ارائه کننده: رضا خلیلی
استاد راهنما: دكتر سيدكمال چهارسوقي
استاد مشاور: دكتر گلناز تاج الدين
استاد داور داخلي: دكتر محمد اقدسي
استاد داور خارج از دانشگاه: دكتر مرتضي خاكزار بفروئي
نماينده تحصيلات تكميلي: دكتر محمد اقدسي
تاریخ: 1403/06/24    
ساعت: 08:00
مكان: سايت دانشكده مهندسي صنايع و سيستم ها

چکیده:
از دیدگاه سازمان، فرسودگی کارکنان به دلیل کمیابی، تقلیدناپذیری و عدم جایگزینی سریع افراد، مسئله‌ای حیاتی است. ترک یا تعدیل کارکنان فرسوده، موجب قطع جریان کار، نیاز به منابع مالی و زمانی اضافی برای استخدام و آموزش، و خطر نشت اطلاعات محرمانه می‌شود. بنابراین، اقدامات پیشگیرانه برای کاهش تعدیل افراد ضروری است. زمینه مرتبط با پیش‌بینی فرسودگی افراد سازمان با مدل‌های ماشین لرنینگ شامل مدیریت منابع انسانی و تحلیل داده‌ها است. حوزه آن شامل روانشناسی سازمانی و علوم داده می‌باشد، و محدوده آن استفاده از الگوریتم‌های یادگیری ماشین برای شناسایی و پیش‌بینی نشانه‌های فرسودگی شغلی در کارکنان است. امروزه با گسترش فناوری، اطلاعات بسیار زیادی در مورد افراد سازمان در اختیار داریم همچنین ابزار‌های موجود برای تحلیل افراد نیز پیشرفت شایانی داشته‌اند لذا امکان انجام اقدامات پیشگیرانه با پیش‌بینی احتمال فرسودگی کارکنان از طریق مدل‌های یادگیری ماشین وجود دارد. هدف این تحقیق، پیش‌بینی سریع فرسودگی شغلی کارکنان و ارائه راهکارهای موثر برای مقابله با آن به منظور حفاظت از سرمایه‌های انسانی و تضمین بقای سازمان است. در این پژوهش از داده‌های مرتبط به ۱۴۷۰ نفر از کارکنان یک سازمان استفاده شد و یادگیری و پیش‌بینی رو این داده‌ها پیاده‌سازی گردید. برای این منظور ابتدا مدل‌های پیش‌بینی منفرد مانند رگرسیون لجستیک، جنگل تصادفی، XGBoost، SVM، مدل شبکه عصبی مصنوعی و چند مدل ترکیبی را برای پیش‌بینی فرسودگی کارکنان یک سازمان مطالعه شدند. در نهایت با  استفاده از ترکیب مدل‌های پایه XGBoost، جنگل تصادفی و شبکه‌ عصبی مصنوعی به عنوان مدل‌های پایه و مدل ماشین بردار پشتیبان‌ به عنوان فرا یادگیرنده با دقت ۰.۹۷ درصد پیاده سازی شد. مدل ترکیبی ۱ با عملکرد بهتر در تمامی معیارهای ارزیابی، به عنوان بهترین مدل برای پیش‌بینی فرسودگی کارمندان انتخاب شد و برای کاربردهای عملی پیشنهاد می‌شود. ویژگی‌های اضافه کار، مجرد بودن، سفرهای کاری، سابقه کاری، سطح شغل، سن و درآمد به عنوان اثرگذارترین عوامل شناسایی شده و اقدامات کاهش فرسودگی بر اساس این ویژگی‌ها پیشنهاد گردید.