گونه‌شناسی ذهنیت خبرگان سازمان‌های دولتی در زمینه استقرار حاکمیت داده‌های بزرگ با استفاده از روش‌شناسی کیو

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه سیستان و بلوچستان، زاهدان، ایران

2 گروه مدیریت دولتی دانشگاه سیستان و بلوچستان، زاهدان، ایران

چکیده

در سال‌های اخیر، سازمان‌ها در بخش دولتی و خصوصی، با حجم بالایی از داده‌های ساختاریافته و غیرساختاریافته روبرو هستند که نیاز به یک چارچوب حاکمیتی داده‌های بزرگ احساس می‌شود. حاکمیت داده‌های بزرگ، با استفاده از پایش محیط و جمع‌آوری داده‌ها، ذخیره‌سازی و تجزیه و تحلیل داده‌ها ، اطلاعات مورد نیاز تصمیم‌گیرندگان سازمانی را تامین می‌کند. استقرار چارچوب حاکمیت داده‌های بزرگ، سازمان‌ها را در بخش دولتی و خصوصی قادر می‌سازد تا بر اساس شواهد و بینش، تصمیمات بهتری را اتخاذ نمایند. از این‌رو، هدف پژوهش حاضر بررسی ذهنیت خبرگان در زمینه استقرار حاکمیت داده‌های بزرگ است و برای این منظور از روش‌شناسی کیو استفاده شده است. جامعه آماری پژوهش حاضر شامل خبرگان سازمان‌های دولتی بوده و بر اساس نمونه‌گیری هدفمند، تعداد 38 نفر برای مطالعه انتخاب شدند. فضای گفتمان پژوهش حاضر شامل، کتب و مقالات معتبر داخلی و خارجی و مصاحبه نیمه‌ساختاریافته بود. تعداد گزاره‌هایی که در فضای گفتمان شناسایی شد شامل 52 گزاره بود که با تعدیل و حذف گزاره‌های تکراری، تعداد 48 گزاره نهایی شناسایی شد. سپس، هر کدام از گزاره‌های کیو شماره‌گذاری شد و از خبرگان خواسته شد تا شماره هر گزاره کیو را در نمودار کیو مرتب‌سازی کنند. برای تحلیل داده‌های حاصل از فضای گفتمان، از روش تحلیل عاملی اکتشافی و ماتریس همبستگی استفاده شد. برای بررسی روایی و پایایی روش پژوهش از آزمون آلفای کرونباخ، شاخص KMO و آزمون بارتلت استفاده شد. نتایج پژوهش حاضر، تعداد سه گونه ذهنیت را نشان داد که مقدار مجموع واریانس کل تبیین شده برابر با 81/80 درصد بود. مقدار درصد واریانس تبیین شده برای گونه اول برابر با 59/30 درصد و برای گونه دوم برابر با 31/26 درصد و برای گونه سوم برابر با 90/23 درصد بود. ارزیابی گزاره‌های مربوط به دهنیت خبرگان نشان می‌دهد که عمده خبرگان، بر نتایج استقرار حاکمیت داده‌های بزرگ تاکید دارند؛ بر مواردی مانند تسهیل جریان دانش، تصمیم‌گیری کارآ و اثربخش، عملکرد نوآورانه، تقویت کار تیمی و برنامه‌ریزی و تحلیل استراتژیک تاکید دارند. از طرفی، خبرگان بر پیشران‌هایی مانند فناوری اطلاعات، کنترل و نظارت بر داده‌ها، مکانیسم‌های ساختاری، ظرفیت دموکراتیک‌سازی و ظرفیت‌های قانونی توجه دارند. بطورکلی، برای بهره‌گیری از مزایای حاکمیت داده‌های بزرگ در سازمان‌های دولتی و کاستن از شکاف داده‌ای، باید بین گزاره‌ها و نتایج استقرار حاکمیت داده‌های بزرگ، هماهنگی و انطباق وجود داشته باشد و این پژوهش می‌تواند به‌عنوان تقشه راهی برای این مورد باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Typology of the mentality of experts of government organizations in the field of establishing big data governance using Q methodology

نویسندگان [English]

  • Hassan Ghaffari 1
  • Baqer Kord 2
  • Nour Mohammad Yaghoubi 2
  • Abdolali Keshtegar 2
1
2
چکیده [English]

In recent years, organizations in the public and private sectors have been faced with large volumes of structured and unstructured data that require a big data governance framework. Big data governance, by using environment monitoring and data collection, data storage and data analysis, provides the information needed by organizational decision makers. Establishing a big data governance framework enables organizations in the public and private sectors to make better decisions based on evidence and insight. Therefore, the purpose of this study is to investigate the mentality of experts in the field of establishing big data governance and for this purpose, Q methodology has been used. The statistical population of the present study included experts of government organizations and based on purposive sampling; 38 experts were selected for the study. In the present study, the discourse atmosphere included authentic domestic and foreign books and articles and semi-structured interviews. The number of propositions that were identified in the discourse atmosphere included 52 propositions, and by modifying and removing duplicate propositions, 48 final propositions were identified. Then, each of the Q propositions was numbered and the experts were asked to sort the number of each Q proposition in the Q diagram. Exploratory factor analysis and correlation matrix used to analyze the resulting data from the discourse atmosphere. Cronbach's alpha test, KMO index and Bartlett test used to evaluate the validity and reliability of the research method. The results of the present study showed three types of mentality that the total amount of variance explained was equal to 80.81%. The percentage of explained variance was 30.59% for the first type, 26.31% for the second type, and 23.90% for the third type. Evaluation of propositions related to the mentality of expert’s shows that most experts emphasize the results of establishing big data governance; They emphasize such things as facilitating knowledge flow, efficient and effective decision making, innovative performance, strengthening teamwork, and strategic planning and analysis. Experts, on the other hand, focus on drivers such as information technology, data control and oversight, structural mechanisms, democratization capacity, and legal capacity. In general, to take advantage of big data governance in public organizations and reduce the data gap, there must be coordination and consistency between the propositions and the results of establishing big data governance, and this research can serve as a stepping stone to this.

کلیدواژه‌ها [English]

  • Big Data
  • big data governance
  • typology of the mentality of experts
  • Q Methodology
الهی، شعبان، امید مرعشی‌پور، و علیرضا حسن‌زادة کریم آبادی. 1396. ارائه چارچوب حاکمیت داده‌های بزرگ در بانک مرکزی جمهوری اسلامی ایران. فصلنامه پژوهش‌های پولی-بانکی 10 (32): 319-352.
خواجه‌احمدی، احمد. 1398. ارائه مدل فازی سنجش میزان آمادگی جهت پذیرش سیستم‌های اطلاعاتی مدیریت در سازمان‌ها (مطالعة موردی: شهرداری زاهدان). پژوهشنامه پردازش و مدیریت اطلاعات 34 (4): 1561-1584.
خوشگویان‌فرد، علیرضا. 1386. روش‌شناسی کیو. تهران: مرکز تحقیقات صدا‌و‌سیما.
دانایی‌فرد، حسن، و زینب مولوی. 1399. الگوهای ذهنی اعضای هیئت علمی درباره پیامدهای سیاست رشد کمی دانشجویان: مطالعه‌ای بر پایه روش کیو. فصلنامه سیاست‌گذاری عمومی 6 (1): 111-128.
روشن، سید علیقلی، باقر کرد، فرحناز آهنگ، مسعود آرین‌فر، و حسن غفاری. 1400. بررسی الگوهای ذهنی خبرگان در مواجهه با اکوتوریسم پساکرونا با استفاده از روش‌شناسی کیو. فصلنامه برنامه‌ریزی و توسعه گردشگری 10 (36): 48-72.
شیخی، محمد، مهدی مدیری، و سارا رمضانی. 1399. شناسایی و طبقه‌بندی عوامل مؤثر بر تغییرات کاربری و پوشش اراضی شهر دماوند با استفاده از روش‌شناسی کیو. فصلنامه برنامه‌ریزی و آمایش فضا 24 (2): 141-170.
صابری، حسین، محمدرضا کنگاوی، و محمدرضا حسنی آهنگر. 1399. ارائه یک معماری عامل‌گرا برای کاوش معنایی از داده‌های بزرگ مقیاس در محیط‌های توزیع شده. فصلنامه پدافند الکترونیکی و سایبری 8 (3): 83-99.
 
Abbady, M., M. Akkaya, and A. Sari. 2019. Big data governance, dynamic capability and decision-making effectiveness: Fuzzy sets approach. Decision Science Letters 8 (4): 429-440.
Akoka, Jacky, and Isabelle Comyn-Wattiau. 2019. Evaluation of Big Data Governance-Combining a Multi-Criteria Approach and Systems Theory. In 2019 IEEE World Congress on Services (SERVICES), Milan, Italy, 2642: 398-399.
Al-Badi, A., A. Tarhini, and A. I. Khan. 2018. Exploring big data governance frameworks. Procedia computer science 141: 271-277.
Al-Sai, Z. A., R. Abdullah, and M. H. Husin. 2020. Critical success factors for big data: a systematic literature review. IEEE Access 8: 118940-118956.
Bag, S., L. C. Wood, L. Xu, P. Dhamija, and Y. Kayikci. 2020. Big data analytics as an operational excellence approach to enhance sustainable supply chain performance. Resources, Conservation and Recycling 153: 104559.
Bean, Randy. 2016. Just using big data isn’t enough anymore. Harvard Business Review 2: 2016.
Belhadi, A., K. Zkik, A. Cherrafi, and M. Y. Sha'ri. 2019. Understanding big data analytics for manufacturing processes: insights from literature review and multiple case studies. Computers & Industrial Engineering 137: 106099.
Bertot, J. C., U. Gorham, P. T. Jaeger, L. C. Sarin, and H. Choi. 2014. Big data, open government and e-government: Issues, policies and recommendations. Information polity 19 (1, 2): 5-16.
Brous, Paul, and Marijn Janssen. 2020. Trusted decision-making: Data governance for creating trust in data science decision outcomes. Administrative Sciences 10 (4): 81.
Brynjolfsson, Erik, and Kristina McElheran. 2016. The rapid adoption of data-driven decision-making. American Economic Review 106 (5): 133-39.
Burk, Scott, and Gary D. Miner. 2020. It’s All Analytics! The Foundations of AI, Big Data, and Data Science Landscape for Professionals in Healthcare, Business, and Government. Amsterdam: Productivity Press.
Campbell, Alex. 2021. Data Science for Beginners: Comprehensive Guide to Most Important Basics in Data Science. Published independently.
Castro, A., V. A. Villagrá, P. García, D. Rivera, and D. Toledo. 2021. An Ontological-Based Model to Data Governance for Big Data. IEEE Access 9: 109943-109959.
Chen, J., Y. Chen, X. Du, C. Li, J. Lu, S. Zhao, and X. Zhou. 2013. Big data challenge: a data management perspective. Frontiers of computer Science 7 (2): 157-164.
Chen, Lei. 2020. Research on Social Security Governance in Big Data Environment. In Journal of Physics: Conference Series, 1437 (1): 012108.
Chen, Yu-Che, and Tsui-Chuan Hsieh. 2014. Big data for digital government: Opportunities, challenges, and strategies. International journal of public administration in the digital age 1 (1): 1-14.
Durose, C., B. Perry, L. Richardson, and R. Dean. 2021. Leadership and the hidden politics of co-produced research: a Q-methodology study. International Journal of Social Research Methodology 24 (5): 1-21.
Es, Hüseyin, and Ayse Yenilmez Türkoglu. 2021. Using Q Methodology to Explore Science Teachers' Sociocentric Decision-Making. International Journal of Research in Education and Science 7 (3): 659-680.
Ghavami, Peter. 2016. Big Data Governance: Modern Data Management Principles for Hadoop, NoSQL & Big Data Analytics. Washington, DC: CreateSpace Independent Publishing Platform.
Ghavami, Peter. 2020. Big Data Management: Data Governance Principles for Big Data Analytics. Berlin, Germany: Walter de Gruyter GmbH & Co KG.
Grover, V., R. H. Chiang, T. P. Liang, and D. Zhang. 2018. Creating strategic business value from big data analytics: A research framework. Journal of Management Information Systems 35 (2): 388-423.
Janssen, M., H. van der Voort, and A. Wahyudi. 2017. Factors influencing big data decision-making quality. Journal of business research 70: 338-345.
Khatri, Vijay, and Carol V. Brown. 2010. Designing data governance. Communications of the ACM 53 (1): 148–152.
Kim, E. S., Y. Choi, and J. Byun. 2020. Big Data Analytics in Government: Improving Decision Making for R&D Investment in Korean SMEs. Sustainability 12 (1): 202.
Kooper, M. N., R. Maes, and E. R. Lindgreen. 2011. On the governance of information: Introducing a new concept of governance to support the management of information. International journal of information management 31 (3): 195-200.
Liebowitz, Jay. 2020. Data Analytics and AI.?: CRC Press.
Löfgren, Karl, and C. William R. Webster. 2020. The value of Big Data in government: The case of smart cities. Big Data & Society 7 (1): 1-14.
Maniam, Jacentha N.,  &Dalbir Singh. 2020. Towards data privacy and security framework in big data governance. International Journal of Software Engineering and Computer Systems 6 (1): 41-51.
Marelli, Luca, Giuseppe Testa, and Ine van Hoyweghen. 2021. Big Tech platforms in health research: Re-purposing big data governance in light of the General Data Protection Regulation’s research exemption. Big Data & Society 8 (1): 1-14.
McMahon, A., A. Buyx, and B. Prainsack. 2020. Big data governance needs more collective responsibility: the role of harm mitigation in the governance of data use in medicine and beyond. Medical Law Review 28 (1): 155-182.
Mikalef, Patrick, and John Krogstie. 2018. Big Data Governance and Dynamic Capabilities: The Moderating effect of Environmental Uncertainty. In PACIS: 206. In Twenty-Second Pacific Asia Conference on Information Systems, Japan.
Morabito, Vincenzo. 2015. Big data and analytics. Strategic and organisational impacts. Cham: Springer.
Quinto, Butch. 2018. Big data governance and management. In Next-Generation Big Data: 495-506 Berkeley, CA.: Apress.
Raguseo, Elisabetta. 2018. Big data technologies: An empirical investigation on their adoption, benefits and risks for companies. International Journal of Information Management 38 (1): 187-195.
Rieber, Lloyd P. 2020. Q methodology in learning, design, and technology: an introduction. Educational Technology Research and Development 68 (5): 2529-2549.
Scholz, Tobias M. 2017. Big data in organizations and the role of human resource management: A complex systems theory-based conceptualization. Frankfurt a. M.: Peter Lang International Academic Publishers.
Shamim, S., J. Zeng, Z. Khan, and N. U. Zia. 2020. Big data analytics capability and decision-making performance in emerging market firms: The role of contractual and relational governance mechanisms. Technological Forecasting and Social Change 161: 120315.
Shamim, S., J. Zeng, S. M. Shariq, and Z. Khan. 2019. Role of big data management in enhancing big data decision-making capability and quality among Chinese firms: A dynamic capabilities view. Information & Management 56 (6): 103135.
Sivarajah, U., M. M. Kamal, Z. Irani, and V. Weerakkody. 2017. Critical analysis of Big Data challenges and analytical methods. Journal of Business Research 70: 263-286.
Soares, Sunil. 2012. Big data governance. Information Asset.
Staines, Z., C. Moore, G. Marston, and L. Humpage. 2021. Big data and poverty governance under Australia and Aotearoa/New Zealand's “social investment” policies. Australian Journal of Social Issues 56 (2): 157-172.
van den Broek, Tijs, and Anne Fleur van Veenstra. 2018. Governance of big data collaborations: How to balance regulatory compliance and disruptive innovation. Technological Forecasting and Social Change 129: 330-338.
Wang, Y., L. Kung, and T. A. Byrd. 2018. Big data analytics: Understanding its capabilities and potential benefits for healthcare organizations. Technological Forecasting and Social Change 126: 3-13.
Wang, Y., L. Kung, S. Gupta, and S. Ozdemir. 2019. Leveraging big data analytics to improve quality of care in healthcare organizations: A configurational perspective. British Journal of Management 30 (2): 362-388.
Watts, Simon, and Paul Stenner. (2005). Doing Q methodology: theory, method and interpretation. Qualitative research in psychology 2 (1): 67-91.
Wetering, R., P. Mikalef, and A. Pateli. 2017. A strategic alignment model for IT flexibility and dynamic capabilities: toward an assessment tool: 1468. Twenty-Fifth European Conference on Information Systems (ECIS), Guimarães, Portugal.
Yang, L., J. Li, N. Elisa, T. Prickett, and F. Chao. 2019. Towards big data governance in cybersecurity. Data-Enabled Discovery and Applications 3 (1): 1-12.
Ye, H., X. Cheng, M. Yuan, L. Xu, J. Gao, and C. Cheng. 2016. A survey of security and privacy in big data. In 2016 16th international symposium on communications and information technologies: 268-272. IEEE. Qingdao, China.
Zabala, A., C. Sandbrook, and N. Mukherjee. 2018. When and how to use Q methodology to understand perspectives in conservation research. Conservation Biology 32 (5): 1185-1194.
Zhang, X., X. Ming, and D. Yin. 2020. Application of industrial big data for smart manufacturing in product service system based on system engineering using fuzzy DEMATEL. Journal of Cleaner Production 265: 121863.
Zotoo, I. K., Z. Lu, and G. Liu. 2021. Big data management capabilities and librarians' innovative performance: The role of value perception using the theory of knowledge-based dynamic capability. The Journal of Academic Librarianship 47 (2): 102272.