آرمان رضاسلطانی

هدف: هدف این مقاله، بررسی استفاده از یادگیری ماشین و الگوریتم های یادگیری عمیق برای پیش بینی نتایج تصمیم های استخدام است. انتخاب نیروی انسانی مناسب، یکی از مسائل مهم و اساسی در همه سازمان ها و نهادهاست که بر ویژگی های عملکرد و بهره وری تأثیر مستقیمی دارد. از آنجایی که فرایند استخدام بسیار پیچیده و پیش بینی موفقیت در استخدام دشوار است، استفاده از تکنیک های مدرن مانند یادگیری ماشینی و یادگیری عمیق، برای بهبود دقت و صحت انتخاب پیشنهاد می شود. هدف این پژوهش بررسی توانایی این تکنیک ها برای کمک به سازمان ها در اتخاذ تصمیم های استخدامی بهتر و دور نگه داشتن آن ها از تصمیم گیری های پُرهزینه است. روش: در این پژوهش از داده های مختلف شامل سن، تحصیلات، سابقه کار، توانایی های فنی و مهارت ها و ویژگی های شخصیتی متقاضیان شغل استفاده شد. این داده ها به کمک الگوریتم های یادگیری ماشین و یادگیری عمیق، برای پیش بینی احتمال موفقیت متقاضیان در مشاغل مختلف تجزیه وتحلیل شدند. مدل های طبقه بندی برای شبیه سازی رفتارهای استخدام و پیش بینی تصمیم ها در سطوح مختلف ویژگی و به عنوان بخشی از مدل های یادگیری ماشین استفاده شد. علاوه براین، رابطه بین ویژگی های متقاضی و نتایج استخدام از طریق مدل های یادگیری عمیق، برای شناسایی هرگونه روابط غیرخطی و پیچیده مورد بررسی قرار گرفت. مدل ها روی تمام داده های به دست آمده از منابع مورد اعتماد و بازبینی شده ای به دقت پردازش شدند، آموزش دیدند و ارزیابی شدند.   یافته ها: نتایج این مطالعه نشان می دهد که استفاده از یادگیری ماشینی و مدل های یادگیری عمیق، در افزایش دقت پیش بینی تصمیم های استخدامی تأثیر بسزایی دارد. در بین مدل های ارزیابی شده، الگوریتم کتبوست (CatBoost) بهترین عملکرد را داشت و به صحت 9533/0، دقت 9540/0 ، بازیابی 8925/0 و امتیاز F1 برابر با 9222/0 دست یافت که به طور چشمگیری از سایر الگوریتم ها بهتر بود. به طور مشابه، مدل های جنگل تصادفی (Random Forest) و اکس جی بوست (XGBoost) نیز عملکرد خوبی داشتند و به ترتیب به دقت 9213/0 و 9500/0 دست یافتند. نتایج تحلیل ویژگی ها نشان داد که مهارت های فنی، استراتژی استخدام و امتیاز مصاحبه، مهم ترین عوامل مؤثر در تصمیم گیری استخدام بودند. علاوه براین، مدل های یادگیری جمعی، به ویژه کتبوست، قادر بودند اثرهای پیچیده تر ویژگی های شخصیتی متقاضیان را شناسایی کنند؛ در حالی که مدل های یادگیری ماشین سنتی قادر نبودند آن را درک کنند. نتیجه گیری: در این مطالعه استفاده از یادگیری ماشین و یادگیری عمیق برای کمک به تصمیم گیری بهتر درباره انتخاب نیروی کار نشان داده شده است. کتبوست بهترین عملکرد را داشت؛ زیرا می توانست روابط پیچیده تر و غیرخطی تر بین ویژگی های متقاضی و نتایج استخدام را شبیه سازی کند. این الگوریتم ها باعث کاهش هزینه ها، بهبود کیفیت استخدام و بهره وری سازمان می شوند. با این حال، برای دستیابی به بهترین نتایج، سازمان ها باید با دقت و به طور مداوم، داده های متقاضی را جمع آوری و پردازش کنند و به طور منظم، مدل های یادگیری ماشین را برای حفظ و بهبود دقت پیش بینی ها با تغییر بازار کار به روز کنند.

مقدمه و اهداف: در دنیای امروز، دسترس پذیری و امنیت خدمات بانکی برای تمامی اقشار جامعه، به ویژه گروه های آسیب پذیر مانند نابینایان، از اهمیت ویژه ای برخوردار است. با توجه به اهمیت روزافزون بانکداری دیجیتال، شناسایی و ارزیابی ریسک های مرتبط با دسترسی و امنیت خدمات بانکی برای نابینایان از اولویت های اساسی محسوب می شود. هدف این پژوهش، شناسایی، ارزیابی و اولویت بندی ریسک های اصلی در ارائه خدمات بانکی به نابینایان و ارائه راهکارهایی برای کاهش این ریسک ها است، به گونه ای که با بهبود زیرساخت ها و فناوری های مورد استفاده، دسترسی نابینایان به خدمات بانکی به طور معناداری تسهیل شود. این پژوهش ترکیبی از دو روش تحلیل ریسک FMEA فازی و شبکه عصبی گراف (GNN) را به کار می گیرد تا به صورت دقیق تر و جامع تری روابط و تعاملات میان ریسک ها شناسایی شود. روش ها: پژوهش حاضر در دو مرحله اصلی صورت پذیرفت. در مرحله اول، از روش FMEA فازی برای شناسایی و ارزیابی ریسک ها استفاده شد. این روش به دلیل قابلیت آن در کار با اعداد فازی، به طور ویژه ای مناسب تحلیل معیارهای شدت، وقوع، و قابلیت کشف هر ریسک در شرایطی با عدم قطعیت است. پس از گردآوری نظرات خبرگان، این معیارها به مقادیر غیرفازی تبدیل شده و اولویت بندی ریسک ها مشخص گردید. مرحله دوم به کاربرد شبکه عصبی گراف اختصاص داشت که برای مدل سازی و تحلیل وابستگی های پیچیده و روابط متقابل بین ریسک ها به کار گرفته شد. GNN به عنوان یک ابزار قدرتمند یادگیری ماشینی امکان بررسی وابستگی های متقابل میان معیارها و نودهای مختلف را فراهم می آورد. داده های پژوهش از طریق نظرسنجی هایی که با ۱۲ نفر از خبرگان بانکداری و خدمات ویژه نابینایان انجام شد، گردآوری شدند. به هر خبره یک پرسشنامه شامل جفت های مختلف معیارهای ریسک ارائه شد و آنها به هر جفت نمره ای بین صفر تا چهار دادند. سپس، برای کاهش اثر نظرات فردی و کسب یک ارزیابی جامع، میانگین نمرات خبرگان به عنوان وزن نهایی روابط بین معیارها در گراف استفاده گردید. یافته ها: نتایج به دست آمده از تحلیل FMEA فازی نشان داد که «دسترسی فیزیکی»، «نابرابری های اقتصادی»، «شکاف دیجیتال» و «موانع فناورانه» از مهم ترین ریسک ها در دسترسی نابینایان به خدمات بانکی هستند. نتایج RPN (عدد اولویت ریسک) غیرفازی هر ریسک نشان داد که دو ریسک «دسترسی فیزیکی» و «نابرابری های اقتصادی» بیشترین اولویت را برای رسیدگی دارند و نیازمند توجه ویژه ای هستند. نتایج به دست آمده از GNN نیز تأیید کرد که برخی از این ریسک ها، نظیر دسترسی فیزیکی و موانع فناورانه، تأثیرات متقابل و پیچیده ای بر سایر ریسک ها دارند و نقش اساسی در شبکه روابط میان معیارها ایفا می کنند. به طور خاص، معیارهای «نابرابری های اقتصادی» و «موانع فناورانه» به عنوان عوامل اصلی تأثیرگذار در شبکه گراف شناسایی شدند که کاهش این ریسک ها می تواند تأثیر مهمی بر دسترسی و تجربه بانکی نابینایان داشته باشد. این یافته ها همچنین نشان داد که در نظر گرفتن جنبه های اقتصادی و فناورانه به تنهایی کافی نیست و باید تعاملات میان این معیارها نیز مورد توجه قرار گیرد. نتیجه گیری: بهبود دسترسی نابینایان به خدمات بانکی مستلزم رویکردی چندوجهی است که به طور هم زمان ارتقای زیرساخت های فیزیکی، کاهش نابرابری های اقتصادی، آموزش و آگاهی بخشی در حوزه فناوری های بانکی، و تقویت امنیت اطلاعات را دربرگیرد. یافته های این پژوهش حاکی از آن است که ترکیب FMEA فازی و GNN در ارزیابی ریسک های خدمات بانکی نابینایان می تواند به شناسایی تعاملات و اولویت بندی دقیق تر ریسک ها کمک کند و زمینه ساز طراحی راهکارهای جامع تر و مؤثرتری برای دسترسی این قشر به خدمات بانکی باشد. این پژوهش پیشنهاد می کند که بانک ها و مؤسسات مالی، با به کارگیری نتایج این تحقیق، راهکارهایی جامع برای ارتقای دسترس پذیری و بهبود تجربه کاربری نابینایان در خدمات بانکی ارائه دهند. افزایش رضایت و اطمینان این گروه از مشتریان می تواند در نهایت منجر به بهبود اعتبار و مسئولیت پذیری اجتماعی بانک ها گردد.

هدف: این پژوهش به بررسی و مقایسه مدل های یادگیری جمعی می پردازد تا بتواند به پیش بینی دقیق تری از رتبه کشوری دانش آموزان در کنکور سراسری دست یابد. هدف اصلی این پژوهش شناسایی مدل های بهینه ای است که با تحلیل داده های آزمون های آمادگی که پیش از کنکور برگزار می شود، بتوانند رتبه دانش آموزان را با بیشترین دقت پیش بینی کنند. مدل های شناسایی شده می توانند به مشاوران تحصیلی کمک کنند تا با ارائه توصیه های دقیق تر و مبتنی بر داده، به دانش آموزان در انتخاب مسیر تحصیلی و برنامه ریزی آموزشی کمک کنند. روش: در این پژوهش، به منظور تحلیل دقیق عملکرد دانش آموزان، از نرم افزار Octoparse برای جمع آوری داده های مرتبط با آزمون قلمچی کانون فرهنگی آموزش استفاده شد. مجموعه داده ها اطلاعات مهمی بودند، نظیر میانگین نمره آزمون، رتبه های کشوری و منطقه ای، رشته های تحصیلی و دانشگاه های قبولی دانش آموزان. همچنین در این مطالعه، چهار مدل پیشرفته یادگیری جمعی شامل XGBoost، LightGBM، CatBoost و Random Forest به منظور مقایسه و ارزیابی عملکرد در پیش بینی رتبه کشوری دانش آموزان انتخاب شد. به منظور سنجش دقت و کارایی این مدل ها، از معیارهای متنوعی مانند میانگین مربعات خطا، جذر میانگین مربعات خطا، ضریب تعیین و همچنین زمان های آموزش و پیش بینی استفاده شد. داده های جمع آوری شده، به دو بخش آموزشی و آزمایشی تقسیم شدند تا مدل ها بتوانند به بهترین شکل آموزش ببینند و ارزیابی شوند. به منظور دستیابی به عملکرد بهینه، از روش جست وجوی شبکه ای بهره گرفته شد که به ما اجازه می دهد پارامترهای مدل ها را به طور دقیق تنظیم کنیم و بهترین نتایج ممکن را به دست آوریم. یافته ها: نتایج این مطالعه نشان دهنده عملکرد برجسته مدل های XGBoost و LightGBM در پیش بینی رتبه کشوری دانش آموزان بود. مدل XGBoost به عنوان دقیق ترین گزینه شناخته شد؛ زیرا پیش بینی هایی ارائه داد که به مقادیر واقعی بسیار نزدیک بود و کمترین میزان خطا را داشت. این دقت بالا باعث شد که XGBoost به عنوان مدل برتر در این پژوهش شناخته شود. مدل LightGBM نیز با نتایج بسیار مشابه XGBoost، به عنوان یکی دیگر از گزینه های برجسته، برای پیش بینی رتبه کشوری انتخاب شد. این مدل به خاطر سرعت و دقت زیاد، مورد توجه قرار گرفت و به عنوان ابزاری مؤثر در این زمینه شناخته شد. مدل Random Forest نیز با دقتی بهتر نسبت به CatBoost عمل کرد؛ هرچند زمان بیشتری برای آموزش و پیش بینی نیاز داشت. در مقابل، مدل CatBoost به عنوان ضعیف ترین گزینه شناخته شد؛ زیرا در مقایسه با سایر مدل ها دقت کمتری داشت و مقادیر خطای بیشتری ارائه می کرد؛ هرچند سرعت پیش بینی آن بیشتر بود. به نظر می رسد که این مدل به بهبود نیاز دارد تا بتواند با دیگر مدل های موفق رقابت کند. نتیجه گیری: یافته ها نشان می دهد که مدل های XGBoost و LightGBM به عنوان دو ابزار مؤثر در یادگیری جمعی، عملکرد بسیار خوبی برای پیش بینی رتبه دانش آموزان در آزمون های سراسری دارند. این مدل ها با دقت بالا و عملکرد بهینه، می توانند به عنوان راهنماهایی ارزشمند در سیستم های آموزشی عمل کنند و به بهبود فرایندهای یادگیری کمک کنند. این مدل ها قادرند دانش آموزانی را که ممکن است در مسیر تحصیلی خود با چالش مواجه شوند، شناسایی کنند و به طراحی برنامه های یادگیری مؤثرتر یاری دهند. علاوه براین، نتایج این پژوهش می تواند به رهبران مدارس و سیاست گذاران برنامه های آموزشی کمک کند تا تصمیم های هوشمندانه تری در جهتِ ارتقای عدالت آموزشی اتخاذ کنند؛ به طوری که فرصت های یادگیری برابر، برای همه دانش آموزان فراهم شود. در آینده، استفاده از مدل های پیشرفته تر یادگیری عمیق و اضافه کردن داده های مرتبط، مانند عوامل اجتماعی، اقتصادی و نوع مدارس، می تواند به بهبود دقت پیش بینی ها منجر شود. همچنین، ترکیب مدل های مختلف یادگیری ماشین برای ایجاد مدل های ترکیبی می تواند به افزایش دقت و کاهش خطاهای پیش بینی کمک کند. به طور کلی، این پژوهش می تواند نقطه عطفی برای توسعه سیستم های پیش بینی و تصمیم گیری در حوزه آموزش در کشور شمرده شود و زمینه ساز بهبودهای چشمگیر در این زمینه باشد.