روشها و متدهای بسیار زیاد دیگری نیز در زمینه بهبود روش کلی پالایش گروهی مطرح می­باشد که در ذیل به صورت فهرست وار اسامی این روشها بیان می­گردد و به دلیل خروج از محدوده تحقیق، جزئیات آنها بیان نمی­گردد:
Significance Weighting[27]
Inverse User Frequency[21]
weighted majority prediction[30]
imputation-boosted CF[31]
۲-۲-۲- پالایش گروهی مبتنی بر مدل(Model Based)
در این تکنیک به کمک تخمین پارامترهای مدل آماری که بر اساس نظرات کاربران ایجاد گردیده است، ارائه پیشنهاد به کاربران یا پیش ­بینی امتیازدهی کاربر مقصد به یک آیتم خاص صورت می پذیرد به عنوان مثال یکی از ابتدایی­ترین روشها، روش تبدیل پالایش گروهی به یک مسئله “طبقه ­بندی^[۴۴]” می­باشد. در این حالت یک “تمایز دهنده^[۴۵]” برای کاربر مقصد به صورتی ایجاد می­گردد که در آن آیتم­ها به عنوان بردار معیارها روی کاربران تعریف و امتیازهای موجود به صورت برچسب کلاس در نظر گرفته می­ شود و به کمک تکنیک­های “کاهش بعد^[۴۶]” مشکل کمبود اطلاعات^[۴۷] نیز برطرف می­گردد. در سالهای اخیر تکنیک­های “فاکتور نهان^[۴۸]” و “مدل فاکتورگیری ماتریسی^[۴۹] "به عنوان بهترین روش های موجود در این زمینه شناخته و عرضه شده ­اند[۳۲].

بر خلاف مدلهای مبتنی بر حافظه که بر اساس تشابه میان کاربران یا آیتم­ها و اطلاعات آماری موجود، نسبت به تولید پیشنهاد، اقدام می­نمایند تکنیکهای مبتنی بر مدل تشابه میان کاربران یا آیتم­ها را، نتیجه وجود یک ساختار سطح پایین نهفته درون داده ­ها می­دانند. در این تحقیق سعی در استفاده از تکنیک­های مبتنی بر حافظه می باشد لذا از ارائه توضیحات بیشتر در این خصوص پرهیز شده است.
۲-۳- پالایش محتوایی (Content Based Filtering)
سیستمهای توصیه­گر تولید شده با بهره گرفتن از تکنیکهای پالایش گروهی، تنها بر اساس ماتریس امتیازات کاربران به آیتم­های مختلف یا بر اساس یک مدل تولید شده از اطلاعات موجود، نسبت به محاسبه و ارائه پیشنهاد اقدام می­ کنند همچنین کاربران و آیتم­ها به صورت موجودیتهای مجزا در نظر گرفته می­شوند و خصوصیات و مشخصه­های کاربران و آیتم­ها تاثیری در نتیجه پیشنهادات نخواهند داشت در حالیکه با کسب اطلاعات بیشتر در خصوص یک کاربر و شناخت علایق و سلایق وی، می توان پیشنهادات دقیق تر و مناسبتری را به وی ارائه نمود[۸] به عنوان مثال با داشتن اطلاعات در خصوص کارگردان یا سبک یک فیلم سینمایی می­توان پیشنهادات مناسبتری را به کاربر مقصد ارائه نمود[۳۳]. این تکنیک که در آن با توجه به خصوصیات و علایق یک کاربر یا مشخصات و ویژگیهای یک آیتم و با توجه به محتوا و مفاهیم، پیشنهاداتی ارائه می­گردد تحت عنوان “سیستمهای توصیه­گر مبتنی بر محتوا” یا “پالایش محتوایی^[۵۰]” نامگذاری شده ­اند.
تحقیقات بسیار زیادی در این زمینه، خصوصا در مورد پیشنهاد آیتم­هایی که اطلاعات متنی بسیاری در مورد آنها موجود می­باشد مانند کتابها، فیلم­ها و صفحات وب انجام گردیده است و به این مسئله از دیدگاه “بازیابی اطلاعات^[۵۱]” نگاه شده است و جمع آوری اطلاعات و محتوای مرتبط با ترجیحات و سلایق کاربر در قالب یک “پرس­و­جو^[۵۲]” بر روی اطلاعات مطرح می­ شود، به عنوان مثال کتابی که توسط کاربر مقصد امتیازی به آن داده نشده است بر اساس تشابه با پرس­و­جوی انجام شده امتیاز­ دهی می­گردد[۳۴].
به عنوان راه حل جایگزین روش های بازیابی اطلاعات، می توان مسئله پیشنهاد دهی به کاربران را به عنوان یک مسئله دسته­بندی در نظر گرفت که در آن محتوای هر آیتم به عنوان مشخصه­ها و معیار­ها مطرح می­گردند و امتیاز داده شده توسط کاربر به هر کدام از آیتم­ها به عنوان برچسب کلاس بکار می­رود­. به عنوان مثال در سایتهای فروش کتاب می­توان از اطلاعات عنوان کتاب، نویسنده، ناشر، تعداد دفعات چاپ و غیره برای آموزش^[۵۳] یک چند جمله­ای کلاسه­بند بیزین ساده^[۵۴] استفاده نمود[۳۵] و امتیازات در بازه ۱ تاk را مستقیما به k دسته نگاشت[۳۳].
سایر الگوریتمهای دسته­بندی مانند روش k نزدیکترین همسایه^[۵۵]، درختهای تصمیم ­گیری^[۵۶] و شبکه ­های عصبی^[۵۷] نیز برای تولید سیستمهای توصیه­گر مبتنی بر محتوا مورد استفاده قرار می­گیرند[۳۶].
۲-۴- تکنیکهای ترکیبی
با ترکیب انواع روشها و تکنیکها می­توان مدلهای نوینی تولید نمود که دارای نقاط قوت روش های ترکیب شده باشند و در مقابل دارای نقاط ضعف کمتری نسبت به هر یک از روشها باشند. روش های متعدد و گوناگونی توسط محققان مطرح شده است که به عنوان ساده­ترین روش می توان روش های پالایش گروهی و پالایش محتوایی را با یکدیگر ترکیب نمود و لیستهای پیشنهادی توسط هر کدام از روشها را با یکدیگر ترکیب نمود یا در روشی دیگر می توان به نتایج حاصل از دو روش وزن انتساب داد و به کمک میانگین وزنی نتایج را با یکدیگر ترکیب نمود[۳۳].
۲-۵- سیستمهای توصیه­گر مبتنی بر رابطه اعتماد میان کاربران
با ظهور شبکه ­های مبتنی بر اعتماد میان کاربران و با توجه به ویژگیها و خصوصیات اینگونه شبکه­ ها، روشها و الگوریتمهای جدیدی در خصوص ایجاد و بهبود سیستمهای توصیه­گر به نام روش های مبتنی بر اعتماد مطرح گردید[۱۰][۱۵].
سیستمهای توصیه­گر مبتنی بر اعتماد، سیستمهای توصیه­گری هستند که اطلاعات ارزشمندی را به کاربران خود و بر اساس رابطه اعتماد ارائه می­نمایند. اعتماد، در واقع اندازه میزان باور کاربران نسبت به یکدیگر است که بر اساس معیارهایی همچون توانایی، قدرت و خوبی افراد شکل می­گیرد. رابطه اعتماد، لزوما یک رابطه دو طرفه نیست و در اکثر مواقع به صورت یک رابطه یک طرفه بیان می­گردد که در آن به کاربری که به سایر کاربران اعتماد می­ کند “اعتماد کننده^[۵۸]” و فردی که در واقع مقصد و هدف رابطه اعتماد می باشد “مورداعتماد­^[۵۹]” نامیده می­ شود.
مقوله اعتماد و اطمینان میان کاربران به دو صورت کلی “اعتماد آشکارا^[۶۰]” و “اعتماد ضمنی^[۶۱]” مطرح می­باشد. اعتماد آشکارا، بیانگر وجود رابطه صریح اعتماد در میان خود کاربران و بر اساس نظرات ایشان می­باشد. در اینگونه اعتماد، افراد و کاربران، خود مشخص می­ کنند که به چه افراد، گروه، سازمان یا کاربرانی اعتماد دارند و به نظرات، پیشنهادات یا آرای ایشان اطمینان دارند و نظرات آنها می ­تواند مبنا و پایه تصمیم ­گیری قرار گیرد در حالیکه در اعتماد ضمنی کاربران صراحتا رابطه اعتماد میان خود را بیان نمی­کنند بلکه بر اساس پاره­ای از شواهد، مدارک و تشابهات، وجود رابطه اعتماد میان کاربران احساس می­گردد. به عنوان نمونه، ارسال ایمیل میان دو کاربر، هم­کلاسی بودن دو فرد، جنسیت یکسان، شغل مشابه، عضویت در یک گروه مشترک، سطح سوادی و طبقاتی مشابه و مثالهایی از این دست، می­توانند بیانگر وجود یکی رابطه اعتماد ضمنی باشند.
در مورد اعتماد آشکارا نیز، دو مقوله ” اعتماد مستقیم^[۶۲]” و ” اعتماد غیر­مستقیم^[۶۳]” مطرح می­باشد. اعتماد مستقیم، در واقع توسط یک رابطه مستقیم فی مابین دو کاربر بیان می­ شود در حالیکه در اعتماد غیر­مستقیم، بر اساس قانون تعدی و انتقال اعتماد، رابطه اعتماد میان دو کاربر غیر همسایه، شکل می­گیرد. یکی از مسائل اصلی در سیستمهای مبتنی بر اطمینان چگونگی محاسبه اعتماد غیر­مستقیم می­باشد. دو رویکرد متفاوت برای محاسبه اعتماد غیر­مستقیم مطرح می­باشد که عبارتند از:
بر پایه مدل^[۶۴] : در این روش یک مدل به همراه پارامترهایش برای محاسبه اعتماد غیر­مستقیم آموزش می­بیند[۳۷][۳۸].
بر پایه حافظه^[۶۵] : در این روش از مدل استفاده نمی­ شود بلکه از روش های اکتشاف^[۶۶] و ابتکاری^[۶۷] استفاده می­گردد[۱۵][۳۹].
در این تحقیق رابطه اعتماد میان کاربران از نوع آشکارا در نظر گرفته می­ شود تا بتوان به نتایج دقیق و قابل اعتمادی دست یافت چرا که تعیین و میزان رابطه اعتماد ضمنی، خود به عنوان یکی از موضوعات تحقیق می ­تواند مطرح گردد.
۲-۵-۱- چگونگی کارکرد سیستم توصیه­گر مبتنی بر اعتماد
سیستمهای توصیه­گر سنتی[۶] پیش ­بینی نظر کاربر u در خصوص آیتم i را بر اساس امتیازات و نظرات کاربران مشابه محاسبه و بیان می­نمایند. در این سیستمها یک همسایگی از کاربرانی که در خصوص آیتم i دارای نظر می­باشند و از نظر پروفایل دارای شباهت با کاربر u می باشند جستجو می­گردد و سپس از تجمیع نظرات ایشان، پیش ­بینی امتیاز نهایی صورت می­پذیرد. در سیستمهای توصیه­گر مبتنی بر اعتماد، بجای شباهت کاربران از شبکه اعتماد جهت یافتن همسایگان استفاده می­گردد و برای پیش ­بینی امتیاز به یک آیتم خاص، ابتدا از همسایگان مستقیم در خصوص اینکه آیا آنها در مورد آیتم مورد نظر دارای امتیاز می باشند یا خیر، پرسش می­ شود و در صورتیکه امتیازی موجود باشد به عنوان جواب بازگردانده می­ شود و در غیر اینصورت به صورت بازگشتی، از همسایگان مستقیم خود این پرسش را مطرح می­ کنند و به این ترتیب شبکه اعتماد به جهت یافتن پاسخ، جستجو و پیمایش می­ شود.
همسایگی در یک سیستم توصیه­گر مبتنی بر اعتماد، به صورت مجموعه ­ای از کاربران دارای نظر و امتیاز در خصوص یک آیتم خاص، مطرح می­باشد که می توانند به صورت مستقیم یا غیر مستقیم مورد اعتماد کاربر مبدا قرار گیرند. امتیازات این کاربران به یک آیتم خاص، تجمیع می­گردد تا نهایتا پیش بینی امتیاز نهایی صورت پذیرد.
کاوش و پیمایش شبکه اعتماد، لزوما باعث افزایش و بهبود دقت سیستم نمی­گردد اما به زوجهای<u,i> بیشتری می تواند پاسخ دهد که طبیعتا باعث افزایش و بهبود درصد پوشش می­گردد. شکل ۲-۲ ساختار یک شبکه اعتماد و چگونگی عملکرد آنرا نمایش می­دهد.
شکل ۲-۲ : نمایش یک شبکه اعتماد به همراه امتیازات بیان شده توسط کاربران در خصوص آیتمهای مختلف[۲۰]
همان طور که در شکل فوق مشخص است شبکه اعتمادی میان کاربران وجود دارد که باعث ارتباط ایشان می­گردد. در این شبکه کاربر مبدا u به دنبال پیش بینی امتیاز، برای آیتم هدف i (الماس سبز رنگ) می­باشد که در این شبکه تنها تعداد اندکی از کاربران، دارای امتیاز در خصوص آن می­باشند و سایر کاربران، دارای امتیاز برای سایر آیتمهایی می باشند که ممکن است توسط u به آنها امتیازی داده شده باشد و یا اینکه شبیه آیتم i باشند.
۲-۵-۲- مزایا و معایب
تکنیکهای مبتنی بر اعتماد، قادر به حل مشکلات بیان شده در خصوص سیستمهای توصیه­گر مبتنی بر تکنیکهای پالایش گروهی و پالایش محتوایی می­باشند[۴۰][۴۱]. به عنوان مثال مشکل “کمبود اطلاعات^[۶۸]” به دلیل وجود امکان انتقال اعتماد در شبکه میان کاربران، قابل کاهش و حل می باشد[۳۳][۴۲] مثلا اگر کاربر A به کاربر B و کاربر B به کاربر C اعتماد داشته باشد در نتیجه کاربر A به کاربر C نیز تا حدودی اعتماد خواهد داشت بنابراین در صورتیکه رابطه اعتماد مستقیمی میان کاربر هدف و سایر کاربران وجود نداشته باشد اما با توجه به توضیح فوق، کاربر هدف می تواند به واسطه توزیع و انتشار اعتماد، یک رابطه اعتماد غیر مستقیم را با سایر کاربران ایجاد نماید که این مسئله باعث افزایش درصد پوشش این تکنیکها به نسبت سایر تکنیکهای موجود خصوصا پالایش گروهی می­گردد. در کنار کلیه مزایا و بهبودهای موجود در روش مبتنی بر اعتماد باید به نکاتی نیز در مورد این روش توجه نمود:
در یک شبکه مبتنی بر اعتماد، با توجه به کمی تعداد یا کمبود اطلاعات همسایگان کاربر مبدا در خصوص آیتم مورد نظر وی، الگوریتم نیازمند این است تا علاوه بر بررسی نظرات کاربرانی که به طور مستقیم مورد اعتماد می­باشند نظرات کاربرانی نیز که به طور غیر­مستقیم مورد اطمینان می­باشند را بررسی نماید که این امر می ­تواند باعث کاهش دقت شود.
از سوی دیگر، زمانیکه در جستجوی نظرات کاربران مختلف در مورد آیتم هدف در شبکه مبتنی بر اعتماد، پیشروی می­کنیم با افزایش فاصله از کاربر مبدا، درجه اطمینان به طرز قابل ملاحظه­ای کاهش می­یابد که این امر می ­تواند باعث تولید داده ­های غیر قابل اعتماد گردد.
مدلهای مبتنی بر اعتماد دارای محدودیتها و نواقصی نیز می­باشند[۴۳]. به عنوان مثال، از نظر پیچیدگی محاسبات و منابع مورد نیاز، بهینه نبوده و دارای هزینه بسیار زیادی می­باشند و در برخی موارد نمی­ توان به صورت همزمان دقت نتایج و درصد پوشش را بهبود داد، همچنین اکثر مدلهای موجود بر وجود رابطه اعتماد مستقیم میان کاربران، بنا نهاده شده ­اند و تنها وجود یا عدم وجود رابطه اعتماد مد نظر قرار می­گیرد در حالیکه در مدل کردن دنیای واقعی، میزان رابطه اعتماد، عددی فازی و در محدوده ۰ تا ۱ می­باشد.
۲-۵-۳- انتشار اعتماد^[۶۹] و تجمیع اعتماد^[۷۰]
با توجه به بزرگی شبکه ­های اعتماد موجود در سایتهای مختلف، این امر کاملا مشخص است که تمامی کاربران نمی توانند روی یکدیگر شناخت داشته باشند و طبیعتا یک کاربر با تمامی کاربران دیگر ارتباط ندارد که معنی آن این است که اگر کاربر فرضی a بخواهد در رابطه با کاربر x، اعتماد خود را بیان کند به دلیل عدم وجود رابطه مستقیم با آن کاربر، باید از طریق سایر کاربران مانند کاربر b و ادامه این روند تا رسیدن به کاربر x میزان اعتماد خود را بیان نماید. به روند پیش ­بینی اندازه اعتماد میان کاربر a و کاربر x از طریق مسیر موجود میان آنها،"انتشار اعتماد” گفته می­ شود.
با توجه به این نکته که مسیرهای متعددی از کاربر a به کاربر x می ­تواند وجود داشته باشد باید مکانیزمی نیز برای تجمیع اندازه اعتماد محاسبه شده از طریق مسیرهای مختلف وجود داشته باشد که به این مکانیزم ” تجمیع اعتماد” اطلاق می­گردد.
دو مفهوم فوق پایه و اساس شبکه اعتماد و محاسبه اعتماد میان دو کاربر ناشناس را پایه­ریزی می­نمایند و روشها و تکنیکهای متعددی برای محاسبه آنها توسط محققان مطرح شده است.
۲-۶- چالش ها و محدودیتهای موجود
در این بخش پاره­ای از مشکلات، محدودیتها و چالش­های موجود در زمینه توسعه و بهبود سیستمهای توصیه­گر بیان می­گردد.
۲-۶-۱- نقصان و کاستی اطلاعات^[۷۱]
به دلیل امتیاز دهی کاربران به اندکی از آیتم­های موجود و عدم وجود اطلاعات کافی در خصوص تمامی کاربران و امتیازات آیتم­ها­، در توسعه سیستمهای توصیه­گر در اکثر مواقع با مشکل کمبود اطلاعات مواجه خواهیم بود. این امر در تکنیکهای پالایش گروهی مشکلات بیشتری ایجاد می­ کند چراکه احتمال یافتن مجموعه ­ای از کاربران دارای ساختار امتیازدهی مشابه را کاهش می­دهد. مشکل نقصان اطلاعات خصوصا در ابتدای کار یک سیستم توصیه­گر که اطلاعات بسیار محدودی در اختیار می­باشد بیشتر نمایان می­گردد. برای حل این مشکل یا کاهش آن می توان از سایر اطلاعات موجود در حوزه مورد فعالیت استفاده نمود[۴۴] یا در روند تولید داده ها از مقادیر پیش فرض و مفروضات از پیش تعیین شده­ای استفاده نمود[۳۱].
۲-۶-۲- مشکل کاربران تازه وارد^[۷۲]
کاربران تازه وارد یا مشتریانی که برای اولین بار از یک سایت تجاری بازدید می­ کنند و همچنین آیتم­ها و محصولات جدید، سیستمهای توصیه­گر را با یک چالش جدی مواجه می­ کنند که به صورت کلی از آن به عنوان مشکل کاربران تازه وارد یاد می­گردد[۴۵].
یکی از ابتدایی ترین اشکال این مسئله در روش پالایش گروهی ظهور می­ کند زیرا آیتم­هایی که توسط کاربران به آنها امتیازی داده نشده باشد قابل توصیه به سایر کاربران نمی­باشند یا آیتم­های خاص که مورد توجه کاربران قرار نمی­گیرند دسته­ دیگری از این مشکلات را ایجاد می­ کنند. در مقابل سیستمهای توصیه­گر مبتنی بر محتوا به دلیل تمرکز بر روی ویژگی­های یک آیتم و عدم نیاز به امتیاردهی کاربران[۳۶] می­توانند برای تمامی آیتم­ها بکار روند و در خصوص کاربران مشابه نیز باعث بهبود پیشنهادات ارائه شده به کاربر هدف گردند.
ارائه پیشنهاد به کاربران تازه وارد از پیچیدگی و دشواریهای بیشتری برخوردار است چراکه بدون داشتن اطلاعات کافی در خصوص سلایق و ترجیحات یک کاربر پیدا نمودن کاربران مشابه یا ساختن یک پروفایل برای کاربر مقدور نمی ­باشد­.
۲-۶-۳- کلاهبرداری و تقلب
با توجه به پذیرش و استفاده عملیاتی از سیستمهای توصیه­گر در وب سایتهای تجاری و نقش کلیدی و تاثیرگذار این سیستمها در سود آوری صاحبان سرمایه، باعث بروز انواع روش های کلاهبرداری در بکارگیری سیستم توصیه­گر برای تامین منافع کلاهبرداران گردیده است. به عنوان نمونه می توان به روش “حمله فشاری^[۷۳]” اشاره نمود که در آن کلاهبرداران و فروشندگان متقلب سعی می­ کنند محصولات خود را دارای محبوبیت بیشتری در میان کاربران جلوه دهند یا در روش “حمله اتمی^[۷۴]” سعی می­ شود تا از امتیازات کالاها و آیتم­های معرفی شده توسط رقیبان کاسته شود. این روشها و متدهای کلاهبرداری به صورت کلی تحت عنوان “حمله طولانی^[۷۵]“[۴۶] و “حمله تزریق پروفایل^[۷۶]“[۴۷] توسط محققین مورد مطالعه قرار گرفته است.
مطالعات نشان داده است که روش های فوق می­توانند تاثیرات مخربی بر روی امتیازات پیش ­بینی شده داشته باشند ولی متدهایی همچون پالایش گروهی مبتنی بر آیتم در مقابل چنین حملاتی مقاومت بیشتری از خود بروز می­دهد[۴۶] و طبیعتا متدهای مبتنی بر محتوا نیز که بر سابقه و گذشته امتیازدهی یک کاربر تکیه دارند در مقابل حملات تزریق پروفایل دارای مصونیت می­باشند.
در حالیکه تکنیکهای مبتنی بر محتوا در مقابل برخی از روش های کلاهبرداری مقاومت می­ کنند روش های پالایش گروهی در برخی موارد دارای برتری های نسبی نیز می­باشند، به عنوان مثال روش های پالایش گروهی می­توانند در محیطهایی فعالیت کنند که اطلاعات محتوایی قابل ملاحظه­ای در خصوص آیتم ها در دسترس نباشد یا محتوای موجود مانند ایده­ ها و عقاید به سادگی قابل آنالیز و فهم توسط سیستمهای کامپیوتری نباشد، همچنین توانایی پیشنهاد آیتم­هایی را دارند که اگرچه بر خلاف سلایق و ترجیحات قبلی کاربر می­باشد ولی باعث جلب توجه و رضایتمندی کاربران می­گردد.
۲-۶-۴- پیچیدگیهای محاسباتی و زمانی

• • • • • • 1. 1. زنان با یک مشخصه‌ی منحصر تخمدان‌های پلی‌کیستیک

             

             

         

         

     

     

تنها نشانه‌ی تخمدان پلی‌کیستیک (PCO)، که اغلب تخمدان با ظاهر پلی‌کیستیک نامیده می‌شود PAO)) و با معیارهای کلاسیک اولتراسونوگرافی معرفی می‌شود، در ۱۰ تا ۳۳ درصد از جمعیت زنان قابل مشاهده است (جدول ۲-۱). زنان PCO که تخمک‌گذاری نرمال دارند (تنها با مراجعه به مورفولوژی تخمدان)، به نظر نمی‌رسد مبتلا به سندرم تخمدان پلی‌کیستیک باشند. هر چند یک زیر مجموعه از این زنان، دارای ناهنجاری‌های ظریفی مانند PCOS داشته باشند. در زنان مبتلا به PCO پاسخ‌های تخمدانی به گنادوتروپین‌ها و GnRHa بسیار بالاست و اختلالات متابولیسم گلوکز مانند زنان مبتلا به سندرم تخمدان پلی‌کیستیک، دیده می‌شود. زنان با تخمدان پلی‌کیستیک ممکن است مستعد گسترش سندرم و شیوع عوارض سندرم تخمدان پلی‌کیستیک باشند. وجود یافته‌های اولتراسونوگرافی که نشان دهنده‌ی PCO باشد، می‌تواند وابسته به یک اختلال عملکردی اندوکرینی باشد. بنابراین، تشخیص PCO مبتنی بر اولتراسونوگرافی باید با یک ارزیابی بیوشیمیایی اندوکرینولوژی همراه باشد تا مانع تشخیص سایر اختلالات اندوکرینی در ارزیابی باشد (Azziz, 2005).

جدول ۲-۱- خلاصه‌ای از مطالعات نشان دهنده‌ی میزان شیوع تخمدان پلی‌کیستیک PCO به کمک اولتراسونوگرافی (برگرفته از Koivunen, 2001`)

• • • • • • 1. 1. تعریف حاضر از تخمدان پلی‌کیستیک

             

             

         

         

     

     

در بافت‌شناسی، مهم‌ترین علائم ماکروسکوپیک تشخیص تخمدان پلی‌کیستیک (PCO) عبارتند از بزرگی متقارن در تخمدان، کپسول تخمدانی ضخیم شده و کیست‌های فولیکولی متعدد (که اندازه‌ای بین ۲ تا ۸ میلی‌متر دارند) که مقدار استرومای آن نیز افزایش یافته است (جدول ۲-۲) (Michelmore et al., 1999).
جدول ۲-۲- مشخصات بافت‌شناسی تخمدان پلی‌کیستیک (برگرفته از Koivunen, 2001`)<br />در روش‌های بالینی، اولتراسونوگرافی جایگزین روش‌های بافت‌شناسی تشخیص PCO شده است و پارامترهای زیادی برای تعریف آن به کار برده شده است (جدول ۲-۳).<br />جدول ۲-۳- معیار اولتراسونوگرافی برای تشخیص PCO (برگرفته از Koivunen, 2001`)
تعریف قابل قبول از PCO با اولتراسونوگرافی، توسط آدامز و همکاران (۱۹۸۶) بدین شرح ارائه شده است: وجود چندین کیست (۱۰ یا بیش‌تر) با ضخامت ۲ تا ۸ میلی‌متر در اطراف تخمدان که استرومای افزایش یافته‌ای دارند، یا چندین کیست کوچک با ضخامت ۲ تا ۴ میلی‌متر که استرومای زیادی در اطراف آن توزیع شده است (شکل ۲-۲). ترکیب چندین فولیکول و مقدار افزایش یافته‌ی استروما کمک می‌کند تا سایز تخمدان‌ها افزایش پیدا کند، از طرف دیگر، حجم تخمدان در تعداد قابل توجهی از زنان با معیارهایی برای PCOS، ممکن است نرمال باشد. (Belosi et al., 2006).
شکل ۲-۲- تصویر سونوگرافی یک تخمدان پلی‌کیستیک (برگرفته از Koivunen, 2001`)
پیشنهاد شده است که افزایش استرومای تخمدان با ارزش‌ترین معیار تشخیصی برای PCO است و آن را از تخمدان‌های چند فولیکولی (MFO)^[122] متمایز می‌کند. MFO معمولا در زنان با آمنوره‌ی هیپوگنادوتروپیک شناسایی شده است، بدون افزایش استروما و تعداد فولیکول‌های شش یا بیش‌تر که اندازه‌ای حدود ۴ تا ۱۰ میلی‌متر دارند. مشاهدات افزایش استروما به صورت بصری و بررسی فردی در نظر گرفته می‌شود، بنابراین اعتبار تشخیص PCO بستگی تام به تجربیات متخصص سونوگرافی دارد. گزارش شده است که یک آنالیز بصری از استرومای تخمدانی توسط اولترا ـ سونوگرافی خیلی حساس است (اما نه بسیار ویژه) اما اندازه‌گیری‌های انتخابی کامپیوتری حساسیت بیش‌تری دارند. کل ناحیه‌ی افزایش یافته‌ی تخمدان را می‌توان با یک برش طولی تخمدان با دقت مشخص کرد و نشان داد که استرومای افزایش یافته توسط اندازه‌گیری‌های کامپیوتری دقت بیش‌تری دارند. یک مطالعه نشان داده است که تعداد فولیکول‌های محیطی مساوی یا بالای ۱۰ عدد می‌تواند حساس‌ترین شکل PCO باشد، در حالی‌که روش استروما، بهترین ویژگی برای آشکار ساختن PCO است. استرومای تخمدان و تعیین حجم که از طریق تصاویر سه بعدی به‌دست می‌آید از نظر دقت می‌تواند از اولتراسونوگرافی متداول کارآمدتر باشد (Balen et al., 2003؛ Belosi et al., 2006).

ثابت
افزایش۲%
ثابت
افزایش۳%
ت
در سال های ۲۰۰۵، ۲۰۰۶، ۲۰۰۷ و ۲۰۰۸ یورو نتوانسته سهم خود را افزایش دهد ولی سهم دلار در حال کاهش است و سایر ارزها سهم خود را افزایش داده اند.
کاهش۱%
کاهش۳%
کاهش۱%
افزایش۲%
ثابت
افزایش۱%
ت
بعد از سال ۲۰۰۹ و شروع رکود اقتصادی اروپا، یورو اعتبار جهانی خود را از دست داده و سهم آن در حال کاهش است.
ثابت
ثابت
ثابت
ثابت
کاهش۱%
افزایش۱%
ت
ثابت
ثابت
کاهش۱%
افزایش۱%
کاهش۱%
افزایش۱%
ت
همان طور که از نمودارهای درختی که از سالهای ۲۰۰۱ تا ۲۰۱۴ رسم کردیم می توان متوجّه شد که در سال های اوّلیه کاهش دلار و افزایش یورو بیشتر بوده ولی افزایش سایر ارزها زیاد نبوده است. از سال ۲۰۰۶تا ۲۰۰۹ سهم یورو ثابت شده است ولی سهم دلار همچنان کاهش قبل را داشته ولی افزایش سهم سایر ارزها بیشتر بوده است. از سال ۲۰۱۰ تا ۲۰۱۴ دلار توانسته است سهم خود را ثابت نگه دارد و فقط سهم یورو به مقدار ۱% کاهش یافته و سایر ارزها سهم خود را افزایش داده اند و می توان گفت از سال ۲۰۱۰ دلار توانسته از کاهش سهم خود جلوگیری کند و آن را ثابت کند ولی نتوانسته آن را افزایش دهد.
۴-۴٫ روش تحقیق
۴-۴-۱) سری های زمانی^[۵۴]
یکی از انواع مهمّ داده های آماری مورد استفاده در تجزیه وتحلیل تجربی، داده های سری های زمانی می باشد. تجزیه وتحلیل سری های زمانی به طور نظری وعملی، در سال ۱۹۷۰یعنی از زمان شروع کار اصلی باکس^[۵۵] وجنکینس^[۵۶]، تحت عنوان تجزیه و تحلیل سری های زمانی، پیش بینی وکنترل، به سرعت توسعه پیداکرد. یک سری زمانی مجموعه مشاهداتی می باشد، که بر اساس زمان مرتب شده اند؛ به گونه ای که فاصله زمانی میان مشاهدات، ثابت می باشد. سری زمانی، یکی از مهم ترین انواع داده های آماری بوده، که عموماً مورد استفاده در تجزیه و تحلیل تجربی قرار گرفته می شود^[۵۷]. یادآوری این نکته که اکثر سری های زمانی اقتصادی در طول زمان میل به رشد را از خود نشان می دهند، حائز اهمّیّت می باشد. هدف از تجزیه وتحلیل یک سری زمانی، توصیف، تشریح، پیش بینی وکنترل می باشد. هر چند توصیف رفتار یک سری زمانی از لحاظ تغییرات کوتاه مدّت و دراز مدّت در آن با مطالعه وابستگی های موجود بین عناصر سری از بررسی های متداولی بوده، که روی سری های زمانی انجام می گیرد؛ با این حال، می توان بیان کرد، که مهم ترین هدف از تحلیل سری زمانی پیش بینی رفتار سری در آینده می باشد.
۴-۴-۲٫ مانایی^[۵۸]
در تحقیقات مبتنی بر داده های سری زمانی، لازم است تا سری های زمانی، مانا باشند. نامانایی متغیّرها مسئله رگرسیون کاذب را در تحلیل سری زمانی به وجود می آورد. به این منظور، در ابتدای امر مانایی متغییرهای مورد ارزیابی قرار می گیرد. آزمون های مختلفی برای تعیین مانایی یک سری زمانی به کار برده می شود؛ که در این قسمت یکی از آن ها را تعریف می کنیم.

۴-۴-۲-۱٫ آزمون ریشه واحد دیکی-فولر^[۵۹] ودیکی –فولر تعمیم یافته^[۶۰] (ADF)
برای این آزمون، رگرسیون زیر انجام داده می شود:
۴-۱
با انجام این رگرسیون،برای مقدار برآوردی، نتایج تحلیل می گردد. اگر باشد؛ گفته می شود متغییر دارای ریشه واحد بوده است. در اصطلاح اقتصاد سنجی بیان می گردد، فرایند گام تصادفی داشته و سری زمانی ، نامانا می باشد. در شرایطی که با انجام آزمون ۱ || باشد، سری زمانی مانا شناخته می شود.
برای تبدیل سری زمانی نامانا به مانا، از سری زمانی تفاضل گیری می شود. این عمل تا جایی ادامه می یابد، که سری زمانی مانا گردد. بدین ترتیب، درجه انباشتگی^[۶۱] از تعداد تفاضل گیری با هدف مانا شدن، به دست می آید. در برخی موارد، باتفاضل گیری مانا نمی گردد، در این شرایط بعد از اضافه کردن متغییر ، به عنوان متغییر روند، آزمون انجام می گیرد. در نهایت، وجود یا عدم وجود جمله ثابت هم در شرایط مختلف می تواند در آزمون در نظرگرفته شود. به طور کلی، با برآورد یکی از سه معادله زیر، می توان آزمون را انجام داد:
۴-۲
۴-۳
۴-۴
به این ترتیب، برای دستیابی به نتایج مطلوب، کافی است، بعد از انجام رگرسیون فوق فرض
||، موردآزمون قرار گیرد. در صورت رد فرض صفر، سری زمانی مانا می باشد.
برای آزمون فرض:
۴-۵
مقادیر بحرانی برای ارزیابی نتایج، توسط دیکی– فولر براساس شبیه سازی مونت - کارلو ثبت شده، و توسط مک کینون^[۶۲] (۱۹۹۱) بسط، گسترش و درجه بندی شده است^[۶۳]. دیکی(۱۹۷۹) و فولر(۱۹۸۱) برای آزمون ریشه واحد، فرایند خود توضیحی مرتبه اوّل بر اساس رابطه (۴-۳) را در نظرگرفته، و بیان کردند، که برای آزمون ریشه واحد سری زمانی ، می بایست فرضیه (۴-۶) تشکیل گردد.

۶

گزینه های ۶ امتیازی

۶=و

پاسخ های آزمودنی را به عبارات مطابق امتیازبندی استاندارد با یکدیگر جمع کرده و نتیجه 
حداکثرامتیاز ممکن ٣١ و حداقل ٧ خواهد بود.امتیاز بالا نشانه نوآوری بیشتر برای شغل است.

الف) امتیاز محاسبه شده بین ٧ تا ١۵ = نوآوری کم
ب) امتیاز محاسبه شده بین ١۶ تا ٢٣ = نوآوری متوسط
ج) امتیاز محاسبه شده بین ٢۴ تا ٣١ = نوآوری زیاد
اعتبار و پایایی پرسشنامه نوآوری مارتین پاتچن
برای بدست آوردن پایایی این ابزار، پرسشنامه بر روی یک گروه ۴٠ نفری از کارکنان واحدهای مختلف صنعتی اجرا گردید و آلفای کرونباخ محاسبه گردید که میزان آلفا ی ٨٢٪ گزارش گردید(رشمه،١٣٨۵).پایایی این پرسشنامه در سال١٣٧۴توسط داوودآبادی فراهانی سنجیده گردید وآلفای کرونباخ ٨١٪گزار دلقندی آلفای کرونباخ این آزمون ٧٨٪گزارش شده است و درسال ١٣٨۴توسط معصومه عابدینی(به نقل از رشمه، ١٣٨۵) آلفای کرونباخ آن سنجیده گردید و میزان پایایی این پرسشنامه ٨١٪ بدست آمد.روایی ملاکی این پرسشنامه درسال ١٣٧٩توسط دلقندی سنجیده گردیدو روایی آزمون با آزمون خلاقیت رندسیپ ٨۵٪همبستگی دارد.درسال ١٣٨۵روایی آزمون توسط رشمه سنجیده گردید و میزان همبستگی آن با آزمون نوآوری نژادحاجی٧٨٪ گزارش گردیده است (رشمه، ١٣٨۵).
٣-۴-۳- پرسشنامه بهره وری اچیو:
پرسشنامه بهره وری(مدل اچیو) توسط هرسی و بلانچارد وگلداسمیت به منظور کمک به مدیران در تعیین علت وجود مشکلات عملکرد وبه وجودآوردن استراتژی های تغییر طرح ریزی گردید(مشبکی، ١٣٨٠).درتدوین مدل برای تحلیل عملکرد انسانی،هرسی وگلداسمیت دو هدف اصلی را در نظر داشتند : تعیین عوامل کلیدی که می توانندبرعملکرد فرد فرد کارکنان تاثیر بگذارند و ارائه این عوامل به گونه ای است که مدیران شاغل بتوانند آن را به کاربرند.مدل اچیو،عامل بازخوردرا که شامل آموزش هرروزه و ارزیابی رسمی در عملکرد افراد است بسیار مهم می داند.هرسی و گلداسمیت هفت متغیر مربوط به مدیریت عملکرد اثربخش را از میان بقیه برگزیده اند و با ترکیب حروف اول هریک از متغیرهای عملکرد،واژه هفت حرفی ACHIEVE را جهت به خاطرسپردن مطرح نمودند.
هفت واژه دربرگیرنده مدل اچیو عبارتند از :توانایی ، وضوح ، کمک، انگیزه ، ارزیابی، اعتبار و محیط.اطلاعات مربوط به شاخص های بهره وری شامل ٣٢ سوال است که سوالات پرسشنامه براساس طیف لیکرت امتیازبندی گردیده است.
جدول ٣-٣- امتیازات پرسشنامه بهره وری اچیو

خیلی کم = ١

کم = ٢

تاحدی = ٣

زیاد = ۴

خیلی زیاد = ۵

جدول ۴-٣- سوالات پرسشنامه بهره وری اچیو

ردیف

مولفه ها

شماره سوالات

١

توان و آمادگی کاری

١-٢-٣

٢

وضوح یا ادراک نقش و شناخت شغل

۶-٧-٨

قلمه­های ریشه­دار شده انگور، بعد از استقرار در گلدان، با محلول غذایی هوگلند آبیاری شده و پس از گذشت ۱۰۰ روز از کاشت قلمه­های ریشه­دار شده در گلدان­ها، تیمارهای شوری، اعمال شد. نمک مورد استفاده برای تنش شوری، کلرید سدیم بود. این نمک همراه با محلول غذایی هوگلند، مورد استفاده قرار گرفت. غلظت­های کلرید سدیم مورد استفاده شامل ۰ (شاهد)، ۲۵، ۵۰، ۷۵ و ۱۰۰ میلی­مولار بودند. گیاهان شاهد، فقط محلول غذایی نیم غلظت هوگلند (بدون نمک) دریافت نمودند. هدایت الکتریکی (EC) نمک­های مورد استفاده در دمای ۲۵ درجه سلسیوس، به ترتیب ۴/۱، ۶/۳، ۵/۷ و ۸/۱۱ دسی­زیمنس بر متر بود.

برای جلوگیری از ایجاد شوک ناشی از تنش شوری به گیاهان، در اولین آبیاری بعد از شروع تنش شوری، از نمک ۲۵ میلی مولار همراه با محلول غذایی هوگلند استفاده شد، در آبیاری دوم از نمک­های ۲۵ و ۵۰ میلی مولار، در آبیاری سوم از نمک­های ۲۵، ۵۰ و ۷۵ میلی مولار و نهایتا از آبیاری چهارم به بعد، از نمک های ۲۵، ۵۰، ۷۵ و ۱۰۰ میلی مولار در محلول غذایی استفاده شد. هفته ای یک بار، شتشوی کامل محیط ریشه گیاهان با آب مقطر انجام گرفت تا تغییرات EC و pH ناشی از تجمع نمک­ها در بستر کاشت در اثر انجام عمل آبشویی به کم ترین حد ممکن برسد. آبیاری این گیاهان به صورت یک روز در میان با محلول نیم غلظت هوگلند تا پایان دوره آزمایش انجام شد. لازم به ذکر است که تیمارهای شوری به مدت هفت هفته (۴۹ روز) ادامه یافت (Sivritepe et al., ۲۰۱۰ ; Melgar et al., ۲۰۰۸).
۳-۶- کاربرد سدیم نیتروپروسید (SNP)
سدیم نیترو پروسید (SNP) به عنوان ماده تولید کننده نیتریک اکسید، به صورت محلول پاشی روی برگ­های انگور، در چهار غلظت ۰ (شاهد)، ۵/۰، ۱ و ۵/۱ میلی مولار به کار رفت. نحوه تهیه محلول سدیم نیترو پروسید به این ترتیب بود که مقادیر نامبرده این ماده را جداگانه وزن نموده، سپس آن­ها را در آب مقطر ریخته و برای حل شدن بهتر، روی دستگاه Hot Plate به مدت بیست دقیقه قرار می­دهیم. گیاهان شاهد فقط با آب دیونیزه، محلول پاشی شده و محلول غذایی هوگلند بدون نمک دریافت نمودند. برای افزایش سطح چسبندگی محلول سدیم نیترو پروسید، از توین ۲۰ استفاده شد. تیمارهای سدیم نیترو پروسید، در ۴ مرحله (در زمان تیمار شوری و مراحل بعدی، ۲، ۴ و ۶ هفته بعد) روی برگ ها محلول پاشی شدند.
۳-۷- کاربرد اسید سالیسیلیک
اسید سالیسیلیک نیز به صورت محلول­پاشی روی برگ­های انگور، در چهار غلظت ۰ (شاهد)، ۱۰۰، ۲۰۰ و ۳۰۰ میلی گرم در لیتر اعمال گردید. نحوه تهیه محلول اسید سالیسیلیک به این ترتیب بود که مقادیر نامبرده این ماده را جداگانه وزن نموده، سپس آن­ها را در آب مقطر ریخته و برای حل نمودن بهتر، روی دستگاه Hot Plate به مدت نیم ساعت قرار می دهیم. نکته مهم در تهیه این محلول، تنظیمpH است ( در ابتدا pH محلول بین ۵/۲ تا ۳ است). با اضافه نمودن چند قطره هیدروکسید پتاسیم یک نرمال، pH محلول را برروی ۶ تنظیم می نماییم. گیاهان شاهد، فقط با آب دیونیزه محلول­پاشی شده و محلول غذایی هوگلند بدون نمک دریافت نمودند. تیمارهای اسید سالیسیلیک نیز در ۴ مرحله (در زمان شروع تیمار شوری و مراحل بعدی ۲، ۴ و ۶ هفته بعد) روی برگ­ها محلول پاشی شدند.
۳-۸- صفات مورد بررسی و روش­های اندازه ­گیری آن­ها
۳-۸-۱- ویژگی­های رشدی گیاه
به منظور بررسی اثر تنش شوری بر برخی از ویژگی­های رویشی گیاهان مورد آزمایش، در پایان آزمایش، صفاتی نظیر ارتفاع بوته و طول ریشه توسط خط کش، قطر ساقه (قطر شاخساره حاصل از رشد) توسط کولیس دیجیتال (No:Z, Model 22855)، سطح برگ توسط دستگاه اندازه گیری سطح برگ (Leaf Area Meter, AM 200) و وزن تر برگ، وزن تر شاخساره و ریشه به کمک ترازوی دیجیتالی (با دقت ۰۰۰۱/۰ گرم) اندازه گیری گردید. همچنین تعداد برگ­ها شمارش شد. جهت تعیین وزن خشک نمونه­ها (برگ، شاخساره و ریشه)، ابتدا نمونه­ها به مدت ۷۲ ساعت در آون با دمای ۷۰ درجه سلسیوس قرار گرفتند و پس از خارج نمودن نمونه­ها از آون، وزن خشک آن ها به کمک ترازوی دیجیتالی (با دقت ۰۰۰۱/۰ گرم) تعیین شدند.
۳-۸-۲- اندازه گیری نشت یونی غشاء برگ
روش کار بدین صورت بود که از هر تکرار، تعداد دو برگ توسعه یافته از قسمت انتهایی ساقه، نمونه گیری و به قطعه­های ۱×۱ سانتی متر تقسیم شدند. قطعه­ها ۳ بار با آب مقطر شسته شده و در لوله­های آزمایش ۱۰ میلی لیتری محتوی آب مقطر نگهداری شده، سپس به مدت ۲۴ ساعت در دمای اتاق (۲۵ درجه سلسیوس)، در دستگاه شیکر قرار گرفته و EC₁ خوانده شد. سپس همان نمونه­ها در اتوکلاو در دمای ۱۲۰ درجه سلسیوس به مدت ۲۰ دقیقه قرار گرفته و بعد از خنک شدن محلول و رسیدن دمای آن­ها به ۲۵ درجه سلسیوس، EC₂ نیز قرائت شد. نشت یونی غشاء برگ به صورت درصد با بهره گرفتن از فرمول زیر محاسبه شد (Luttes et al., ۱۹۹۵).
[EC₁/EC₂]×۱۰۰ = نشت یونی غشاء برگ (٪)
۳-۸-۳- محتوای نسبی آب برگ(RWC)
برای اندازه گیری محتوای نسبی آب برگ، ابتدا در هر بوته، ۱۰ عدد دیسک برگی به قطر ۸ میلی متر از برگ­های توسعه یافته قسمت انتهایی ساقه تهیه شد. بلافاصله وزن تر آن­ها به کمک ترازوی دیجیتالی (با دقت ۰۰۰۱/۰ گرم) اندازه ­گیری گردید و سپس در داخل ظروف پتری دیش حاوی آب مقطر به مدت ۴ ساعت در یخچال (۴ درجه سلسیوس) و در تاریکی قرار داده شدند. پس از خارج کردن دیسک­ها از آب مقطر، جهت حذف رطوبت اضافی سطح دیسک ها، آن­ها را در بین دو لایه کاغذ صافی خشک نموده و سپس وزن آماس آن­ها اندازه گیری شد، سپس به مدت ۲۴ ساعت دیسک های برگی را به آون (۷۰ درجه سلسیوس) منتقل نموده و وزن خشک آن­ها تعیین گردید و در نهایت محتوای نسبی آب برگ با بهره گرفتن از رابطه زیر محاسبه شد (Turner, 1981).
۱۰۰×[(وزن خشک-وزن آماس)/(وزن خشک-وزن تر)]=محتوای نسبی آب برگ (درصد)
۳-۸-۴- میزان پرولین آزاد
برای اندازه ­گیری پرولین ابتدا نیم گرم از بافت تازه برگی (برگ­های توسعه یافته انتهایی) به همراه ۵ میلی لیتر اتانول ۹۵ درصد در داخل هاون چینی کوبیده و له شد. قسمت بالایی محلول حاصله، جدا گشته و رسوبات آن دو­باره با پنج میلی لیتر اتانول ۷۰ درصد شستشو شده و فاز بالایی آن به قسمت رویی قبلی اضافه گردید. محلول به­دست آمده، به مدت ۱۰ دقیقه در ۳۵۰۰ دور سانتریفیوژ شد. سپس فاز مایع رویی برداشته شده و عصاره الکلی به دست آمده تا زمان اندازه ­گیری پرولین و قندهای محلول در داخل یخچال (۴ درجه سلسیوس) نگهداری گردید (Irigoyen et al., ۱۹۹۲).
برای تعیین غلظت پرولین، یک میلی لیتر از عصاره الکلی تهیه شده را با ۱۰ میلی لیتر آب مقطر رقیق نموده و ۵ میلی لیتر معرف نین هیدرین^[۱۹]به آن اضافه شد (روش تهیه نین هیدرین به ازاء هر نمونه: ۱۲۵/۰ گرم نین هیدرین + ۲ میلی لیتر اسید فسفریک ۶ مولار + ۳ میلی لیتر اسید استیک گلاسیال). پس از افزودن ۵ میلی لیتر اسید استیک گلاسیال به آن و هم زدن دستی به مدت چند ثانیه، محلول حاصله به مدت ۴۵ دقیقه در حمام آب گرم (۱۰۰ درجه سلسیوس) قرار داده شد. پس از در آوردن نمونه ها از حمام آب گرم و خنک شدن آن ها، ۱۰ میلی لیتر بنزن به هر کدام از نمونه ها افزوده شده و به شدت تکان داده شد تا پرولین وارد فاز بنزن گردد. نمونه­ها به مدت ۳۰ دقیقه به حال سکون رها شدند. استانداردهایی از آل­پرولین از غلظت صفر تا ۱/۰ میکرومول بر میلی لیتر تهیه گردید و نهایتا میزان جذب محلول های استاندارد و نمونه ها در طول موج ۵۱۵ نانومتر با دستگاه اسپکتروفتومتر خوانده شد (Paquin and Lechasseur, 1979).
۳-۸-۵- میزان قندهای محلول کل
برای اندازه ­گیری قندهای محلول، ۱/۰ میلی لیتر از عصاره الکلی نگهداری شده در یخچال، به کمک میکروپیپت به داخل لوله آزمایش ریخته شده و ۳ میلی لیتر آنترون^[۲۰] تازه تهیه شده (۱۵۰ میلی گرم آنترون + ۱۰۰ میلی لیتر اسید سولفوریک ۷۲ درصد، W/W) به آن افزوده شد. لوله­های آزمایش به مدت ۱۰ دقیقه در حمام آب جوش قرار داده شد تا ماده رنگی تشکیل گردد. پس از خنک شدن نمونه­ها، میزان جذب آن­ها در طول موج ۶۲۵ نانومتر با دستگاه اسپکتروفتومتر خوانده شد. برای تهیه استاندارد قند، از گلوکز، محلول­هایی با غلظت های صفر تا ۱۲۰میلی گرم در لیتر تهیه و کلیه مراحل آزمایش روی آن­ها انجام گردید و نهایتا میزان جذب آن­ها در طول موج ۶۲۵ نانومتر قرائت گردید (Irigoyen et al., ۱۹۹۲).
۳-۸-۶- اندازه ­گیری محتوای مالون دی آلدئید (MDA)
اندازه ­گیری محتوای مالون­دی­آلدئید که شاخص پراکسیداسیون لیپیدی در طی تنش­ها و همچنین معیاری برای سنجش تاثیر تنش می­باشد، با بهره گرفتن از روش Popham and Novachy (1991) اندازه ­گیری شد. در این روش ۲/۰ گرم بافت تر گیاهی (برگ) در ۵ میلی لیتر تری کلرو استیک اسید (TCA) 1 درصد ساییده شده و داخل لوله آزمایش ریخته شد. سپس نمونه ها به مدت ۱۰ دقیقه در دور g 8000 سانتریفیوژ شدند. ۱ میلی لیتر از فاز بالایی نمونه­های سانتریفیوژ شده، در لوله­های آزمایش که حاوی ۴ میلی لیتر محلول ۲۰ درصد تری کلرو استیک اسید در ۵/۰ درصد تیوباربیتوریک اسید (TBA) بودند، ریخته شد. نمونه­ها به مدت ۳۰ دقیقه در بن ماری با دمای ۹۵ درجه سلسیوس قرار گرفته و بی درنگ در آب یخ سرد شدند. سپس به مدت ۵ دقیقه در دور g 8000 سانتریفیوژ شده و در نهایت جذب آن در ۵۳۲ نانومتر توسط دستگاه اسپکتروفتومتر اندازه گیری شد. میزان مالون دی­آلدئید با بهره گرفتن از فرمول زیر محاسبه گردید.
MDA (µmol/g FW)= [A532-A600/155]×۱۰۰۰
۳-۸-۷- اندازه ­گیری رنگیزه­های کلروفیل و کاروتنوئید
برای اندازه ­گیری رنگیزه­های کلروفیل و کاروتنوئید، از روش Lichtenthaler and Wellburn (1985) استفاده شد. ۱/۰ گرم از وزن تر برگ به همراه ۵ میلی لیتر استون ۸۰ درصد در هاون چینی ساییده شد. عصاره حاصل به مدت ۱۰ دقیقه در ۲۵۰۰ دور، سانتریفیوژ شد. سپس جذب فاز بالایی هر یک از نمونه­های سانتریفیوژ شده توسط اسپکتروفتومتر در طول موج­های ۶۶۲ نانومتر، ۶۴۵ نانومتر و ۴۷۰ نانومتر اندازه ­گیری شد. برای محاسبه کلروفیل a، کلروفیل b و کاروتنوئید از فرمول­های زیر استفاده شد:
Chl a = 11.75 A₆₆₂ – ۲٫۳۵۰ A₆₄₅
Chl b = 18.61 A₆₄₅ – ۳٫۹۶۰ A₆₆₂
Car =1000 A₄₇₀ – ۲٫۲۷۰ Chl a- 81.4 Chl b /227
در این رابطه Chl a، Chl b و Car به ترتیب غلظت کلروفیل a، کلروفیل b و کاروتنوئید می باشد (A میزان جذب خوانده شده در هر طول موج توسط اسپکتروفتومتر می­باشد).
۳-۸-۸- اندازه ­گیری گلایسین بتائین
برای اندازه ­گیری گلایسین بتائین از روش Greive and Grattan (1983) استفاده گردید. ابتدا نمونه­های گیاهی را در دمای ۸۰ درجه به مدت ۷۲ ساعت خشک نموده ۵/۰ گرم از برگ را توزین کرده و آن را در ارلن ریخته و ۲۰ میلی لیتر آب دیونیزه به آن اضافه گردید و به مدت ۲۴ ساعت در دمای ۲۵ درجه سلسیوس روی شیکر قرار داده شد. سپس نمونه­ها از کاغذ صافی عبور داده شدند.
پس از تهیه اسید سولفوریک ۲ نرمال (۲N)، ۱ میلی­لیتر از عصاره گیاهی را با ۱ میلی لیتر اسید، مخلوط (به نسبت ۱:۱) و سپس مقدار ۵/۰ میلی لیتر از تر­کیب حاصله را در لوله آزمایش ریخته و در حمام آب یخ به مدت ۱ ساعت قرار داده و نهایتا پس از تهیه مخلوط ید و یدید پتاسیم (۷/۱۵ گرم ید خالص به علاوه ۲۰ گرم یدید پتاسیم) مقدار ۲/۰ میلی­لیتر از یدید پتاسیم و ید را به لوله آزمایش اضافه کرده و آن را ورتکس می نمائیم. در این مرحله نمونه­ها به مدت ۱۶ ساعت در دمای صفر تا ۴ درجه سلسیوس نگهداری گردیدند. بعد از آن نمونه­ها به مدت ۱۵ دقیقه در دمای صفر درجه سلسیوس با میزان دور ۱۰۰۰۰ دور در دقیقه سانتریفیوژ شدند. در هر لوله آزمایش، فاز محلول رویی جدا و فقط کریستال موجود در کف لوله نگه داشته شد. این مراحل حتما بایستی در محیط حمام آب یخ انجام شود تا خطای آزمایش کاهش یابد. سپس کریستال­های موجود را در ۹ میلی لیتر از محلول ۱ و ۲ دی کلرو اتان حل کرده و پس از عمل ورتکس و طی زمان ۲ ساعت، مقدار جذب آن در طول موج nm 365 اندازه گیری شد.
۳-۸-۹- اندازه ­گیری پروتئین کل
برای تعیین میزان پروتئین محلول کل از روش برادفورد استفاده شد. برای این منظور ۱۰۰ میلی گرم کومایسی بلو را با ۵۰ میلی لیتر اتانول ۹۵ درصد حل نموده سپس با اضافه نمودن ۱۰۰ میلی لیتر اسید فسفریک ۸۵ درصد به حجم ۱ لیتر رسانیده و از کاغذ صافی عبور داده شد. برای تهیه محلول استاندارد از آلبومین سرم گاوی^[۲۱] استفاده شد. در داخل سل­های یک بار مصرف ۵/۲ میلی لیتر از محلول کومایسی بلو آماده شده ریخته شد و سپس ۱۰۰ میکرو­لیتر عصاره برگی از هر نمونه داخل یک سل اضافه شد و نهایتا میزان جذب نمونه­ها و محلول­های استاندارد با بهره گرفتن از دستگاه اسپکتروفتومتر در طول موج ۵۹۵ نانومتر قرائت شد (Bradford, 1976).
۳-۹- اندازه ­گیری فعالیت آنزیم ها
۳-۹-۱- استخراج عصاره گیاهی برای سنجش فعالیت آنزیم ها
برای تهیه عصاره گیاهی جهت تعیین میزان فعالیت آنزیم­ های کاتالاز، آسکوربات پراکسیداز و گایاکول پراکسیداز از روش Kang و Saltiveit (2001) با اندکی تغییرات استفاده شد. ۵/۰ گرم وزن تر برگ از کلیه تیمارها توزین و سپس به داخل هاون سرد منتقل شد و توسط ۳ میلی لیتر محلول بافر تریس با ۵/۷=pH (شامل اسید کلریدریک ۰۵/۰ مولار، ۳ میلی مولار کلرید منیزیم و ۱ میلی­مولار EDTA) با دسته هاون خوب ساییده شد. بافر استخراجی برای اندازه ­گیری فعالیت آنزیم آسکوربات پراکسیداز شامل ۲/۰ میلی­مولار آسکوربات نیز بود. هموژن حاصل به مدت ۲۰ دقیقه در دمای ۴ درجه سلسیوس با سرعت ۵۰۰۰ دور در دقیقه سانتریفیوژ شد. محلول رویی حاصله به عنوان عصاره خام برای اندازه گیری فعالیت آنزیم­ های آنتی­اکسیدان مورد استفاده قرار گرفت.
۳-۹-۲- اندازه ­گیری فعالیت کاتالاز(CAT, EC 1.11.1.6)
فعالیت آنزیم کاتالاز با بهره گرفتن از روش Aebi (1984) اندازه گیری شد. مخلوط واکنش شامل ۵/۲ میلی­لیتر بافر فسفات ۵۰ میلی مولار (۷=pH) شامل ۲/۰ میلی لیتر پراکسید هیدروژن ۱ درصد و ۳/۰ میلی­لیتر عصاره استخراجی بود. سپس فعالیت آنزیم کاتالاز به صورت کاهش در جذب طی ۱ دقیقه در طول موج ۲۴۰ نانومتر با بهره گرفتن از دستگاه اسپکتروفتومتر محاسبه شد. برای سنجش فعالیت کاتالاز از ضریب خاموشی (mM^-1 Cm^-16/43) استفاده شد.
۳-۹-۳- اندازه ­گیری فعالیت آنزیم آسکوربات پراکسیداز (APX, EC 1.11.1.1)
فعالیت آنزیم آسکوربات پراکسیداز در تمام تیمارها و تکرارها با بهره گرفتن از روش Nakano و Asada (1981) با اندکی تغییرات اندازه ­گیری شد. مخلوط واکنش شامل ۵/۲ میلی لیتر بافر فسفات ۵۰ میلی­مولار (۷=pH) شامل EDTA 1/0 میلی­مولار، آسکوربات سدیم ۱ میلی­مولار، ۲/۰ میلی­لیتر پراکسید هیدروژن ۱۰ میلی­مولار و ۱/۰ میلی­لیتر عصاره استخراجی بود. سپس فعالیت آنزیم آسکوربات پراکسیداز به صورت کاهش در جذب طی ۱ دقیقه در طول موج ۲۹۰ نانومتر با بهره گرفتن از دستگاه اسپکتروفتومتر محاسبه شد. برای سنجش فعالیت آسکوربات پراکسیداز از ضریب خاموشی ( mM^-1 Cm^-18/2) استفاده شد.
۳-۹-۴- اندازه ­گیری فعالیت آنزیم گایاکول پراکسیداز (GPX, EC 1.11.1.7)
فعالیت آنزیم گایاکول پراکسیداز با بهره گرفتن از روش Updhyaya و همکاران (۱۹۸۵) انجام گرفت. مخلوط واکنش شامل ۵/۲ میلی­لیتر بافر فسفات ۵۰ میلی مولار (۷=pH) شامل ۱ میلی­لیتر گایاکول ۱ درصد، ۱ میلی­لیتر پراکسید هیدروژن ۱ درصد و ۱/۰ میلی لیتر عصاره استخراجی بود. سپس فعالیت آنزیم گایاکول پراکسیداز به صورت افزایش در جذب طی ۱ دقیقه در طول موج ۴۲۰ نانومتر با بهره گرفتن از دستگاه اسپکتروفتومتر محاسبه شد. برای سنجش فعالیت گایاکول پراکسیداز از ضریب خاموشی ( mM^-1 Cm^-16/26) استفاده شد.
۳-۱۰- اندازه ­گیری عناصر برگ و ریشه
۳-۱۰-۱- استخراج عصاره گیاهی جهت اندازه ­گیری کلر، سدیم، پتاسیم و نیترات