تغییرات جدید الگوی دودویی محلی و طبقه بندی و قسمت بندی تصاویر بافتی بستر دریا New changes of local binary patterns and classification and segmentation of seabed images 1 1 تحلیل بافت نقش مهمی را در پردازش تصویر ایفا می کند. با توجه به ظاهر فوق العاده بافتی تصاویر سونار، تکنیک های تحلیل بافت یک انتخاب مناسب برای تحلیل تصاویر آکوستیکی دریا هستند. اپراتور الگوی دودویی محلی یک توصیفگر بسیار موثر و چند رزولوشنی بافت است. این توصیفگر، اطلاعات مناسب را از تغییر روشنایی و حالات تصویر بدست می آورد. با اینکه توسعه های زیادی از الگوی دودویی محلی ارائه شده است اما اپراتورهای الگوهای دودویی محلی موجود نسبت به نویز حساسند. همچنین گاهی اوقات منجر به توصیف الگوهای مختلف ساختاری با کد دودویی همگون می شوند که به ناچار قابلیت تمایز خود را کاهش می دهند. این تحقیق یک بررسی اجمالی پیرامون روش الگوی دودویی محلی را ارائه نموده که شامل چندین مورد از متغیرهای جدیدتر است. سپس برای غلبه بر ناکارآمدی های انواع الگوهای دودویی محلی، یک چارچوب قوی از الگوی دودویی بنام الگوی دودویی محلی تکمیل شده مقاوم ارائه شده که ارزش هر پیکسل مرکزی با میانگین مقادیر شدت خاکستری خانه ها از یک مربع سه در سه جایگزین می گردد. روش ارائه شده یک ابزار سریع با دقت بالا در طبقه بندی تصاویر بستر دریاست که مقایسه نتایج شبیه سازی با دیگر روش های مشهور، نشاندهنده کارآیی الگوریتم ارائه شده است. 2 Texture analysis plays an important role in image processing. Considering the extraordinary appearance texture sonar images, texture analysis are good choices for analysis of acoustic seabed images. Local binary pattern (LBP) operator is a very efficient and multi-resolution texture descriptor. It acquires appropriate information from the illumination and moods of images. Despite many developing of the LBP have proposed, but they are sensitive to noise. Also sometimes they lead to describe different structural patterns with same binary codes, which would reduce their ability to differentiate. This paper proposes an overview in provided LBP methods which includes several of the newer ones. Then it proposes a robust framework of binary pattern as completed robust LBP to overcome the inefficiency of all types of LBP which the value of the central pixel replace whit average value of intensity values of 3*3 square adjacent. Proposed approach is a quick tool with high accuracy in the classification of the seabed images. The comparison of simulation results with other known methods indicates the effectiveness of the proposed algorithm. 1 20 بابک گودرزی Babak Goodarzi دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شیراز دانشگاه صنعتی شیراز ایران BabakGoudarzi2010@gmail.com رضا جاویدان Reza Javidan دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شیراز دانشگاه صنعتی شیراز ایران Reza.Javidan@gmail.com محمد جواد دهقانی Mohammad Javad Dehghani دانشگاه صنعتی شیراز ایران Dehghani@sutech.ac.ir Local Binary Pattern Classification Segmentation Seabed Acoustical Texture images الگوی دودویی محلی طبقه بندی قسمت بندی بستر دریا تصاویر بافتی آکوستیکی. ##1.M. Mignotte and C. Collet, “Markov Random Field and Fuzzy Logic Modeling in Sonar Imagery: Application to the classification of underwater floor,” Computer Vision and Image Understanding, Vol. 79, No. 1, pp. 4-24, 2000.##2.R. Javidan and H. J. Eghbali, “Automatic Classification of Persian Gulf Bottom Based on Acoustic Images,” 6th International Conference on Coasts, Ports and Marine Structures, 2004.##3.R. Javidan and H. J. Eghbali, “Automatic seabed texture segmentation and classification based on wavelet transform and fuzzy approach,” International Journal of the Society for Underwater Technology, Vol. 27, No. 2, pp. 51-55, 2007.##4.A. Dejebbari and F. Bereksi-Reguig, “A new chirp based wavelet for heart sounds time-frequency analysis,” international journal on communication antenna and propagation(IRECAP), Vol. 1, N. 1, pp. 92-102, 2011.##5.K. K. Gupta and R. Gupta, “wavelet based speckle filtering of the sar image,” international review on computers and software (IRECOS), Vol. 1, No. 3, pp. 224-232, 2006.##6.R. Javidan, “wavelet-based acoustic seabed ground discrimination system,” In proceeding of IEEE international conference on information & communication technologies: from theory to application, Paris, July 7-10 2010.##7.R.. Javidan, M. A. Masnadi-Shirazi and Z. Azimifar, “Contourlet-Based Seabed Image Texture Segmentationand Classification,” International Journal on Communications Antenna and Propagation (IRECAP), Vol. 1, No. 4, August 2011.##8.T. Ojala, M. Pietikainen and T. Maenpaa, “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,” IEEE Transaction on Pattern Anal. Mach. Intell., Vol. 24, No. 7, pp. 971–987, 2002.##9.A. Fathi and A. R. Naghsh-Nilchi, “Noise tolerant local binary pattern operator for efficient texture analysis,” Pattern Recognition Letters, Vol. 33, No. 9, pp. 1093-1100, 2012.##10.M. Pietikainen, T. Ojala, and Z. Xu, “Rotation-invariant texture classification using feature distributions,” Pattern Recog., Vol. 33, No.1, pp. 43–52, 2000.##11.T. Ahonen, A. Hadid and M. Pietikainen, “Face description with local binary patterns: Application to face recognition,” IEEE Transaction on Pattern Anal. Mach. Intell., Vol. 28, No. 12, pp. 2037–2041, 2006.##12.G. Zhao, T. Ahonen, J. Matas and M. Pietikainen, “Rotation invariant image and video description with local binary pattern features,” IEEE Transactions on Image Processing, Vol. 21, No. 4, pp. 1465-1477, 2010.##13.Z. Guo, L. Zhang and D. Zhang, “A Completed modeling of local binary pattern operator for texture classification,” IEEE Transactions on Image Processing, Vol. 19, No. 6, pp. 1657-1663, 2010.##14.J. Ruiz-del-Solar and J. Quinteros, “Illumination compensation and normalization in eigenspace-based face recognition: A comparative study of different pre-processing approaches,” Pattern Recog. Lett., Vol. 29, No. 14, pp. 1966–1979, 2008.##15.Z. Guo, L. Zhang and D. Zhang, “Rotation invariant texture classification using LBP variance (LBPV) with global matching,” Pattern Recognition, Vol. 43, No. 3, pp. 706-719, 2010.##16.D. Huang, Y. Wang and Y. Wang, “A robust method for near infrared face recognition based on extended local binary pattern,” in Proc. Int. Symp. Vis. Comput. Part2 LNCS 4842, pp. 437–446, 2007.##17.Z. Guo, L. Zhang and D. Zhang, “A completed modeling of local binary pattern operator for texture classification,” IEEE Transaction on Image Process., Vol. 19, No. 6, pp. 1657–1663, 2010.##18.X. Tan and B. Triggs, “Enhanced local texture feature sets for face recognition under difficult lighting conditions,” in Proc. Anal. Model. Faces Gestures, LNCS 4778, pp. 168–182, 2007.##19.T. Ahonen and M. Pietikainen, “Soft histograms for local binary patterns,” in Proc. Fin. Signal Process. Symp., Oulu, Finland, 2007.##20.S. Liao, W. Max, K. Law, C. Albert and S. Chung, “ Dominant local binary patterns for texture classification,” IEEE Transactions on Image Processing, Vol. 18, No. 5, pp. 1107-1118, 2009.##21.H. Zhou, R. Wang and C. Wang, “A novel extended local binary pattern operator for texture analysis,” Information Sciences, Vol. 178, No. 22, pp. 4314-4325, 2008.##22.L. Wolf, T. Hassner and Y. Taigman, “Descriptor based methods in the wild,” in Proc. ECCV Workshop Faces ‘Real-Life’ Images: Detection, Alignment, Recog., Marseille, France, 2008.##23.L. Nanni, S. Brahnam and A. Lumini, “A simple method for improving local binary patterns by considering non-uniform patterns,” Pattern Recognition, Vol. 45, No. 10, pp. 3844-3852, 2012.##24.J. Fehr, “Rotational invariant uniform local binary patterns for full 3D volume texture analysis,” in Proc. Fin. Signal Process. Symp., Oulu, Finland, 2007.##25.G. Zhao and M. Pietikainen, “Dynamic texture recognition using local binary patterns with an application to facial expressions,” IEEE Transaction on Pattern Anal. Mach. Intell., Vol. 29, No. 6, pp. 915–928, 2007.##26.Y. K. Park and J. K. Kim, “Fast adaptive smoothing based on LBP for robust face recognition,” Electron. Lett., Vol. 43, No. 24, pp. 1350–1351, Nov. 2007.##27.R. Singh, M. Vatsa and A. Noore, “Integrated multilevel image fusion and match score fusion of visible and infrared face images for robust face recognition,” Pattern Recog., Vol. 41, No. 3, pp. 880–893, 2008.## ##

ارائه روشی مناسب برای دسته بندی نامه های الکترونیکی تبلیغاتی بر مبنای پروفایل کاربران A proper method for the advertising email classification based on user’s profiles 1 1 به طور کلی، تعریف هرزنامه در ارتباط با رضایت یا عدم رضایت گیرنده است نه محتوای نامه الکترونیکی. بر طبق این تعریف، مشکلاتی در دسته بندی نامه های الکترونیکی در بازاریابی و تبلیغات مطرح می شود. برای مثال امکان دارد بعضی از نامه های الکترونیکی تبلیغاتی، برای عده ای از کاربران هرزنامه و برای عده ای دیگر هرزنامه نباشد. برای مقابله با این مشکل با توجه به پروفایل و رفتار کاربران، ضد هرزنامه های شخصی طراحی می شود .به طور عادی برای دسته بندی هرزنامه‌ها، روشهای یادگیری ماشینی با دقت خوب به کار می رود. اما در هر حال یک روش منحصر به فرد موفق بر مبنای دیدگاه تجارت الکترونیک وجود ندارد. در این مقاله ابتدا پروفایل جدیدی برای شبیه سازی بهتر رفتار کاربران ، تهیه می شود .سپس این پروفایل همراه با نامه های الکترونیکی به دانشجویان ارائه شده و پاسخ آنها جمع آوری می گردد . در ادامه برای دسته بندی نامه های الکترونیکی، روشهای مشهور به ازای مجموعه داده های مختلف آزمایش می شود .سرانجام ، با مقایسه معیارهای ارزیابی داده کاوی ،شبکه عصبی به عنوان بهترین روش با دقت بالا ، تعیین می گردد. 2 In general, Spam is related to satisfy or not satisfy the client and isn’t related to the content of the client’s email. According to this definition, problems arise in the field of marketing and advertising for example, it is possible that some of the advertising emails become spam for some users, and not spam for others. To deal with this problem, many researchers design an anti-spam based on personal profiles. Normally machine learning methods for spam classification with good accuracy are used. However, there isn’t a unique successful way based on Electronic Commerce approach. In this paper, at first were prepared a new profile that can lead to better simulations of user’s behavior. Then we gave this profile with advertising emails to students and collected their answers. In continue, were examined famous methods for email classification. Finally, comparing different methods by criteria of data mining standards, it can be shown that neural network method has the best accuracy for various data sets. 21 36 محمد فتحیان MOHAMMAD FATHIAN علم و صنعت ایران دانشگاه علم و صنعت ایران رحیم حضرتقلی زاده RAHIM HAZRATGHOLIZADEH علم و صنعت ایران دانشگاه علم و صنعت ایران h.golizadeh@gmail.com Electronic Commerce Electronic Advertising spam classification Data mining profile تجارت الکترونیکی تبلیغات الکترونیکی دسته بندی هرزنامه ها داده کاوی پروفایل ##.1 Blanzieri E., Bryl A. ,( 2008) A survey of learning-based techniques of email spam filtering, Artif Intell Rev, vol.29,pp.63–92.##.2 Cukier W. L., Cody S., Nesselroth E. J., (2006)Genres of Spam: Expectations and Deceptions, Proceedings of the 39th Hawaii International Conference on System Sciences, . ##.3 Sousa p., et al,(2010) A Collaborative Approach for Spam Detection ,Second International Conference on Evolving Internet, IEEE.##.4 Raad M.,et al,(2010)Impact of spam advertisement through e-mail: A study to assess the influence of the anti-spam on the e-mail marketing, African Journal of Business Management, Vol. 4(11), pp. 2362-2367.##.5 Kim J., Dou D., Liu H., Kwak D., (2007)Constructing a User Preference Ontology for Anti-spam Mail Systems, Canadian AI 2007, LNAI 4509, pp. 272 – 283.##.6 Kakade A.G., Kharat P.K., Gupta A.K,(2013),Survey of Spam Filtering Techniques and Tools, and Map Reduce with SVM, IJCSMC, Vol. 2, Issue. 11, November 2013, pg.91 – 98.##.7 Wenxuan S.,Maoqiang X.,(2013) A Reputation-based Collaborative Approach for Spam Filtering, 2013 AASRI Conference on Parallel and Distributed Computing and Systems, Volume 5, 2013, Pages 220–227##.8 Almeida, T. A., Yamakami, A.,(2012) Facing the spammers: A very effective approach to avoid junk e-mails, Expert Systems with Applications,vol. 39 ,pp.6557–6561.##.9 Cook D., Hartnett J., Manderson K., scanlan J., (2006)catching Spam Before it Arrives: Domain Secific Dynamic Blacklists , ACM Inrenational Conference Proceeding Series; Vol.167,pp.193-202.##.10 Almeida T.A., Yamakami A.,(2010) Content-Based Spam Filtering, The 2010 International Joint Conference on Neural Networks (IJCNN), IEEE.##.11 Ying K.C., et al,(2010)An ensemble approach applied to classify spam e-mails, Expert Systems with Applications.vol 37,pp. 2197–2201.##.12 Saad O., Darwish A., Faraj R.,(2012) A survey of machine learning techniques for Spam ##filtering., International Journal of Computer Science and Network ecurity, VOL.12 No.2, February.##.13 Yih W., McCann R., Kołcz A.,(2007) Improving Spam Filtering by Detecting Gray Mail, In Proceedings of the 4rd Conference on Email and Anti-Spam.##.14 Rossiter J. R., Bellman S.,(2005) “Marketing Communications” Prentice Hall, English.##.15Youn S., McLeod D.,(2009) Spam Decisions on Gray E-mail using Personalized Ontologies, Proceedings of the 2009 ACM Symposium on Applied Computing (SAC), Honolulu, Hawaii, USA, pp. 1262-1266.##.16 Guzella T.S., Caminhas W.M.,(2009) A review of machine learning approaches to Spam filtering , Expert Systems with Applications,vol. 36,pp.10206–1022.##.17Saad O.,Darwish A.,faraj R.,(2012)A survey of machine learning techniques for Spam filtering., International Journal of Computer Science and Network security, VOL.12 No.2, February. ##.18 Dwork C., Naor M.,(1992) Pricing via processing or combatting junk mail, In Advances in Cryptology - Crypto 92 Proceedings, Springer Verlag, pp 139–147. ##.19 SHI L., WANG Q. , MA X. , WENG M. , QIAO H.,( 2012) Spam Email Classi_cation Using Decision Tree Ensemble, Journal of Computational Information Systems,vol. 8: 3,pp. 949–956.##.20 Spam definition.(2012)Availabe at http://en.wikipedia.org/wiki/Spam_(electronic) . ##.21 GrayEmail definition,( 2012) Availabe at http://en.wikipedia.org/wiki/Graymail_(email).##.22 Ravi J., Shi W., Xu C., (2005)Personalized Email Management at Network Edges, IEEE Internet Computing, Vol.9(2) ,pp.54-60.## .23 Nicola L.,( 2004) European :union: vs. spam: A legal response, In Proceedings of the First Conference on Email and Anti-Spam, CEAS’2004.##.24Rafiqul I., Jemal A.,(2013) A multi-tier phishing detection and filtering approach, Journal of Network and Computer Applications, Volume 36, Issue 1, January 2013, Pages 324–335. ##

استخراج معماری فناوری اطلاعات بیمارستان با رویکرد قابلیت پیاده سازی در ایران Extracting the Information Technology architecture of hospitals with approach of Implementing in Iran 1 1 امروزه ارائه خدمات هوشمند و سریع به بیماران و حرکت به سمت بیمارستان‌های نسل آینده، از ضروریات حوزه سلامت است. تهیه معماری اطلاعات برای بیمارستان‌ها مقدمه دستیابی به خدمات هوشمند و به تبع آن ارایه خدمات با سرعت و کیفیت بسیار بالاتر نسبت به سیستم‌های سنتی است. در این مقاله هدف ارایه یک معماری اطلاعات بومی مبتنی بر معیارها و شاخص‌های مهم در بیمارستان‌های ایران بوده است. در این مقاله از معماری فناوری اطلاعات TOGAF استفاده و سپس این معماری متناسب با شرایط بومی ایران برای بیمارستان شریعتی بومی سازی شده است. برای این کار از نظر خبرگان و ابزار پرسشنامه 134 سوالی بهره گرفته شده و بر اساس آزمون‌های مناسب آماری مورد تحلیل قرار گرفته است. در این مقاله معماری فناوری اطلاعات در قالب یک مدل مفهومی دارای چهار ورودی و چهار لایه زیرساختی طراحی شد. نتایج نشان داد از میان 134 جزء معماری فناوری اطلاعات توگف، تعداد 104 جزء، توسط خبرگان برای کاربرد در بیمارستان مورد تایید قرار گرفت. این چارچوب اختصاصی‌سازی شده، معماری فناوری اطلاعات بیمارستان نامیده شد. معماری پیشنهادی که در هشت لایه و یازده جزء ترسیم شد و می‌تواند به عنوان یک معماری مرجع بومی برای اجرای معماری اطلاعات در بیمارستان‌های ایران مورد استفاده قرار گیرد. 2 Nowadays, smart and fast services to patients and move on to the next generation hospital are the essential parts of the health field. The production of information technology architecture for hospital organizations is the foundation of accessible smart services and providing services with more speed and higher quality than the traditional systems. In this paper, the target is to present an indigenous IT architecture based on important criteria and metrics in Iranian hospitals. The TOGAf architecture is used and then it is adopted and localized for Shariati hospital based on Iran’s indigenous conditions. For this aim, expert’s views and 134 questionnaire tools are applied and the results are analyzed through suitable statistical tests. So IT architecture is designed by consisting up a conceptual model of four input and four infrastructure layer. The results show that 111 items are verified to apply to the hospital among 145 possible items. The customization framework is called the Hospital IT Architecture. The components provide the framework approved in 8 layers and 11 components can be used in hospitals to implement enterprise architecture. The proposed architecture in 8 layers and 11 components are designed and it could be applied as an indigenous reference architecture for implementation of enterprise architecture in Iranian Hospital organizations. . 37 46 عاطفه السادات حقیقت حسینی Atefehe sadat Haghighat hoseini دانشگاه تهران تهران ایران atefeh.hoseini@ut.ac.ir حسین بوبرشاد Hosein Boubarshad دانشگاه تهران تهران ایران fsaghafi@ut.ac.ir فاطمه ثقفی Fatemeh Saghafi دانشگاه تهران تهران ایران Hossein.bobarshad@ut.ac.ir هادی زارع Hadi Zare دانشگاه تهران تهران ایران h.zare@ut.ac.ir Next generations hospitals information technology architecture TOGAF architecture بیمارستان‌های نسل آینده معماری فناوری اطلاعات معماری توگف ##1.Minoli, D., Enterprise architecture A to Z: frameworks, business process modeling, SOA, and infrastructure technology. CRC Press, 2008.##2.Spewak, S. H. and Hill, S. C., Enterprise Architecture Planning: Developing a Blueprint for Data, Applications and Technology. Wellesley, MA, USA: QED Information Sciences, Inc., 1993.##3.Inmon, W. H., Zachman, J. A. and Geiger, J. G.; Data Stores, Data Warehousing and the Zachman Framework: Managing Enterprise Knowledge, 1st ed. New York, NY, USA: McGraw-Hill, Inc., 1997.##4.Zachman, J. A., “A framework for information systems architecture,” IBM Syst. J., 1987, Vol. 26, No. 3, pp. 276–292.##5.Sowa and J. F. Zachman, J. A., “Extending and formalizing the framework for information systems architecture,” IBM Syst. J., 1992, Vol. 31, No. 3, pp. 590–616.##6.Ji, W.and Xia, A., “Federal enterprise architecture framework,” Comput. Integr. Manuf. Syst.-BEIJING-, 2007, Vol. 13, No. 1, p. 57.##7.Blevins, T. J., Spencer, J., and Waskiewicz, F., “TOGAF ADM and MDA,” Open Group OMG, 2004.##8.Levis, A. H. and Wagenhals, L. W., “C4ISR architectures: I. Developing a process for C4ISR architecture design,” Syst. Eng., 2000, Vol. 3, No. 4, pp. 225–247.##9.Fradinho, Jorge Miguel dos Santos. Towards high performing hospital enterprise architectures: elevating hospitals to lean enterprise thinking. Diss. Massachusetts Institute of Technology, 2011.##10.Akiyama, M. “Migration of the Japanese healthcare enterprise from a financial to integrated management: strategy and architecture,” Stud. Health Technol. Inform., 2001, No. 1, pp. 715–718.##11.Lu, X.; Duan, H., Li, H., Zhao, C., and An, J., “The architecture of enterprise hospital information system,” in Engineering in Medicine and Biology Society, 2005. IEEE-EMBS 2005. 27th Annual International Conference of the, 2006, pp. 6957–6960.##12.Ahsan, Kamran, Hanifa Shah, and Paul Kingston. "Healthcare Modelling through Enterprise Architecture: A Hospital Case." Information Technology: New Generations (ITNG), 2010 Seventh International Conference on. IEEE, 2010, pp. 460–465.##13.Rijo, R., Martinho, R., and Ermida, D., “Developing an Enterprise Architecture Proof of Concept in a Portuguese Hospital,” Procedia Comput. Sci., 2015, Vol. 64, pp. 1217–1225.##14.Walsh, M. T., Dublin, B. A., Ishigami, E. M., and Shebaro, I. A., “The architecture of a shared leadership model for health systems strengthening initiatives led by a US-based academic hospital,” Ann. Glob. Health, 2015, Vol. 81, No. 1, p. 186.##15.Haghighathoseini, A., Boubarshad, H., Saghafi, F. “Identifying the best organizational architecture framework for hospitals for implementation in Iran,” Journal of Medical Council of Islamic Republic of Iran, 2016, Vol. 34, No. 1, pp. xx. under publication, [in Persian]##16.Tang A, Han J, Chen P. A comparative analysis of architecture frameworks. InSoftware Engineering Conference, 2004. 11th Asia-Pacific 2004 Nov 30 (pp. 640-647). IEEE. ##17.Lim N, Lee TG, Park SG. A comparative analysis of enterprise architecture frameworks based on EA quality attributes. InSoftware Engineering, Artificial Intelligences, Networking and Parallel/Distributed Computing, 2009. SNPD'09. 10th ACIS International Conference on 2009 May 27 (pp. 283-288). IEEE.## 18.A. Ishizaka and A. Labib, “Analytic Hierarchy Process and Expert Choice: Benefits and limitations,” Insight, 2009, Vol. 22, No. 4, pp. 201–220.##19.Haren, V., TOGAF Version 9.1, 10th ed. Van Haren Publishing, 2011.##20.Weisman, R., “An Overview of TOGAF® Version 9.1,” 2011.##21.McKean, S.C., Ross, J.J., Dressler, D.D., Brotman, J.J. and Ginsberg, J.S., Principles and Practice of Hospital Medicine, 1 edition. ##New York: McGraw-Hill Medical, 2012.##22.U. S. N. and W. Report, Best Hospitals 2015. U.S. News and World Report, 2014.##23.Jonkers H, van Burren R, Arbab F, De Boer F, Bonsangue M, Bosma H, Ter Doest H, Groenewegen L, Scholten JG, Hoppenbrouwers S, Iacob ME. Towards a language for coherent enterprise architecture descriptions. In Enterprise Distributed Object Computing Conference, 2003. Proceedings. Seventh IEEE International 2003 Sep 16 (pp. 28-37). IEEE.## 24.R. Harrison, TOGAF® 9 Foundation Study Guide. Van Haren, 2013.##25.Van de Velde, R., Hospital Information Systems - The Next Generation, Softcover reprint of the original 1st ed. 1992 edition. Place of publication not identified: Springer, 2013.##26.Van. de Velde, R. and Degoulet, P., Clinical Information Systems: A Component-Based Approach, 2003 edition. New York: Springer, 2003.##27.Wager, K. A., Lee, F. W., and Glaser, J. P., Health Care Information Systems: A Practical Approach for Health Care Management, 2 edition. Jossey-Bass, 2009.## ########## ##

ارائه مدلی جهت استفاده ازعاملهای متحرک در سیستم های تشخیص نفوذ توزیع شده مبتنی بر تئوری بازی A Novel Model for detecting intrusion with Mobile Agent and Game theory 1 1 سیستم های تشخیص نفوذ در شبکه ، ابزارهایی هستند که به منظور محافظت از منابع شبکه در مقابل حملات استفاده می شوند. با توجه به گستردگی حملات در فضای اینترنت و تغییر در شکل و نوع حملات از حالت متمرکز به توزیع شده ، معماری اینگونه سیستم ها نیز به سمت توزیع شدگی حرکت می کند. در این مقاله روشی مبتنی برعاملهای متحرک که به عنوان سنسورهای تشخیص دهنده حرکات غیر معتبر عمل می کنند پیشنهاد شده است. عاملهای متحرک تشخیص دهنده حمله به صورت پراکنده در شبکه در حال جابجایی از یک گره به گره دیگر می باشند و در هر زمان یک شبکه فوقانی امنیتی را ساخته و با استفاده از نوعی بازی همکارانه و برقراری ارتباط با یکدیگر ، پس از رسیدن به مقدار شیپلی می توانند میزان و منشاء حمله را تشخیص و گزارش دهند. در این مقاله روشی پیشنهاد شده است که WGA در یک بازی غیرهمکارانه با عنصر مهاجم سعی در برقراری یک ارتباط مکاشفه ای جهت محاسبه مقدار نش و رسیدن به حداکثر سودمندی را دارد تا بتواند ضمن تفکیک حملات و یا درخواستهای واقعی،میزان و شدت حمله را با کمک سایر WGA بدست آورد. 2 The proposed framework applies two game theoretic models for economic deployment of intrusion detection system (IDS). The first scheme models and analyzes the interaction behaviors of between an attacker and intrusion detection agent within a non-cooperative game, and then the security risk value is derived from the mixed strategy Nash equilibrium. The second scheme uses the security risk value to compute the Shapley value of intrusion detection agent under the various threat levels. Therefore, the fair agent allocation creates a minimum set of IDS deployment costs. Numerical examples show that the network administrator can quantitatively evaluate the security risk of each intrusion detection agent and easily select the most effective IDS agent deployment to meet the various threat levels. 47 60 امین نظارات Amin Nezarat دانشگاه پیام نور دانشگاه پیام نور ایران aminnezarat@pnu.ac.ir غلامحسین دستغیبی فرد GH Dastghaibifard دانشگاه شیراز دانشگاه شیراز ایران dstghaib@shirazu.ac.ir مهدی رجا Mahdi Raja دانشگاه شیراز ایران mraja@shirazu.ac.ir IDS Agent Game Theory Shapely Value عاملهای متحرک IDS تئوری بازی سیستم چند عاملی تعادل نش مقدار شیپلی امنیت شبکه ##C. Symantec, “Symantec Corporation,” 10 08 2013. . Available: http://www.symantec.com/index.jsp.1.##P. H. V. L. R. J. Z. H. M. Mel, “An Overview of Issues in Testing Intrusion Detection Systems,” NIST, Gaithersburg, MD, 2002.2.##3.A. D. V. M. R. D. Keromytis, "SOS: An architecture for mitigating DDoS attacks," IEEE Communications, vol. 22, p. 176–188., 2004. ##4.G. V. S. Suryawanshi, “Mobile Agent for Distributed Intrusion detection System in Distributed System,” International Journal of Artificial Intelligence and Computational Research (IJAICR.), p. , 2010. ##5.M. A. M. S. M. A. K. &. M. R. M. I. Kamaruzaman Maskat, “Mobile Agents in Intrusion Detection System: Review and Analysis,” Modern Applied Science, جلد 5, شماره 6, pp. 218-231, Dec 2011. ##R. B. a. P. Mell, “Intrusion detection systems,” 2012 . Available: http://www.snort.org/docs/nistids.pdf.6.##S. E. Schechter, "Computer Security Strength and Risk: A Quantitative Approach," PhD Thesis, Harvard University, 2004. 7.##S. E. Schechter, “Toward econometric models of the security risk from remote attacks,” IEEE Security & Privacy8, جلد 3, شماره 1, p. 40–44, 2005. ##9.D. S. P. J. M. R. K. G. Shaw, “Inside the minds of the insider,” Security Management, جلد 43, p. 34–44., 1999. ##10.T. B. T. Alpcan, “A game theoretic approach to decision and analysis in network intrusion detection,” IEEE Conference on Decision and Control, p. 2595–2600, 2003. ##11.C.-K. W. Yi-Ming Chen, “A Game Theoretic Framework for Multi-agent Deployment in Intrusion Detection Systems,” Security Informatics, Annals of Information Systems, pp. 117-133, 2010. ##D. R. B. Mishra, “Cost sharing in a job scheduling problem using the Shapley value,” 2005. 12.##13.P. Z. Liu, “Incentive-basedmodeling and inference of attacker intent, objectives and strategies,” ACM Transactions on Information and System Security, جلد 8, p. 78–118., 2005. ##A. S. S. Dixit, “Games of Strategy,” 2001.14. ##15.R. D. M. A. M. a. T. T. L. McKelvey, “Gambit: Software Tools for Game Theory,,” 2007. . Available: http://econweb.tamu.edu/gambit.##GAMBIT, “GAMBIT,” 7 2013. . Available: http://www.gambit-project.org/.16.## ##

تلفیق مدل تحلیل پوششی داده ها و درخت تصمیم به منظور ارزیابی واحدهای مبتنی بر تکنولوژی اطلاعات Integrating data envelopment analysis and decision tree models In order to evaluate information technology-based units 1 1 هرسازمان به منظور آگاهی از میزان عملکرد و مطلوبیت فعالیت واحدهای خود به یک نظام ارزشیابی جهت سنجش این مطلوبیت نیاز دارد و این موضوع برای مؤسسات مالی از جمله شرکت های مبتنی بر تکنولوژی اطلاعات اهمیت بیشتری دارد. تحلیل پوششی داده ها یک روش غیرپارامتری برای اندازه گیری کارایی و بهره وری از واحدهای تصمیم گیری (DMUs)هاست. از طرف دیگر تکنیک داده کاوی بهDMUs))ها اجازه کاوش و کشف اطلاعات معنی داری، که قبلاً در پایگاه داده های بزرگ پنهان بوده اند را می دهد. این مقاله یک چارچوب کلی ترکیب تحلیل پوششی داده ها بادرخت رگرسیون را برای ارزیابی کارایی و بهره وری ازDMUها پیشنهاد می کند. نتیجه مدل ترکیبی مجموعه ای از قوانین است که می تواند توسط سیاست گذاران برای کشف دلایلDMUهای کارآمد و ناکارآمد مورد استفاده قرار گیرد. به عنوان مطالعه موردی با استفاده از روش پیشنهادی برای بررسی عوامل مرتبط با بهره وری نمونه ای شامل 18 شعبه از بیمه ایران در شهر تهران انتخاب گردید و پس از مدل سازی بر مبنای مدل پیشرفته LVM ورودی محور با دسترسی پذیری ضعیف درتحلیل پوششی داده ها با خروجی نامطلوب محاسبه گردید و با تکنیک درخت تصمیم، به استخراج قوانین برای کشف دلایل افزایش بهره وری و پسرفت بهره وری می پردازد. 2 In order to evaluate the performance and desirability of the activities of its units each organization needs an evaluation system to assess this desirability and it is more important for financial institutions, including information technology-based companies. Data envelopment analysis (DEA) is a non-parametric method to measure the effectiveness and efficiency of decision-making units (DMUs). On the other hand, data mining technique allows DMUs to explore and discover meaningful information, which had previously been hidden in large databases. . This paper presents a general framework for combining DEA and regression tree for evaluating the effectiveness and efficiency of the DMUs. Resulting hybrid model is a set of rules that can be used by policy makers to discover reasons behind efficient and inefficient DMUs. Using the proposed method for examining factors related to productivity, a sample of 18 branches of Iran insurance in Tehran was elected as a case study. After modeling based on advanced model the input oriented LVM model with weak disposability in data envelopment analysis was calculated using undesirable output, and by use of decision tree technique deals with extracting and discovering the rules for the cause of increased productivity and reduced productivity. 61 80 امیر امینی Amir Amini دانشگاه صنعتی ارومیه دانشگاه صنعتی ارومیه ایران mr62.amini@gmail.com علیرضا علی نژاد Alireza Alinezhad دانشگاه آزاد اسلامی قزوین دانشکده مهندسی صنایع و مکانیک، قزوین ایران alinezhad_ir@yahoo.com سمیه شفقی زاده Somayeh Shafaghizadeh دانشگاه آزاد اسلامی، واحد علوم تحقیقات قزوین دانشگاه آزاد اسلامی، واحد علوم تحقیقات قزوین، قزوین ایران s_shafaghizadeh@yahoo.com Data envelopment analysis Data mining Classification and regression Decision tree Undesirable output تحلیل پوششی داده ها داده کاوی طبقه بندی و رگرسیون درخت تصمیم خروجی نامطلوب ##1. آذر عادل؛ مؤمنی منصور. 1383. اندازه‌گیری بهره‌وری در شرکت‌های تولیدی به وسیله مدل‌های تحلیل پوششی ##داده‌ها، دو ماهنامه علمی پژوهشی دانشور رفتار، دانشگاه شاهد، سال یازدهم، شماره 8.##2. امامی میبدی علی. 1384. اصول و اندازه‌گیری کارایی و بهره‌وری (علمی- کاربردی)، مؤسسه مطالعات پژوهش‌های بازرگانی، چاپ دوم، تهران.##3. اسفاندرانی حمید. 1390. طراحی شبکه فروش بیمه‌های عمر (مورد مطالعاتی شرکت سهامی بیمه ایران به روش تحلیل پوششی داده‌ها(DEA)، پایان‌نامه کارشناسی‌ارشد، دانشگاه تربیت مدرس.##4. دعایی حبیب ا..؛ نیکخواه فرخانی زهرا. 1388. ارزیابی عملکرد عملیاتی و منابع انسانی نمایندگی‌های بیمه کارافرین در استان خوزستان با نگرش چندگانه به روش تحلیل پوششی داده‌ها، فصلنامه صنعت بیمه، سال بیست و چهارم، شماره3و4، پاییز و زمستان، شماره مسلسل96-95.##5. سلطان‌پناه هیرش و همکاران. 1386. ارزیابی کارایی شعب بیمه البرز با استفاده از تحلیل پوششی داده‌ها، فصلنامه صنعت بیمه، سال بیست و دوم، شماره4، زمستان، شماره مسلسل88، 151-177.##6. مشیری سعید؛ رضوان مهدی. 1385. اثر به‌کارگیری فناوری ارتباطات و اطلاعات در کارایی صنعت خدمات هوایی ایران، فصلنامه پژوهش های اقتصادی ایران، سال هشتم، ش 26.##7. مهرگان محمدرضا. 1383. مدل‌های کمی در ارزیابی عملکرد سازمان‌ها، انتشارات دانشگاه تهران.##8. Babazadeh, R. Razmi, J. Rabbani, M. Pishvaee, M. S. 2015. An integrated data envelopment‌ ‌‌analysis-mathematical programming approach to strategic biodiesel supply chain network design problem, Journal of Cleaner Production (Article in press).##9. Barros, C. P., Nektarios, M. & Assaf, A. 2010. Efficiency in the Greek insurance industry, European Journal of Operational Research DEA technology. Omega ,PP. 315-325.##10. Bretholt A, Pan J. . Evolving the latent variable model as a an environmental 9. Charnes, A, Cooper, WW, Rhodes, E. 1978. Measuring the efficiency of decision making units, European journal of operational research, 2, 429-444.##11. Barr, R., L.M. Siford and T.F. Simes. 1994. Forecasting bank failure: a non-parametric approach, Recherches Economiques de Louvain.##12. Breiman, L., J. Friedman, R. Olshenand C. Stone. 1984. Classification and Regression Trees, Pacific Grove, CA: Wadsworth-Monterey.##13. Charnes A., W. W. Cooper , Rhodes E. 1978. Measuring the Efficiency, European Journal of Operations Research, No 2.##14. Chen, Y., Cook, W.D., Li, N., Zhu, J. 2009. Additive efficiency decomposition in two stage DEA. European Journal of Operational Research.##15. Emrouznejad A., Anouze A. 2010. Data envelopment analysis with classification and regression tree-a case of banking efficiency, Expert Systems.##16. Efron, B. and Tibishirani R. 1993. An Introduction to the Bootstrap, New York: Chapman and Hall.##17. Fakhari A., Eftekhari Moghadam A.M. 2013. Combination of classification and regression in decision tree for multi-labeling image annotation and retrieval, Applied Soft Computing.##18.Fan Ch.K, & Cheng, Sh.W. 2009. Using Analytic Hierarchy Process Method and Technique for Order Preference by Similarity to Ideal Solution to Evaluate Curriculum in Department of Risk Management and Insurance, J. Soc. Sci., 19(1).##19. Farzipoor R. 2007. Suppliers selection in the presence of both cardinal and ordinal data, European Journal of Operational Research.##20. Emroznejad A., DEA Home page ,http://www.deazone.com/tutorial.##21. Han J., Kamber M. . Data Mining Concept and Techniques. nd Edition. San Francisco, Elsvier.##22. Hand D.J., Manilla H., Smyth P. 2001. Principles of Data, Cambridge, MA: MIT Press.##23. Hosseini Bamakan, S. M. Gholami, P. 2014. A Novel Feature Selection Method Based on an Integrated Data Envelopment Analysis and Entropy Model, 2nd International Conference on Information Technology and Quantitative Management, ITQM 2014, Procedia Computer Science 31, 632 – 638.##24. Hwang S., Kao T.L. 2007. Measuring Managerial Efficiency in Non-Life Insurance Companies: An Application of Two-Stage Data Envelopment Analysis, International Journal of a Management, vol. , No. . ##25. Jahanshahloo GR. , Alirezaee MR. 1992. Measuring the efficiency of academic units at the Teacher Training University, Procedings of th Annual Iranian math conference.##26. Kim, H. and G.J. Koehler.1995. Theory and practice of decision tree induction, Omega.##27. Lee, S. 2010. Using data envelopment analysis and decision trees for efﬁciency analysis and recommendation of B2C controls, Decision Support Systems, 49, 486–497.##28. Luhnen, M. 2009. Efficiency and Competition in Insurance Markets, Dissertation no. 3675. ##28. Mahlberg,B & Url, Th. 2010. Single Market effects on productivity in the German insurance industry, Journal of Banking & Finance.##28. Malmquist, S. 1953. Index numbers and indifference surfaces. Trabajos de Estatis- tica.##29. Nagurur, N. N. Rajbhanari, B. 2001. Data envelopment analysis for the performance evaluation of air conditioning and refrigeration companies in Thailand, Business Performance Management.##30. Park, J. Lee, D.S. Christakis, N, and Barabasi,A.L.. 2009. The impact of cellular networks on disease comorbidity, Molecular Systems Biology.##31. Pille, P. and Paradi J. 1997. Facets at the frontier and efficiency measurement in DEA, Paper presented at the Fifth European Workshop on Efficiency and Productivity Analysis.##32. Seol, H. Choi, J. Park, G. Park, Y. 2007. A framework for benchmarking service process using data Envelopment analysis and decision tree, Expert Systems with Applications, 32, 432–440.##33. Shahroudi K., Taleghani M., Mohammadi G. 2001. Efficiency Decomposition in Data Envelopment Analysis: An application to Insurance companies in Iran.##34.Sueyoshi T., Goto P. 2009. DEA-discriminate analysis Methodological comparison among eight discriminant analysis approaches, European Journal of Operational Research.##35. Tavana, M., Keramatpour, M., Santos-Arteaga, F.J., Ghorbaniane, E. 2015. A Fuzzy Hybrid Project Portfolio Selection Method Using Data Envelopment Analysis, TOPSIS and Integer Programming, Expert Systems with Applications (Article in press).##36. Torgo L. 1997. Functional models for regression tree leaves, Proceedings of the th International Conference on Machine Learning.##37. Wang, C. H. Chuang, J. J. 2015. Integrating decision tree With back propagation network to conduct business diagnosis and performance simulation For solar companies, Decision Support Systems (Article in press).##38. Xie X. 2010. Are publicly held firms less efficient? Evidence from the US property-liability insurance industry, Journal of Banking & Finance.##39. Yao, Sh., Han,zh.,& Feng, G. 2007. On technical efficiency of China's insurance industry after WTO accession, China Economic Review.#### ##

درک اعتماد اولیه کاربران به شبکه‌های اجتماعی Understanding the users’ initial trust of social networks 1 1 شبکه های اجتماعی یکی از انواع رسانه های اجتماعی محسوب می شوند که در سال های اخیر در زندگی کاربران اینترنتی آنچنان تأثیرگذار بوده اند که شکل های ارتباطات اجتماعی نیز از این رسانه های جدید تأثیر پذیرفته است و در آینده نقش به مراتب مهم تری را بازی خواهند کرد. از سوی دیگر اعتماد یکی از عوامل اصلی ایجاد رضایت و تکرار استفادۀ کاربران از خدمات برخط است. لذا این پژوهش مدل بسط احتمالی را برای شناخت عوامل مؤثر بر اعتماد اولیه کاربران به شبکه های اجتماعی (فیس‌بوک) به کار گرفته است و بیان می کند که کاربران از طریق دو مسیر مرکزی و جانبی نگرش خود را تغییر می دهند. نشانه‌های مرکزی شامل کیفیت اطلاعات و کیفیت خدمات و نشانه‌های جانبی شامل کیفیت سیستم، امنیت ساختاری و شهرت هستند. خودکارآمدی اثرات نشانه‌های مرکزی و نشانه‌های جانبی را بر اعتماد اولیه تعدیل می کند. جامعه آماری این پژوهش، کاربران ایرانی فیسبوک می باشند. داده های مورد نیاز پژوهش از طریق ارتباط با صفحات شخصی افراد و صفحات عمومی (مربوط به گروهها، شهرها، فعالیتها، دانشگاهها و ... ) فعال در این شبکه اجتماعی جمع آوری گردید. بدین منظور لینک پرسشنامه آنلاین طراحی شده بر روی تارنمای docs.google.com در اختیار آنان قرار گرفت. در این پرسشنامه از مقیاس ٥ گزینه ای لیکرت از کاملاً مخالفم (1) تا کاملاً موافقم (5) استفاده شد و در پایان تعداد ٤٠۶ پرسشنامه جمع آوری گردید که با توجه به جدول جرسی و مورگان، برای انجام پژوهش در جامعه بی نهایت، مطلوب می باشد. روایی پرسشنامه از طریق نظرخواهی از خبرگان و اساتید دانشگاه و پایایی آن از طریق محاسبه آلفای کرونباخ تأمین گردید و نشان دهنده حد مطلوب پایایی است. داده ها با نرم افزار آماری SmartPLS2 تحلیل شد. طبق نتایج به دست آمده از میان متغیرهای مستقل این پژوهش خودکارآمدی، شهرت و امنیت ساختاری به ترتیب با ضریب مسیر 47/0، 23/0 و 20/0 بیشترین اثر را بر اعتماد اولیه دارند و کیفیت سیستم کمترین اثر را بر اعتماد اولیه با مقدار 07/0 دارد. همچنین نتایج بیانگر این مطلب بوده که خودکارآمدی تنها اثر کیفیت سیستم را بر اعتماد اولیه تعدیل می کند. بنابرین از آن جایی که خودکارآمدی جدای از نقش تعدیل گریش به طور مستقیم نیز بیشترین تأثیر را بر اعتماد اولیه دارد؛ طراحان شبکه های اجتماعی باید به این عامل توجه ویژه ای داشته باشند به گونه ای که یادگیری آن آسان و فرآیند استفاده ازآن برای کابران واضح و قابل فهم باشد. 2 Social networks are one of the types of social media which in recent years has been influential in the lives of internet users so that forms of social communication is influenced by the new media and in the future will play a more important role. On the other hand the trust is one of the major causes of satisfaction and repeat use of the online service.This research employs elaboration likelihood model to identify the factors affecting the users’ initial trust in Facebook and it express that users change their attitude via a dual route including central route and peripheral route. Central cues include information quality and service quality, whereas peripheral cues include system quality, structural assurance and reputation. Self-efficacy moderates the effects of central cues and peripheral cues on initial trust. The populations of this study are Iranian users on Facebook. Data for this study through contacts with personal pages and pages of general (relating to groups, cities, activities, university, etc.) active in the social network were collected. For this purpose, link of online questionnaire to provide them on the website docs.google.com. In this questionnaire was used a five -point Likert scale from strongly disagree (1) to strongly agree (5) and finally 406 questionnaires were collected according to schedule and Morgan Jersey, which are well to conduct research in the infinite. Questionnaire validity by the opinions of experts and university professors and its reliability through Cronbach's alpha were provided and represents optimum reliability. Data were analyzed with Smart PLS statistical software. According to the results of the independent variables in this study, self-efficacy, reputation and structural assurance respectively with path coefficient 0.47, 0.23 and 0.2 have the greatest effect on the initial trust and system quality has minimal impact on initial trust with amount 0.07. The results also indicate that self-efficacy moderates the effect of system quality on initial trust. Therefore, since the self-efficacy apart from the moderating role directly also has the greatest impact on initial trust; social network designers should be a special attention to this factor so that it's learn is easy and it's use process is clear and understandable for users. 81 94 محسن اکبری Mohsen Akbari دانشگاه گیلان دانشگاه گیلان ایران akbarimohsen@gmail.com کامران زاهدفر Kamran Zahedfar دانشگاه تهران دانشگاه تهران ایران Kamran.zahedfar@gmail.com زهرا ایاغ Zahra Ayagh دانشگاه گیلان دانشگاه گیلان ایران Zahra.ayagh@yahoo.com Initial trust Self-efficacy Facebook Elaboration likelihood model. اعتماد اولیه خودکارآمدی فیس‌بوک مدل بسط احتمالی. ##Bargh, J. A. & McKenna, K. Y. A., The Internet and social life. Annual Review of Psychology, 2004, 55: 573–590.1##2. Hanafizadeh, P. Behboudi, M. Abedini Koshksaray, A., Mobile-banking adoption by Iranian bank clients. Telematics and Informatics, 2014, 31: 62-78.##3. Dong, T. P. Cheng, N.C. Jim wu, Y.Ch., A study of the social networking website service in digital content industries: The Facebook case in Taiwan. Computers in Human Behavior, 2014, http://dx.doi.org/10.1016/j.chb.2013.07.037.##4. Chang, C. Heo, j., Visiting theories that predict college students’ self-disclosure on Facebook. Computers in Human Behavior, 2014, 30: 79–86.##5. McKnight, D.H. Choudhury, N.L. Kacmar, C., The impact of initial consumer trust on intentions to transact with a web site: a trust building model. Journal of Strategic Information Systems, 2002b, 11: 297–323.##6. Ba, S. Whinston, A. Zhang, H., Building trust in online auction markets through an economic incentive mechanism. Decision Support Systems, 2003, 35: 273– 286.##7. Koufaris, M. Hampton-Sosa, W., The development of initial trust in an online company by new customers. Information & Management, 2004, 41: 377–397.##8. Zhou, T., Understanding users’ initial trust in mobile banking: An elaboration likelihood perspective, Computers in Human Behavior, 2012, 28: 1518–1525.##9. McKnight, D.H. Chervany, N.L., Reflections on an initial trust-building model. Handbook of trust research, 2006, 29-51.##10. Mayer, R.C. Davis, J.H. Schoorman, F.D., An integrative model of organizational trust. Academy of Management Review, 1995, 20 (3): 709–734.##11. Szymczak, H., Kücükbalaban, P., Lemanski, S., Knuth, D., & Schmidt, S., Trusting Facebook in crisis situations: the role of general use and general trust toward Facebook. Cyberpsychology, Behavior, and Social Networking, 2016, 19(1), 23-27.##12. Kim, Y. H. Kim, D. J., A Study of Online Transaction Self-Efficacy, Consumer Trust, and Uncertainty Reduction in Electronic Commerce Transaction. 38th Hawaii International Conference on System Sciences, 2005.##13. Coulter, K.S. Coulter, R.A., The effects of industry knowledge on the development of trust in service relationships. Int J Res Mark, 2003, 20: 31–43.##14. Rodolfo, V.C. Leticia, S.A. Ana, M.D.M., Trust as a key factor in successful relationships between consumers and retail service providers. The Service Industries Journal, 2005, 25(1): 83-101.##15. Chang, Ch. Sh. Chen, Su. Y. Lan, Yi. T., Service quality, trust, and patient satisfaction in interpersonal-based medical service encounters. BMC Health Services Research, 2013, 13(22): 13-22.##16. Ayyash, M. M. Ahmad, K. Singh, D., Investigating the Effect of Information Systems Factors on Trust in E-Government Initiative Adoption in Palestinian Public Sector. Research Journal of Applied Sciences, Engineering and Technology, 2013, 5(15): 3865-3875.##17. Petty, R. Cacioppo, J., Issue involvement as a moderator of the effects on attitude of advertising content and context. Advances in Consumer Research,1981, 8: 20-24.##18. Bhattacherjee, A. Sanford, C., Influence processes for information technology acceptance. An elaboration likelihood model. MIS Quarterly, 2006, 30(4): 805–825.##19. Yi, M.Y. Yoon, J.J. Davis, J.M. Lee, T., Untangling the antecedents of initial trust in Web-based health information: The roles of argument quality, source expertise, and user perceptions of information quality and risk. Decision Support Systems, 2013, 55: 284–295.##20. Seddon, P.B., A respecification and extensions of the Delone and Mclean model of IS success. Information Systems Research, 1997, 8(3): 240-253.##21. Nicolaou, A. I. McKnight, D.H., Perceived Information Quality in Data Exchanges: Effects on Risk, Trust, and Intention to Use. Information Systems Research, 2006, 17 (4): 332-351.##22. McKinney, V. Yoon, K. Zahedi, F.M., The measurement of Web customer satisfaction: An expectation and disconfirmation approach. Information System Research, 2002, 13(3): 296-315.##23. Ha, H.Y., Factors influencing consumer perceptions of brand trust online. Journal of Product & Brand Management, 2004, 13(5): 329–342.##24. Beldad, A. de Jong, M. Steehouder, M., How shall I trust the faceless and the intangible? A literature review on the antecedents of online trust. Computers in Human Behavior, 2010, 26(5): 857–869.##25. Parasuraman, A. Zeithaml, V. A. Berry, L. L., SERVQUAL: a multiple-item scale for measuring consumer perceptions of service quality. Journal of Retailing,1988, 64(1): 12-37##26. Prayag, G., Assessing international tourists’ perceptions of service quality at Air Mauritius. International Journal of Quality & Reliability Management, 2007, 24(5): 492-514.##27. Kim, H. W. Xu, Y. Koh, J., A comparison of online trust building factors between potential customers and repeat customers. Journal of the Association for Information Systems, 2004, 5(10): 392–420.##28.Grabner-Kräuter, S., & Bitter, S., Trust in online social networks: A multifaceted perspective. In Forum for social economics, 2015, Vol. 44, No. 1, pp. 48-68. ##29. Bart, Y. Shankar, V. Sultan, F. Urban, G.L., Are the drivers and role of online trust the same for all Web sites and consumers? A large-scale exploratory empirical study. Journal of Marketing, 2005, 69: 133–152.##30. Vance, A. Christophe, E.-D.-C. Straub, D. W., Examining trust in information technology artifacts: The effects of system quality and culture. Journal of Management Information Systems, 2008, 24(4): 73–100.##31. Teo, S.H. Liu, J., Consumer trust in e-commerce in the United States, Singapore and China. The international journal of management science, 2007, 22##32. Doney, PM. Cannon, JP., an examination of the nature of trust in buyer–seller relationships. Journal of Marketing, 1997, 61(2): 35–51.##33. Shi, S., & Chow, W. S., Trust development and transfer in social commerce: prior experience as moderator. Industrial Management & Data Systems, 2015, 115(7), 1182-1203.##34. Shapiro, S.P., The social control of impersonal trust. American Journal of Sociology, 1987, 93 (3): 623–658.##35. Head, M. Hassanein, K., Trust in e-Commerce: Evaluating the Impact of Third-Party Seals. Quarterly Journal of Electronic Commerce, 2002, 3(3): 307-325.##36. Bandura, A., Self-efficacy: Toward a unifying theory of behavior change. Psychological Review, 1977, 84: 191–215.##37. McKnight, D. H. Choudhury, V. Kacmar, C., Developing and validating trust measures for e-commerce: An integrative typology. Information Systems Research, 2002a, 13(3): 334–359.##38. Zhou, Zh., Zhang Q., Su Ch., Zhou N., How do brand communities generate brand relationships? Intermediate mechanisms, Journal of Business Research, 2012, 65: 890–895.##39. آذر، عادل؛ غلامزاده، رسول؛ قنواتی، مهدی، مدلسازی مسیری-ساختاری در مدیریت، کاربرد نرم‌افزار Smart PLS تهران، انتشارات نگاه دانش، 1391.##40. Cronbach, L.J., Coefficient Alpha and the Internal Structure of Tests. Psychometrical, 1951, 16: 297- 334.##41. Nunnally, J. C., & Bernstein, I. H., Psychometric theory (3rd ed). New York: McGraw-Hill, 1994.##42. Nunnally, J. C., Psychometric theory. New York, NY: McGraw-Hill, 1978.##43. Ha, H. Y., John, J., John, J. D., & Chung, Y. K., Temporal effects of information from social networks on online behavior: the role of cognitive and affective trust. Internet Research, 2016, 26(1), 213-235.##44. Magner, N. Welker, R. B. & Campbell, T. L., Testing a model of cognitive budgetary participation -processes in a latent variable structural equations framework. Accounting and Business Research, 1996, 27 (1): 41-50.##45. داوری، علی؛ رضازاده، آرش ؛ مدل‌سازی معادلات ساختاری با نرم افزار PLS، تهران: انتشارات سازمان جهاد دانشگاهی، 1392.##46. Wetzels, M., Odekerken-Schroder, G., & Van Oppen, C., Using PLS path modeling for assessing hierarchical construct models: Guidelines and empirical illustration. MIS Quarterly, 2009, 33(1): 177.##47. Amiri Aghdaie, F. Fathi, S. Piraman, A., Factors affecting the attitude of trust in Internet purchasing from the perspective of consumers. Institute of Interdisciplinary Business Research, 2011, 3 (5):208-221.##48. Xiaoni, Z. Kellie, B.K. Robert, J.P., Information Quality of Commercial Web Site Home Pages: An Explorative Analysis. Retrieved July 1, from: http://aisel.aisnet.org/icis2000/16.##49. Casalo, L. V. Flavian, C. Guinaliu, M., The influence of satisfaction, perceived reputation and trust on a consumer’s commitment to a website. Journal of Marketing Communications, 2007, 13(1): 1–17.##50. Fornell, C., & Larcker, D., Structural ##equation models with unobservable variables and measurement error. Journal of Marketing Research, 1981, 18(1): 39–50.## ##