پیش بینی رفتار پرسه زنی اینترنتی کارکنان اداره کل ورزش و جوانان استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف از پژوهش حاضر پیش بینی رفتار پرسه زنی اینترنتی کارکنان اداره کل ورزش و جوانان استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی بود. این تحقیق از لحاظ هدف کاربردی و از لحاظ روش، توصیفی بود که به صورت پیمایش اجرا شد. نمونه به روش تصادفی ساده انتخاب شد. برای کسب داده درخصوص متغیر وابسته پژوهش یعنی رفتار پرسه زنی اینترنتی از مقیاس استودارت (2016) حاوی 22 سوال استفاده شد. بررسی پایایی این ابزار به روش آلفای کرونباخ و بررسی روایی آن به شیوه روایی محتوا، انجام و مورد تأیید قرار گرفت. تحلیل داده ها با نرم افزارSPSS نسخه 24 انجام گرفت. برای تحلیل داده ها شامل 23 متغیر مستقل و یک متغیر وابسته، دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و تابع شعاع مدار (RBF) طراحی و اجرا شد. درصد صحت پیش بینی رفتار پرسه زنی اینترنتی در داده های آموزش و آزمایش و اعتبارسنجی برای شبکه عصبی MLP به ترتیب برابر با 8/87، 0/75 و 7/72 و برای شبکه عصبی RBF به ترتیب برابر با 6/83، 8/81 و 7/91 محاسبه شد. سطح زیر منحنی راک برای دو شبکه MLP و RBF برابر با 611/0 و 677/0 بدست آمد. مقایسه دو شبکه عصبی MLP و RBF بر اساس معیارهای سطح زیر منحنی راک و درصد صحت پیش بینی نشان داد شبکه عصبی RBF در پیش بینی رفتار پرسه زنی اینترنتی کارکنان اداره کل ورزش و جوانان استان یزد کاراتر است و سه متغیر میزان نزدیکی و صمیمیت با مدیر، سن و منبع کنترل بیشترین تاثیر را بر رفتار پرسه زنی اینترنتی داشته اند.Forecasting Cyberloafing Behavior among Youth and Sport Office Employees in Yazd Province using Artificial Neural Network Technique
The aim of this research was Investigating and Prioritizing Factors Affecting Cyberloafing Behavior among Youth and Sport Office Employees in Yazd Province using Artificial Neural Network Technique. This study was an applied research in terms of purpose and a descriptive- survey research in terms of method. The statistical population was the employees of youth and sport office in Yazd province. The statistical sample was selected using simple random sampling method. For gathering data about dependent variable, 22-item cyberloafing behavior scale by Stoddart (2016) was used. Reliability of scale was confirmed by Cronbach’s Alfa and validity of the scale was confirmed by content analysis. Data were analyzed using SPSS software version 24. For analysis of data including 23 independent variables and one dependent variable, two types of neural network including MLP and RBF were designed and implemented. Correct percent of cyberloafing prediction in the training, testing and validation data for the MLP neural network was 87.8, 75.0 and 72.7, respectively, and 83.6, 81.8 and 91.7 for the RBF neural network, respectively. The area under the rock for MLP and RBF networks was 0.611 and 0.677 respectively. Comparison of two MLP and RBF neural networks based on rock curve and prediction Correct percent showed that RBF neural network is more effective in forecasting cyberloafing, and the variables Proximity of supervisor, teaching master students, age and locus of control had the greatest impact on cyberloafing.
تبلیغات
