20901

۲۰۹۰۱

ارائه مدلي جهت پيش بيني سطح شايستگي مديران از منظر نوروليدرشيپ (مورد مطالعه:مديران فناوري اطلاعات)

كارشناسي ارشد

مديريت فناوري اطلاعات

۱۳۹۵-۱۳۹۷

۱۳۹۷/۰۸/۲۹

دكتر علي بنيادي نائيني

مهندسي پيشرفت

شايستگي عبارت است از ويژگي هاي شناختي(مانند دانش و مهارت)، احساسي(مانند نگرش ها و ارزش ها)، رفتاري و انگيزشي كه فرد را قادر به عملكرد موفق در شغل يا جايگاه خاص مي سازد. از طرفي موفقيت و شكست يك سازمان به طور گسترده به كيفيت رهبران آن وابسته است. تفاوت اساسي ميان يك سازمان موفق و غيرموفق غالبا بر حسب رهبري تعريف مي شود؛ بنابراين گروه ها و سازمان ها براي اثربخش تر نمودن خود، رهبري را مدنظر قرار داده اند. وجه اشتراك بالقوه بين نوروساينس و رهبري سازماني، نتيجه مستقيم تحولاتي است كه در دهه اخير در علوم اعصاب صورت گرفته است. در نهايت اينكه در مقايسه با رويكردهاي رفتاري و اجتماعي سنتي، رويكردهاي علوم اعصاب به مديريت و رهبري سازماني مي توانند از طريق بررسي فعاليت مغز، حالات رواني و رفتاري فرد را تعيين و پيش بيني نمايند. نوروليدرشيپ حوزه اي نوظهور در پژوهش هاي سازماني است كه تمركز آن بر به كار بستن دستاوردهاي علوم اعصاب در مقوله هايي مثل توسعه رهبري و مديريت، پژوهش درباره مديران، تغيير و تحول در مديريت، مشاوره، تربيت و آموزش افراد است. در اين تحقيق تلاش شد تا با ارائه مدلي، سطح شايستگي مديران فناوري اطلاعات از منظر نوروليدرشيپ و با استفاده از سيگنال هاي مغزي آنان، پيش بيني گردد. براي تحقق اين امر ابتدا مدل هاي معتبر در حوزه نوروليدرشيپ بررسي شد و سپس بر اساس مدل معروف SCARF ، سطح شايستگي 20 نفر از مديران فناوري اطلاعات با ابزار پرسشنامه استاندارد NLI-SCARF به روش بازخورد 360 درجه ارزيابي و مقايسه شد. سپس با استفاده از دستگاه نوار مغز، از اين مجموعه مديران، ثبت سيگنال مغزي در حالت استراحت(چشم بسته) انجام شد و با استفاده از چهار الگوريتم يادگيري ماشين طبقه بندي كننده آناليز تفكيك خطي، بيزين ساده، ماشين بردار پشتيبان و k نزديكترين همسايه، سيگنال هاي مغزي مديران بر اساس ويژگي چگالي طيف توان فركانسي تجزيه و تحليل و طبقه بندي شد. نتايج نشان داد كه الگوريتم ماشين بردار پشتيبان با درصد تفكيك پذيري 69.44% در مقايسه با ساير الگوريتم ها، با قدرت بيشتري قادر به طبقه بندي سيگنال هاي مغزي مديران است و به عبارتي سطح شايستگي مديران فناوري اطلاعات بر اساس سيگنال هاي مغزي آن ها، از منظر نوروليدرشيپ، با درصد درستي 69.44% قابل پيش بيني است.

1398/04/30

Presentation of a model for predicting manager's level of competency from the perspective of neuroleadership (case study:IT managers)

11/20/2019 12:00:00 AM

Competency is a cognitive (such as knowledge and skills), emotional (like attitudes and values), behavioral and motivational feature which enables a person to succeed in a particular job or position. On the other hand, the success and failure of an organization is broadly dependent on the quality of its leaders. The basic difference between a successful and unsuccessful organization is defined in terms of leadership. Therefore, the groups and organizations have considered leadership to make themselves more effective. The potential commonality between neuroscience and organizational leadership is a direct result of developments that have taken place in neuroscience over the past decade. Finally, in comparison with traditional social and behavioral approaches, neuroscience approaches to organizational management and leadership can determine and predict psychological and behavioral states through the study of brain activity. Neuroleadership is an emerging field in organizational research whose focus is on the application of neuroscience achievements in areas such as leadership development and management, research on managers, change in management, counseling, education and training of individuals. In this research, it has been tried to predict the level of competency of IT managers in terms of Neuroleadership and using their brain signals. To do so, firstly, valid models in the Neuroleadership area were investigated and then based on the well-known SCARF model the level of competency of 20 IT managers was assessed and compared by using the NLI-SCARF standard questionnaire with 360-degree feedback method. Then, by implementing the EEG, the brain signals were recorded at rest (eye-closed) from this group of managers. Then the brain signals of managers were analyzed and categorized based on the power spectrum density of frequency by using four machine learning algorithms of classification including linear discriminant analysis, nive bayes, support vector machine and k-nearest neighbor. The results showed that the support vector machine algorithm with a resolution rate of 69.44% was more capable of classifying the brain signals of managers than other algorithms. In other words, the level of competence of IT managers based on their brain signals is predictable in terms of Neuroleadership, with an accuracy of 69.44%.