فصلنامه علمی رسانه‌های دیداری و شنیداری

فصلنامه علمی رسانه‌های دیداری و شنیداری

هوش مصنوعی و الگوی مدیریت بهینه پخش تلویزیون

نوع مقاله : مقاله پژوهشی

نویسندگان
علی رضا توحیدی 1
علی اکبر فرهنگی 2
1 دکتری مدیریت رسانه، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران.ایران
2 استاد مدیریت رسانه، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران.ایران
10.22085/javm.2025.548385.2395
چکیده
مقدمه: تحولات در عرصه‌های مختلف رسانه‌ای، به‌ویژه گسترش پرشتاب هوش مصنوعی مدیریت پخش تلویزیون را در وضعیت چالش‌برانگیزی قرار داده است.



هدف: ارائه الگوی مدیریت بهینه پخش تلویزیون، با اتکا به هوش مصنوعی و شناخت ابعاد، شاخص‌هایش است.



روش تحقیق: پژوهش با استفاده از روش دلفی و بهره‌گیری از آرای 20 تن از صاحب‌نظران (با انتخاب هدفمند)، در دو مرحله انجام شد و داده‌های کیفی از نظر خبرگان (تا رسیدن به اشباع نظری) به‌دست‌آمده است. در ابتدا شیوه و مؤلفه‌های مدیریت بهینه پخش تلویزیون، استخراج و الگوی اولیه پیشنهاد شده و سپس از پرسش‌نامه برای تأیید داده‌های کمّی نتایج و تأیید الگوی نهایی بهره برده شد.



یافته‌های پژوهش : هوش مصنوعی و یادگیری ماشینی، با استفاده از الگوریتم‌های نظارت، یادگیری تقویتی و سامانه توصیه‌گر پالایش گروهی، داده‌ها را آماده می‌نماید. سامانه هوشمند، انتخاب برنامه‌ها و تناسب برنامه مجاور را شناسایی و تنظیم می‌نماید؛ علاوه بر این، نحوه چینش برنامه‌ها، شیوه قرارگیری پی‌درپی برنامه‌ها و راهبردهای توالی و تسلسل برنامه در پخش، خودکار تدبیر می‌شود. ارزیابی هوشمند با تجربیات مدیر و بازخورد صریح و ضمنی مخاطب برای اصلاح هوشمند پخش انجام می شود.



نتیجه گیری: الگوی مدیریت بهینه پخش تلویزیون، شامل: تنظیم هوشمند داده‌های برنامه، تدبیر منابع، کاربرد سامانه همسان‌یاب برنامه تولیدی و آرشیوی، برنامه‌ریزی هوشمند، پیش‌بینی، تخصیص بهینه منابع، تصمیم‌گیری هوشمند و ارزیابی هوشمند است.
کلیدواژه‌ها
مدیریت
پخش تلویزیون
هوش مصنوعی
یادگیری ماشینی

عنوان مقاله English

Artificial Intelligence and the Optimal Management Model for Television Broadcasting

نویسندگان English

ali reza towhidi 1
Ali Akbar Farhangi 2
1 PhD Student in Media Management, Department of Media Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran,iran
2 ,Professor, Department of Media Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, IRAN
چکیده English

Introduction: Developments in various media fields, especially the rapid development of artificial intelligence, have placed television broadcasting management in a challenging situation.



Objective: To present an optimal management model for television broadcasting, relying on artificial intelligence and recognizing its dimensions and indicators.



Research Method: The research was conducted in two stages using the Delphi method and using the opinions of 20 experts (with purposeful selection), and qualitative data was obtained from the experts' opinions (until theoretical saturation was reached). Initially, the optimal management method and components of television broadcasting were extracted and the initial model was proposed, and then a questionnaire was used to verify the quantitative data of the results and verify the final model.



Research findings: Artificial intelligence and machine learning prepare the data using monitoring algorithms, reinforcement learning, and a group refinement recommender system. The intelligent system identifies and adjusts the selection of programs and the suitability of adjacent programs; in addition, the arrangement of programs, the method of consecutive placement of programs, and the strategies of program sequence and sequence in broadcasting are automatically planned. Intelligent evaluation is carried out with the manager's experiences and explicit and implicit feedback from the audience to intelligently improve broadcasting.



Conclusion: The optimal management model of television broadcasting includes: intelligent adjustment of program data, resource planning, application of the production and archival program matching system, intelligent planning, forecasting, optimal allocation of resources, intelligent decision-making, and intelligent evaluation.

کلیدواژه‌ها English

Management
TV broadcasting
artificial intelligence
machine learning
  افخمی، حسین، حسام پور، محمد (1400). مطالعه تطبیقی جایگاه کنداکتور جدول پخش در تلویزیون خطی و غیرخطی. فصلنامه دیداری و شنیداری دانشگاه صداوسیما. ش 40. 183-143. زمستان 1400
        
  توکلی، مجتبی (1392). ارزیـابی جدول پخش شـبــکه‌های سیـمای جمهـوری اسـلامی ایـران  سال 1392.پایان نامه کارشناسی ارشد دانشگاه صداوسیما. تهران
 
طبیبی، سید جمال‌الدین و ملکی، محمدرضا و دلگشایی، بهرام (1395). تدوین پایان‌نامه، رساله، طرح پژوهشی و مقاله علمی. تهران: انتشارات فردوس
 
فارستر، کریس (1393)حتی بالاتر: آینـده پخش همگانی. مهـدی سیاسـی فر. قم: پژوهش‌های اسلامی صداوسیما
 
فرهنگی علی‌اکبر؛ خواجه ئیان، داتیس (1394). مدیریت رسانه مدیریت زنجیره ارزش. تهران. دانشگاه صداوسیما.
 
مهدی‌زاده، سیدمهدی (1396). نظریه‌های رسانه اندیشه‌های رایج و دیدگاه‌های انتقادی. تهران. همشهری.
 
مینایی، مهدی؛  خجسته باقرزاده حسن، پورحسین، رضا؛ شریفی، سید مهدی (1400). شناسایی و تبیین اصول و شیوه‌های طراحی جدول پخش شبکه‌های سیما. فصلنامه علمی رسانه‌های دیداری و شنیداری، ش 38، تابستان 1400 .  15(38), 141-170.
doi: 10.22085/javm.2021.300627.1811

 

یاسمین، سیامک؛ نعمتی انارکی، داوود؛ دانایی، ابوالفضل؛ رشیدی، احتشام (1402). طراحی الگوی مدیریت عملکرد در سازمان‌های رسانه‌ای در زمان اپیدمی بیماری کرونا . پژوهش‌های ارتباطی، دوره 30، شماره 114. مرداد 1402.

یونگهاگن، سون ، هنریک‌سی‌جی لیندروث (2003).. مدیریت هوشمند در اقتصاد دانایی محور، مترجم عباس منوریان. مرکز مدارک علمی و انتشارات سازمان مدیریت و برنامه‌ریزی کشور،
 
references
 
  Chan-Olmsted Sylvia M.(2019). A Review of Artificial Intelligence Adoptions in the Media Industry.Pages 193-215 International Journal on MediaManagement.
 
   Changa Na, Mhd Irvanb, Takao Teran. (2013) TV program recommender framework. Tokyo Institute of Technology, 4259-J2-52  Nagatsuda-Cho, Midori-ku, Yokohama, 226-8502, Japan.© 2013 The Authors. Published by Elsevier .
 
   Chang Jui-Hung· Chin-Feng Lai· Ming-Shi Wang(2015).A fair scheduler using cloud computing for digital TV program recommendation system. Telecommun Syst 60, 55–66. htt© Springer ScienceBusiness Media New York .
 
  Cheng,Gong.(2018). Artificial Intelligence in Media Industries; Creating Better User Experiences and Maintaining High Customer Loyalties. Drexel University, ProQuest Dissertations Publishing.
 
   Chernov, Alexey (2019). Artificial Intelligence in Management:challenges and opportutties. Conference: 38th International Scientific Conference on Economic and Social Development.
   Cortellessa Gabriella,Alfonso Emilio ,Gerevini,Daniele Magazzeni,Ivan Serina. (2014). Automated planning and scheduling. Intelligenza Artificiale 8 (2014): 55–56.
 
   Connock. Alex(2022). Media Management and Artificial Intelligence ,Understanding Media Business Models in the Digital Age. Published November 18, 2022 by Routledge 344 Pages. ISBN 9781032100944.
 
   Coombs,Crispin.Hislop, Donald .Taneva, K Stanimira. Barnard, Sarah.(2020) The strategic impacts of Intelligent Automation for knowledge and service work: An interdisciplinary review.The Journal of Strategic Information Systems.Volume 29, Issue 4, December 2020, 101600.
https://doi.org/10.1016/j.jsis.2020.101600Get rights and content.
 
   Eastman. susan Tyler  Douglas Ferguson. (2013).Media Programming: Strategies and Practices.9th Edition, Kindle Edition.
 
    Ferreira,Deborah.Rozanova,Julia,.Krishna,Dubba.ZhangDell.(2020).Onthe Evaluation of Intelligence Process Automation. The University of Manchester. https://www.researchgate.net/publication/338476584.
 
    Fortunato John A. (2016) Agenda-Setting Through the Television Programming Schedule: An Examination of Major League Baseball on Fox, International Journal on Media Management, 18:3-4, 163-180.
   
    Jardine, Bryony & Romaniuk, Jenni & Dawes, John & Beal, Virginia. (2016). Retaining the primetime television audience. European Journal of Marketing. 50. 1290-1307. 10.1108/EJM-03-2015-0137.
 
    Jelonek , Mesjasz-Lech  Stępniak  Turek T Ziora  (2020) The Artificial Intelligence Application in the Management of Contemporary Organization: Theoretical Assumptions, Current Practices and Research Review. In: Arai K., Bhatia R. Advances in Information and Communication. FICC 2019. Lecture Notes in Networks and Systems, vol 69. Springer, Cham.
 
    Lee,SeungGwan,DaeHoLee*. (2018) A personalized channel recommendation and scheduling system considering both section video clips and full video clips. Humanitas College, Kyung Hee University, Deogyeong-daero, Giheung-gu, Yongin-si, Gyeonggi-do, South Korea.PLoS One. 2018 Jul 6;13(7):e0199748.
 
    Lupo Toni,( 2014)Non‐dominated “trade‐off” solutions in television scheduling optimization.International Transactions In Opertional Research.Volume22, Issue3 Pages 563-5840 (2014) 1–2. University of Palermo; Professor, Engineering & Technology; Italy. 
 
   Napoli    Philip M (2016) Big Data and Media Management, Rutgers University, USA. International Journal on Media Management, Special Issuentroduction: 18:1, 1-7.
 
   Nelson Jacob L. & James G. Webster (2016): Audience Currencies in the Age of Big Data, Northwestern University, USA. International Journal on Media Management.
 
  Reddy Srinivas K, Jay E. Aronson and Antonie Stam .1998.Scheduling Programs Optimally for Television.SPOT: Management Science .Vol. 44, No. 1 (Jan., 1998), pp. 83-102 .Published by: INFORMS .https://www.jstor.org/stable/2634428 .Page Count: 20
.
  Report ITU-R BT.2447-0 (04/2019). Radio communication Sector. Artificial intelligence systems for programme production and exchange
 .http://www.itu.int/ITU-go/patents/en.http://www.itu.int/publ/R-REP/en BT Series Broadcasting service (television).
 
Seshadri ,Sridhar. Sriram Subramanian. Sebastian Souyris.(2015). Scheduling Spots on Television. Indian School of Business, Hyderabad, India 500 032.
 
   Suzuki Yasuhisa.   Itaru Nishioka.   Wemer M. Wee(2019). TV Advertisement Scheduling by Learning Expert Intentions.. KDD '19: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningJuly.2019. Pages 3071–3081
https://doi.org/10.1145/3292500.3330768.
 
   Swain Animesh, (2018). Artificial Intelligence: Changing the Game of Media Asset Management (MAM).Product Line Management, Prime Focus Technologies
  Vahab Samandi.Debajyoti Mukhopadhyay.(2017).Proposing an Architecture for Scientific Workflow Management System in Cloud. India. Computing and Network Sustainability (pp.293-301(
   Yang Wang, Jidong Chen, Wei Ning, Hao Yu, Shimei Lin, Zhidong Wang, Guanshi Pang, Chao Chen,(2021)A time-sensitive network scheduling algorithm based on improved ant colony optimization,Alexandria Engineering Journal.,Volume 60, Issue 1,Pages 107-114,ISSN 1110-0168.