شماره ركورد
34354
پديد آورنده
سميرا رمضاني
عنوان
ارائه مدل پيشبيني ريزش كاركنان مبتني بر الگوريتمهاي يادگيري ماشين و تحليلهاي شبكه
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي صنايع-سيستم هاي اطلاعاتي
سال تحصيل
1404-1405
تاريخ دفاع
1404/06/29
استاد راهنما
دكتر علرضا علي احمدي
استاد مشاور
ندارم
دانشكده
صنايع
چكيده
در عصر حاضر، سازمانهاي سراسر جهان با چالش مداوم ريزش كاركنان روبهرو هستند؛ چالشي كه ميتواند بهطور مستقيم عمليات اصلي سازمان را مختل كند، منابع مالي را تحت فشار قرار دهد و رضايت مشتريان را كاهش دهد. با اذعان به ماهيت چندوجهي اين پديده و پيامدهاي گسترده آن، در اين مطالعه استراتژيهاي مبتني بر داده با هدف پيشبيني و جلوگيري از ريزش كاركنان مورد بررسي قرار گرفته و ويژگيهاي تحليل شبكههاي اجتماعي (SNA) با تكنيكهاي يادگيري ماشين (ML) ادغام شدهاند. براي اين منظور، مجموعهداده غني شركت IBM با استفاده از طيف متنوعي از طبقهبنديكنندههاي ML جهت توسعه مدل پيشنهادي پيشبيني ريزش كاركنان و ارزيابي معيارهاي عملكرد آن مورد استفاده قرار گرفته است. يافتهها بر اثربخشي قابلتوجه شبكه عصبي پرسپترون چندلايه (MLP) تأكيد ميكند كه نرخ دقت چشمگير 99.5٪ را بهدست آورده است.
بهمنظور اعتبارسنجي نتايج، مدل پيشنهادي با استفاده از روشهاي ارزيابي متقاطع Cross-Validation و مقايسه با ساير الگوريتمهاي مرجع مورد آزمون قرار گرفت كه پايداري و قابليت تعميم بالاي آن را تأييد ميكند. افزون بر اين، مدل پيشنهادي پتانسيل بالايي براي كاربرد عملي در محيطهاي منابع انساني دارد و ميتواند به شناسايي كاركنان در معرض ريزش و طراحي سياستهاي پيشگيرانه كمك كند.
رويكرد نويني كه در اين پژوهش ارائه شده است، بر ضرورت گنجاندن شاخصهاي مبتني بر SNA در مدلهاي پيشبيني منابع انساني تأكيد كرده و سازمانها را قادر ميسازد تا با بهرهگيري از تحليل دادهمحور، بهصورت فعال با چالشهاي حفظ و نگهداشت كاركنان مقابله كنند.
تاريخ ورود اطلاعات
1404/10/05
عنوان به انگليسي
Presenting a predictive model for employee turnover based on machine learning algorithms and network analysis
تاريخ بهره برداري
11/20/2025 12:00:00 AM
دانشجوي وارد كننده اطلاعات
سميرا رمضاني
چكيده به لاتين
Within organizations worldwide, the persistent challenge of employee Churn disrupts opera-tions, strains financial resources, and diminishes client satisfaction. Acknowledging the multifaceted nature of this issue, this study explores data-based strategies aimed at predicting and preventing employee churn by integrating characteristics of Social Network Analysis (SNA) with Machine Learning (ML) techniques. Drawing upon a rich dataset sourced from IBM, we rigorously evaluate performance metrics by employing a diverse range of ML classifiers. Our findings underscore the remarkable efficacy of Multilayer Perceptron (MLP), achieving an unprecedented precision rate of 99.5%. This novel approach proposed in this study emphasizes the critical need to incorporate SNA-based features within HR forecasting methodologies, enabling organizations to navigate and proactively tackle contemporary retention challenges.
كليدواژه هاي فارسي
ريزش كاركنان , يادگيري ماشين , تحليل شبكه اجتماعي , مدلسازي پيشبينيكننده
كليدواژه هاي لاتين
Employee Churn , Machine Learning , Social Network Analysis , Predictive Modeling
Author
samira ramezani
SuperVisor
alireza aliahmadi