دانلود رایگان ترجمه مقاله پیش بینی عملکرد کارکنان (Thesai سال 2012)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

مطالعات قبلی، صفات موثر زیادی در عملکرد کارکنان را مشخص می‌کند. برخی از این ویژگی‌ها، ویژگی‌های شخصی و بعضی دیگر آموزشی و در نهایت ویژگی‌های حرفه‌ای در نظر گرفته شده‌اند. Chein و Chen (2006) از ویژگی‌های زیادی برای پیش‌بینی عملکرد کارکنان استفاده کردند. آنها سن، جنس، وضعیت تأهل، تجربه، آموزش‌وپرورش، موضوعات عمده را به‌عنوان عوامل بالقوه که ممکن است عملکرد را تحت تاثیر قرار دهد، مشخص کردند. سپس آنها سن، جنس و وضعیت تأهل را کنار گذاشتند، به‌طوری‌که هیچ تبعیضی در فرآیند انتخاب شخصی وجود نداشته باشد. در نتیجه در مطالعه خود، آنها دریافتند که عملکرد کارکنان به‌شدت با درجه آموزش‌وپرورش و سابقه کار تحت تاثیر قرار دارد.
Kahya (2007) نیز بر روی عوامل خاصی که عملکرد شغلی را تحت تاثیر قرار می‌دهد جستجو کردند. محقق، مطالعات قبلی را بررسی کرد و اثر تجربه، حقوق و دستمزد، آموزش و پرورش، شرایط کار و رضایت شغلی در عملکرد را توصیف کرد. به‌عنوان یک نتیجه از پژوهش، مشخص شد که عوامل متعددی عملکرد کارکنان را تحت تاثیر قرار می‌دهند. موقعیت یا درجه‌ی کارمند در این شرکت از اثر مثبت بالایی در عملکرد خود دارد. از سوی دیگر، شرایط و محیط کار، هر دو رابطه مثبت و منفی بر روی عملکرد نشان دادند. کارمندان با تحصیلات بالا و کارکنان واجد شرایط، نارضایتی از شرایط کاری بد را بیان کردند و در نتیجه بر عملکرد خود تاثیر منفی گذاشتند. از سوی دیگر،کارمندان با مدارک تحصیلی پایین، کارآیی بالایی به‌رغم شرایط بد نشان دادند. علاوه‌براین، تجربه در اکثر موارد رابطه‌ی مثبتی نشان داده است، درحالی‌که آموزش‌و‌پرورش رابطه مشخصی با عملکرد ندارد.
در مطالعه آنها، Salleh و همکارانش (2011) تاثیر انگیزه بر عملکرد شغلی کارکنان دولت در مالزی مورد آزمایش قرار گرفت. این مطالعه یک رابطه مثبت بین انگیزه وابستگی و عملکرد شغلی را نشان داد. همانطور که مردم باانگیزه وابستگی بالاتر و روابط میان فردی قوی با همکاران و مدیران و تمایل به انجام خیلی بهتر شغل خود دارند.
Jantan و همکارانش (2010) در مقاله خود، سیستم معماری منابع انسانی (HR) را برای پیش‌بینی استعداد متقاضی براساس اطلاعات پر شده در نرم‌افزار منابع انسانی و تجربه‌ی گذشته، بااستفاده از تکنیک‌های داده‌کاوی مورد بحث قرار دادند. هدف از این مقاله این بود که راهی برای پیش‌بینی استعداد در موسسات بالاتر مالزی پیدا کنند. بنابراین آنها عوامل خاصی را به‌عنوان صفات سیستم خود، از جمله، صلاحیت حرفه‌ای، آموزش و تعهد اجتماعی مشخص کردند. سپس، چندین روش داده‌کاوی (ترکیبی) برای پیدا کردن قوانین پیش‌بینی کردند. شبکه عصبی مصنوعی، درخت تصمیم و نظریه مجموعه نمونه‌هایی از تکنیک‌های انتخاب شده هستند.
همین نویسندگان، Jantan و همکارانش (2010b) از الگوریتم درخت تصمیم طبقه‌بندی C4.5 برای پیش‌بینی استعداد بشر در مدیریت منابع انسانی، با ایجاد قوانین طبقه‌بندی برای ثبت تاریخی و آزمایش آنها بر روی داده‌های نهان با محاسبه‌ی دقت و صحت استفاده کردند. آنها قصد استفاده از این قوانین برای ایجاد یک سیستم DSS را داشتند که می‌تواند توسط مدیریت برای پیش‌بینی عملکرد کارکنان و تبلیغات بالقوه استفاده شود.
به‌طورکلی، این مقاله تلاش اولیه برای استفاده از مفاهیم داده‌کاوی، به ویژه طبقه‌بندی، برای کمک به حمایت از منابع انسانی مدیران و تصمیم‌گیرندگان با ارزیابی داده برای مطالعه‌ی ویژگی‌های اصلی کارکنان را دارند که ممکن است عملکرد کارکنان را تحت تاثیر قرار دهد. در این مقاله مفاهیم داده‌کاوی به‌منظور توسعه‌ی یک مدل برای حمایت پیش‌بینی عملکرد کارکنان اعمال شده است. در بخش 2، شرح کامل مطالعه، تعیین روش، نتایج، بحث در مورد نتایج ارائه شده است.

2. ساخت مدل طبقه‌بندی
هدف اصلی از روش پیشنهادی ساخت مدل طبقه‌بندی است که ویژگی‌های خاصی را که ممکن است عملکرد شغلی را تحت تاثیر قرار دهد مورد بررسی قرار می‌دهند. برای انجام این کار، روش CRISP-DM (صنعت پردازش استاندارد برای داده‌کاوی) (CRISP-DM، 2007) برای ساخت یک مدل طبقه‌بندی استفاده شد. که شامل پنج گام است: درک کسب‌وکار، درک داده‌ها، آماده سازی داده‌ها، مدل‌سازی، ارزیابی و استقرار است.

A) رده‌بندی مقدماتی داده
به‌طورکلی، طبقه‌بندی داده‌ها یک فرایند دو مرحله‌ای است. در مرحله اول، که به نام مرحله یادگیری است، یک مدل که مجموعه‌ای از پیش تعیین شده از کلاس‌ها یا مفاهیم توصیف است، با تجزیه‌وتحلیل مجموعه‌ای از نمونه پایگاه داده ساخته شده است. هر نمونه فرض شده است که متعلق به یک کلاس از پیش تعریف شده است. در مرحله دوم، مدل بااستفاده از مجموعه داده‌های مختلف برای برآورد صحت مدل طبقه‌بندی مورد آزمون قرار می‌گیرد. اگر دقت مدل قابل قبول تشخیص داده شود، مدل را می‌توان برای طبقه‌بندی نمونه داده‌های آینده که برچسب کلاس آن‌ها شناخته شده نیست مورد استفاده قرار داد. در پایان، این مدل به عنوان یک طبقه‌بندی در فرایند تصمیم‌گیری عمل می‌کند. چندین تکنیک مختلف وجود دارد که می‌تواند برای طبقه‌بندی مانند درخت تصمیم‌گیری، روشهای بیزی، الگوریتم براساس قوانین و شبکه‌های عصبی استفاده شود.
طبقه‌بندی درخت تصمیم‌گیری از تکنیک‌های کاملا محبوب است چون ساخت درخت به‌هیچ‌گونه دانش تخصصی یا پارامتر تنظیم نیاز ندارد و برای کشف دانش اکتشافی مناسب است. درخت تصمیم‌گیری می‌تواند یک مدل با قوانینی که برای انسان قابل خواندن و قابل تفسیر هستند تولید شود. درخت تصمیم مزایای استفاده از تفسیر آسان و درک برای تصمیم‌گیرندگان را با توجه به مقایسه با دامنه‌ی دانش خود برای اعتبارسنجی و تصمیم خود را توجیه می‌کند. برخی از طبقه‌بندی‌های درخت تصمیم C4.5 / C5.0 / J4.8، NBTree، و غیره است.
روش C4.5 یکی از شاخه‌های درخت تصمیم‌گیری است که می‎‌تواند هر دو درخت تصمیم‌گیری و مجموعه قوانین را تولید کند و یک درخت به‌منظور بهبود دقت پیش‌بینی بسازد. طبقه‌بندی C4.5 / C5.0 / J48 در میان محبوب‌ترین و قدرتمندترین طبقه‌بندی‌های درخت تصمیم‌گیری است. C4.5 یک درخت اولیه بااستفاده از الگوریتم تقسیم‌وحل ایجاد می‌کند. شرح کامل الگوریتم را می‌توان در هر کتاب داده‌کاوی یا یادگیری ماشین مانند (Han و همکارانش، 2011) و (Witten و همکارانش، 2011) پیدا کرد.
ابزار WEKA (Witten و همکارانش، 2011) یک ابزار با استفاده‌ی گسترده برای یادگیری ماشین و داده‌کاوی است که در دانشگاه وایکاتو در نیوزیلند توسعه یافته است. که شامل یک مجموعه بزرگ از الگوریتم‌های یادگیری ماشین و داده‌کاوی نوشته شده در جاوا است. WEKA شامل ابزاری برای رگرسیون، طبقه‌بندی، خوشه‌بندی، قوانین انجمن، تجسم و پردازش اولیه است. WEKA به ابزاری بسیار محبوب با محققان دانشگاهی و صنعتی تبدیل شده است و نیز به طور گسترده برای اهداف آموزشی استفاده می‌شود. ابزار WEKA شناخته شده با نسخه‌های J48. J48 یک پیاده‌سازی بهینه‌سازی شده از REV C4.5 است.