار است در سال 2014 لایحهی «قوانین حفظ دادهها» در اتحادیه اروپا بازنویسی و تصحیح شود. یکی از مهمترین بندهای لایحه تازه «حق فراموششدن آنلاین» است. ایدهآل این طرح این است که هر کاربر جهان آنلاین این امکان را داشته باشد که اطلاعات مربوط به خود را از همهی اینترنت حذف کند.
اودو هلمبرشت معتقد است که نه از نظر فنی و نه از نظر تجاری در عمل ممکن نیست که کاربری بتواند همه اطلاعات مربوط به خود را حذف کند و به دست فراموشی بسپارد.
او میگوید که قوانین هر شرکت متفاوت است و وقتی کاربر قبول میکند از خدمات این شرکتها استفاده کند، شرایط را میپذیرد و بسیاری از شرکتها اجازه حذف دادهها و اطلاعات مربوط به کاربر را نمیدهند.
بنا به گفته این کارشناس امنیت دیجیتال حتی از نظر فنی هم در حال حاضر مقدور نیست که بتوان همه اطلاعات مربوط به یک فرد را حذف کرد.
به گفته هلمبرشت، تنها راه مقابله و جلوگیری از جاسوسی نهادهای امنیتی آمریکا در حال حاضر کدگذاری تبادل دادهها است. او میگوید در وبگردی امروز هیچ چیز حیاتیتر از کدگذاری و استفاده از سرویسهایی نیست که پیامها و اطلاعات کاربر را کدگذاری میکنند.
به گزارش دویچه وله، رئیس آژانس امنیت ارتباطات و شبکه اتحادیه اروپا میگوید که در موسسه آنها و موسسههای مشابه جزوهها و کلاسهای درسی آنلاین بسیاری در دسترس است تا کاربران امنیت وبگردی خود را ارتقا داده و از سرویسهایی استفاده کنند که دادهها را کدگذاری میکند.
هلمبرشت میگوید: اینترنت شما را فراموش نمیکند و فعلا راه گیر نیفتادن در دام جاسوسی سرویسهای امنیتی، ارتقاء دانش امنیتی دیجیتال خودتان است. (برگرفته از سایت کلوب)
تحلیل تشخیصی جهت ساخت و طراحی یک مدل پیش بینی از عضویت گروه ها بر اساس ویژگی های مشاهده شده برای هر مورد است. به عنوان مثال شرکت تبلیغاتی می خواهد مطالعه کند متغیر های اصلی تفکیک کننده سه گروه مشتریان دائم، تقریبا دائم و دوره ای به چه شکلی است. یا اگر بخواهیم دانش آموزان را به دو گروه با هوش و تقریبا با هوش بر اساس وضعیت نمرات آنها در سه درس داشته باشیم باید از این تحلیل اسفاده شود. به کمک این تابع می توان عضویت هر یک از افراد را با استفاده از نمره این سه درس در یکی از دو گروه پیش بینی نمود. به این دلیل که در این مثال فقط دو گروه داری لذا فقط یک تابع تشخیصی استخراج می شود. این روش به سه طریق مستقیم یا Direct سلسله مراتبی یا Hierarchical و گام به گام Stepwise انجام می شود که روش گام به گام به این دلیل که متغیر های مستقل را به ترتیب قدرت پیش بینی وارد مدل می کند از کاربرد بیشتری در بین محققان برخوردار است.
برای حل این مثال در SPSS ابتدا داده های سه درس را وارد ستون ها نموده و در ستون چهارم با مقادیر 1 و 2 گروه های با هوش و نسبتا با هوش را مشخص می کنیم.
حال به مسیر زیر در نرم افزار رفته و تنیمات را طبق دستور ها انجام می دهیم.
در پنجره باز شده متغیر گروه را در قسمت مربوطه وارد نموده و با تعریف گروه ها آنها را از هم تفکیک می کنیم. متغیر های نمره سه درس را نیز به عنوان متغیر های مستقل وارد قسمت Independent می کنیم.
گزینه Stepwise را نیز فعال می کنیم. حال بر روی کلید Statistics کلیک کرده تا گزینه Discriminant analysis: Statistics فعال شود. در این پنجره Univariate ANOVAs انتخاب و Continue را انتخاب می کنیم. مطابق پنجره زیر باید این گزینه فعال شود.
حال کلید Classify را انتخاب نموده و تنظیمات را مانند زیر انجام می دهیم.
حال Continue و سپس OK را انتخاب می کنیم. در دو خروجی اول اطلاعات توصیفی و وضعیت قرار گیری هر یک از گروه ها مشخص می شود.
در خروجی بعدی آماره لامبدای ویلکز ظاهر می شود که جهت مطالعه معنی داری و برازش تابع مورد استفاده قرار می گیرد. نتایج نشان می دهد که حداقل یک متغیر مستقل در تفکیک این گروه ها وجود دارد.
در خروجی بعدی می توان معنی داری پارامتر های وارد شده در هر یک از مراحل امده است.
در این مرحله می توان میزان کاهش آماره لامبدا در ورود هر متغیر پیش بین مورد استفاده قرار می گرد. در نهایت می توان متغیر های وارد شده به هر یک از مراحل بر اساس ورود گام به گام متغیر های مستقل را پیش بینی می کند. نتایج نشان می دهد که آخرین متغیر در گام سوم وارد نشده است. دو متغیر زبان خارجی و نمره ریاضی به عنوان متغیر های پیش بین وارد شده و مقدار نمره علوم تاثیری ندارد.
در این مرحله برای بررسی برازش تابع و قابلیت تکرار آن از ضریب کانونی استفاده می شود.
نتایج نشان می دهد که متغیر های وارد شده در مدل با ضرایب خود از قابلیت تفکیک بسیار بالایی برای جدا سازی دو گروه با هوش و تقریبا با هوش دارند. در خروجی بعدی ضریب مربوط به هر یک از متغیر های تحقیق آورده شده است.
در نهایت با بررسی مجدد و تفکیک داده های موجود بر اساس ضریب فوق مشخص می شود که تا 83 درصد تفکیک بر این اساس و دو متغیر نمره ریاضیات زبان خارجی برای تفکیک این دو گروه کافی است.
با نگاهی به جدول فوق مشخص می شود که فقط یک نفر از افراد بسیار با هوش در گروه نسبتا با هوش با این تابع به اشتباه قرار گرفته است و چهار نفر از افرادی که نسبتا با هوش بودند در گروه با هوش ها به اشتباه قرار گرفتند. نتایج نشان می دهد که این تابع از قدرت تفکیکی مناسبی برای جدا سازی گروه ها برخوردار است. ضریب متغیر نمره زبان خارجی 482/0 و ضریب نمره ریاضیات 309/0 می باشد.
رگرسیون غیر خطی در الگوریتم هایی که برای تطبیق توابع غیر خطی تصادفی بر روی داده های گرد آوری شده مورد استفاده قرار می گیرد. در واقع در اینجا هدف برازش تصادفی یکی از 21 تابع مندرج در جدول 1 بر روی داده های گردآوری شده جهت رسیدن به حداکثر مقدار ضریب تعیین است. نکته حائز اهمیت در انجام رگرسیون غیر خطی این است که داده های ورودی آن از جنس کمی هستند و داده های کیفی فقط در صورتی قابل قبول هستند که به صورت متغیر مجازی و صفر و یک وارد دستگاه رگرسیون شود. پس از تعیین تابع هدف که یکی از توابع زیر است، با جستجو و از سر گیری های متفاوت این تابع تصادفی بر روی روابط بین متغیر های مستقل و وابسته بای یافتن بهترین ترکیب بسط داده می شود.
به عنوان مثال در یک پژوهش محقق به دنبال این است که متغیر مستقل تبلیغات بر متغیر میزان فروش به چه شکلی است. برای این منظور ابتدا به کمک یک گراف وضعیت پراکنش متغیر های مستقل و وابسته نسبت به یکدیگر بررسی می شود. بدین منظور ابتدا میزان پخش آگهی تبلیغاتی را در نمودار X و میزان فروش در نمودار Y قرار می گیرد. بررسی ابتدایی این نمودار نشان می دهد
بنابراین نتایج نشان می دهد که با افزایش واحد های پخش آگهی های بازرگانی میزان فروش محصولات شرکت افزایش یافته است لیکن در بخشی از پراکنش بیانگر کاهش فروش است. بدین منظور از منحنی رگرسیون مجانب که بر اساس مدل Mistcherlich استفاده شد. این تابع از قانون بازگشت نزولی پیروی می کند و برای این نوع تحقیقات بهترین گزینه محسوب می شود. که بر اساس جدول شماره یک تابع آن به شکل b1 + b2 * exp(–b3 * x) می باشد. این تابع با مقادیر افزایشی برای X اغاز لیکن سرعت افزایش آن در ادامه کاهش یافته و در نهایت سرعت آن کاهش می یابد. برای انجام تحلیل در SPSS به منوی ANALYSIS و سپس از خانواده رگرسیون ها، رگرسیون NONLINEAR را انتخاب می کنیم.
بر اساس تصویر زیر ایتدا متغیر وابسته که میزان فروش فروش محصول است را در کادر بالا و در قسمت Model expression از تابع b1 + b2 * exp(–b3 * x)را به عنوان تابع تصادفی وارد می کنیم که بر اساس منحنی رگرسیون مجانب که مدل Mistcherlich استخراج شده است.
حال گزینه Parameters را انتخاب و مقادیر b1 را در کادر name و مقدار آغازین آنرا روی مقدار 13 در کادر starting value تنظیم می نمائیم و گزینه add را انتخاب می نمائیم. برای پارامتر b2 نیز مشابه این کار ولی با مقدار شروع اولیه 6- و برای b3 با مقدار شروع اولیه 33/1- را انجام می دهیم و برای هر دو کلید add را می زنیم. حال گزینه constrains را انتخاب و گزینه define parameter را تیک می زنیم. در این مرحله باید پارامتر b1 را وارد کادر مقابل نموده و برای آن مقدار صفر را در این محدوده وارد و کلید add را انتخاب کنیم.
این کار را دقیقا برای دو پارامتر دیگر نیز مانند تصویر زیر انجام می دهیم.
در این مرحله با انتخاب گزینه save باید دو گزینه predicted value و residual انتخاب شوند و کلید continue را انتخاب کنیم.
در پنجره اصلی برای انجام تحلیل می توان کلید OK را انتخاب و در این مرحله نتایج تحلیل رگرسیون غیر خطی ظاهر می شوند. در اولین خروجی مقادیر ضرایب برای تمام پارمتر های مستقل برآورد می شوند که عینا مانند نتایج رگرسیون غیر خطی قابل تفسیر است.
در خروجی بعدی نتایج نشان می دهد که b2 متفاوت است بین دو حالت حداکثر بیشینه فروش ممکنه و فروش در زمانیکه هیچ تبلیغی منتشر نشده است. مقادیر خطای استاندارد برای این ضریب بالا است لذا در اینجا کمی شرایط عدم اعتماد به ضریب وجود دارد.
متغیر b3 که یک پارامتر کنترل کننده در شرایطی است که ماکزیمم سرعت فروش دیده می شود و نسبت به b2 دارای شرایط بهتری است. در قسمت بعد جدول تحلیل واریانس نشان داده شده است. که برای قدرت اندازه گیری متغیر مستقل در پیش بینی تغییرات متغیر وابسته دارد. در نهایت مقدار R2 نشان داده شده است که نتایج حاکی از تبیین 90 درصدی تغییرات متغیر وابسته توسط متغیر مستقل فروش تحت تابع زیر است.
SASمخفف Statistical Analysis System ، یک نرم افزار پر قدرت آماری است. این نرم افزار آماری بیشتر روشهای رایج آماری را پوشش می دهد و کاربر می تواند فرمانهای خاصی را که متناسب با نیازهایش باشد انتخاب نموده و به کار گیرد. این نرم افزار آماری برای حرفه ای ها می باشد. به نظر می رسد غیر از فارغ التحصیلان آمار، دانش آموختگان سایر رشته ها نمی توانند به راحتی از این نرم افزار استفاده نمایند.
بر خلاف نرم افزارهایی مانند minitab و spss که ارتباط کاربر با نرم افزار از طریق پنجره ها و جعبه های محاوره ای صورت می گیرد، sas احتیاج به برنامه نویسی دارد. پس از نسخه تحت Dos، تا کنون نسخه های 8.7 و 9.1 از این نرم افزار که تحت ویندوز هستند نیز وارد بازار شده است. البته در نسخه های 8.7 و 9.1 برخی دستورات به صورت پنجره ارائه شده است اما روش اصلی در کار با Sas برنامه نویسی است.
از مهمترین مزایای این نرم افزار امکان برنامه نویسی برای تحلیلهای پیشرفته آماری و علی الخصوص برنامه نویسی جهت تحلیلهای ماتریسی است. ولی sas در برخی زمینه ها از جمله در زمینه گرافیکی از سایر نرم افزارها مانند Splus ضعیف تر است.
در کل نرم افزار آماری sas یکی از قویترین نرم افزارهای آماری به حساب می آید و در اکثر کشورها به طور گسترده مورد استفاده قرار می گیرد. به طوری که در برخی کشورهای پیشرفته از لحاظ آمار از جمله در آمریکا، آشنایی و توان استفاده از این نرم افزار برای یک آمار شناس از اهمیت ویژه ای برخوردار است.علاقه مندان به یادگیری sas می توانند از Help این نرم افزار استفاده کننده که به صورتی ساده، روان و بدون استفاده زیاد از لغات تخصصی، به طور کامل این نرم افزار را معرفی نموده و آموزش می دهد.
اسپیاساس (به انگلیسی : SPSS )، نام یک نرمافزار رایانهای است که برای تحلیلهای آماری به کار میرود. «اسپیاساس» مخفف Sciences Statistical Package for the Social «بسته? آماری برای علوم اجتماعی» است. پس از خریداری شدن شرکت سازنده این نرم افزارتوسط IBM در 28 جولای 2009 این نرم افزاربا نام PASW که مخفف Predictive Analytics SoftWare است منتشر شد. اما در نسخه 19 دوباره نام SPSS Statistics را اختیار کرد.
نخستین نسخه? این نرمافزار در سال 1968 پس از تاسیس «نرمن نی» منتشر شد، که سپس به یک کارشناس ارشد علوم سیاسی در در دانشگاه استانفورد، و اکنون استاد محقق در دانشکده? علوم سیاسی دانشگاه استانفورد و استاد بازنشسته? علوم سیاسی در دانشگاه شیکاگو بودهاست.«اس پی اس اس» از جمله? نرمافزارهایی است که برای تحلیلهای آماری در علوم اجتماعی، به صورت بسیار گستردهای استفاده میشود. این نرمافزار توسط پژوهشگران بازار و داد و ستد، پژوهشگران سلامتی، شرکتهای نقشهبرداری، دولتی، پژوهشگران آموزشی، سازمانهای بازاریابی و غیره به کار میرود. افزون بر تحلیلهای آماری، مدیریت دادهها و مستندسازی دادهها نیز از ویژگیهای نرمافزار هستند.
آماری که نرمافزار پایه شامل میشود:
- آمار توصیفی: جدولبندی شطرنجی، بسامدها، توصیفات، کاوش، آمار توصیفی نسبی
- آمار دومتغیری: میانهها، آزمون تی، تحلیل پراکنش، همبستگی، آزمونهای غیرپارامتری
- پیشبینی برآمدهای عددی: برگشت خطی
- پیشبینی برای تشخیص گروهها: تحلیل عاملی، تحلیل خوشهای، جداکننده
در تحلیل داده ها با استفاده از اسپیاساس، سه مرحله? اساسی وجود دارد. نخست باید دادههای خام را وارد کنید و آنها را در یک پرونده ذخیره نمایید. دوم باید تحلیل مورد نیاز را برگزینید و آن را مشخص کنید. سوم برونداد را وارسی کنید.