|
Title
|
ارزيابي عملكرد كاركنان شركت گاز استان بوشهر با بهره گيري از يادگيري ماشين
|
|
Type
|
Thesis
|
|
Keywords
|
ارزيابي عملكرد – مديريت منابع انساني – مديريت عملكرد كاركنان – يادگيري ماشين
|
|
Abstract
|
زمينه: در دنياي امروز كه سازمان ها با محيطي پيچيده و رقابتي مواجه هستند، ارزيابي دقيق عملكرد كاركنان به عنوان يكي از اركان حياتي مديريت منابع انساني، اهميتي فزاينده يافته است. در صنعت گاز، كه پايداري، بهره وري و تصميم گيري هاي مبتني بر داده اهميت ويژه اي دارند، اتكاي صرف به روش هاي سنتي ارزيابي كارايي، ممكن است با چالش هايي نظير خطاي انساني، سوگيري و عدم شفافيت همراه باشد. استفاده از فناوري هاي نوين همچون يادگيري ماشين، افق هاي جديدي براي بهبود فرآيند ارزيابي عملكرد گشوده است.
هدف: پژوهش حاضر با هدف طراحي و پياده سازي مدلي علمي و داده محور براي ارزيابي عملكرد كاركنان شركت گاز استان بوشهر انجام شده است. با بهره گيري از الگوريتم درخت تصميم به عنوان روشي تفسيرپذير و دقيق، سعي شده است عملكرد كاركنان با دقت و شفافيت بالا طبقه بندي و تحليل شود. تمركز اصلي بر شناسايي شاخص هاي كليدي و بررسي اثرگذاري آن ها در پيش بيني عملكرد مطلوب يا نيازمند بهبود بوده است.
روش شناسي: اين پژوهش با رويكردي كاربردي و ماهيتي كمي انجام شده است. در لايه هاي مختلف مدل پياز پژوهش، استراتژي تحقيق به صورت تركيبي از روش دلفي در مرحله كيفي و تحليل داده محور در مرحله كمي تعريف شده است. ابتدا به منظور شناسايي شاخص هاي كليدي ارزيابي عملكرد، مرور نظام مند منابع علمي و مصاحبه با 8 نفر از خبرگان دانشگاهي و عملياتي در شركت گاز استان بوشهر و دانشگاه خليج فارس به كار گرفته شد. در اين مرحله با استفاده از روش دلفي و تحليل توافقات، تعداد 20 شاخص نهايي براي ورود به مدل انتخاب شد.
در گام بعد، داده هاي عملكردي مربوط به 50 نفر از كاركنان شركت گاز استان بوشهر طي 24 بازه زماني گردآوري شد. اين داده ها متشكل از متغيرهايي مانند رضايت شغلي، خلاقيت، حضور به موقع، توانايي يادگيري، كيفيت تعامل با همكاران و تمايل به آموزش و... بوده اند.
براي تحليل داده ها از زبان برنامه نويسي Python و الگوريتم يادگيري ماشين درخت تصميم (Decision Tree) با معيار «Entropy» و عمق بهينه 5 استفاده شد. داده ها به دو بخش آموزش (Training) و آزمون (Testing) با نسبت استاندارد 70/30 تقسيم شدند. مدل به كمك كتابخانه هاي scikit-learn و pandas پياده سازي و سپس با معيارهاي دقت (Accuracy)، صحت(Precision) ، فراخوان (Recall) و امتياز F1 مورد ارزيابي قرار گرفت.
براي
|
|
Researchers
|
mehdi heydari (Student) , Ebrahim Rajabpour (First primary advisor) , Heidar Ahmadi (Advisor)
|