شناسایی پیشرانهای اثربخشی تیمی از راه شبکه عصبی مصنوعی (موردمطالعه: شرکت فولاد خوزستان) | ||
| پژوهش های مدیریت منابع سازمانی | ||
| Article 4, Volume 14, Issue 4, 1403, Pages 105-126 PDF (953.15 K) | ||
| Document Type: توصیفی و نظرسنجی | ||
| Authors | ||
| حدهن مقدم نیا1; حمید شاهبندرزاده* 2; مهدی مرتضوی3; علی اکبر فرهنگی1 | ||
| 1گروه مدیریت دولتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 2گروه مدیریت صنعتی، دانشکده کسبوکار و اقتصاد، دانشگاه خلیج فارس بوشهر، ایران. | ||
| 3گروه مدیریت دولتی، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران. | ||
| Abstract | ||
| هدف این پژوهش، شناسایی پیشرانهای اثربخشی تیمی در شرکت فولاد خوزستان از راه شبکه عصبی مصنوعی است. این پژوهش براساس هدف، از نوع پژوهشهای کاربردی-توسعهای برمبنای روش و نحوه گردآوری دادهها، پژوهشی توصیفی- پیمایشی و از نظر نوع دادهها، رویکرد پژوهش کمی است. جامعه آماری پژوهش را 1020 نفر از کارکنان و مدیران شرکت فولاد خوزستان تشکیل میدهند که با روش نمونهگیری تصادفی ساده و هدفمند، 360 نفر برای نمونه انتخاب شدند. نتایج نشان داد شبکه عصبی مصنوعی با درصد دقت بالا (در شناسایی شاخصهایی که اثربخشی را افزایش میدهند: یعنی 3/97 در بخش آموزش و 8/95 در بخش آزمایش، همچنین در شناسایی شاخصهایی که اثربخشی را افزایش نمیدهند: یعنی 5/96 درصد در بخش آموزش و 9/92 در بخش آزمایش) توانسته است درست عمل کرده و پیشبینی کند که این موضوع بیانگر کارایی و حساسیت بسیار بالای این سیستم است. همچنین، از تعداد 125 شاخص ارائهشده، تعداد 65 شاخص مستقل فعال در پیشبینی اثربخشی تیمی موفق عمل کردند که این روش توانست با تعریف متغیر صفر و یک آنها را شناسایی کند. شبکه عصبی مصنوعی در تحلیل دادهها ما را به این نتیجه رساند که بهترتیب شاخصهای یادگیری تیمی، جهتسازی یکسان تیمی و ذهنیت چابک، مهمترین پیشرانها در اثربخشی تیمی محسوب میشوند و نیاز است مطالعه عمیقی روی این ابعاد انجام شود. | ||
| Keywords | ||
| تیم; اثربخشی تیمی; شبکه عصبی مصنوعی | ||
| References | ||
|
| ||
|
Statistics Article View: 2,090 PDF Download: 947 |
||
| Number of Journals | 45 |
| Number of Issues | 2,160 |
| Number of Articles | 24,572 |
| Article View | 19,838,143 |
| PDF Download | 16,024,793 |