ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Personnel selection and prediction of organizational positions using data mining algorithms (case study: Mammut industrial complex)

سال انتشار: 1399
کد COI مقاله: JR_APRIE-7-3_004
زبان مقاله: انگلیسیمشاهد این مقاله: 13
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 13 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Personnel selection and prediction of organizational positions using data mining algorithms (case study: Mammut industrial complex)

Fatemeh Mirsaeedi - Department of Industrial Engineering, Faculty of Engineering, University of Torbat Heydarieh, Torbat Heydarieh, Iran.
Iman Sadeghi - Department of Industrial Engineering, Faculty of Engineering, Iran University of Science and Technology, Tehran, Iran.
Mohammad Ghodoosi - Department of Industrial Engineering, Faculty of Engineering, University of Torbat Heydarieh, Torbat Heydarieh, Iran.

چکیده مقاله:

This study aims to identify and employ qualified individuals and assign different organizational positions. Accordingly, a data mining approach is proposed. This paper presents an empirical study which has important practical application in modern human resource management. Therefore, effective features on staff selection are extracted from literature and entered into the database after expert approval respectively. Further, the impact of each feature on staff selection is determined and the ability of applied classification algorithms is compared. The results represent that the organizational position feature has a great impact on forecasting of selection or rejection. Data mining algorithms used in this study have acceptable performance based on accuracy rate, and J48 algorithm performs better comparing to other algorithms based on accuracy rate, recall, F-measure and area under Receiver Operating Characteristic (ROC) curve. Three features of background, level of education, and major are identified as effective features in association rules. Finally, an approach is presented for applying data mining algorithms in employees hiring and organizational positions assignment procedure

کلیدواژه ها:

Staff selection, Organizational Position, Effective Features, Data mining

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1170098/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Mirsaeedi, Fatemeh و Sadeghi, Iman و Ghodoosi, Mohammad,1399,Personnel selection and prediction of organizational positions using data mining algorithms (case study: Mammut industrial complex),,,,,https://civilica.com/doc/1170098

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Mirsaeedi, Fatemeh؛ Iman Sadeghi و Mohammad Ghodoosi)
برای بار دوم به بعد: (1399, Mirsaeedi؛ Sadeghi و Ghodoosi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود ممقالهقاله لینک شده اند :

  • Fatemi, M., & Karbasian, M. (2015). Performance assessment in Isfahan ...
  • [2] Lievens, F. (2002). Recent trends and challenges in personnel ...
  • [3] Ajripour, I., Asadpour, M., & Tabatabaie, L. (2019). A ...
  • [4] Borman, W. C., Hanson, M. A., & Hedge, J. ...
  • [5] Robertson, I. T., & Smith, M. (2001). Personnel Selection. ...
  • [6] Chien, C. F., & Chen, L. F. (2008). Data ...
  • [7] Santos, A. D., Armanu, A., Setiawan, M., & Rofiq, ...
  • [8] Shaeiri, Z., & Ghaderi, R. (2012). Modification of the ...
  • [9] Darvishi, A., & Hassanpour, H. (2015). A geometric view ...
  • [10] Sharma, A. K., Lakhtaria, K., & Vishwakarma, S. (2013). ...
  • [11] Esmaieeli, A. M., Ghousi, R. E., & Esmaieeli, A. ...
  • [12] Mohammad Naser, M., Shaaban, E., & Samir, A. (2019). ...
  • [13] Dursun, M., & Karsak, E. E. (2010). Expert systems ...
  • [14] Verma, M., & Rajasankar, J. (2017). A Thermodynamical approach ...
  • [15] Jantan, H., Hamdan, A. R., Othman, Z. A., & ...
  • [16] Chen, L. F., & Chien, C. F. (2011). Manufacturing ...
  • [17] Strohmeier, S., & Piazza, F. (2013). expert systems with ...
  • [18] Gupta, A., & Garg, D. (2014). Applying data mining ...
  • [19] Sharma, M., & Goyal, A. (2015). An application of ...
  • [20] Sebt, M. V., & Yousefi, H. (2015). Comparing data ...
  • [21] Mishra, T. (2016). Students ’ employability prediction model through ...
  • [22] Kirimi, J. M., & Moturi, C. A. (2016). Application ...
  • [23] Kamatkar, S. J., Tayade, A., Viloria, A., & Hernandez-Chacin, ...
  • [24] Borkar, S., & Rajeswari, K. (2013). Predicting students academic ...
  • [25] Kaur, P., Singh, M., & Josan, G. S. (2015). ...
  • [26] Chang, C. L. (2007). A study of applying data ...
  • [27] Mohammadi, M., Iranmanesh, S. H., Tavakoli-Moghaddam, R., & Abdollahzadeh, ...
  • Sut, N., & Simsek, O. (2011). Comparison of regression tree ...
  • [29] Huang, C. T., Lin, W. T., Wnag, S. T., ...
  • [30] Rygielski, C., Wang, J. C., & Yen, D. C. ...
  • [31] Kotsiantis, S. B. (2007). Supervised machine learning : a ...
  • [32] Domingos, P., & Pazzani, M. (1997). On the optimality ...
  • [33] Abu Saa, A. (2016). Educational data mining & students’ ...
  • [34] Movahedi Sobhani, F., & Madadi, T. (2015). Studying the ...
  • [35] Bhuvaneswari, T., Prabaharan, S., & Subramaniyaswamy, V. (2015). An ...
  • [36] Panigrahi, R., & Borah, S. (2018). Rank allocation to ...
  • [37] Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining ...
  • [38] Hashemzadeh, E., & Hamidi, H. (2016). Using a data ...
  • [39] Biglari, M., Mirzaei, F., & Hassanpour, H. (2020). Feature ...
  • [40] F Bagherzadeh, F., Ramezankhani, A., Azizi, F., Hadaegh, F., ...
  • [41] Diamantidis, N. A., Karlis, D., & Giakoumakis, E. A. ...
  • [42] Alort, S., & Celisse, A. (2010). A survey of ...
  • [43] Hamidi, H., & Daraei, A. (2016). Analysis of pre-processing ...
  • [44] Han, J., & Kamber, M. (2006). Data mining: concepts ...
  • [45] Costa, E. B., Fonseca, B., Santana, M. A., de ...
  • [46] Kotsiantis, S., & Kanellopoulos, D. (2006). Association rules mining ...
  • [47] Mammutco. (2018). Mammut Industrial Group. Retrieved from https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=2ahUKEwiIgrCWmZLoAhWCwqYKHYjJCqYQFjAAegQIGBAC&url=http%3A%2F%2Fwww.en.mammutco.com%2F&usg=AOvVaw1llIV-ffBKUdb_JoSyBL82." ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 570
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی