سیستم پشتیبانی تصمیم گیری و فناوری اطلاعات Decision support system and Information Technology

مقدمه

علیرغم توسعه ی ابعاد معنایی و کارامدی سیستم های پشتیبانی تصمیم گیری (DSS)، علاوه بر پیشرفت های فناورانه در زمینه سخت افزار و نرم افزار کامپیوتر، ترکیب بندی های موجود این سیستم ها در پشتیبانی از کاربرد مقرون به صرفه آنها ناکام مانده اند. در پی دیدگاه اولیه ی گوری و اسکات مورتون (1971) درمورد یک DSS،‌ ابعاد تکنولوژیکی DSS بطور مستمر بهبود یافته اند. مسیرهای عمده ی این پیشرفت DSS را به روش محاسبه ای در برنامه های کاربردی داده پردازی الکترونیکی (EDP) (Alter, 1980)، رویکرد مبتنی بر دانش یا پردازش نمادین سیستم های خبره (Bonczek et al., 1980)، و معماری سیستم و فرایند توسعه (Keen, 1980; O’Keefe, 1986) مرتبط می سازد.

بونزک و همکارانش (1980) بواسطه پیشنهاد ادغام دو فناوری،‌ DSS را به فناوری سیستم خبره (ES) برای پشتیبانی از رویکرد مبتنی بر دانش و همینطور رهیافت محاسباتی مرتبط می سازد. Keen (1980) از طریق فرایند توسعه و قابلیت کاربرد سیستم DSS را در ارتباط با تکامل سیستم در نظر می گیرد. Turban (1988) گوناگونی ابعاد معنایی و فناورانه ی DSS طی دو دهه ی گذشته را بررسی نمود. با این وجود، گوناگونی ها در تعریف، ‌طراحی، و توسعه ی DSS هنوز سودآوری سیستم را تضمین ننموده است. و نارسایی های اصلی قابلیت کاربرد بررسی شده در این فصل را حل نکرده است.

قبل از اتخاذ یک تصمیم، مدیر ممکن است از فرایند تصمیم گیری سایمون پیروی کند که بوسیله ماهیت زنجیره ای آن شناخته می شود. مدیر بایستی مزایای بالقوه و همچنین هزینه های احتمالی را ارزیابی نماید تا اینکه در سراسر مراحل آگاهی،‌ طراحی، ‌انتخاب و بازنگری ایجاد شود. اگر یک DSS برای پشتیبانی از فرایند تصمیم گیری مورد استفاده قرار گیرد، پیام های مؤثر DSS تنها در پایان فرایند تصمیم گیری بدست آورده می شوند. پیاده سازی تصمیم گیری مبتنی بر DSS الزاما به تاخیر انداخته می شود (یک دوره ی زمانی برابر با مدت بکارگیری سیستم)، و هزینه ی بالای DSS بایستی در نظر گرفته شود. متاسفانه پیکربندی های کنونی DSS نمی توانند تاثیری که DSS بر ارزش تصمیم گیری مدیر خواهد گذاشت را پیش بینی نمایند.

Raggad (1988) پیکربندی اولیه ی اسپراگ و کارلسون (1980) درزمینه ی یک DSS را با افزودن مدل تابعی (CM) اصلاح کرد. در این پیکربندی جدید DSS (که در شکل 1 ترسیم شده است)، مدل تابعی اولین مدلی می باشد که با استفاده از سیستم مدیریت تولید مذاکره (DGMS) فعال میشود. این مدل مجوز بکارگیری DSS را درصورتی می دهد که مقدار Bayesian (DSS)، که در بخش بعدی تعریف شده است، غیر منفی باشد. اگر مدل تابعی پیش بینی کند که DSS مقرون به صرفه نیست، با در نظرگرفتن شواهد قبلی کنترل را به DGMS انتقال می دهد که در عوض مدیر را مطلع می سازد که قضاوت مدیریت توصیه شده است. ازاینرو این مقاله بر پایه ی دو فرض قرار داده شده است:

1- هزینه ی بکارگیری DSS بالاست، و بطور قابل ملاحظه ای بیشتر از هزینه ی کاربرد مدل تابعی است.

2- تصمیم گیرنده در تصمیم گیری اینکه آیا کاربر DSS ارزشمند است یا نه ، ناتوان است، یا اینکه حداقل نمی تواند بطورموثری درمورد ارزش استفاده از DSS قضاوت نماید.

فرض نخست، از تحقیق دوان(1992) تبعیت کرده است که سودمندی DSS را از یک چشم انداز اقتصادی بررسی نموده است. دوان (1992) هزینه ی DSS را بصورت دارا بودن دو مؤلفه درنظر گرفته است: هزینه عملیاتی و هزینه بروز رسانی Bayesian (تحلیل پیام). هزینه ی بروز رسانی Bayesian نشان دهنده ی اشکال در اتخاذ یک تصمیم در یک محیط نیمه ساختاریافته و ساختاریافته است.

در مدل تابعی(CM)، روش کسب اطلاعات بصورتی تکاملی گسترش نیافته است. یک مرحله ی برنامه ریزی پرهزینه بصورت بیرونی کامل می شود و درپی اجرای مشخصات CM می آید. بخاطر ساختار کنترلی آن، هزینه عملیاتی CM بطورقابل توجهی کمتر از هزینه ی DSS می باشد. این امر در مقابل DSS می باشد که این هزینه (برنامه ریزی و کسب اطلاعات و بازنگری) هر زمانی که DSS فعال می گردد، بالا می رود. این امر بکاراندازی DSS را پرهزینه تر از اجرای برنامه ای مانند CM می کند. باوجود اینکه برنامه ریزی CM پرهزینه است، هزینه ی درک و برنامه ریزی DSS هزینه های تنزل یافته ای هستند که در اینجا منظور شده اند،‌با فرض اینکه هر دو سیستم در محیط پشتیبانی تصمیم گیری ما موجود باشند.

(نیاز به دانلود ترجمه)

شکل1: طراحی سیستم دانش تابعی برای یک DSS

(نیاز به دانلود ترجمه)

ارزش Bayesian (DSS) یک محیط پشتیبانی تصمیم گیری فراهم می آورد که کاربر نهایی قبل از اتخاذ تصمیم توسط CM درمورد اینکه آیا کاربران نهایی خود را متعهد به پرداخت هزینه ی بکارگیری DSS می کنند، نخستین هزینه فعالسازی CM را به بار می آورد.

هزینه ی CM در رابطه با تحلیل پیام یا هزینه ی بروزرسانی Bayesian،‌صفر می باشد زیرا تنها پیام های خروجی که CM پدید می آورد، برای بکارگیری DSS یا استفاده از قضاوت مدیریت شخصی هستند. بنابراین CM دارای هزینه ی به روز رسانی Bayesian نمی باشد. تنها مؤلفه ی هزینه CM که باقی می ماند، هزینه ی عملیاتی است که کمتر از هزینه ی DSS که در بالا نشان داده شده است، می باشد. درواقع، DSS دارای هزینه ی بروز رسانی Bayesian بالایی است که به هزینه ی عملیاتی آن اضافه می گردد. علاوه براین هزینه بروز رسانی Bayesian (DSS) ، برای تصمیمات تکراری مستهلک نمی شود.

عوامل محیطی زیادی که توسط کین (1981)، روبی و تاگارت(1982) و دیگران بررسی شده اند،‌می توانند در مطالعه ی سودمندی DSS مورد استفاده قرار گیرند. زمان عامل مهمی است که تصمیم CM درمورد اینکه آیا از DSS کمک بگیرد، را تحت تاثیر قرار می دهد. تاخیرها می توانند ارزش مورد انتظار تصمیم را کاهش دهند. اختلاف دیگر بین CM و DSS این است که CM از یک روش برنامه تبعیت می کند (کل برنامه ریزی بصورت بیرونی انجام می شود)، درحالیکه DSS به شیوه ای تکاملی مورد استفاده قرار می گیرد. رویکرد DSS ممکن است موجب تاخیرهای طولانی شود که می توانند به هزینه ی بکارگیری DSS افزوده شوند. دوان (1992) نیز اظهار می کند که DSS طبیعتا متوالی است و کاربر نهایی نه تنها در برابر اتخاذ یک تصمیم تجاری بلکه برنامه ریزی و اجرای فرایندهای کسب اطلاعات موردنیاز تصمیم گیری (مرحله ی آگاهی سایمون) مسئول می باشد.

عامل مهم دیگر تاثیرگذار بر هزینه عملیاتی یک DSS ،‌بکارگیری محدود آن در پشتیبانی از تصمیم می باشد. علیرغم این واقعیت که کاربران نهایی، حداقل بی قید و شرط از تمام مراحل سایمون تبعیت می نمایند و DSS غالبا تنها برای پشتیبانی از مراحل طراحی و انتخاب بکار می رود. اثربخشی DSS درصورتیکه کاربران نهایی از DSS در تمامی مراحل سایمون استفاده کنند، افزایش خواهد یافت. این امر بطور قطع هزینه عملیاتی DSS و همینطور اثربخشی آن را بالا خواهد برد.

یک هزینه عملیاتی اضافی DSS، پردازش پیام DSS می باشد. بعر از بالا رفتن هزینه ی بروز رسانی Bayesian برای تفسیر پیام های DSS، استفاده از پیام های DSS برای پشتیبانی از مراحل سایمون مستلزم پردازش انسانی خواهد بود تا اینکه پیام ها را با خروجی های بدست آمده در هر مرحله ترکیب نماید. اخذ تصمیم نهایی مبتنی بر DSS پر هزینه خواهد بود.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

1- هزینه ی بروز رسانی Bayesian (DSS) بیشتر است.

2- این هزینه برای تصمیمات تکراری مستهلک نمی شود.

3- هزینه پردازش پیام در تمامی مراحل سایمون بیشتر است؛ و

 

4- هزینه عملیاتی DSS بخاطر ماهیت زنجیره ای آن بالاتر است.

درحقیقت ورودی CM بدون در نظر گرفتن ورودی متوالی موجود در جلسات تعاملی در خلال عملیات DSS، شبیه به ورودی اولیه DSS می باشد. استفاده از CM هزینه ی کاربرد DSS و هزینه مورد انتظار استفاده از DSS و CM را طی یک سری تصمیمات افزایش می دهد. تاثیر تصمیمات تکرار شونده بر سودمندی یک محیط پشتیبانی تصمیم مجهز به یک قابلیت CM (فراتر از این مقاله) درخور بررسی می باشد.

فرض دوم، بخاطر ماهیت زنجیره ای DSS و روش بروز رسانی Bayesian پیام های DSS، فرضی منطقی محسوب می شود. همچنین به آسانی توافق می شود که تصمیم گیرنده نمی تواند به نحو مؤثری درمورد ارزش کاربرد DSS با توجه به شلوغی و فقدان ساختار مشخص کننده ی اطلاعات DSS، قضاوت نماید.

مدل تابعی

چارچوب مدل تابعی اطلاعاتی را درمورد کارامدی سیستم (S)، کاربر نهایی یا مدیر(M)، مسئله ی تصمیم (P)، و محیط (E) فراهم می آورد. این مدل بصورت ذیل نشان داده می شود: (نیاز به دانلود)

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

M: مجموعه پیام های ایجاد شده توسط DSS - E: ماتریس قابلیت پیش بینی

Q: ماتریس قابلیت اعتبار- c: هزینه ی بکارگیری DSS - d : مدت زمان باشد؛

بطوریکه:

- : شواهد پیشین

به شرطی که:

A: مجموعه ی فعالیت ها

بطوریکه:

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

این چارچوب به DSS (نیاز به دانلود ترجمه) بعنوان یک برنامه ی پیش بینی می نگرد که قضاوت اولیه ی مدیریت (نیاز به دانلود ترجمه) (شواهد پیشین) را به اطلاعات بهتر (شواهد موجود) (نیاز به دانلود ترجمه) تغییر می دهد. بکارگیری این برنامه n واحد زمانی وقت می گیرد و هزینه ای معادل c دلار بالا می آورد. مدل تابعی، سودآوری بکارگیری سیستم را بر مبنای مطلوبیت مدیریت U ،‌عامل تنزیل f، و قابلیت پیش بینی DSS (نیاز به دانلود ترجمه) بررسی می نماید.

ساختار اطلاعاتی سیستم بواسطه ی ماتریس های قابلیت پیش بینی و قابلیت اعتبار مشخص می شود. ماتریس قابلیت پیش بینی E برای هر زوج وضعیت- پیام در ، قابلیت احتمال (نیاز به دانلود ترجمه) تعیین می شود که DSS، را بوجود می آورد با فرض اینکه وضعیت درست جهان باشد. ماتریس قابلیت اعتبار Q برای هر زوج در (نیاز به دانلود ترجمه) و احتمال (نیاز به دانلود ترجمه) تعیین می شود که وضعیت واقعی جهان با فرض اینکه DSS یک پیام بوجود آورده باشد، است. یعنی: (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه)

این چارچوب فرض می گیرد که مدیر دارای دانش قبلی درمورد وضعیت های جهان و (نیاز به دانلود ترجمه) می باشد. ماتریس E بطور قابل توجهی به ساختار اطلاعاتی DSS بستگی دارد و در نتیجه به آسانی توسط طراحان DSS ارزیابی می گردد. علاوه بر دانش پیشین و ماتریس های قابلیت پیش بینی و قابلیت اعتبار،‌چارچوب Bayesian مستلزم یک قانون تصمیم b و یک برنامه ی مطلوبیت اقدام-وضعیت اخذ شده توسط یک ماتریس U می باشد. اصطلاح عمومی (نیاز به دانلود ترجمه) در U، مطلوبیت مدیر بواسطه ی پذیرش فعالیت در زمانی است که وضعیت جهان ‌می باشد. قانون تصمیم b نگاشتی از فضای پیام های احتمالی در مجموعه ای از فعالیت های ممکن می باشد.

مقدار Bayesian (DSS)، سودآوری مورد انتظار بکارگیری DSS با توجه به توصیه های مدیریت بر مبنای شواهد قبلی را تشکیل می دهد. این مقدار بصورت ذیل محاسبه می گردد:

(نیاز به دانلود ترجمه)

بطوریکه jوk نشاندهنده ی به ترتیب پیام های DSS و وضعیت های جهان باشند. (نیاز به دانلود ترجمه) قاعده ی تصمیم گیری Bayesian (b بهینه) است و (نیاز به دانلود ترجمه) (k) بهترین فعالیت با درنظرگرفتن وضعیت جهان k می باشد.

اگر مدیر در وضعیت بدون ریسک باشد، درنتیجه ارزش فعلی خالص Bayesian (NPBV) برای DSS (ارزش فعلی خالص مقدار Bayesian (DSS)) بصورت ذیل محاسبه می گردد:

(نیاز به دانلود ترجمه)

سیستم دانش تابعی

هدف از تحقیق گزارش شده در اینجه، بهبود کارایی و اثربخشی تصمیم گیری در بکارگیری یک سیستم پشتیبانی تصمیم گیری(DSS) مجهز به مدل تابعی می باشد. یکی از مزایای عمده ی مدل تابعی قابلیت آن در جلوگیری از بکارگیری غیرسودآور DSS است.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

سیستم دانش تابعی، با ادغام دو سیستم خبره و یک سیسستم مدیریت دانش محور با مدل تابعی، وظیفه ی سیستم دانش تابعی را بیشتر می کند. نخستین سیستم خبره، یک سیستم خبره ی وضعیت (SES) نامیده می شود و هدف آن کمک به کاربر در ایجاد یک بردار ورودی در مدل تابعی می باشد. دومین سیستم، سیستم خبره ی منتخب (CES) خوانده می شود و برای معتبر سازی انتخاب مدیریت طراحی می گردد،‌درصورتیکه تصمیم مدل تابعی به نفع استفاده از DSS نباشد. هدف سیستم مدیریت مبتنی بر دانش (KBMS) ذخیره ی سوابق دانش محور متشکل از موقعیت های گذشته می باشد که بوسیله ی SES ایجاد شده اند و راه حل های آنها بواسطه ی CES یا DSS پدید می آیند (درصورتی که DSS بکار گرفته شده باشد).

سیستم دانش تابعی(CKS)، بکار رفته در Bayesian‌(DSS)، مرکب از خرده سیستم های زیر می باشد:

1- سیستم خبره وضعیت؛

3. سیستم مدیریت مبتنی بر دانش(KBMS)؛- 4. مدل تابعی (CM).

این خرده سیستم ها در زیر بررسی می شوند. واسطه ی بین این خرده سیستم ها و کاربر نهایی در شکل 2 نشان داده شده است.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

پس از فعالسازی CM، و چنانچه تصمیم به نفع بکارگیری DSS نباشد، انتخاب مدیریت فعالیت ها نیز بوسیله ی سیستم خبره ی تصمیم ارزش گذاری می شود.

یک سیستم خبره ی تصمیم طراحی می شود تا به کاربر نهایی کمک کند تا بر مبنای باور مدیریت مربوط به وضعیت موجود طبیعت و هماهنگ با تجربه ی پیشین ذخیره شده در یک سیستم مدیریت مبتنی بر دانش تصمیم گیری نماید. این سیستم مدیریت دانش محور برای بهبود فرایند تصمیم گیری مدل تابعه ی مبتنی بر باور مدیریت موجود (شواهد پیشین) ، انتخاب مدیریت با درنظرگرفتن شواهد قبلی، و ویژگی های مطرح DSS، طراحی می گردد. KBMS واسطه ی بین کاربر، سیستم خبره ی وضعیت، سیستم خبره ی منتخب و مدل تابعی می شود.

ادغام سیستم های خبره با انواع مختلفی از مدل ها و سیستم های اطلاعاتی در سالیان اخیر رایج شده است زیرا اکثر این مدل ها و سیستم ها تنها می توانند بر مبنای پردازش عددی، پشتیبان مسائل تصمیم گیری باشند. روش محاسباتی مطلق دیگر قابلیت رویارویی با مسائل تصمیم گیری نیمه ساختار یافته یا ساختار نیافته یا استدلال نمادین را ندارد. (یک روش مبتنی بر دانش مورد نیاز است). Bonczek et al.(1980) ، مدل های تصمیم گیری DSS را ادغام نمود و تلفیقی از یک مدل شبیه سازی با دو سیستم خبره توسط لواری و لین (1988) توسعه یافت. اکفی(1986) نیز سیستم های شبیه سازی و خبره را ترکیب نمود.

(نیاز به دانلود ترجمه) شکل2: فاصل بین کاربر و خرده سیستم های گوناگون CKS

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

سیستم خبره ی وضعیت

اینکه مدیر در تمامی مراحل یک فرایند تصمیم سایمون از DSS کمک بگیرد، حائز اهمیت است. او به چهار گونه اطلاعات مبتنی بر DSS نیاز دارد: اطلاعات مرتبط با آگاهی، طراحی، انتخاب، و بازنگری تصمیم مبتنی بر DSS. این مقاله بخاطر میزان شلوغی زیاد مربوط به ارزیابی تصمیمات مبتنی بر DSS، تعمدا از مرحله بازنگری چشم پوشی نموده است. مقاله تصمیمات تکراری که فرد باید بپذیرد را درنظر نگرفته است، درصورتیکه ویژگی بازنگری بایستی درنظر گرفته شده باشد. سیستم خبره ی وضعیت(SES) صرفا مربوط به مرحله ی آگاهی است.

اطلاعات راجع به کارامدی DSS در CM ذخیره می شود. بردار ورودی باید اطلاعات آگاهی را به شکل یک شی ء ، ورودی، پردازش و خروجی بگنجاند. کاربر نهایی یک بردار ورودی آزمایشی را مطابق با توضیح بالا بوجود می آورد و سپس آن را به SES واگذار می نماید.

وظیفه ی سیستم خبره ی وضعیت تقویت اعتبار و هماهنگی مولفه های گوناگون بردار ورودی مدل تابعی می باشد. این بردار ورودی توسط کاربر (مدیر) ایجاد می شود و سپس برای معتبر سازی به SES ارائه می شود، قبل از اینکه به مدل تابعی وارد شود. SES به کاربر درمورد هر مؤلفه ی نادرست در بردار ورودی اخطار می دهد و همچنین درمورد اینکه چگونه و چه مؤلفه هایی باید اصلاح شوند، توصیه هایی می کند.

دانش مربوط به اجزای سازنده ی بردار ورودی، محدودیت های یکپارچگی و شرایط معتبرسازی از طریق متخصصان حوزه بیرون کشیده می شود و در طراحی مجموعه ی قوانین مشخص کننده ی سیستم خبره مورد استفاده قرار می گیرد. این دانش شامل نواحی تمام اجزای بردار ورودی می باشد که معرف یک بردار ورودی معنی دار و معتبری می باشند.

SES همچنین منجر به حذف مسیرهای غیرضروری CM با بردارهای ورودی نادرست می شود. از آنجا که CM درمورد بکارگیری DSS یا پشتیبانی از تصمیم مدیریت مبتنی بر شواهد قبلی تصمیم گیری می کند، حذف بردارهای ورودی فاقد ارزش به میزان زیادی مطلوب است.

سیستم خبره ی منتخب

CES به اطلاعات مدیریت مربوط به مراحل طراحی و انتخاب تصمیم نیاز دارد. مولفه ی یک بردار انتخاب، ورودی مرحله ی طراحی به حساب می آید و تفسیر مدیریت موجود موقعیت از قبل در یک بردار ورودی CM بوجود آورده می شود. بردار انتخاب شامل بردار ورودی، انتخاب مدیریت آزمایشی می باشد.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

CES همچنین نشان می دهد که چگونه انتخاب مدیریت اصلاح شود تا اینکه واقع بینانه تر شود. خروجی های SES و CES منابع دانشی در نظر می گیرند که جزء دانش ذخیره شده در سیستم مبتنی بر دانش را فراهم می آورند. فاصل بین کاربر ،‌CM، SES، و CES در شکل 2 نشان داده شده است.

سیستم مدیریت مبتنی بر دانش

سیستم مدیریت مبتنی بر دانش (KBMS) حاوی گزارش های مبتنی بر دانش می باشد و هر یک از انها مرکب از باور مدیریت می باشد که بردار ورودی CM؛ انتخاب مدیریت با توجه به شواهد قبلی ، تصمیم CM؛ و در صورت کاربرد، توصیه های DSS را تشکیل می دهد. پس از هر جریان CM، کاربر گزارش مبتنی بر دانش موجود را بوجود می آورد و آن را به KBMS می افزاید.

مزایای ادغام یک KBMS با مدل تابعی عبارتند از:

1. جلوگیری از بازآفرینی یک جریان CM با بردار ورودی یکسان

2. مرجع ساده ی آینده برای داده های تجربی DSS

3. کمک به کاربر در اتخاذ یک انتخاب واقع بینانه ی اقدامات مبتنی بر شواهد پیشین و

4. ممانعت از بکارگیری غیرسودآور و غیرضروری DSS.

KBMS در بهبود کارایی مدل تابعی خیلی ارزشمند است زیرا زمان مورد نیاز برای بازیابی یک گزارش مبتنی بر دانش در KBMS در مقایسه با زمانی که مدیران معمولا در پشتیبانی از قضاوت مدیریتی شان می گیرند، خیلی کوتاه مدت است. علاوه براین استفاده از KBMS بسیار توصیه شده است زیرا اعتبار بردار ورودی CM‌و انتخاب مدیریت برای CM ضروری است تا اینکه درمورد بکارگیری DSS یا پشتیبانی از قضاوت مدیریتی تصمیم گیری نماید. مزایای ادغام یک KBMS در سیستم دانش تابعی حتی بیشتر ات، درصورتی که بهره برداری از CKS افزایش یابد.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.