پیش بینی هوشمند مسیر پیشرفت شغلی بر اساس داده های منابع انسانی
الموضوعات :مجید ریاضی 1 , قاسم توحیدی 2 , محمدعلی کرامتی 3
1 - گروه مديريت صنعتي، واحد تهران مركزي، دانشگاه آزاد اسلامي، تهران، ايران
2 - گروه ریاضی کاربردی،واحد تهران مرکزی،دانشگاه آزاد اسلامی،تهران،ایران
3 - گروه مدیریت صنعتی،واحد تهران مرکزی،دانشگاه آزاد اسلامی،تهران،ایران.
الکلمات المفتاحية: metaheuristic algorithms, NARX neuro-fuzzy network, Career path,
ملخص المقالة :
عدم وجود مسیر پیشرفت شغلی قابل پیش‌بینی برای کارکنان در سازمان‌های مختلف موجب نارضایتی کارکنان و تبعات ناشی از آن از جمله کاهش بهره‌وری سازمان خواهد شد. برای این منظور سازمان‌های مختلف باید مسیر پیشرفت شغلی مشخصی را از ابتدای استخدام برای کارکنان خود تهیه و ارائه نمایند؛ اما تاکید بر این رویه ممکن است با توجه به تغییرات گسترده و پویا در دنیای کسب و کار امروزی منجر به عدم تحقق مسیر پیشرفت شغلی اولیه تعیین شده در سازمان‌ها شود و علاوه بر ایجاد مشکلات مختلف به اعتبار سازمان در نزد کارکنان آسیب وارد نماید. بنابراین سازمان ها همان‌گونه که به مدیریت مسیر پیشرفت شغلی کارکنان می پردازند باید با توجه به تغییرات زمانی بوجود آمده نسبت به اصلاح مسیر پیشرفت‌شغلی کارکنان خود بر مبنایی علمی و قابل ارائه اقدام نمایند، مهمترین گام در این راستا تشخیص احتمال قرار گرفتن کارکنان در شغل‌های تعریف شده هر سازمان در زمان مناسب می باشد. در این مقاله با ترکیب شبکه عصبی-فازی ANFIS و شبکه عصبی NARX استفاده از شبکه عصبی-فازی نارکس به عنوان یک روش جدید برای پیش بینی مسیر پیشرفت شغلی کارکنان ارائه شده و یک مطالعه تجربی انجام شده است که شبکه عصبی-فازی نارکس با استفاده از الگوریتم‌های فراابتکاری بهینه‌سازی شده و الگوریتم پیشنهادی برای تعیین مسیر پیشرفت شغلی کارکنان یک سازمان طی 10 سال ارائه می‌گردد. نتایج بدست آمده نشان می‌دهد مدل طراحی شده با شبکه عصبی-فازی نارکس نسبت به مدل‌های کلاسیک از کارایی بهتری برخوردار بوده است.
[1].Akinyede, R.O., Daramola, O.A. (2013). Neural Network Web- Based Human Resource Management System Model (NNWBHRMSM). International Journal of Computer Networks and Communications security, Vol.1, No.3, pp:75-87.
[2].Almedia, A., Azkune.G. (2018). Predicting Human Behavior with Recurrent Neural Networks. applied Sciences.MDPI.DOI:10.3390/app8020305.
[3].Amellas, Y., Bakkali, O, E. (2020). Short-term wind speed prediction based on MLP and NARX network models. Indonesian Journal of Electrical Engineering and Computer Science, Vol.18, No.1, pp.150-157.
[4].Andrawis, R.R., Atiya, A.F., Elshishiny, H. (2011). Forecast combinations of computational intelligence and linear models for the NN5 time series forecasting competition. International Journal of Forecasting,27, 672-688.
[5].Bigand, A., Colot, O. (2010). Fuzzy filter based on interval-valued fuzzy sets for image filtering. Fuzzy sets and systems,161(1), pp:96-117.
[6].Cabestany, J., Rojas, I., Joya,G.(Eds.). (2011). Advances in Computational Intelligence: 11th International Work-Conference on Artifical Neural Networks. IWANN Torremolinos-Malaga, Spain,June 8-10,Proceedings,Springer Science & Businees Media.
[7].Dorigo, M., Stutzle, T. (2004). Ant Colony Optimization. MIT Press Cambridge.
[8].Driver, M. J. (1982). The meaning of career success a closer inspection of historical cultural and isdeological contexts. Career Development International Journal of Management and Human,16, NO 4, pp:364-384.
[9].Eiben, A.E., Smith, J.E. (2003). Introduction to Evolutionary Computing. Springer press.
[10].Glover, F., Laguna, M. (2002). Tabu Search, In Handbook of Applied Optimization. Oxford university press, 194-208.
[11].Hall, D.T., Heras,M.L. (2010). Commentary Reintegrating Job Design and Career Theory Sreating not Just Good Jobbut Smart Jobs. Jornal of Organizational Behavior, Vol. 26, No. 20, pp:243-259.
[12].Hatch, M.J. (2013). Organization Theory: Modern, Symbolic and Postmodern Perspective. Oxford Press.
[13].Haykin, S. (1999). Neural Networks a Comprehensive Foundation. second edition, Prentice Hall, International Inc.engineering Education,23(4), pp:603-609.
[14].Hagan, M.T., & Menhaj, M. (1994). Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, vol.5, No.6, pp.989-993.
[15].Hagan, M.T., Demuth H.B., & BealeM.H. (1996). Neural Network Design. Boston, MA: PWS Publishing.
[16].Jahangoshai Rezaee, M., Dadkhah, M., Falahinia, M. (2019). Integrating neuro-fuzzy System and evolutionary optimization algorithms for short-term power generation forecasting. International Journal of Energy Sector Management.www.emeraldinsight.com.
[17].Jang, R. (1993). ANFIS: Adaptive -Network-based Fuzzy Inference Systems. IEEE, Transactions on systems, Man and Sybernetics, 23(3), pp:665-685.
[18].Kong, H., Cheung, C., Song, H. (2011). Hotel career management in China: Developing a measurement scale. Int,J,Hospitality manage,30(1):8-112.
[19].Lobo, J.M., Valverde, A.J., Real, R. (2007). AUC: a misleading measure of the performance of predictive distribution models. Global ecology and Biogeography.
[20].Lukovac, V., Pamucar, D., Popovic, M., Dorovic.B. (2017). Portfolio model for analyzing human resources: An approach based on neuro- fuzzy modeling and the Simulated annealing algorithm. Expert Systems with Applications, 90, pp:318-331.
[21].Muschelli, j. (2019). ROK and AUC with a binary predictor: a Potentially Misleading Metric. Journal of Classification, 37, 696-708.
[22].Patrikson & Clark. (2015). Managers Career Development Recognition in Taiwanese Companies. Asia Pacific Management Review,17.
[23].Rasdi Roziah, M., Maimunah, I., Jegak, U., Sidak Mohd, N. (2009). Towards developing a theorical framework for measuring public sector managers career success. J Eur, Int, train:33(3):54-232.
[24].Razak.T.R., Hashim.M.A., Noor.N.M., AbdHalim.I.H. (2014). Career path recommendation system for UITM perlis students using fuzzy logic. Conference Paper. DOI:10.1109/ICIAS.2014.6869553.
[25].Schnake,Mel,E.,Williams Report,J.,Fredenberger,W. (2007). Relationship between frequency of use of career management practices and employee attitudes intention to turnover and job search behavior. J Organ Cult:11(1):53-64.
[26].Schein, E.H. (1996). Career Anchors Revised Implications for Career Development in the 21st Century. The Academy of Management Executive,Vol. 10,No. 54,pp: 80-88.
[27].Sivanandam, S.N., Deepa, S.N. (2011). Principles of Soft Computing. 2nd Edition,WILEY INDIA.
[28].Stavrou, E., Charalambous, C., Spiliotis, S. (2007). Human resource management and performance: A neural network analysis. European Journal of Operational Research,Volume 181,Issue1,pages:453-467.
[29].Subahi, A. (2018). Data Collection for Career Path Prediction Based on Analysing Body of Knowledge of Computer Science Derees. Journal of Software.DOI:10.17706/jsw.13.10.533.546.
[30].Takagi.T., Sugeno.M. (1985). Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on systems,Man and Cybernetics,15:116-132.
[31].Tian, X., Pu, Y. (2008). AN Artifical Neural Network Approach to Hotel Employee Satisfaction:The Case of China. Social Behavior and Personality,36(4), pp:467-482.
[32].Wang, H., Yang, B. Chen, W. (2016). Unknown Constrained Mechanisms Operation based on Dynamic Interactive Control. CAAI,transactions on Intelligence Technology ,1 (3),pp:259-271.
[33].Wang, K.Y., Shun, H.Y. (2016). Applying Back Propagation Neural Networks in the Prediction of Management Associate Work Retention for Small and Medium Enterprises. Universal Journal of Management 4(5), pp:223-227.
