پژوهش های مدیریت در ایران

چکیده ابهام و عدم قطعیت موجود در ماهیت و محدودیت شناختی ذهن انسان، همواره پیش‌بینی رفتار و مشخصات ناشناخته سیستم‌هایی که با انسان سروکار دارند‌ را دشوار می‌سازد. درنتیجه، پیش‌بینی در این حوزه، نیازمند ساخت مدل‌هایی است که ابهام را به عنوان بخشی از سیستم درنظر گرفته و مدل‌سازی کند. هدف از این مقاله بهره-گیری از هوش مصنوعی و الگوریتم‌های بهینه‌سازی پیشرفته برای مدل‌سازی کارایی پرسنل است که در این بررسی از متغیرهای هوش هیجانی و ویژگی‌های فردی به عنوان ورودی و از سه بعد وظیفه‌شناسی، دقت در کار و سرعت در کار به عنوان خروجی مدل پیش‌بینی کارایی امدادگران وگازبانان شرکت گاز استفاده گردیده است. درنهایت، به‌منظور مدل‌سازی کارایی، با ترکیب الگوریتم ژنتیک و روش تجزیه مقادیر منفرد با سیستم استنتاج فازی عصبی، سیستم بهینه‌ی استنتاج عصبی-فازی تطبیقی بر اساس داده‌های واقعی بکار گرفته شد. این سیستم قادر است با وجود پیچیدگی و ناشناخته بودن رفتار در حوزه منابع انسانی، کارایی پرسنل را با حداقل خطای آموزش، حداقل خطای پیش‌بینی و حداکثر انطباق‌پذیری با کارایی واقعی پیش‌بینی نماید به‌طوری‌که بر اساس الگوریتم معرفی شده، درمورد 84% تا 96% از رکوردهای مورد بررسی، ابعاد کارایی دقیقا برابر با مقدار واقعی پیش‌بینی می‌شوند.

چکیده چگونگی سنجش فراگیران و تعیین محتویات مطالب، از فعالیت‏های ضروری فرایندهای آموزش الکترونیکی می‌باشند. این فعالیت‏ها توسط استاد یا آموزشیار صورت گرفته و روش‏های ارزیابی دانشجویان، نظیر برگزاری آزمونهای برخط یا واگذاری تکالیف مدت‌دار به آنها تعیین می‌شوند. در صورتیکه برگزارکنندگان بتوانند از میزان تأثیر هر فعالیت در کیفیت یادگیری فراگیران آگاهی یابند، ضمن صرفه‌جوئی قابل توجه در وقت و منابع ذینفعان دوره‌ها، باعث انتقال مطالب مفیدتر و سنجش واقعی‌تر دانشجویان و در نهایت بهبود آموزش‌الکترونیکی خواهدشد. در این مقاله، ابتدا با تکنیکهای فاقد ناظر داده‌کاوی، به خوشه‌بندی و توصیف وضعیت موجود فراگیران پرداخته و بکمک قاعده‌کاوی، قواعد نهفته در داده‌های آموزش الکترونیکی را استخراج و محتواهای مؤثر در نتیجه‌ی مطلوب فراگیران را کشف می‌کنیم؛ سپس، با روش‏های باناظر، به پیش‌بینی نتایج دوره‌ها می‌‎پردازیم. با بهره‏گیری از داده‏های واقعی فعالیت‏های یک درس الکترونیکی ارائه‌شده، و با طراحی چهار روش مختلف برای نمونه‌برداری داده‌ها و آموزش سیستم با دو درخت DT و WJ48، پیش‌بینی‌ها اجرا شدند و روش‏ها با نرخ دقت 92.86% اعتبارسنجی گردیدند. نشان داده‏ایم که اسلوب‏های این مطالعه می‌توانند به استاد درس برای شناخت بهتر فراگیران و تأثیر فعالیت‏های آموزشی خواسته شده از آنان نظیر- توصیف ویژگی‏های فراگیران بر پایه کشف الگوهای نهفته در نمره‏های اکتسابی آنان کمک نماید. تعیین فعالیت‏های مؤثرتر یادگیری و تصمیم‌گیری درباره‌ی شاخص‏های سنجش واقعی‌تر فراگیران، از مزیت‌های مهمی است که روش‌های فناورانه این مطالعه برای بهبود مدیریت دوره‌های یادگیری الکترونیکی فراهم می‌کنند.

چکیده یکی از گامهای مهم در توسعه شبکه‌های عصبی مصنوعی طراحی معماری شبکه است که تأثیر زیادی بر عملکرد شبکه دارد. در طراحی معماری شبکه‌های عصبی مصنوعی، عواملی از قبیل تعداد لایه‌های پنهان، تعداد نرون‌ها در هر لایه، توابع تبدیل و الگوریتم آموزش باید تعیین شوند. محققان در طراحی معماری شبکه به‌طور عمده از طریق سعی و خطا عمل می‌کنند و یا اینکه اثر متقابل بین عوامل مختلف در طراحی معماری شبکه را در نظر نمی‌گیرند. در این تحقیق، یک مدل مبتنی بر تکنیک طراحی آزمایشها برای طراحی بهینه معماری شبکه عصبی با یادگیری تحت نظارت، با توجه به اثر متقابل بین عوامل ذکرشده، ارائه می‌شود. در این تحقیق، از مدل پیشنهادی برای طراحی معماری شبکه عصبی به منظور پیش‌بینی مصرف نفت‌گاز کل کشور استفاده شده است. به‌منظور مقایسه عملکرد مدل پیشنهادی با استفاده از روش سعی و خطا به‌عنوان یکی از روشهای مرسوم در طراحی معماری، یک مدل شبکه عصبی برای پیش‌بینی مصرف نفت‌گاز توسعه داده شده و طی آن برتری مدل پیشنهادی نشان داده شده است. همچنین برای مقایسه عملکرد شبکه عصبی با روشهای آماری، دو مدل با استفاده از رگرسیون و ARIMA طراحی شده‌اند. نتایج به دست آمده در پیش‌بینی مصرف نفت‌گاز در این بخش نیز نشان می‌دهد که پیش‌بینی با شبکه‌عصبی طراحی شده جوابهای بهتری دارد.