عوامل موثر بر تاخير بازگشت كتاب هاي امانتي اعضاي كتابخانه هاي عمومي استان آذربايجان شرقي

Factors effecting delays in returning borrowed items in public libraries

هدف: هدف پژوهش حاضر شناسايي مهم ترين عوامل موثر بر تاخير بازگشت منابع اطلاعاتي امانتي در كتابخانه هاي عمومي استان آذربايجان شرقي است. روش: در اين پژوهش از فنون داده كاوي استفاده شده است. داده ها از سامانه مديريت كتابخانه هاي عمومي ايران (نرم افزار سامان) استخراج شد. بعد از آماده سازي در نرم افزارهاي اكسس و اكسل، براي تحليل دادهها از SPSS نسخه 21 و نسخه 12 نرم افزار كلمنتاين استفاده شد. يافته ها: نتايج داده كاوي با الگوريتم چايد در نرم افزار كلمنتاين نشان داد كه به ترتيب عامل هاي سقف مجاز تعداد امانت، سن، نحوه عضويت، و جنسيت مهم ترين متغيرهاي دخيل در تاخير بازگشت كتاب هاي امانتي براي اعضاي فعال كتابخانه هاي استان آذربايجان شرقي هستند. همچنين اعضايي كه داراي ظرفيت فوق العاده هستند، بيشترين تاخير را داشتند. اين عامل به لحاظ سن به سه گروه تقسيم شدهاند: افراد زير 15 سال داراي 33 درصد تاخير، افراد بين 15 تا 26 سال داراي 41 درصد تاخير و افراد بالاي 26 سال داراي 44 درصد تاخير هستند. اصالت/ارزش: طبقهبندي و توصيف دادههاي بزرگ ديد روشني از وضعيت يك پديده را براي ما به وجود مي آورد. با توجه به نتايج به دست آمده از اين پژوهش، ميتوان برنامه هاي خاصي براي هر يك از گروههاي هدف در جهت كاهش تاخير در بازگشت كتاب هاي امانتي در كتابخانه هاي عمومي كشور در نظر گرفت.

Purpose: This paper explores factors affecting delays in returning borrowed materials in public libraries in the province of East Azerbaijan. Method: Data mining techniques were employed to extract data from the organization's MIS called SAMAN. SPSS version 21 and Clementine version 12 were used for analysis. Findings: Results of Childe algorithm test showed that borrowing limitation, age of the borrower, class of membership, and gender were accordingly affecting delays. Members allowed to borrow more items, commited more delays. This factor was divided into three groups by age, namely under 15 yld with 33 percent, between 15 and 26 yld with 41 percent, and over 26 yld with 44 percent of delays. Originality value: Classification and description of large data create a clear view of the phenomenon. The results can be used in specific programs for each target group to reduce delays.