طراحی چارچوب مفهومی انتخاب خدمت ابری مناسب برای سامانه‌های آموزش الکترونیک

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت فناوری اطلاعات، گرایش کسب و کار هوشمند، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و علوم نظامی، دانشگاه امام علی (ع)، تهران، ایران

2 استادیار گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران

چکیده

هدف: آموزش‌های مجازی با توجه به مزایایی مانند انعطاف‌پذیری، تنوع و دسترسی آسان به‌عنوان یک روش مناسب برای یادگیری در دهه‌های اخیر مطرح شده است. بروز بحران‌هایی مانند همه‌گیری جهانی کوید 19، کاربران سامانه‌های آموزش الکترونیکی را به صورت فزاینده‌ای افزایش داده است. از چالش‌های مهم این سامانه‌ها، فراهم‌سازی زیرساخت سخت‌افزاری و نرم‌افزاری متناسب برای پاسخگویی به کاربران رو به فزونی خود و حفظ کارایی است. پیدایش محاسبات ابری شیوه‌ی دست‌یابی به منابع ذخیره‌سازی و پردازش اطلاعات را دگرگون کرده است. وجود ویژگی‌های دسترسی آسان از طریق مکانیسم‌های استاندارد ارتباطی شبکه و افزایش خودکار تخصیص منابع در صورت نیاز موجب شده است تا مدل رایانش ابری به زیرساختی ایده‌آل برای سامانه‌های آموزش الکترونیکی تبدیل شود. اما با توجه به تعدد تأمین‌کنندگان ابری و تنوع خدمات آن‌ها، هم‌چنین مؤلفه‌های مختلف کیفیتی این خدمات مسأله انتخاب زیرساخت به‌عنوان خدمت چالشی جدی برای مدیران این‌گونه سازمان‌ها است. پژوهش‌های متعددی در زمینه انتخاب خدمت ابری صورت پذیرفته اما این پژوهش‌ها بیشتر از منظر تأمین‌کننده خدمات ابری و کمتر از منظر سازمانی که نیاز به انتخاب خدمت دارد صورت گرفته است. اندک مطالعات صورت گرفته از منظر سازمان نیز با پیش‌فرض‌های مختلف و شاخص‌های محدود اجراء گردیده و فقدان رویکرد یکپارچه علی‌الخصوص در حوزه انتخاب خدمات زیر ساخت ابری برای سامانه‌های آموزش الکترونیکی در مطالعات کاملاً مشهود است.
مواد و روش‌ها: تحقیق حاضر تلاش کرده با پیروی از رویکرد آمیخته و استفاده از روش‌های بررسی نظام‌مند ادبیات، دلفی فازی و اولویت‌بندی بهترین بدترین فازی در قالب طرحی اکتشافی، نمایی منسجم و جامع از "عوامل مؤثر برانتخاب خدمت ابری" ارائه نماید. در گام اول با مرور نظام‌مند ادبیات به یافته‌های 105 منبع علمی در حوزه انتخاب خدمت ابری استناد گردید. در ادامه با روش فراترکیب مفاهیم و مقوله‌های چارچوب اولیه از منابع علمی مذکور شناسایی گردیده است. نتیجه گام اول در حکم چارچوب اولیه پژوهش، به‌عنوان ورودی مطالعه دلفی فازی بکارگرفته شده و برمبنای نظرات 15 خبره حوزه پردازش ابری که از سایت ResearchGate با شرایط خاصی انتخاب و در پانل عضوگردیده‌اند، چارچوب اولیه توسعه یافته، پالایش شده و به تأیید رسیده است. در گام نهایی با کمک روش بهترین بدترین فازی وزن هر یک از ابعاد و عناصر چارچوب مشخص و چارچوب مفهومی پژوهش تدوین و تبیین گردیده است.
بحث و نتیجه‌گیری: چارچوب انتخاب خدمت ابری مناسب برای سامانه‌های آموزش الکترونیک شامل 5 مقوله اصلی است که بیشترین اهمیت در انتخاب خدمت ابری را مقوله عملکرد و در مرحله بعد مقوله امنیت به خود اختصاص داده‌اند. چارچوب مذکور مشتمل بر 259عنصر مفهومی که در قالب 5 مقوله یا بعد 27 نوع یا دسته، سازمان‌یافته است. مقوله‌های شناسایی شده عبارت از عملکرد (دسترس‌پذیری، زمان‌پاسخگویی/تأخیر، ظرفیت، قابلیت‌ها، پشتیبانی، آسانی استفاده، مقیاس‌پذیری)، امنیت (قابلیت اطمینان، احراز هویت/ میزان دسترسی، مدیریت حوادث و گزارش‌، ثبت رویداد و نظارت، مدیریت آسیب‌پذیری، حاکمیت)، مدیریت داده (تهیه نسخه پشتیبان و بازیابی، چرخه‌ی حیات داده، قابلیت انتقال داده)، حفاظت از داده‌های شخصی (محدودیت‌های استفاده، نگهداری و افشا، شفافیت و اطلاع‌رسانی، مسئولیت‌پذیری، موقعیت جغرافیای داده‌)، سازمانی ومحیطی (اثر ابر بر محیط زیست، شهرت تأمین‌کننده خدمات، هزینه اجاره، هزینه شبکه/داده، سیاست‌های سازمان، آموزش کارکنان، بازخورد کاربران) و هم‌چنین به ترتیب مقوله عملکرد با وزن 0.348، امنیت با وزن 0.221، سازمانی و محیطی با وزن 0.203، محافظت از داده شخصی با وزن 0.161 و مدیریت داده با وزن 0.067 در انتخاب خدمت ابری مؤثر هستند.

کلیدواژه‌ها


عنوان مقاله [English]

Conceptual Framework for Selecting the Appropriate Cloud Service for E-Learning Systems

نویسندگان [English]

  • Ali asghar Salarnezhad 1
  • Maryam Shoar 2
1 Ph.D Candidate of Information Technology Management, Business Intelligent (BI), Department of Management, Faculty of Management and Military Sciences, Imam Ali University, Tehran, Iran
2 Associate Professor, Department of Information Technology Management, Faculty of Management, Tehran North Branch Islamic Azad University, Tehran, Iran
چکیده [English]

Objective: The emergence of the Quid 19 global epidemic crisis has increasingly increased the users of e-learning systems. One of the important challenges of these systems is to provide the appropriate hardware and software infrastructure to respond to its growing users and maintain efficiency. The advent of cloud computing has revolutionized the way data storage and access resources are accessed. Easy access through standard network communication mechanisms and automatic resource allocation has made cloud computing an ideal infrastructure for e-learning systems. However, due to the multiplicity of cloud suppliers and the diversity of their services, as well as the various quality of these services components, the issue of choosing infrastructure as a service is a serious challenge for educational institutions. The purpose of this study is to design a conceptual framework for selecting the appropriate cloud service for e-learning systems.
Materials and Methods: The present study has tried to follow a mixed approach and use the methods of systematic literature review, fuzzy Delphi and prioritization of the fuzzy best worst in the form of an exploratory plan, a coherent and comprehensive view of "factors influencing cloud service selection for e-learning" Provide. In the first step, using the method of SLR and meta-combination of findings of 105 scientific sources in the field of cloud service selection, the concepts and categories of the initial framework were extracted. The initial research framework has been used as the input of the fuzzy Delphi study and based on the opinions of experts, the initial framework has been developed, refined and approved. In the final step, with the help of the fuzzy best worst method, the weight of each of the specific dimensions and elements and the conceptual framework of the research have been compiled and explained.
Result and Discussion: The framework for selecting the appropriate cloud service for e-learning systems consists of 259 conceptual elements organized in 5 dimensions and 27 components. Functional dimensions (7 components) 34.8%, security (6 components) 22.1%, organizational and environmental (7 components) 20.3%, personal data protection (5 components) 16.1% and data management (3 components) 6.7%, respectively Cloud services are effective. The results show that in choosing a cloud service, respectively, the components of availability, reliability, governance, virtual machine hardware features (such as throughput, memory, etc.), total cost (sum of rent cost, ISP cost and data transfer cost) and the geographical location of the data storage are most important.

کلیدواژه‌ها [English]

  • cloud service
  • cloud service selection e-learning systems virtual education
Abdel-Basset, M., Mohamed, M. & Chang, V. (2018). A framework for evaluating cloud computing services. Future Generation Computer Systems.
Abrishami M. & Mohamadi, A. (2014). The use of cloud computing in e-learning system. Islamic Azad University Mashhad Branch, p.p.12-18
Al-Faifi, A.M., Song, B., Hassan, M.M., Alamri, A. & Gumaei, A. (2018). Performance prediction model for cloud service selection from smart data. Future Generation Computer Systems.
Al-Khater N.R., (2017). A model of a Private Sector Organisation's Intention to Adopt Cloud Computing in the Kingdom of Saudi Arabia. PhD. Dissertation.
Alsanea, M., Barth, J., & Griffith, R. (2014). Factors affecting the adoption of cloud computing in the government sector: a case study of Saudi Arabia. International Journal of Cloud Computing and Service Science, 36.
Anu, A. S. (2016). Quality Model Based Decision Support System for Cloud Migration. International Journal of Advanced Research in Computer and Communication Engineering, 5(7).
Bouzon, M., Govindan, K., Rodriguez, C. M. T., & Campos, L. M. (2016). Identification and analysis of reverse logistics barriers using fuzzy Delphi method and AHP. Resources, Conservation and Recycling.
Byrne, G. (2013). Cloud Computing adoption and perceptions of its impact on business-IT alignment in large organisations operating in Ireland, Doctoral dissertation, Dublin Business School.
Carlson, A., & Palmer, C. (2016). A qualitative meta-synthesis of the benefits of eco-labeling in developing countries. Ecological Economics, 127, 129-145.
Cavalli-Sforza, V., & Ortolano, L. (1984). Delphi forecasts of land use: Transportation interactions. Journal of transportation engineering, 110(3), 324-339.
Cheng, Ch. & Lin, Y. (2002). Evaluating the best mail battle tank using fuzzy decision theory with linguistic criteria evaluation. European Journal of Operational Research, (142):147-186.
Condliffe, J. (2017). Amazon's $150 Million Typo Is a Lightning Rod for a Big Cloud Problem. Retrieved, 9(9), 2018.
Ding S., Wang Z., Wu D., Olson D.L. (2016). Utilizing customer satisfaction in ranking prediction for personalized cloud service selection. Decision Support Systems.
Divya, P., & Prakasam, S. (2015). Effectiveness of cloud-based e-learning system (ECBELS). International Journal of Computer Applications, 119(6).
Elhabbash A., Samreen F., Hadley J., Elkhatib Y. (2018). Cloud Brokerage: A Systematic Survey.
Ezenwoke A., Daramola O., Adigun M. (2017). Towards a Fuzzy-oriented Framework for Service Selection in Cloud e-Marketplaces. CLOSER-7th International Conference on Cloud Computing and Services Science, 604-609.
Flexera Whaiduzzaman, M., Gani, A., Anuar, N.B., Shiraz, M., Haque, M.N., Haque, I.T. (2014). Cloud Service Selection Using Multicriteria Decision Analysis. The Scientific World Journal. Doi: http://dx.doi.org/10.1155/2014/459375
Guo, S., & Zhao, H. (2017). Fuzzy best-worst multi-criteria decision-making method and its applications. Knowledge-Based Systems, 121, 23-31.
Hafezalkotob, A., & Hafezalkotob, A. (2017). A novel approach for combination of individual and group decisions based on fuzzy best-worst method. Applied Soft Computing, 59, 316-325.
Hsu, Y. L., Lee, C. H., & Kreng, V. B. (2010). The application of Fuzzy Delphi Method and Fuzzy AHP in lubricant regenerative technology selection. Expert Systems with Applications, 37(1), 419-425.
Jagli, D., Purohit, S., & Chandra, N. S. (2018). SAASQUAL: A Quality Model for Evaluating SaaS on the Cloud Computing Environment. In Big Data Analytics (pp. 429-437). Springer, Singapore.
Jatoth C., Gangadharan, J., Fiore U. & Buyya, R. (2018). SELCLOUD: a hybrid multi-criteria decision-making model for selection of cloud services. Soft Computing. Doi: https://doi.org/10.1007/s00500-018-3120-2.
Karim, F., & Goodwin, R. (2013). Using Cloud Computing in E-learning Systems. International Journal of Advanced Research in Computer Science & Technology (IJARCST), 69.
Kumar R.R., Mishra S., Kumar C. (2017). Prioritizing the solution of cloud service selection using integrated MCDM methods under Fuzzy environment. International Journal of Supercomput. Doi: 10.1007/s11227-017-2039-1
Li, J., Squicciarini, A., Lin, D., Sundareswaran, S. & Jia, C. (2015). MMBcloud-tree: Authenticated Index for Verifiable Cloud Service Selection. IEEE Transactions on Dependable and Secure Computing. Doi: 10.1109/TDSC.2015.2445752
Maeser III, R. K. (2018). A Model-Based Framework for Analyzing Cloud Service Provider Trustworthiness and Predicting Cloud Service Level Agreement Performance, Doctoral dissertation, The George Washington University.
Mell, P., & Grance, T. (2011). The NIST definition of cloud computing.
Keshavarz, M.H., Salahi, M., Heydari, T., Salehi, m. & Amirianzadeh, M., (2013). Feasibility study of establishing e-learning in the Faculty of Educational Sciences and Islamic Azad Psychology. Marvdasht Branch in 2012, Journa of, MEDIA. Page 22
MacGillivray, C., Torchia, M., Kalal, M., Kumar, M., Membrilla, R., Siviero, A., & Chaturvedi, S. (2016). Worldwide Internet of Things Forecast Update: 2016–2020. IDC Research. [Online] Available. https://www.idc.com/getdoc.jsp.
Mou, Q., Xu, Z., & Liao, H. (2016). An intuitionistic fuzzy multiplicative best-worst method for multi-criteria group decision making. Information Sciences, 374, 224-239.
Mullen, P. M. (2003). Delphi: myths and reality. Journal of health organization and management.
Nedev S., (2018). Exploring the factors influencing the adoption of Cloud computing and the challenges faced by the business. Master Dissertation.
Noorderhaven, N. G. (1995). Strategic decision making, Journal of management, 21(3), 471-493.
Noor, T. H., Sheng, Q. Z., Ngu, A. H., Alfazi, A., & Law, J. (2013). CloudArmor: A Platform for Credibility-based Trust Management of Cloud Services. Preceding the 22nd ACM Conference on Information and Knowledge Management (CIKM 2013), (pp. 2509-2512). San Francisco.
Okoli, C., & Pawlowski, S. D. (2004). The Delphi method as a research tool: an example, design considerations and applications. Information & management, 42(1), 15-29.
Ponemon, L. (2016). Cost of data center outages. Data Center Performance Benchmark Serie.
Rezaei, J. (2016). Best-worst multi-criteria decision-making method: Some properties and a linear model. Omega, 64, 126-130.
Ross, P. K., & Blumenstein, M. (2015). Cloud Computing as a Facilitator of SME Enterpreneurship. Technology Analysis & Strategic Management, 27, 87-101.
Sandelowski, M., & Barroso, J. (2006). Handbook for synthesizing qualitative research. springer publishing company.
Senarathna I., Wilkin C., Warren M., Yeoh W., Salzman S. (2018). Factors That Influence Adoption of Cloud Computing: An Empirical Study of Australian SMEs.
Siddaway, A. (2014). What is a systematic literature review and how do I do one. University of Stirling, 1, 1-13.
Sohrabi, B., Azami, A., Yazdani, H.R. (2010). Pathology Research in the field of Islamic management with a meta-composite approach. University Library and Information Research, 54 (1), 39-57.
Tafteh. F. (2014). The use of cloud computing in mobile education. The Second National Conference on New Technologies in Electrical and Computer Engineering. Shiraz,p.p 2-3.
Tang, M., Dai, X., Liu, J. & Chen, J. (2016). Towards a trust evaluation middleware for cloud service selection. Future Generation Computer Systems. Doi: http://dx.doi.org/10.1016/j.future.2016.01.009
Yannascoli, S. M., Schenker, M. L., Carey, J. L., Ahn, J., & Baldwin, K. D. (2013). How to write a systematic review: a step-by-step guide. University of Pennsylvania Orthopaecic Journal, 64-69.
Weins, K. (2018). RightScale 2018 State of the Cloud Report. (RightScale) Retrieved 6 9, 2018, from RightScale: https://www.rightscale.com/lp/state-of-the-cloud?campaign=7010g0000016JiA
Wongpakaran, N., Wongpakaran, T., Wedding, D., & Gwet, K. L. (2013). A comparison of Cohen’s Kappa and Gwet’s AC1 when calculating inter-rater reliability coefficients: a study conducted with personality disorder samples. BMC medical research methodology, 13(1), 61.
Wrubel, J., Acree, M., Goodman, S., & Folkman, S. (2009). End of living: Maintaining a lifeworld during terminal illness. Psychology and Health, 24(10), 1229-1243
Yoo S. K., Kim B. K. (2018). A Decision-Making Model for Adopting a Cloud Computing System. Sustainability. Doi: 10.3390/su10082952
Zimmer, L. (2006). Qualitative meta‐synthesis: a question of dialoguing with texts. Journal of advanced nursing, 53(3), 311-318.