ارزیابی عملکرد منابع انسانی با رویکرد شبکه عصبی رگرسیون عمومی مورد مطالعه: اعضای هیات علمی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
ارزیابی اعضای هیات علمی شامل مراحلی است از سنجش و آگاه ساختن اعضای هیات علمی از نحوه انجام کار و مسئولیتهای محوله که در ابعاد مختلف مطرح می شود. در پژوهش حاضر ارزیابی اعضای هیات علمی از دو منظر آموزشی و پژوهشی صورت گرفته است. جامعه آماری پژوهش حاضر307 نفر از اعضای هیات علمی یکی از دانشگاه های دولتی است. اطلاعات عملکردآموزشی با همکاری دفتر نظارت، ارزیابی و تضمین کیفیت دانشگاه و همچنین اطلاعات عملکردپژوهشی با همکاری معاونت پژوهشی دانشگاه تهیه شده است. تجزیه و تحلیل داده ها با استفاده از روش هوش مصنوعی و با بکارگیری نرم افزار متلب انجام شده است. در تحلیل نتایج، ابتدا با استفاده از خوشه بندی آستانه ای، اعضای هیات علمی به چهار خوشه تقسیم بندی شدند. سپس در گام دوم تحلیل، از پتانسیل شبکه ی عصبی رگرسیون عمومی استفاده شده است. با بکارگیری شبکه عصبی رگرسیون عمومی، میزان وابستگی افراد به هر یک از خوشه های چهارگانه مشخص شده است. با توجه به نتایج به دست آمده بیشتر اعضای هیات علمی در خوشه دوم(فقط آموزش بالا) قرار گرفتند و کمترین فراوانی در خوشه سوم(فقط پژوهش بالا) قرار دارد. همچنین در مجموع عملکردپژوهشی و آموزشی بین دانشکده ها، دانشکده شیمی(99/0و60/0) رتبه اول و دانشکده های تربیت بدنی(34/0و99/0)، علوم پایه(58/0و37/0) و علوم اقتصادی واداری(40/0و47/0) رتبه های بعدی را کسب کردند. در بخش پایانی با مقایسه دو روش ضمن بررسی مزایای استفاده از شبکه عصبی رگرسیون عمومی، پیشنهادات لازم ارائه شده است.Evaluation of Human Resource Performance Using General Regression Neural Network Approach (Faculty Members)
Assessing faculty members involves formal steps in assessing and informing faculty members about how to do the job and the responsibilities assigned to them in different dimensions. In the present study, the evaluation of faculty members has been done from two educational and research perspectives. The statistical population of the present study is 307 faculty members of one of the public universities. Educational performance information has been prepared in collaboration with the Office of Monitoring, Evaluation and Quality Assurance of the University, as well as research performance information in collaboration with the Vice Chancellor for Research. Data analysis was performed using artificial intelligence method and using MATLAB software. In analyzing the results, first, using threshold clustering, faculty members were divided into four clusters. Then, in the second step of the analysis, the potential of the general regression neural network is used. Using the general regression neural network, the degree to which individuals depend on each of the four clusters is determined. The results show that most faculty members have a good educational situation, while the research status of faculty members is not good. Also, in general, research and educational performance between faculties, Faculty of Chemistry (0.99 and 0.60), first rank and physical education faculties (0.34 and 0.99), basic sciences (0.58 and 0.37) and economic and administrative sciences ( 0.40 and 0.47) gained the next ranks. In the final section, by comparing the two methods, while examining the advantages of using the general regression neural network, the necessary suggestions are presented.
تبلیغات
