پیش بینی عملکرد شغلی با استفاده از بهینه سازی چندهدفه و شبکه های عصبی از نوع GMDH به منظور بهبود فرایند گزینش کارکنان

در پژوهش حاضر با استفاده از الگوریتم ژنتیک برای بهینه سازی چندهدفه ی شبکه های عصبی از نوع GMDH، مدل حاکم بر عملکرد شغلی کارکنان فعلی سازمان استخراج می شود که قادر است با وجود پیچیدگی رفتار در حوزه ی منابع انسانی، عملکرد کارکنان را با حداقل خطای پیش بینی و آموزش، براساس موثرترین ورودی های پیش بینی کند. بنابراین می توان به منظور گزینش کارکنان، براساس مدل استخراج شده، ورودی های مرتبط را از متقاضی دریافت و عملکرد آتی وی را تخمین زد. به دلیل ماهیت مشاغل مورد بررسی، از ابعاد هوش هیجانی و متغیرهای فردی به عنوان ورودی استفاده شده است. با وجود عدم قطعیت در ماهیت منابع انسانی، ضریب همبستگی 0/995 و RMSE برابر 0/06 در مقایسه ی مقادیر پیش بینی شده با مقادیر واقعی، بیان گر دقت بسیار بالای مدل و حداکثر انطباق پذیری عملکرد شغلی پیش بینی شده با عملکرد واقعی است.

کلیدواژه ها:

گزینش کارکنا ، پیش بینی عملکرد ، مدل سازی ، شبکه ی عصبی از نوع GMDH ، بهینه سازی ، الگوریتم ژنتیک