الگوی تحلیلی رابطۀ موانع زبانی با پردازش دانش و هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مدیریت، دانشگاه پیام‌نور، تهران، ایران

2 گروه مدیریت، دانشگاه پیام نور، تهران، ایران

چکیده

هدف: هدف این پژوهش، ارائۀ الگویی تحلیلی برای بررسی رابطۀ بین موانع زبانی (موانع ترجمه، پیچیدگی زبانی، و موانع سازگاری فرهنگی) و پردازش دانش در سازمان، با تأکید بر نقش میانجی‌گر هوش مصنوعی در مخازن صادراتی پتروشیمی شازند ماهشهر است. این مطالعه با توجه به اهمیت مدیریت دانش و به‌کارگیری فناوری‌های نوین هوش مصنوعی در محیط‌های چندفرهنگی و چندزبانه انجام شده است.
روش‌شناسی: پژوهش از نظر هدف، کاربردی و از نظر روش، توصیفی–پیمایشی، و از نوع علّی (پس‌رویدادی) است. جامعه آماری شامل تمام کارکنان مخازن صادراتی پتروشیمی شازند ماهشهر (۷۰ نفر) بوده که به‌روش سرشماری انتخاب شدند. ابزار گردآوری داده‌ها سه پرسش‌نامۀ استاندارد موانع زبانی شامل سه‌بُعد، 21 گویه، پردازش دانش شامل دو بُعد، پنج گویه، و هوش مصنوعی شامل پنج بُعد و 22 گویه بود. روایی ابزار از سوی خبرگان و پایایی با آلفای کرونباخ (بیش از 0.7) تأیید شد. داده‌ها با استفاده از تحلیل عاملی تأییدی و مدل‌سازی معادلات ساختاری به روش پی.ال.اس تحلیل شدند.
یافته‌ها: نتایج نشان داد تمامی ابعاد موانع زبانی (موانع ترجمه، پیچیدگی زبانی، موانع سازگاری) بر پردازش دانش در سازمان اثر مثبت و معنادار دارند. همچنین هوش مصنوعی نقش میانجی در این روابط ایفا می‌کند و قوی‌ترین اثر میانجی‌گری مربوط به رابطۀ موانع ترجمه و پردازش دانش (ضریب مسیر 0.991) بود. این نتایج بیانگر آن است که بخشی از اثر موانع زبانی بر پردازش دانش، از راه هوش مصنوعی منتقل می‌شود و این فناوری می‌تواند اثر منفی موانع زبانی را کاهش دهد.
نتیجه‌گیری: یافته‌ها اهمیت ترجمۀ دقیق، استفاده از زبان ساده، محتوای سازگار فرهنگی، و به‌کارگیری هوش مصنوعی را در بهبود پردازش دانش در سازمان تأیید می‌کند. بهره‌گیری از هوش مصنوعی می‌تواند مسیر انتقال دانش را در سازمان‌ها، به‌ویژه در محیط‌های تخصصی و چندزبانه، تسهیل کرده و اثرات منفی موانع زبانی را کاهش دهد. بنابراین، مدیران باید افزون‌بر رفع موانع زبانی، زیرساخت‌های لازم برای به‌کارگیری هوش مصنوعی را فراهم کنند و کارکنان را در استفاده از آن آموزش دهند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Analytical model of the relationship between language barriers and knowledge processing and artificial intelligence

نویسندگان [English]

  • amir lalisarabi 1
  • saber shokri 2
1 Assistant Professor, Department of Public Management, Payame Noor University, Tehran, Iran
2 Assistant Professor, Department of Public Management, Payame Noor University, Tehran, Iran
چکیده [English]

Purpose: This study aims to present an analytical model examining the relationship between language barriers (comprising translation barriers, linguistic complexity, and cultural adaptation barriers) and organizational knowledge processing, with a specific focus on the mediating role of artificial intelligence (AI) within the export storage units of the Shazand and Mahshahr petrochemical companies. The research addresses the growing importance of knowledge management and the application of emerging AI technologies in multicultural and multilingual business environments.
Methodology: This applied study employs a descriptive-survey design and is causal (ex post facto) in nature. The statistical population comprised all employees of the export storage units of the Shazand and Mahshahr petrochemical companies ($N = 70$), who were selected via a census method. Data were collected using three standardized questionnaires: a language barrier questionnaire (21 items across 3 dimensions), a knowledge processing questionnaire (7 items across 2 dimensions), and an AI questionnaire (22 items across 5 dimensions). Validity was confirmed by expert review, and reliability was established with Cronbach's alpha coefficients exceeding 0.7. Data were analyzed using confirmatory factor analysis and structural equation modeling (SEM) via the partial least squares (PLS) approach.
Findings: The results indicate that all dimensions of language barriers (translation barriers, linguistic complexity, and cultural adaptation barriers) exert a significant effect on organizational knowledge processing. Moreover, AI plays a mediating role in these relationships, with the strongest mediation observed between translation barriers and knowledge processing (path coefficient = 0.991). This suggests that a portion of the impact of language barriers on knowledge processing is transmitted through AI, which effectively helps mitigate the adverse effects of these barriers.
Conclusion: These findings underscore the importance of accurate translation, plain language usage, culturally adaptive content, and AI adoption in enhancing knowledge processing within organizations. AI facilitates the knowledge transfer process—particularly in specialized and multilingual settings—by reducing communication hurdles. Consequently, managers should focus not only on addressing language barriers but also on developing the necessary infrastructure for AI integration and providing adequate staff training to optimize technology utilization.

کلیدواژه‌ها [English]

  • Knowledge Processing
  • linguistic Complexity
  • Language Translation Barriers
  • Cultural Adaptation Barriers
  • Artificial Intelligence

مراجع

صفری، احرام و ابراهیمی، کریم، (1401)، شناسایی و اولویت‌بندی چالش‌های توسعه هوش مصنوعی در ایران مبتنی بر تحلیل مضمون و نگاشت ادراکی فازی، فصلنامه مدیریت اطلاعات، دوره 8، شماره1، بهار و تابستان، صص 23-44.
فرنوداحمدی، مینا، (1402)، چالش‌های اخلاقی ایجاد شده توسط هوش مصنوعی در حسابداری مدیریت، نهمین کنفرانس بین‌المللی مطالعات نوین مدیریت و حسابداری در ایران، مقاله کنفرانسی.
محرابی، نازیلا، خراشادی زاده، سحر، کریمیان، راحله، (1402)، شناسایی مولفه‌های هوش مصنوعی در پیاده‌سازی مدیریت دانش، فصلنامه علوم و فنون مدیریت اطلاعات، دوره 9، شماره 3، صص 351-390.
یوسفی، بهرام، ثنائی‌فر، زهرا، ندری، رامین، (1402)، تأثیر استفاده از هوش مصنوعی بر ارتباطات یکپارچه بازاریابی و اثربخشی فعالیت‌های بازاریابی از نظر بازاریابان کالاهای ورزشی، فصلنامه پژوهش‌های علوم مدیریت، دوره 5، شماره 14، بهار، صص 42-52.
.
Abdulla, A., Jamal, M. I., Shah, R. & Syeda S. (2024). International marketing trends and global advertisement: Analyzing the language barriers to efficient online marketing. World Journal of Advanced Research and Reviews, 21(01), 1295–1304.  DOI:10.30574/wjarr.2024.21.1.2600
Aghababaei, R., & Rahimi, H. (2023). The mediating role of knowledge sharing in effect of innovative climate on teachers' innovative behaviors: (study case: teachers of Kashan city). Strategic Management of Organizational Knowledge, 6(2), 243-269. doi: 10.47176/smok.2023.1584
Amedior, Nutifafa Cudjoe. (2023). Ethical Implications of Artificial Intelligence in the Healthcare sector. Advances in Multidisciplinary & Scientific Research Journal Publication, 36, 1-12. doi.org/10.22624/AIMS/ACCRABESPOKE2023P1
Andreas, C., Zygmunt, S.,   Catherine, H.,   Genevieve,  K.,  & Sazzad, H. (2023). Applying ethics to AI in the workplace: the design of a scorecard for Australian workplace health and safety. Network Rrsearch, AI & Socirty, 38, 919–935. DOI: 10.1007/s00146-022-01460-
Bughin, J., & Hazan, E., Ramaswamy, S., Chui, M. & Allas T. (2018). Skill shift: Automation and the future of the workforce. McKinsey Global Institute. https://www.voced.edu.au/content/ngv%3A79805
Farnoda Ahmadi, M.(2023). Ethical challenges posed by artificial intelligence in management accounting, The 9th International Conference on Modern Management and Accounting Studies in Iran. https://civilica.com/doc/1796848 [In Persian]
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312
Gando, A. & Gupta, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137-144. https://doi.org/10.1016/j.ijinfomgt.2014.10.007
Hansen, MT., Nohria, N. & Tierney, T. (1999) . What’s your strategy for managing knowledge?. Harvard Business Review,77,106–116. https://hbr.org/1999/03/whats-your-strategy-for-managing-knowledge
Jarrahi, M.H., Askay, D., Eshraghi, A. & Smith, P. (2022). Artificial intelligence and knowledge management: A partnership between human and AI. Business Horizons, 66(1), 87-99. https://doi.org/10.1016/j.bushor.2022.03.002
Konovalova, A. & Yeepes, G.R. (2016). The Language of Marketing and Its Translation: Morphological and Semantic aspects of Terminology. MonTI 8trans1-25. DOI:10.6035/MonTI.2016.8.3
Leoni, L., Ardolino, M., El Baz, J., Gueli, G., & Bacchetti, A. (2022). The mediating role of knowledge management processes in the effective use of artificial intelligence in manufacturing firms. International Journal of Operations & Production Management, 42(13), 411-437. https://doi.org/10.1108/IJOPM-05-2022-0282
Mehrabi, M., khorashadizadeh, S., Karimian, R. (2023).  Identifying the components of artificial intelligence in the implementation of knowledge management. anian Journal of Information Management, 9(3). https://doi.org/ 10.22091/stim.2023.8924.1906 [In Persian].
Pascalau, V.S. , Urziceanu, R.M.(2020). Traditional Marketing Versus Digital Marketing. AGORA INTERNATIONAL JOURNAL OF ECONOMICAL SCIENCES, AIJES. 14. DOI:10.15837/aijes.v14i0.4202
Rezaei, M. (2025). Artificial intelligence in knowledge management: Identifying and addressing the key implementation challenges. Technological Forecasting and Social Change, (217), https://doi.org/10.1016/j.techfore.2025.124183
Safari, E., Safari K. (2022). dentifying and Prioritizing the Challenges of Artificial Intelligence Development in Iran using Thematic Analysis and Fuzzy Cognitive Mapping. Iranian Journal of Information Management, 8(1). https://doi.org/10.22034/aimj.2022.164537  [In Persian]
Sarah, B. &  Paul, F. (2023). The Ethical Implications of Artificial Intelligence (AI) For Meaningful Work. Journal of Business Ethics 185(3),  1-16. https://doi.org/10.1007/s10551-023-05339-7
Sharma, S.K, & Kim, D.Y. (2021). Role of artificial intelligence in knowledge management: A systematic literature review. International Journal of Information Management, 57, 102300.
Singh, M., & Gupta, A. & Verma, S. (2024). Knowledge management and competitive advantage in the age of artificial intelligence: A synthesis. International Journal of Information Management, 37(5),  505-514.
Tavallaei, R. (2023). Interaction between humans and artificial intelligence in knowledge management. Strategic Management of Organizational Knowledge, 6(1), 11-21.   https://jkm.ihu.ac.ir/article_208125.html [In Persian].
Yashwant, A. W. (2022). The Role of Artificial Intelligence in Knowledge Management. International Journal of Scientific Research in Engineering and Management (IJSREM),06 (06). DOI:10.55041/IJSREM15999
Yousefi, B., Sanaeifar, Z., Nadri, R. (2023). The impact of using artificial intelligence on integrated marketing communications and the effectiveness of marketing activities from the perspective of sporting goods marketers. Quarterly Journal of Management Sciences Research, 5(14). https://jomsr.ir/fa/showart-5bf6de038b6b47f9717f1457cc30f3f3 [In Persian].
Zaimovic, T. & Sutrovic, A. (2024). Online vs Traditional; Marketing Challenge in the Telecom Market in Bosnia and Herzegovina. Journal of Economics and Business, 16(1), 45-57. https://er.ef.untz.ba/index.php/er/article/view/93%0A
ارسال نظر در مورد این مقاله
CAPTCHA Image
علوم و فنون مدیریت اطلاعات
دوره 12، شماره 2
تیر 1405
صفحه 126-142

فایل ها

هم رسانی

ارجاع به این مقاله

آمار