مدل سازی هوشمند جذب منابع در استارتاپ های کم منبع رویکردی تلفیقی از کوچینگ کارآفرینانه و الگوریتم های یادگیری ماشین

جذب منابع در استارتاپ های با منابع محدود، فرآیندی پیچیده است که نیازمند دقت بالا در تصمیم گیری و مدیریت بار شناختی است. پژوهش حاضر با هدف طراحی مدلی هوشمند برای بهینه سازی جذب منابع از طریق تلفیق متدولوژی کوچینگ کارآفرینانه و الگوریتم های یادگیری ماشین انجام شده است. روش تحقیق از نوع کیفی و مبتنی بر سنتز پژوهشی منابع ۲۰۲۲ تا ۲۰۲۵ می باشد. یافته ها نشان می دهد که ادغام مدل های زبانی بزرگ (LLMs) در فرآیند مربیگری دیجیتال، نه تنها سرعت غربالگری استراتژیک را تا ۵۳۷ برابر افزایش می دهد، بلکه با پایش پیشگیرانه ریسک های خروج از مسیر و ناهماهنگی های ارزشی، پایداری سازمان را تضمین می کند. در نهایت، مدلی هوشمند تحت عنوان IRAM (Intelligent Resource Acquisition Model: مدل هوشمند جذب منابع) ارائه شده است که در آن هوش مصنوعی مولد به عنوان یک کاتالیزور نهادی عمل کرده و با کاهش بار شناختی از طریق استعاره های بصری، کارآفرین را در مسیر شکوفایی و جذب منابع خلاق هدایت می نماید.

کلیدواژه ها:

یادگیری ماشین ، جذب منابع ، کوچینگ کارآفرینانه ، هوش مصنوعی مولد ، بار شناختی