ارزيابي عملكرد منابع انساني با رويكرد شبكه عصبي رگرسيون عمومي مورد مطالعه: اعضاي هيات علمي

Evaluation of Human Resource Performance Using General Regression Neural Network Approach (Faculty Members)

ارزيابي اعضاي هيات­ علمي شامل مراحلي است از سنجش و آگاه ساختن اعضاي هيات ­علمي از نحوه انجام كار و مسئوليت هاي محوله كه در ابعاد مختلف مطرح مي­شود. در پژوهش حاضر ارزيابي اعضاي هيات­ علمي از دو منظر آموزشي و پژوهشي صورت گرفته است. جامعه آماري پژوهش حاضر307 نفر از اعضاي هيات­علمي يكي از دانشگاه ­هاي دولتي است. اطلاعات عملكردآموزشي با همكاري دفتر نظارت، ارزيابي و تضمين كيفيت دانشگاه و همچنين اطلاعات عملكردپژوهشي با همكاري معاونت پژوهشي دانشگاه تهيه شده است. تجزيه و تحليل داده ­ها با استفاده از روش هوش ­مصنوعي و با بكارگيري نرم ­افزار متلب انجام شده است. در تحليل نتايج، ابتدا با استفاده از خوشه­ بندي آستانه ­اي، اعضاي هيات­ علمي به چهار خوشه تقسيم­ بندي شدند. سپس در گام ­دوم تحليل، از پتانسيل شبكه‌ي عصبي رگرسيون عمومي استفاده شده است. با بكارگيري شبكه عصبي رگرسيون عمومي، ميزان وابستگي افراد به هر يك از خوشه­ هاي چهارگانه مشخص شده است. با توجه به نتايج به دست آمده بيشتر اعضاي هيات علمي در خوشه دوم(فقط آموزش بالا) قرار گرفتند و كمترين فراواني در خوشه سوم(فقط پژوهش بالا) قرار دارد. همچنين در مجموع عملكردپژوهشي و آموزشي بين دانشكده ­ها، دانشكده­شيمي(0/99و0/60) رتبه اول و دانشكده ­هاي ­تربي ت­بدني(0/34و0/99)، علوم ­پايه(0/58و0/37) و علوم اقتصادي­ و اداري(0/40و0/47) رتبه­ هاي بعدي را كسب كردند. در بخش پاياني با مقايسه دو روش ضمن بررسي مزاياي استفاده از شبكه عصبي رگرسيون عمومي، پيشنهادات لازم ارائه شده است.

Assessing faculty members involves formal steps in assessing and informing faculty members about how to do the job and the responsibilities assigned to them in different dimensions. In the present study, the evaluation of faculty members has been done from two educational and research perspectives. The statistical population of the present study is 307 faculty members of one of the public universities. Educational performance information has been prepared in collaboration with the Office of Monitoring, Evaluation and Quality Assurance of the University, as well as research performance information in collaboration with the Vice Chancellor for Research. Data analysis was performed using artificial intelligence method and using MATLAB software. In analyzing the results, first, using threshold clustering, faculty members were divided into four clusters. Then, in the second step of the analysis, the potential of the general regression neural network is used. Using the general regression neural network, the degree to which individuals depend on each of the four clusters is determined. The results show that most faculty members have a good educational situation, while the research status of faculty members is not good. Also, in general, research and educational performance between faculties, Faculty of Chemistry (0.99 and 0.60), first rank and physical education faculties (0.34 and 0.99), basic sciences (0.58 and 0.37) and economic and administrative sciences ( 0.40 and 0.47) gained the next ranks. In the final section, by comparing the two methods, while examining the advantages of using the general regression neural network, the necessary suggestions are presented.