درخت حوزه‌های تخصصی

هدف: هدف اصلی این پژوهش، بررسی تأثیر عدالت سازمانی بر اعتماد سازمانی و همچنین تأثیر عدالت سازمانی از طریق اعتماد سازمانی بر وفاداری سازمانی کارکنان شرکت برق منطقه ای خراسان است. طرح/روش/روش شناسی: روش انجام تحقیق توصیفی و پیمایشی است. جامعه آماری این تحقیق شامل کلیه کارکنان شرکت برق منطقه ای خراسان مشهد می باشد به طوری که 93 نفر به روش نمونه گیری تصادفی ساده و بدون جایگزینی به عنوان نمونه مورد بررسی انتخاب شدند. برای جمع آوری اطلاعات مربوط به عدالت، اعتماد و وفاداری سازمانی از پرسشنامه استاندارد استفاده شد. پایایی پرسشنامه ها با استفاده از ضریب آلفای کرونباخ تأیید گردید. به منظور تجزیه و تحلیل داده ها از آمار توصیفی و استنباطی استفاده شد. در آمار استنباطی از مدل سازی معادلات ساختاری (SEM) و تحلیل مسیر استفاده شد. یافته ها: نتایج به دست آمده از پژوهش نشان داد که عدالت سازمانی تأثیر مثبت و معناداری بر اعتماد سازمانی داشته است. به عبارت دیگر، می توان ادعا کرد که اگر مدیران به بهبود فضای عدالت در سازمان بپردازند و به آن ادای احترام کنند، می توان انتظار داشت که سطح اعتماد سازمانی بهبود یابد. همچنین نتایج نشان داد که عدالت سازمانی از طریق اعتماد سازمانی تأثیر معناداری بر وفاداری سازمانی ندارد و این بدان معناست که تأثیر مثبت و معنادار عدالت سازمانی بر اعتماد سازمانی نمی تواند منجر به پیدایش وفاداری کارکنان نسبت به سازمان آنها شود.

The human machine interface research in the light of modern fast computers and advanced sensors is taking new heights. The classification and processing of neural activity in the brain accessed by Magnetic Resonance Imaging (MRI), Positron Emission Tomography (PET), functional Magnetic Resonance Imaging (fMRI), Electrocorticography (ECoG), EEG Electroencephalogram (EEG) etc., are peeling off new paradigms for pattern recognition in human brain-machine interaction applications. In the present paper, an effective novel scheme based upon a synergetic approach employing the Genetic Algorithm (GA), Support Vector Machine and Wavelet packet transform for motor imagery classification and optimal Channel selection is proposed. GA with SVM acting as the objective function is employed for simultaneous selection of features and channels optimally. The binary population of GA is uniquely represented in three-dimensional structure and a new cross-over operator for GA are introduced. The new modified cross-over operator is proposed for the modified three-dimensional population. The ‘data set I’ of ‘BCI Competition IV’ is taken for evaluation of the efficacy of the proposed scheme. For subject ‘a’ accuracy is 88.9 6.9 with 10 channels, for subject ‘b’ accuracy is 79.20±5.36with 11 channels, for subject ‘f’ accuracy is 90.50±3.56 with 13 channels, and for subject ‘g’ accuracy is 92.23±3.21with 12 channels. The proposed scheme outperforms in terms of classification accuracy for subjects ‘a, b, f, g’ and in terms of number of channels for subject ‘a’ and that for subject ‘b’ is same as reported earlier in literature. Therefore, proposed scheme contributes a significant development in terms of new three-dimensional representation of binary population for GA as well as significant new modification to the GA operators. The efficacy of the scheme is evident from the results presented in the paper for dataset under consideration.