۱≥ & ≥۸/۰

۹۳/۰

تائید

با توجه به شاخص های برازش مدل می توان ارزیابی مناسبی از مدل های علی تحقیق داشت. حال می توان به بررسی فرضیه های تحقیق بر اساس روابط بین متغیرها در مدل ارائه شده پرداخت.
۴-۵) آزمون فرضیه‏ های تحقیق
در این بخش به آزمون فرضیه های تحقیق پرداخته می شود. لازم به ذکر است که برای فرضیه های اصلی از مدل در حالت کلی و برای فرضیه های فرعی از مدل در حالت تفکیکی استفاده خواهد شد.

۱٫یکپارچه سازی زنجیره تأمین بر عملکرد تجاری شرکت هاتأثیر دارد.
با توجه به مدل تفکیکی تحقیق در حالت اعداد معنی داری، میزان آماره ی t بین دو متغیربرابر با ۴۵/۶ می باشد و از آن جا که در خارج از بازه ی ]۹۶/۱&96/1- [قرار دارد این فرضیه تایید می شود. با توجه به ضریب استاندارد هم می توان گفت که میزان تاثیر یکپارچه سازی زنجیره تأمین بر عملکرد تجاری شرکت هابرابر با ۴۱/۰ می باشد .
۲٫یکپارچه سازی زنجیره تأمین بر رقابت پذیری شرکت هاتأثیر دارد.
با توجه به مدل تفکیکی تحقیق در حالت اعداد معنی داری، میزان آماره ی t بین دو متغیربرابر با ۷۳/۹ می باشد و از آن جا که در خارج از بازه ی ]۹۶/۱&96/1- [قرار دارد این فرضیه تایید می شود. با توجه به ضریب استاندارد هم می توان گفت که میزان تاثیر یکپارچه سازی زنجیره تأمین بر رقابت پذیری شرکت هابرابر با ۷۸/۰ می باشد .
۳٫رقابت پذیری شرکت ها بر عملکرد تجاری شرکت هاتأثیر دارد.
با توجه به مدل تفکیکی تحقیق در حالت اعداد معنی داری، میزان آماره ی t بین دو متغیربرابر با ۴۵/۸ می باشد و از آن جا که در خارج از بازه ی ]۹۶/۱&96/1- [قرار دارد این فرضیه تایید می شود. با توجه به ضریب استاندارد هم می توان گفت که میزان تاثیر رقابت پذیری شرکت ها بر عملکرد تجاری شرکت هابرابر با ۵۹/۰ می باشد .
۴٫یکپارچه سازی زنجیره تأمین از طریق افزایش رقابت پذیری شرکت ها بر عملکرد تجاری آن هاتأثیر دارد.
با توجه به مدل کلی تحقیق در حالت اعداد معنی داری، مشاهده می شود که مسیر یکپارچه سازی زنجیره تأمین و رقابت پذیری شرکت ها وهمچنین مسیر رقابت پذیری شرکت ها و عملکرد تجاری معنی دار است (آماره تی بالاتر از۹۶/۱) لذا یکپارچه سازی زنجیره تأمین از طریق افزایش رقابت پذیری شرکت ها بر عملکرد تجاری تأثیر دارد ومیزان این تاثیر برابر است با حاصلضرب میزان تاثیر دو مسیر مذکور:
۴۶/۰=۵۹/۰*۷۸/۰
فصل پنجم
نتیجه گیری و پیشنهادات
۵-۱) مقدمه
در این فصل از تحقیق،حاصل کار یعنی آنچه را در فصل چهارم به دست آمده با یافته ها و مطالعات و تحقیقات پیشین که در فصل دوم به آن اشاره شده است ،ترکیب شده و مورد بحث قرار می گیرد .در ابتدا نتایج حاصل از تحقیق ذکر می شود و به دنبال آن به ذکر پیشنهادات کاربردی و همچنین پیشنهاداتی برای تحقیقات آتی پرداخته می شود .
۵-۲) نتیجه گیری
نتایج حاصل از این تحقیق عبارتند از:
۵-۲-۱) نتایج آمار توصیفی
بر اساس توصیف و تجزیه و تحلیل داده های جمع آوری شده می توان گفت:
متغیر یکپارچه سازی زنجیره تأمین در شرکت های مورد بررسی دارای میانگین ۸۵/۲ و انحراف معیار ۹۳۹/۰ می باشد که نشان می دهد میزان یکپارچه سازی زنجیره تأمین از نظر پاسخ دهندگان کمتر از میانگین مورد انتظاراست. معیارهای مربوط به اندازه گیری متغیر یکپارچه سازی زنجیره تأمین به تفکیک ابعاد در جدول زیر نشان داده شده است.
متغیریکپارچه سازی زنجیره تأمین
جدول۵-۱) توصیف متغیر یکپارچه سازی زنجیره تأمین

معیارها

میانگین

بین بخش های مختلف شرکت یکپارچگی عمیقی وجود دارد.

۰۲/۳

شرکت ما با عرضه کنندگان مواد اولیه ارتباط بسیار نزدیکی دارد.

۹۱/۲

با فروشندگان محصولات وخدمات ارتباط نزدیکی وجود دارد.

۸۳/۲

شاخص

اختلاف میانگین

عدد معناداری

آماره t

وضعیت فرضیه

هدفمندی فرایندهای سازمانی شهرداری برای تحقق مدیریت بصری

۳۴۰۰/۰-

۰۲۳/۰

۳۵۱/۲-

هدفمندی فرایندهای سازمانی شهرداری برای تحقق مدیریت بصری وجود ندارد.

۹-کارآمدی روابط میان سازمانی برای تحقق کیفیت بصری (شاخص نهم):
نتایج آزمون میانگین اهمیت برای «کارآمدی روابط میان سازمانی برای تحقق کیفیت بصری» در جدول ۴-۲۶ نشان داده شده است. بر اساس نتایج، از آنجا که عدد معناداری برای این شاخص کمتر از ۱ درصد (عدد معناداری = ۰۰۰/۰) است، فرضیه H0 در سطح اطمینان ۹/۹۹% رد می شود. رد فرضیه H0 به این معنی است که درصد وجود شاخص «کارآمدی روابط میان سازمانی برای تحقق کیفیت بصری» به عنوان یک ظرفیت سازمانی در حد متوسط نیست. با توجه به اینکه مقدار t محاسبه شده برای این شاخص کوچکتر از ۹۶/۱- است، بنابراین درصد وجود این شاخص به عنوان یک ظرفیت سازمانی کمتر از ۳ است و این بدان معنی است که ظرفیت سازمانی برای «کارآمدی روابط میان سازمانی برای تحقق کیفیت بصری» وجود ندارد. (رد شاخص نهم).
جدول ۴-۲۶: نتایج آزمون One-Sample Test جهت بررسی وضعیت کارآمدی روابط میان سازمانی برای تحقق کیفیت بصری (شاخص نهم)

شاخص

اختلاف میانگین

عدد معناداری

آماره t

وضعیت فرضیه

کارآمدی روابط میان سازمانی برای تحقق کیفیت بصری

۶۶۶۶/۰-

۰۰۰/۰

۰۴۴/۵-

کارآمدی روابط میان سازمانی برای تحقق کیفیت بصری وجود ندارد.

۱۰- نظام تقسیم کار روشن و سازماندهی معطوف به تحقق کیفیت بصری بین کنشگران (شاخص دهم)
نتایج آزمون میانگین اهمیت برای «نظام تقسیم کار روشن و سازماندهی معطوف به تحقق کیفیت بصری بین کنشگران» در جدول ۴-۲۷ نشان داده شده است. بر اساس نتایج، از آنجا که عدد معناداری برای این شاخص کمتر از ۱ درصد (عدد معناداری = ۰۰۱/۰) است، فرضیه H0 در سطح اطمینان ۹/۹۹% رد می شود. رد فرضیه H0 به این معنی است که درصد وجود شاخص «نظام تقسیم کار روشن و سازماندهی معطوف به تحقق کیفیت بصری بین کنشگران» به عنوان یک ظرفیت سازمانی در حد متوسط نیست. با توجه به اینکه مقدار t محاسبه شده برای این شاخص کوچکتر از ۹۶/۱- است، بنابراین درصد وجود این شاخص به عنوان یک ظرفیت سازمانی کمتر از ۳ است و این بدان معنی است که ظرفیت سازمانی برای «نظام تقسیم کار روشن و سازماندهی معطوف به تحقق کیفیت بصری بین کنشگران» وجود ندارد. (رد شاخص دهم).

توابع اکتشافی:
توابع اکتشافی عبارتند از معیارها، روشها یا اصولی برای تصمیم‌گیری بین چندین خط‌مشی و انتخاب اثربخش‌ترین برای دستیابی به اهداف موردنظر. توابع اکتشافی نتیجه برقراری اعتدال بین دو نیاز هستند: نیاز به ساخت معیار‌های ساده و در همان زمان توانایی تمایز درست بین انتخاب‌های خوب و بد.

خاصیت توابع اکتشافی خوب این است که ابزار ساده‌ای برای تشخیص خط مشی‌های بهتر ارائه دهند و در حالی که به صورت شرطی لازم، تشخیص خط‌مشی‌های اثربخش را تضمین نمی‌کنند اما اغلب به صورت شرط کافی این تضمین را فراهم ‌آورند. بیشتر مسائل پیچیده نیازمند ارزیابی تعداد انبوهی از حالت‌های ممکن برای تعیین یک جواب دقیق می‌باشند. زمان لازم برای یافتن یک جواب دقیق اغلب بیشتر از یک طول عمر است. توابع اکتشافی با بهره گرفتن از روش‌هایی که نیازمند ارزیابی‌های کمتر هستند و جوابهایی در محدودیت‌های زمانی قابل قبول ارائه می‌نمایند، دارای نقشی اثربخش در حل چنین مسائلی خواهند بود.
الگوریتمهای جستجو اغلب برای افزایش کارایی به دانش مرتبط با جهان مسأله نیاز دارند، اما مسائل CSP می­توانند بدون دانش وابسته به جهان مسأله به صورت کارایی حل شوند. روش های عمومی قادرند با پاسخ به سوالات زیر توابع اکتشافی عمومی مناسبی را جهت افزایش کارایی الگوریتمهای حل مسائل CSP پیشنهاد دهند:
متغیر بعدی که قرار است مقدار بگیرد کدام است؟
مقدار گیری بر اساس چه ترتیبی انجام شود؟
مقداردهی متغیر جاری چه پیامدهایی برای سایر متغیرهای انتساب نیافته دارد؟
چگونه می­توان از تکرار مسیرهای منجر به شکست جلوگیری کرد؟
بر این اساس توابع اکتشافی مختلفی تعریف و طراحی شده اند که ما در روشمان از تابع اکتشافی کمترین برخورد استفاده کرده­ایم. این تابع اکتشافی که با نام تابع اکتشافی “مقدار با کمترین محدودیت”^[۱۳۰] نیز شناخته می­ شود تعریف آن به صورت زیر است:
پس از انتخاب متغیر، مقدار خاصی برای انتساب باید انتخاب شود. تابع اکتشافی مقدار با حداقل محدودیت، مقداری را برای یک متغیر انتخاب می­ کند که در گراف محدودیت باعث ایجاد کمترین محدودیت در متغیرهای مجاور گردد.

تقسیم بندی الگوریتم های مطرح شده برای مسائل DCSP
همانطور که پیشتر گفته شد، تمام مسائلی که در آنها هدف یافتن مقادیر مناسب برای انتساب به متغیرهای توزیع شده است را می­توان جزء مسائل ارضاء محدودیت توزیع شده به حساب آورد. مثلا در بسیاری از مسائل تخصیص منابع: در شبکه های حس گر بی سیم، کنترل علائم راهنمایی شهری، شبکه های حس گر توزیع شده، مسائل نجات یافتن از فاجعه و بسیاری از مسائل مربوط به زمان بندی مثلا برای قطارها و دانشگاه ها. هدف معمول در حل همه این مسائل یافتن مقادیر مناسب برای تخصیص دادن به متغیر های توزیع شده است. به عبارت دیگر هر مسأله ای که هدف آن یافتن مقدار مناسبی برای تخصیص به متغیرهای توزیع شده است می ­تواند به عنوان DCSP طرح ریزی شود. با توجه به وسعت این دسته از مسائل، الگوریتمهای متنوعی برای حل آنها از سال ۱۹۹۱ تاکنون ارائه شده است. برخی از این الگوریتمها مانند الگوریتم عقب گرد نامتقارن ABT [14] ، و الگوریتم AWC [15] ، کاملا توزیع شده هستند در حالیکه برخی دیگر از ترکیب روش های توزیع شده و متمرکز استفاده می­ کنند. یکی از موفق ترین الگوریتمهای مطرح در دسته دوم الگوریتم APO است [۱۶]که توسط میلر و لزر ارائه شده است. با یک دید گسترده تر ما دسته بندی زیر را برای الگوریتمهای مسائل ارضاء محدودیت توزیع شده ارائه دادیم:
شکل ۴-۱ یک طبقه بندی از الگوریتمهای مطرح در حل مسائل DCSP
به طور کلی الگوریتم هایی که برای حل DCSP وجود دارند می ­تواند به دو گروه تقسیم شوند: کامل ^[۱۳۱]و ناقص^[۱۳۲]. الگوریتم های کامل، الگوریتم هایی هستند که یافتن راه حل را، البته اگر وجود داشته باشد، تضمین می­ کنند و یا وقتی که مسأله راه حلی ندارد از کار متوقف می­شوند. الگوریتم های کامل خود به دو گروه تقسیم می­شوند: روش های کاملا توزیع شده و دوم ترکیب روش های توزیع شده و متمرکز. الگوریتم های کاملا توزیع شده، الگوریتم هایی هستند که یک گره مرکزی ندارند. و هر گره نیز اطلاعات محدودی درباره محدودیتهایش دارد. در این گروه، عامل ها با هم هماهنگ می­شوند تا مسأله را با بهره گرفتن از دانش محدودی که درباره­اش دارند حل کنند. یوکو^[۱۳۳] و سایرین همکاری های مهمی در الگوریتم های کاملا توزیع شده داشته اند. آنها الگوریتم عقبگرد نامتقارن را ایجاد کردند که کامل بودن^[۱۳۴] را تضمین می­ کند[۳۶-۳۲]. بعدها این الگوریتم را به الگوریتم کارامد­تری با نام الزام ضعیف نامتقارن، با معرفی ترتیب پویا در میان عاملها، گسترش دادند.
گروه دیگر الگوریتم های کامل، الگوریتم هایی هستند که در واقع از ترکیب روش های توزیع شده و متمرکز استفاده می­ کنند. در این دسته الگوریتمها برخی عامل ها در تلاشند تا اطلاعاتی را از عامل های دیگر جمع آوری کنند تا مسأله را از بنیاد حل کنند و سپس اجازه دهند عامل های شرکت کننده مقادیری را که برای متغیرهایشان انتخاب شده است را بدانند. APO مثال خوبی برای این گروه از الگوریتم ها است. استفاده از درجه ای از متمرکز سازی به الگوریتم ها اجازه می­دهد با پیامهای کمتری نسبت به الگوریتم های کاملا نامتمرکز مسأله را حل کنند. از سوی دیگر این متمرکز سازی آسنکرونی حل مسأله را کاهش می­دهد. به عبارت دیگر همانطور که برخی از عامل ها اطلاعاتشان را به یال مرکزی می­فرستند تا پردازش شود، بار محاسباتی به طور نامتقارنی بین عامل ها تقسیم می­ شود که منجر به کاهش دادن همزمانی پروسه حل مسأله می­ شود[۳۱].
در چارت بالا یک طبقه بندی کلی از الگوریتم های اصلی در این زمینه را نشان داده­ایم که در واقع می­توان گفت این چارت تقسیم بندی خوبی از الگوریتم هایDCSP بر اساس دو ویژگی مهم این الگوریتم ها یعنی کامل بودن^[۱۳۵] و متمرکزسازی^[۱۳۶] انجام می­دهد.

توصیف روش جدید ارائه شده و جزئیات پیاده سازی آن
در این بخش ما یک روش جدید به نام DACA^[137] ارائه خواهیم داد برای حل آن دسته از مسائلی که محدودیتهای Alldiff دارند. در این فیلد مسأله اصلی در واقع روش استفاده شده برای ارضاء محدودیتهاست. محدودیتها می ­تواند به صورت مستقیم، غیر مستقیم و یا با بهره گرفتن از روش های ترکیبی دستکاری و اداره شوند. روش پیشنهادی ما این محدودیتها را در یک سیستم که ترکیبی از سیستمهای توزیع شده و متمرکز است اداره و کنترل می­ کند. برای تشکیل این ساختار ترکیبی ابتدا سیستم چند-عامله^[۱۳۸] ای تعریف می­کنیم که در آن هر عامل یکی از متغیر های مسأله را مالک می­ شود. کار با انتخاب یک مقدار تصادفی توسط هر عامل برای متغیر مالکش شروع می­ شود. از آنجایی که این الگوریتم برای آن دسته از مسائلی طراحی شده که قطعا یکی از محدودیتهای تعریف شده اش محدودیت Alldiff است، پس از همان ابتدا عاملها با انتخاب مقادیر غیر تکراری برای متغیر مالکشان ارضاء^[۱۳۹] این محدودیت را تضمین می­ کنند. در ادامه کار نیز اگر نیاز به تغییر مقدار باشد عاملها با تعویض مقادیرشان با یکدیگر، به جای انتخاب یک مقدار جدید از دامنه، از نقض شدن این محدودیت جلوگیری می­ کنند. در مرحله بعد اجتماعات^[۱۴۰] مختلفی از عاملهایی که مقدار متغیرشان با یکدیگر در تناقض هستند تشکیل می­ شود. رهبر^[۱۴۱] هر اجتماع عاملی است که مقدارش با همه اعضای آن اجتماع در تناقض است. علاوه بر تشکیل این اجتماعات، تمامی عاملها در این مرحله در دو دسته عاملهای آزاد^[۱۴۲] و عاملهای درگیر^[۱۴۳] طبقه بندی می­شوند. عاملهای آزاد آن دسته از عاملهایی هستند که مقدار فعلی­ متغیرشان با هیچ یک از مقادیرانتخابی عاملهای دیگر در تناقض نیست. مابقی عاملها با عنوان عاملهای درگیر شناخته می­شوند. تقسیم ­بندی عاملها در دو گروه عاملهای آزاد و عاملهای درگیر و همچنین تشکیل ساختارهای اجتماع با دخیل کردن درجه ای از متمرکز سازی موجب کاهش تعداد پیامهای ارسال و دریافتی می­ شود. در ابتدا کار به عهده عاملهای درگیر گذاشته می­ شود. امتیاز هر عامل برابر است با منفی تعداد محدودیتهای نقض شده توسط مقدار متغیر آن عامل. هر عامل رهبر با بهبود امتیاز خود و اعضای اجتماعش به یافتن یک راه حل برای مسأله کمک می­ کند. به دلیل تشکیل همین ساختارهای اجتماع، یک تعویض مناسب توسط یک عامل رهبر نه تنها موجب افزایش امتیاز خودش می­ شود بلکه تأثیر بسزایی در امتیازات دیگر عاملها خواهد­داشت و این خود منجر به یک جهش بزرگ به سمت راه حل مسأله و نهایتا حل سریعتر مسأله خواهد شد. تمامی این ویژگیهای بیان شده تا کنون موجب شده تا الگوریتم پیشنهادی ما یک زمان اجرای منطقی برای حل مسائل با مقیاس بزرگ را ارائه دهد. زمانی که امتیاز تمامی عاملها به صفر برسد یک راه حل یافته شده است.
به منظور ارزیابی کارآیی DACA از محک n-وزیر استفاده کردیم. نتایج آزمایشات نشان می­دهد که الگوریتم ما همیشه با یک راه حل قانونی و در یک مدت زمان اجرای منطقی برای مسائل با مقیاس بزرگ خاتمه می­یابد. همچنین نتایج به دست آمده حاکی از آن است که الگوریتم ما تقریبا یک پیچیدگی زمانی خطی را با افزایش مقایس مسأله ارائه می­دهد. در پایان مقایسه روش ما با سه الگوریتم ABT ، Asynchronous Backtracking with Min-Conflict Heuristic Algorithm و همچنین یک روش پیشنهادی دیگر به نام ERA^[144] نشان می­دهد که روش ما بسیار بهتر از این سه روش عمل می­ کند. در ادامه مراحل مختلف الگوریتم را با جزئیات بیشتری شرح می­دهیم.
مرحله ۱: یک سیستم چند عامله تعریف می­ شود که در آن هر عامل یکی از متغیرهای مسأله را مالک می­ شود. عاملها کارشان را با انتساب یک مقدار تصادفی از دامنه به متغیرشان شروع می­ کنند. مقدار انتخابی توسط هر عامل در بین همسایگانش منحصر به فرد است، یعنی با مقادیر انتخابی توسط دیگر عاملهای همسایه اش متفاوت است.
مرحله ۲: همه عاملها به طور همزمان امتیازشان را بر اساس فرمول (۱) محاسبه می­ کنند، اگر C مجموعه ای از محدودیتها به صورت {C₁, . . . , C_m} باشد، عامل α یک عنصر در فضای جستجو است که امتیازش به صورت تابع امتیاز زیر محاسبه می­ شود:
∀ α ∈ S, Score (α) = -∑ β (α, C_i)

۱ α violates C_i  (۱)
Where β (α, C_i) =
۰ otherwise
که در واقع β در این فرمول یک شمارنده است که به ازای هر محدودیت نقض شده توسط مقدار اتخاذی آن عامل یکی به آن اضافه می­ شود. و در نهایت امتیاز هر عامل برابر می­ شود با منفی تعداد محدودیتهای نقض شده.
مرحله ۳: در این مرحله عاملها بر اساس امتیاز فعلی­اشان در دو گروه عاملهای آزاد و عاملهای درگیرکلاسیفای می­شوند. عاملهایی با امتیاز فعلی صفر، در گروه عاملهای آزاد و مابقی عاملها به عنوان عاملهای درگیر شناخته می­شوند.
مرحله ۴: همزمان با محاسبه امتیاز هر عامل درگیر لیستی از عاملهایی را که مقدار متغیرشان با مقدار متغیر خودش ناسازگار است را ذخیره می­ کند. سپس هر عامل اجتماعی از این عاملها به نام CSCommunity^[145] با رهبری خودش تشکیل می­دهد.
Algorithm 1: CSCommunity Organizing
Input: Assign Values to agents and Number of Variables;
Output: All of communities, leaders, free agents and score of all agents

1. 1. for i=1 to Number Of Variables do

۱٫۱٫ for j= i to Number Of Variables do
۱٫۱٫۱ if assigned value to variable
i violated assigned value of variable j
۱٫۱٫۱٫۱٫ Decrease scores of agents i and j
۱٫۱٫۱٫۲٫ Append i and j to Constraint graph
۱٫۱٫۱٫۳٫ Append j to CSComunity of leader i
۱٫۲٫ if assigned value to variable i not violate any

۰/۲۱

خطا

۱۸۸/۴۸

۵۶

۳/۳۷

کل

۲۴۴/۶۴

۵۸

همانگونه که در جدول فوق مشاهده می‌گردد، بین گروه آزمایش و کنترل از نظر نمرات بعد لذت از آزمایش علوم،‌ تفاوت معنی‌داری وجود دارد. بررسی میانگین‌ها (جدول ۴-۲) نشان می‌دهد که گروه آزمایش در بعد لذت از آزمایش درس علوم، نمرات بالاتری نسبت به گروه کنترل کسب کرده‌اند. همچنین بررسی مجذور اتای تفکیکی (اندازه‌ی اثر) حاکی از آن است که روش تدریس مبتنی بر هوش‌های چندگانه، ۲۱ درصد از واریانس نمرات لذت از آزمایش درس علوم را تبیین می‌کند که حاکی از تأثیرگذاری قابل قبول روش تدریس ذکر شده بر نمرات این بعد است.
نمودار ۴-۱۲، مسیر تغییرات نمرات لذت از آزمایش درس علوم را از پیش‌آزمون تا پس‌آزمون نشان می‌دهد.

نمودار ۴-۱۲
همانگونه که در نمودار فوق ملاحظه می‌گردد، نمرات گروه آزمایش، از پیش‌آزمون تا پس‌آزمون افزایش محسوسی داشته است؛ اما نمرات گروه کنترل، تغییر محسوسی نکرده است.
در مجموع یافته‌های تحقیق، حاکی از آن بود که گروه آزمایش که با بهره گرفتن از روش تدریس مبتنی بر هوش‌های چندگانه آموزش دیده‌ بودند، در مقایسه با گروه کنترل که با روش‌های متداول تدریس آموزش دیده بودند، از نظر نگرش نسبت به درس علوم و کلیه‌ی ابعاد آن، میانگین بالاتری نسبت به گروه کنترل کسب کردند. بنابراین فرضیه‌ی دوم تحقیق تأیید می‌شود.

فصل پنجم
بحث و نتیجه گیری
در این فصل یافته های پژوهش به تفکیک فرضیات مورد بررسی قرار گرفته و نتایج بدست آمده مورد بحث قرار می گیرد. درپایان پیشنهادها ومحدودیت های تحقیق بر اساس نتایج ارائه می شوند.
۵-۱- خلاصه یافته های پژوهش
هدف این تحقیق«مقایسه تأثیرآموزش مبتنی برهوش‌های چندگانه و روش متداول بر یادگیری درس علوم دانش‌آموزان دختر ۸-۷ ساله مدارس ابتدایی شیراز در سال تحصیلی ۹۳- ۹۲» بود. برای بررسی آن فرضیات پژوهش مطرح وجهت آزمون استنباطی فرضیه ها از تحلیل کوواریانس استفاده می شود. خلاصه نتایج در زیر ارائه می گردد.
در فرضیه اول پژوهش رابطه بین آموزش مبتنی بر هوش‌های چندگانه درمقایسه باروش‌های تدریس متداول، بر یادگیری دانش‌آموزان مورد پژوهش قرارگرفت؛ نتایج نشان دادکه بین آموزش باروش هوش‌های چندگانه و یادگیری کلی دانش‌آموز را بطه مثبت و معناداری وجود دارد و سطح معناداری آن ۰۰۰۱/۰می باشد. همچنین نتایج نشان دادکه گروه آزمایش در ابعاد دانش، کاربرد، ترکیب و ارزشیابی، میانگین بالاتری نسبت به گروه کنترل کسب کردند؛ ولی از نظر ابعاد فهم و تجزیه و تحلیل، بین دو گروه تفاوت معنی‌داری وجود نداشت. بنابراین نتایج به دست آمده با نتایج پژوهش های (کوکسال،۲۰۰۷؛ گینزولمان ۲۰۰۲؛ اویلا، پاهاسکی وپرز۱۹۹۹؛ آلبرو، بران، الیاسون و ویند۱۹۹۷؛ همسویی دارد. ولی با تحقیقات باسکار وراون(۲۰۰۷؛به نقل از رضایی،۱۳۸۸) و بررسی های فورجن۲۰۰۰)که افزایش بهبود وارد می کنند مغایر است (به نقل از کلی وتنگنی،۲۰۰۶).
در فرضیه دوم پژوهش رابطه بین آموزش با روش هوش‌های چندگانه در مقایسه با روش‌های تدریس متداول، برنگرش دانش‌آموزان مورد پژوهش قرارگرفت؛ نتایج نشان داد که بین آموزش با روش هوش‌های چندگانه و نگرش دانش‌آموز نسبت به درس علوم و کلیه ابعاد آن رابطه مثبت و معناداری وجوددارد و سطح معناداری آن ۰۰۰۱/۰می باشد. نتایج به دست آمده با نتایج پژوهش های (اسماگورنسگی، ۱۹۹۷ ؛کمپبل،۱۹۹۷، ۱۹۹۹ ؛ دیکنسون،۱۹۹۲؛ امیگ، ۱۹۹۵؛ بل فالور، ۲۰۰۸؛کاکسال و یل، ۲۰۰۷؛ کسکانونالی، ۱۹۹۸؛ برمن ،۲۰۰۱؛کادیا و ابنزر،۲۰۰۳؛ ماسن،۲۰۰۷) همخوانی و همسویی دارد. و با نتایج پژوهش (کوکسال،۲۰۰۷)مغایرت دارد.
۵-۲- نتیجه گیری
با توجه به نتایج حاصل از داده های پژوهش که نشان داد راهبرد تدریس مبتنی بر هوش چندگانه در مقایسه با روش تدریس متداول، به طورکلی، بر یادگیری دانش‌آموزان در درس علوم تأثیرگذاربوده است می توان نتیجه گرفت که آموزش مبتنی بر هوش چندگانه، در مقایسه باکلاس درس سنتی چون دانش‌آموزان مشارکت بیشتری از خود نشان می دهند، بهره گیری دانش‌آموزان از استعدادها و خلاقیت های فردی هموارتر و یادگیری درسطح عمیق ترصورت می گیرد. همچنین معلمان می توانند از روشهایی برای آموزش درکلاس درس استفاده کنند که دانش‌آموزان را به پرورش و رشد هوش‌های ضعیف ترشان با بهره گرفتن از توانایی هایشان، ترغیب نماید؛ بنابراین یادگیری بهبود و افزایش می یابد. نتایج بدست آمده بانتایج پژوهش های اوالبی واوبوکاال^[۳۶] (۲۰۰۹)، بل فالور ^[۳۷](۲۰۰۸)؛ داگالس، بورتن و دورهام^[۳۸] (۲۰۰۸)؛ کوپر^[۳۹] (۲۰۰۸)؛ جانسون^[۴۰] (۲۰۰۷)؛ تیمور^[۴۱] (۲۰۰۷)؛ ماسن (۲۰۰۷)؛ کاکسال ویل (۲۰۰۷)؛ اوزدمیر،گانیسو و تاکایا^[۴۲] (۲۰۰۶)؛ یوکاک، بگ و یوسکا ^[۴۳](۲۰۰۶)؛ اوزدنر و ازکابن^[۴۴] (۲۰۰۴)؛ کورنها بر و همکاران (۲۰۰۴) ، اوزدمیر ، کورکمز و کپتان (۲۰۰۲)؛ دابز^[۴۵] (۲۰۰۱) ؛ برمن^[۴۶] (۲۰۰۱) ؛
کمپبل (۱۹۹۹)؛ کسکانونالی (۱۹۹۸)؛ فنا خسرو(۱۳۸۵)؛ حاجی حسین نژاد و بالغی زاده (۱۳۸۳) وعبدی (۱۳۸۹)مشابه و هماهنگ می باشد.
همچنین نتایج پژوهش باتوجه به پیش آزمون نشان داد، درسطوح پایین حیطه های شناختی مخصوصاً (دانش و فهم) نمرات دانش‌آموزان کاهش محسوسی داشته است. در تبیین این تفاوت می توان گفت در روش سنتی آموزش بیشتر برحافظه و سطوح پایین شناختی صورت می گیرد ولی در آموزش مبتنی بر هوش‌های چندگانه چون دانش‌آموز به طور فعال تری درگیر مفاهیم آموزشی می شوند لذا در سطوح بالاتر حیطه شناختی یادگیری بهتر عمل می کنند. نتایج بدست آمده با نتایج پژوهش فرج اللهی و حقیقی(۱۳۸۴)همسو بود .
نتایج حاصل ازداده های تحقیق همچنین نشان داد که راهبرد تدریس مبتنی بر هوش چندگانه در مقایسه با روش تدریس متداول، نگرش دانش‌آموزان به درس علوم را به طور معناداری بهبود می بخشد؛ بنابراین می توان نتیجه گرفت در روش تدریس سنتی هدف انتقال دانش به یادگیرندگان باروش سخنرانی اغلب بر مبنای هوش زبانی-کلامی و منطقی-ریاضی انجام می شود؛ بنابراین دانش‌آموزانی که در این هوش ها قوی نیستند نگرش بدی به یادگیری دارند؛ همچنین آموزش با روش هوش‌های چندگانه چون بر اساس تفاوت های فردی فراگیران ارائه می شود؛ دانش‌آموز ازیادگیری لذت می‌برد. نتایج بدست آمده با نتایج پژوهش های ماسن(۲۰۰۷)، کاکسال ویل (۲۰۰۷)کیا و ابنزر (۲۰۰۳)، برمن(۲۰۰۱)، کسکانونالی ( ۱۹۹۸)، گودناو^[۴۷] (۲۰۰۱) همسو می باشد.
همین طور در تبیین نتیجه ی فرضیه می توان اظهار داشت، دانش‌آموزان گروه آزمایش نمرات بهتری در پس آزمون علوم نسبت به گروه کنترل به دست آوردند و این افزایش نمره به خاطر این است که آنها آموزش مبتنی بر هوش غالب خود را دریافت کرده اند. به می توان نتیجه گیری کرد هر دانش‌آموز زمانی که آموزش مطابق با نوع هوش او باشد، می تواند یاد بگیرد.
لازم به ذکراست طبقه بندی دانش‌آموزان در حیطه های هوشی متفاوت به این معنا نیست که باید آن ها را در سطوح تعیین شده خاص حیطه های هوشی شان نگه داشت. هر شخص می تواند سطوح هوشی خود را بهبود بخشد تازمانی که از آموزش کافی برخوردار باشد (گاردنر،۱۹۸۳؛به نقل از نیسی و آکتامیش،۲۰۱۰).
با هماهنگ ساختن دروس با نیاز دانش‌آموزان و ترجیحات آن ها، یادگیری بهینه می شود. بر مبنای هوش‌های چندگانه منجر به فعال شدن یادگیرندگان و موفقیت دانش‌آموزان می گردد (نولن،۲۰۰۳).
زمانی که معلمان درس هایشان را با انواع هوش هماهنگ سازند نمرات پس آزمون دانش‌آموزان بهبود خواهد یافت (ویلر،۲۰۰۵) نظریه هوش‌های چندگانه عنوان می کند دانش‌آموزانی که وجود برخی محدودیت ها در مقوله های هوشی خاص، موجب عدم موفقیت آنان شده است می توانند از طریق به کارگیری روش هایی که موجب بروز مقولات هوشی توسعه یافته آنان می شود از این موانع عبور کنند (آرمسترانگ۲۰۰۱،ترجمه صفری،۱۳۸۷).
به طور کلی نتایج این پژوهش نشان می دهد که توجه به تفاوت های فردی و استفاده از آموزش بر اساس هوش‌های چندگانه باعث افزایش و بهبود یادگیری در علوم می شود و این مسئله قابلیت تعمیم به سایر زمینه های یادگیری وسایر فراگیران را هم دارا می باشد (درتاج وعاصمی،۱۳۹۱).
۵-۳-پیشنهادات کاربردی
۱- آموزش نظریه گاردنر در درس فنون تدریس به دانشجویان دوره های تربیت معلم و آشنا کردن آنان با اصول و پایه های نظری هوش چندگانه و چگونگی استفاده از آن در تدریس انجام شود.
۲-   دوره‌های آموزش ضمن خدمت و کارگاه‌های مختلف برای دبیران و مدیران مدارس، به منظور آشنایی با الگوهای تدریس بر اساس نظریه هوش‌های چندگانه برگزار گردد.

n : حجم نمونهZ: مقداراحتمال نرمال استاندارد با سطح اطمینان
سطح اطمینان ۹۵/۰ در نظر گرفته شده است.
: سطح خطا  : دقت مورد نظر در تحقیق
P:نسبت موفقیت که معمولا ۰٫۵ در نظر گرفته می­ شود.
در این پژوهش مقدار  بر اساس پژوهش­های مشابه ۰۵/۰ در نظر گرفته شده است.
با توجه به فرمول فوقدر سطح اطمینان ۹۵ درصد و دقت ۰۵/۰ حداقل حجم نمونه برابر با ۳۸۴٫۱۶ نفر تعیین گردید که ما برای اطمینان بیشتر حجم نمونه را۴۰۰ نفر در نظر گرفتیم.

همچنین باید به این نکته نیز توجه داشت که پرسش­نامه‌های تکمیل شده توسط ۳۰ نفر در نمونه مقدماتی (پیش آزمون) در نهایت جزء نمونه آماری پژوهش حاضر، در نظر گرفته شدند.
روش نمونه گیری
در این پژوهش، به دلیل همگن بودن واحدهای موجود در جامعه آماری و همچنین محدود بودن تعداد مودیان حقوقی از روش تصادفی ساده استفاده شده است. در این روش اعضای جامعه آماری یک شانس معین و برابر برای انتخاب شدن به عنوان آزمودنی دارند.
قلمرو تحقیق
الف) قلمرو موضوعی: این تحقیق از نظرقلمرو موضوعی در حیطه مباحث مدیریت دولتی- مالی می باشد.
ب) قلمرو مکانی: این تحقیق از نظر قلمرو مکانی در اداره کل امور مالیاتی جنوب استان تهران می باشد.
ج) قلمرو زمانی: این تحقیق از نظرقلمرو زمانی در بهمن ماه سال ۱۳۹۲هجری شمسی می باشد.
ابزار سنجش
ابزار سنجش وسایلی هستند که پژوهشگر به کمکآنها قادر است اطلاعات موردنیاز خود را گردآوری، ثبت و کمی نمایند. انواع ابزارهای گردآوری عبارتند از : پرسشنامه، مشاهده و مصاحبه. در این پژوهش از ابزار پرسشنامه برای جمع آوری پاسخ­های مودیان حقوقیاداره امور مالیاتی جنوب استان تهران استفاده شد. پرسش­نامه مجموعه سوالات مکتوبی است، که حول متغیرهای یک مسأله پژوهش تنظیم می­ شود که به شکل حضوری یا غیر­حضوری، مستقیم یا غیر­مستقیم توسط پاسخگو تکمیل می­گردد. در این پژوهش، پرسش­نامه سوالات با بهره گرفتن از مقیاس­های اسمی و ترتیبی اندازه ­گیری شد. مقیاس­های اندازه ­گیری واحدهایی هستند که برای سنجش کیفیت­ها در ابزارهای گردآوری اطلاعات بکار می روند (حافظ نیا،۱۳۸۹).
در این پژوهش از ابزار پرسش­نامه با سوالات بسته برای جمع آوری دیدگاه­ های افراد نمونه استفاده گردیده است.
پرسشنامه شامل ۲ بخش عمده می‌باشد :
۱- نامه همراه: در این قسمت هدف از گردآوری داده‌ها به وسیله­ پرسش­نامه و ضرورت همکاری پاسخ دهنده در عرضه­ی داده‌های مورد نیاز، بیان شده است. برای این منظور بر با ارزش بودن داده‌های حاصل از پرسش­نامه تأکید گردیده تا پاسخ دهنده به طور مناسب پاسخ سوال‌ها را عرضه کند.
۲- سؤالات پرسش­نامه: این بخش از پرسش­نامه شامل ۲ قسمت است:
الف) متغیرهای جمعیت شناختی: در این قسمت سعی شده است که اطلاعات کلی و جمعیت شناختی در رابطه با پاسخ دهندگان جمع‌ آوری گردد. این بخش از پرسشنامه شامل ۷ سؤال می­باشد. اطلاعات مربوط به این بخش از پرسش­نامه در جدول ۳-۱ نشان داده شده است.
جدول ۳-۱): متغیرهای جمعیت شناختی پرسشنامه.