خلاصه پایان نامه عوامل دخیل در رفتار کاربر در شبکه های اجتماعی با استفاده از روش دلفی از چندین خبره
چکیده
در جهان امروزی که کاربرد اینترنت و استفاده از شبکه‌های اجتماعی بسیار گسترش یافته است و جوانب مختلف زندگی انسان‌ها را تحت شعاع قرار داده و همچنین تغییر نامحسوس رفتار کاربرها در برخورد با شبکه‌های اجتماعی، تحلیل رفتار کاربر برای سازمان‌ها را بسیار حائز اهمیت کرده است.
بسیاری از عامل‌هایی که در رفتار کاربر تأثیرگذارند دارای قطعیت کافی نیستند. نقشه‌های مفهومی فازی زمانی که از داده‌های نامطمئن استفاده می‌کنیم نقش بسیار مهمی ایفا می‌کند. یکی از ساده‌ترین روش‌ها برای محاسبه و تحلیل مؤثر نقشه‌های مفهومی فازی استفاده از گراف‌های جهت‌دار و ماتریس‌های اتصال است.
تا کنون پژوهش در خور بیانی در زمینه مطالعه رفتار کاربر در شبکه‌های اجتماعی با استفاده از نقشه‌های مفهومی فازی صورت نگرفته است. در این پایان‌نامه عوامل دخیل در رفتار کاربر در شبکه‌های اجتماعی با استفاده از روش دلفی از چندین خبره جمع‌آوری شده و با استفاده از نقشه‌های مفهومی فازی تحلیل شده و روابط بین این عامل‌ها استخراج گردیده است.
کلمات کلیدی: رفتار کاربر، نقشه مفهومی فازی، شبکه‌های اجتماعی
فصل اول
کلیات تحقیق
1-1- مقدمه
در جهان امروزی که کاربرد اینترنت و استفاده از شبکه‌های اجتماعی بسیار گسترش یافته است و جوانب مختلف زندگی انسان‌ها را تحت شعاع قرار داده و همچنین تغییر نامحسوس رفتار کاربرها در برخورد با شبکه‌های اجتماعی، تحلیل رفتار کاربر برای سازمان‌ها بسیار حائز اهمیت است. لذا در این بخش در مورد ضرورت تحلیل رفتار کاربر در شبکه‌های اجتماعی بحث شده و فضای مسئله بیان خواهد شد. علاوه بر این چالش‌های پیش رو بررسی شده و ساختار روش تحقیق ارائه خواهد گردید.
1-2- ضرورت مطالعه رفتار کاربر
رفتار مصرف‌کننده یکی از مهم‌ترین مسائلی است که در دهه‌های اخیر موردبحث و تحقیق قرارگرفته است. سازمان‌ها همیشه خواهان فهم نحوه تصمیم‌گیری مصرف‌کننده بوده‌اند تا بتوانند در طراحی محصولات و خدمات خود از آن استفاده کنند.
داشتن درک صحیح از مصرف‌کنندگان و فرایند مصرف، مزیت‌های متعددی را در بردارد. این مزیت‌ها شامل کمک به مدیران در جهت تصمیم‌گیری، تهیه یک مبنای شناختی از طریق تحلیل مصرف‌کنندگان، کمک به قانون‌گذاران و تنظیم‌کنندگان برای وضع قوانین مربوط به خریدوفروش کالا و خدمات و درنهایت کمک به مصرف‌کنندگان در جهت تصمیم‌گیری بهتر است (سیبرت، 1996).
همواره فنّاوری‌های جدید درصدد تغییر رفتار کاربران و مجبور کردن آنها به استفاده از آن فنّاوری بوده‌اند. اینترنت در عصر حاضر به دلیل سادگی استفاده، گستردگی و سرعت بالا، به مهم‌ترین منبع اطلاعات برای بسیاری از کالاها و خدمات تبدیل‌شده است. خصوصیات منحصربه‌فرد اینترنت و برتری کامل آن نسبت به بازارهای دیگر باعث رو آوردن بسیاری از سازمان‌ها برای گسترش خدمات و کالاهای خود در بازارهای اینترنتی گشته است. ازاین‌رو محیط اینترنت به فضای رقابتی بسیار شدیدی برای سازمان‌ها تبدیل‌شده است.
مهم‌ترین عنصر اجتماعی کنونی در اینترنت که طی چند سال اخیر دارای اهمیت بسیار زیادی شده است شبکه‌های اجتماعی می‌باشند. شبکه‌های اجتماعی آنلاین را می‌توان به‌نوعی به یک وب‌سایت مبادله یا خرید تشبیه کرد. در فرایند خرید و بررسی رفتار کاربر و مصرف‌کننده، کالا یا خدماتی مبادله خواهد شد؛ این کالا یا خدمات می‌تواند از جنس اطلاعات، عواطف و احساسات باشد (هوستون، 1986).
چیزی که در اکثر شبکه‌های اجتماعی مورد مبادله قرار می‌گیرد شاید فیزیکی نباشد ولی به همان اندازه یا حتی بیشتر اهمیت دارد. از مطالعه رفتار کاربر در شبکه اجتماعی می‌توان استنتاج‌های بسیار زیادی داشت. همچنین درک رفتار کاربر می‌تواند به جذب کاربران بیشتر و استفاده از اطلاعات آنها در شبکه‌های اجتماعی کمک کند.
1-3- نیاز به نقشه‌های مفهومی فازی
بسیاری از پارامترهایی که در رفتار کاربر تأثیرگذارند دارای قطعیت کافی نیستند و به همین دلیل می‌توان آنها را به مجموعه‌های فازی نسبت داد و به‌سادگی از نقشه‌های مفهومی فازی استفاده نمود.
نقشه‌های مفهومی فازی زمانی که از داده‌های نامطمئن استفاده می‌کنیم نقش بسیار مهمی ایفا می‌کند. یکی از ساده‌ترین روش‌ها برای محاسبه و تحلیل مؤثر نقشه‌های مفهومی فازی استفاده از گراف‌های جهت‌دار و ماتریس‌های اتصال است (آگیولار، 2005).
1-4- تعریف مسئله
عموماً در اکثر فرایندهای تصمیم‌گیری و مطالعه رفتار کاربر از روش‌های کمی استفاده‌شده که نیازمند تعریف مسئله به‌صورت دقیق هستند. دراین‌بین بسیاری از پارامترهای مربوط به تصمیم‌گیری کیفی می‌باشند و یا دارای عدم قطعیت‌اند که معمولا در این محاسبات نادیده گرفته شده و حذف می‌شوند.
مطالعه رفتار کاربر در شبکه‌های اجتماعی از جمله مسائل تصمیم‌گیری است که دارای پارامترهای کیفی بسیار زیادی می‌باشد. به همین دلیل استفاده از روش‌هایی که از داده‌های کیفی و دارای عدم قطعیت استفاده می‌کنند بسیار مناسب است.
تحلیل به روش نقشه‌های مفهومی فازی از آن دسته روش‌هایی است که در محاسبات خود از داده‌های کیفی و دارای عدم قطعیت استفاده می‌نماید. به همین دلیل استفاده از تحلیل نقشه‌های مفهومی فازی روشی مناسب در محاسبه و بررسی رفتار کاربر در شبکه‌های اجتماعی می‌باشد.
1-5- چالش‌های پیش رو
اگر چه تلاش‌های زیادی به منظور تحلیل رفتار کاربر صورت گرفته است اما تاکنون این مباحث در مورد شبکه‌های اجتماعی و با استفاده از نقشه‌های مفهومی فازی پیاده نشده است و چالش‌هایی در این راستا وجود دارد که در ادامه تعدادی از آنها را معرفی می‌نماییم.
1-5-1- پویا بودن سامانه
شبکه های اجتماعی جزو سامانه های پویایی هستند که به مرور زمان تغییرات زیادی در آنها اتفاق می‌افتد. در تحلیل رفتار کاربر باید تغییر در علایق و رفتار کاربر با گذر زمان را مدنظر قرار داد.
1-5-2- عدم قابلیت تفکیک پارامترهای کیفی
بسیاری از پارامترهای بکار گرفته شده، در معنا بسیار به هم نزدیک بوده و برای تحلیل‌گر ایجاد ابهام می‌کند. عدم قابلیت تفکیک به دلیل عدم قطعیت این پارامترها یکی از مسائلی است که مشکلات زیادی برای تحلیل‌گر ایجاد می‌کند.
1-6- روش تحقیق
(تصاویر در فایل اصلی موجود است )
1-7-ساختار پایان‌نامه
در این پایان‌نامه 5 فصل وجود دارد که ترتیب آنها بدین شرح است:
فصل اول: کلیات تحقیق
در این فصل هدف و حوزه تحقیق مطرح شده و رهیافت پیشنهادی بصورت کلی نشان داده شده است.
فصل دوم: نقشه‌های مفهومی فازی
در این فصل به معرفی روش تحلیل نقشه‌های مفهومی فازی، انواع و چگونگی استفاده از آنها شرح داده شده است.
فصل سوم: رفتار کاربر
این فصل به اهمیت مطالعه رفتار کاربر و تغییرات آن با ظهور اینترنت و شبکه‌های اجتماعی پرداخته است.
فصل چهارم: مدل پیشنهادی
در این فصل اقدامات صورت گرفته در جهت پیشبرد این پایان‌نامه توصیف شده است.
فصل پنجم: نتیجه‌گیری
در این فصل نتیجه بدست آمده در ادامه تحلیل‌های عنوان شده در فصل چهارم آورده شده و در نهایت به ارائه پیشنهاداتی در جهت پیشبرد بیشتر و آتی این پایان‌نامه پرداخته است.
فصل دوم
نقشه‌های شناختی فازی
2-1- مقدمه
در این فصل ابتدا در مورد مجموعه‌های کلاسیک و فازی و ویژگی‌های آنها توضیح خواهیم داد. سپس تفاوت آنها را موردبررسی قرار داده و نقاط قوت مجموعه‌های فازی را بیان می‌کنیم.
در ادامه به تشریح نقشه‌های مفهومی فازی، ماهیت، روش تشکیل و انواع آنها پرداخته خواهد شد.
2-2- تئوری مجموعه‌های کلاسیک
یک مجموعه اجتماعی از اشیا است که باوجود خصوصیات مشترک قابل تمیز دادن از یکدیگر هستند. هر درایه در این مجموعه یک عضو از مجموعه خوانده می‌شود.
اگر یک عنصر (a) عضو مجموعه‌ای (A) باشد، گفته می‌شود که a متعلق به مجموعه A است و آن را به‌صورت نشان می‌دهند. علامت E نشان‌دهنده عضویت تام و نه جزئی است. در مقابل علامت نیز نشان‌دهنده عدم عضویت تام است؛ یعنی ممکن نیست عنصری به‌طور جزئی عضو مجموعه باشد و یا نباشد. (ژانگ و لیو، 2006)
2-3- تئوری مجموعه‌های فازی
مرزهای مجموعه‌های کلاسیک می‌بایست به‌طور دقیق مشخص‌شده باشند و درنتیجه عضویت در یک مجموعه با اطمینان مشخص می‌شود. یک عضو مشخصاً عضو یک مجموعه هست یا نیست. هرچند در دنیای واقعی هیچ مجموعه‌ای با این دقت پیاده‌سازی نمی‌شود. برای مثال، مجموعه انسان‌های قدبلند یک مجموعه است که مرزهای آن را به‌طور دقیق نمی‌توان مشخص کرد یا استانداردی در مورد آن وجود ندارد. برای مقابله با این محدودیت در مجموعه‌های کلاسیک، مفهوم مجموعه‌های فازی عنوان شد.
فرض کنید U یک مجموعه مرجع باشد. یک مجموعه فازی در U به‌وسیله تابع عضویت تعریف می‌شود و مقداری بین [0,1] می‌گیرد. بدین معنی که یک مجموعه فازی به اعضای خود اجازه می‌دهد برای عضویت خود بجای مقدار 0 یا 1 مقداری بین این دو عدد را به خود اختصاص دهند. (ژانگ و لیو، 2006)
اعضای یک مجموعه کلاسیک مقدار عضویت خود را تنها 0 یا 1 اختیار می‌کنند. درحالی‌که تابع عضویت در مجموعه فازی یک تابع پیوسته است. یک مجموعه فازی A در U ممکن است به‌وسیله زوج اعداد x و مقدار عضویت x نشان داده شود. (ژانگ و لیو، 2006)
(2- 1)
زمانی که U پیوسته باشد (برای مثال )، مجموعه فازی A به‌صورت زیر نشان داده می‌شود (ژانگ و لیو، 2006):
(2- 2)
که در آن اعضا و تابع عضویت است. در مقابل زمانی که U گسسته باشد، A به‌صورت زیر نوشته می‌شود (ژانگ و لیو، 2006):
(2- 3)
پشتیبان یک مجموعه فازی A در مجموعه مرجع U یک مجموعه کلاسیک است که شامل تمام اعضای U است که در تابع عضویت A مقدار غیر صفر داشته باشند (ژانگ و لیو، 2006):
(2- 4)
اگر پشتیبان یک مجموعه فازی خالی باشد، به آن مجموعه فازی خالی گفته می‌شود.
همان‌طور که گفته شد متغیرهای فازی می‌توانند به‌صورت جزئی عضو یک مجموعه فازی باشند. به‌طور مثال در مورد دمای هوا، ممکن است گرم یا خیلی سرد باشد. متغیر دمای هوا با مقدار 25 درجه سانتی‌گراد هم عضو مجموعه هوای گرم و هم عضو مجموعه هوای معتدل است. ولی مقدار عضویت در هرکدام از این مجموعه‌ها متفاوت است.
(تصاویر و نمودار ها در فایل اصلی موجود است)
2-4- نقشه‌های شناختی فازی
FCM[1] برای اولین بار توسط بارت کاسکو[2] در سال 1986 تعریف شد. FCM زمانی که از داده‌های نامطمئن استفاده می‌کنیم نقش بسیار مهمی ایفا می‌کند و یکی از ساده‌ترین روش‌ها برای محاسبه و تحلیل مؤثر به‌وسیله گراف‌های جهت‌دار و ماتریس‌های اتصال است (کاسکو، 1986).
FCM یک گراف جهت‌دار است که در آن مفاهیمی همچون سیاست‌ها، رخدادها و غیره، گره‌های آن و رابطه علت و معلولی به‌عنوان یال‌های آن در نظر گرفته می‌شود. FCM نشان‌دهنده رابطه علیت بین دو مفهوم است. (کاسکو، 1986)
اگر افزایش (یا کاهش) در یک مفهوم موجب افزایش (یا کاهش) در مفهوم دیگری شود، رابطه بین آنها را با 1+ نشان می‌دهیم. اگر رابطه‌ای بین آنها نباشد با 0 و اگر با افزایش (یا کاهش) یک مفهوم، مفهوم دیگری کاهش (یا افزایش) داشته باشد رابطه بین آنها را با 1- نشان می‌دهیم. (هورگا، 2002)
زمانی که گره‌های یک FCM از مجموعه‌ای فازی باشند به آنها گره‌های فازی گفته می‌شود. این مجموعه‌ها شامل مفاهیمی همچون سیاست‌ها، رخدادها و غیره می‌باشند.
FCM با مجموعه رابطه ، FCM ساده خوانده می‌شود. (بانینی و برمن، 1998)
فرض کنید FCM از گره‌های تشکیل‌شده است. وزن یال از به را نشان می‌دهد. E مجموعه یال‌های FCM است . به ماتریس E ماتریس مجاورت FCM یا ماتریس اتصال FCM گفته می‌شود. تمامی ماتریس‌هایی که به یک FCM مربوط می‌باشند مربعی هستند.
در نقشه‌های مفهومی فازی غیر ساده مقادیر از 1- به معنای اثر منفی شدید، تا 1+ به معنای اثر مثبت شدید قرار دارند. برای مثال مانند جدول زیر می‌توان این مقادیر عددی را به مقادیر مفهومی نگاشت کرد. (هورگا، 2002)
Abstract
Nowadays that using Internet and social network has been expanded and overshadowed many dimension of human life and also intangible changes of user behavior in using these social networks, user behavior analysis is very important for organizations.
Many of parameters that influence user behavior does not contain certainty. Fuzzy cognitive maps has an important role in using uncertainty parameters. One of the basic ways for calculating and analyzing fuzzy cognitive maps is to use directed graphs and connection matrixes.
There is not any mensionable research for analyzing user behavior in social network using fuzzy cognitive maps, until now. In this thesis, parameters that influence user behavior has been collected by using Delphi method and analyzed by fuzzy cognitive maps and extracted their relations among them.
Keywords: user behavior, fuzzy cognitive map, social network
فهرست پایان نامه عوامل دخیل در رفتار کاربر در شبکه های اجتماعی با استفاده از روش دلفی از چندین خبره
فهرست:
فصل اول – کلیات تحقیق... 1
1-1- مقدمه. 2
1-2- ضرورت مطالعه رفتار کاربر. 2
1-3- نیاز به نقشه‌های مفهومی فازی... 4
1-4- تعریف مسئله. 4
1-5- چالش‌های پیش رو. 5
1-5-1- پویا بودن سامانه. 5
1-5-2- عدم قابلیت تفکیک پارامترهای کیفی... 5
1-6- روش تحقیق... 6
1-7-ساختار پایان‌نامه. 6
فصل دوم – نقشه‌های مفهومی فازی... 8
2-1- مقدمه. 9
2-2- تئوری مجموعه‌های کلاسیک..... 9
2-3- تئوری مجموعه‌های فازی... 10
2-4- نقشه‌های شناختی فازی... 12
2-4-1- خصوصیات نقشه‌های مفهومی فازی... 16
2-4-2- انواع نقشه‌های مفهومی فازی... 21
2-5- نتیجه‌گیری... 28
فصل سوم – رفتار کاربر. 29
3-1- مقدمه. 30
3-2- رفتار مصرف‌کننده. 30
3-3- رفتار مصرف‌کننده در اینترنت.... 33
3-4- رفتار کاربر در شبکه‌های اجتماعی... 34
3-4-1- پارامترهای مربوط به اجتماع.. 34
3-4-2- پارامترهای مربوط به وب‌سایت.... 35
3-4-3- پارامترهای مربوط به کاربر. 35
3-5- مدل‌های رفتار خرید.. 35
3-5-1- مدل رفتار خرید هاوکینز. 36
3-5-2- مدل رفتار خرید هاوارد- شیث.... 36
3-5-3- مدل رفتار خرید انگل–کولات–بلک ول.. 36
3-6- مروری بر تحقیقات انجام شده. 37
3-7- نتیجه‌گیری... 39
فصل چهارم – مدل پیشنهادی... 40
4-1- مقدمه. 41
4-2- روند انجام تحلیل... 42
4-2-1- مطالعه موردی و استخراج عامل‌ها 42
4-2-2- عامل‌های مربوط به جامعه. 43
4-2-3- عامل‌های مربوط به کاربر. 48
4-2-4- عامل‌های مربوط به وب‌سایت.... 61
4-2-5- جدول مقایسه عامل‌ها 71
4-3- روش دلفی... 74
4-4- ماتریس مجاورت FCM..... 77
4-5- نقشه مفهومی فازی... 78
4-6- تحلیل FCM..... 83
4-7- نتیجه‌گیری... 86
فصل پنجم – نتیجه گیری و پیشنهادها 87
5-1- نتایج.. 88
5-2- مزایا و موانع.. 90
5-3- پیشنهاد برای تحقیقات آتی... 90
مراجع.. 92
منبع:
امیری،بهنام.1390.پیش بینی الگوهای رفتاری مشتریان بانک جهت شناسایی روش مناسب برای ارائه سرویس های پیشنهادی، مجله دانش و فناوری ،سال اول،شماره 4.
اویسی، نوشین .1390.تمایل به خرید مجدد آنلاین در تجارت الکترونیکی بین بنگاه و مصرف کننده با رویکرد کیفیت ارتباطات آنلاین (مورد مطالعه : دانشجویان دانشگاه علامه طباطبایی)، پایان نامه کارشناسی ارشد،دانشگاه علامه طباطبایی، دانشکده مدیریت و حسابداری .
بخشی، مریم .1391. بررسی مدلی برای پذیرش بانکداری الکترونیکی با در نظر گرفتن عامل اعتماد مشتریان (مطالعه موردی یکی از بانک های دولتی ایران )، پایان نامه کارشناسی ارشد ،دانشگاه الزهرا، دانشکده فنی مهندسی .
علایی پور، حدیث . 1392. بررسی تاثیر کیفیت محصول و مدیریت ارتباط با مشتری در میزان تعهد و وفاداری مشتریان (مطالعه موردی :شرکت وند شیمی ساختمان ، تولید کننده ی افزودنی بتن ) ،پایان نامه کارشناسی ارشد، دانشگاه پیام نور استان سمنان، دانشکده مدیریت وعلوم انسانی تابستان.
Adler, M., & Ziglio, E. 1996. Gazing Into The Oracle: The Delphi Method And Its Application To Social Policy And Public Health. Jessica Kingsley Publishers.
Aguilar, J. 2002. Adaptive Random Fuzzy Cognitive Maps. In Advances in Artificial Intelligence—IBERAMIA (pp. 402-410). Springer Berlin Heidelberg.
Aguilar, J. 2005. A Survey about Fuzzy Cognitive Maps Papers. International journal of computational cognition, 3(2), pp 27-33.
Amari, S. I. 1972. Learning Patterns and Pattern Sequences by Self-Organizing Nets of Threshold Elements. Computers Transactions on IEEE, 100(11), pp. 1197-1206.
Banini, G. A., & Bearman, R. A. 1998. Application of Fuzzy Cognitive Maps to Factors Affecting Slurry Rheology. International Journal of Mineral Processing, 52(4), pp. 233-244.
Berlyne, D. E. 1963. Motivational Problems Raised By Exploratory and Epistemic Behavior. Psychology: A study of science, 5, pp. 284–364. New York, NY: McGraw-Hill.
Brown, J., Broderick, A. J., & Lee, N. 2007. Word Of Mouth Communication within Online Communities: Conceptualizing the online social network. Journal of interactive marketing, 21(3), pp. 2-20
Carlsson, C., & Fuller, R. 1996. Adaptive Fuzzy Cognitive Maps for Hyperknowledge Representation in Strategy Formation Process. Proceedings of International Panel Conference on Soft and Intelligent Computing, 3(2), pp. 43-50.
Carvalho, J. P., Paulo, J., José, C., & Tomé, A. B. 2000. Rule Based Fuzzy Cognitive Maps, Qualitative Systems Dynamics. pp. 132-140.
Cetină, I., Munthiu, M. C., & Rădulescu, V. 2012. Psychological and Social Factors That Influence Online Consumer Behavior. Procedia-Social and Behavioral Sciences, 62, pp. 184-188.
Cheung, C. M., Chan, G. W., & Limayem, M. 2005. A Critical Review of Online Consumer Behavior: Empirical Research. Journal of Electronic Commerce in Organizations (JECO), 3(4), pp. 1-19.
Constantinides, E. 2004. Influencing the online consumer’s behavior: the Web experience. Internet research, 14(2), pp.111–126.
Dennis, C., Merrilees, B., 2009. E-consumer behaviour. European Journal of Marketing, 43(9/10), pp.1121–1139.
Durmaz, Y. 2014. The Impact of Psychological Factors on Consumer Buying Behavior and an Empirical Application in Turkey. Asian Social Science, 10(6), pp.194
Eden, C. 1992. On The Nature of Cognitive Maps. Journal of management studies, 29(3), pp. 261-265.
Esteban-Millat, I., Martínez-López, F. J., Luna, D., & Rodríguez-Ardura, I. 2014. The Concept of Flow in Online Consumer Behavior. In Handbook of Strategic e-Business Management pp. 371-402. Springer Berlin Heidelberg.
Georgopoulos, V. C., Malandraki, G. A., & Stylios, C. D. 2003. A Fuzzy Cognitive Map Approach to Differential Diagnosis of Specific Language Impairment. Artificial intelligence in Medicine, 29(3), pp. 261-278.
Hawkins, D., Best, R., Conley, K., 1983, Consumer Behavior: Implications for Marketing Strategy, Plano TX: Business Publications.
Hoffman, D. L., & Novak, T. P. 1996. Marketing in Hypermedia Computer-Mediated Environments: Conceptual Foundations. Journal of Marketing, 60(3), pp. 50–68.
Hofstede, G. 1991. Culture’s Consequences: Comparing Values, Behaviors, Institutions and Organizations across Cultures. Thousand Oaks, CA: Sage.
Houston, F. S. 1986. The Marketing Concept: What It Is and What It Is Not. The Journal of Marketing, pp. 81-87.
Howard, J.A., Sheth, J. N., 1969. Theory of Buyer Behavior, AGRIS Publication.
Huerga, A. V. 2002. A Balanced Differential Learning Algorithm in Fuzzy Cognitive Maps. In Proceedings of the 16th International Workshop on Qualitative Reasoning.
Huizingh, E. 2000. The Content and Design of Websites: An Empirical Study. International Journal Information and Management, 37, pp. 123-134.
Kandasamy, W. V., & Smarandache, F. 2003. Fuzzy Cognitive Maps and Neutrosophic Cognitive Maps. Infinite Study. NY.
Kannan, P. K., & Kopalle, P. K. 2001. Dynamic Pricing on the Internet: Importance and Implications for Consumer Behavior. International Journal of Electronic Commerce, 5, pp.63-84.
Kosko, B. 1986. Fuzzy Cognitive Maps. International journal of man-machine studies, 24(1), pp. 65-75.
Koufaris, M. 2002. Applying the Technology Acceptance Model and Flow Theory to Online Consumer Behavior. Information systems research, 13(2), pp. 205-223.
Laroche, M., & Richard, M. O. 2014. A Model of Online Consumer Behavior. In Handbook of Strategic e-Business Management pp. 325-346.
Leong, E. K. F., Ewing, M. T., & Pitt, L. F. 2002. E-Comprehension: Evaluating B2B Websites Using Readability Formulae. Industrial Marketing Management, 31(2), pp. 125–131.
Ludwig, L., & Starr, S. 2005. Library as Place: Results of a Delphi Study. Journal of the Medical Library Association, 93(3), pp. 315-317.
Mason, R., 1984, Conspicous Consumption: a Literature Review, European Journal of Marketing, 18(3), pp. 26-39.
Mika, P. 2005. Flink: Semantic Web Technology for the Extraction and Analysis of Social Networks. Web Semantics: Science, Services and Agents on the World Wide Web, 3(2), pp. 211-223.
Montoya-Weiss, M. M., Voss, G. B., & Grewal, D. 2003. Determinants of Online Channel Use and Overall Satisfaction with a Relational, Multichannel Service Provider. Journal of the Academy of Marketing Science, 31(4), pp. 448–458.
Ozmete, E., Hira, T., 2011. Conceptual analysis of behavioral theories/models: Application to financial behavior. European Journal of Social Sciences, 18(3), pp.386–404.
Richard, M. O., Chebat, J. C., Yang, Z., & Putrevu, S. 2010. A Proposed Model Of Online Consumer Behavior: Assessing The Role Of Gender. Journal of Business Research, 63(9), pp. 926-934.
Sharma, P., Kumar, S., 2011. An Approach for Customer Behavior Analysis Using Web Mining. International Journal of Internet Computing, pp.2231–2696.
Shugan, S.M. 2006. Editorial-Are Consumers Rational? Experimental Evidence? Marketing Science, 25(1), pp.1–7.
Siebert, C. 1996, June. The Cuts That Go Deeper. New York Times Magazine, pp. 20-35.
Stevenson, J. S., Bruner, G. C, I. I., & Kumar, A. 2000. Web Page Background ر and Viewer Attitudes. Journal of Advertising Research, 40(1/2), 29–34.
Tsadiras, A. K., & Margaritis, K. G. 2007. A New Balance Degree for Fuzzy Cognitive Maps. Thecnical Report, Department of Applied Informatics, University of Macedonia, 54006.
Zhang, H., & Liu, D. 2006. Fuzzy Set Theory and Rough Set Theory. Fuzzy Modeling and Fuzzy Control, pp. 1-32.