تدوین استراتژی انتخاب پرسنل با استفاده از ترکیب بهینه سازی چند هدفه و شبکه های عصبی از نوع GMDH
محل انتشار: دهمین کنفرانس بین المللی مدیریت استراتژیک
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 852
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICSM10_050
تاریخ نمایه سازی: 14 مرداد 1393
چکیده مقاله:
عدم قطعیت موجود در ماهیت منابع انسانی و عقلانیت محدود همواره پیش بینی عملکرد شغلی متقاضیان و در نتیجه انتخاب نیروی انسانی را دشوار می سازد در نتیجه پیش بینی عملکرد و ارائه استراتژی هایی که به دور از قضاوت های ذهنی، بتواند به انتخاب هدفمند کارکنان کمک نماید در این حوزه بسیار حائز اهمیت است در این راستا هدف پژوهش حاضر بهره گیری از هوش مصنوعی و الگوریتم های بهینه سازی پیشرفته برای مدل سازی عملکرد شغلی پرسنل بر اساس کارکنان فعلی می باشد به دلیل ماهیت مشاغل مورد بررسی از ابعاد هوش هیجانی و متغیرهای فردی به عنوان ووردی استفاده گردیده است در نهایت با ترکیب الگوریتم ژنتیک جهت بهینه سازی چند هدفه شبکه های عصبی از نوع GMDH مدل حاکم بر عملکرد استخراج می شود که قادر است با وجود پیچیدگی و رفتار در حوزه منابع انسانی عملکرد پرسنل را با حداقل خطای پیش بینی و آموزش پیش بینی نماید. ضریب همبستگی 0.995 و RMSE برابر 0.06 بیانگر دقت بسیار بالای مدل و حداکثر انطباق پذیری عملکرد شغلی پیش بینی شده با عملکرد واقعی است بنابراین با اعتماد به نتایج حاصل و شناسایی ورودی های تاثیر گذار بر عملکرد آتی متقاضیان می توان استراتژی های انتخاب مناسب ترین نیروی انسانی برای وظیفه مورد نظر را ارائه نمود.
کلیدواژه ها:
نویسندگان
محمود مرادی
استادیار عضو هیئت علمی گروه مدیریت صنعتی دانشگاه گیلان
بهناز زنجانی
کارشناسی ارشد مدیریت صنعتی، استادیار و عضو هیئت علمی گروه مهندسی مکانیک
علی جمالی
استادیار، عضو هیئت علمی گروه مهندسی مکانیک
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :