مرکز منطقه ای اطلاع رسانی علوم و فناوریمدیریت فردا2228-60472484202671Optimizing Human Resource Performance Evaluation in Small and Medium Enterprises (SMEs) Using Data Mining Algorithms (Case Study: Tile and Ceramic Companies in Yazd Province)بهینهسازی ارزیابی عملکرد منابع انسانی در شرکتهای کوچک و متوسط (SMEs) با استفاده از الگوریتمهای دادهکاوی (مطالعه موردی: شرکتهای کاشی و سرامیک استان یزد)324faامیراحساناسحاقیه فیروزآبادیدانشگاه آزاد اسلامی واحد سمنان محمدزارعی محمودآبادیدانشیار گروه مدیریت صنعتی، دانشگاه میبد، میبد، ایران 00000001954424902025716<p><strong>Abstract:</strong><br /> <strong>Background & Objective:</strong> The objective of this research is to design a hybrid data mining framework for evaluating human resource performance in SMEs within Yazd's tile and ceramic industry. The primary focus is on overcoming limitations of traditional methods by implementing advanced machine learning algorithms.</p>
<p><strong>Methodology:</strong> In this applied-developmental research, data from 200 employees in Yazd SMEs, evaluated based on ten key performance indicators (extracted from the literature), were used. Following preprocessing in Python (Google Colab), four data mining algorithms—Decision Tree (CART), K-Nearest Neighbors (K-NN, optimized for Euclidean distance), Naive Bayes, Support Vector Machine (SVM) with RBF kernel, and Logistic Regression—were implemented and evaluated according to accuracy, precision, recall, and F1-score metrics.</p>
<p><strong>Key Findings:</strong> Logistic Regression achieved the best performance for employee classification, with an accuracy of 98.3% and F1-score of 97%. SVM ranked second with 96.1% accuracy, while Naive Bayes yielded the weakest results (87.5% accuracy). Among input variables, “Professional Development” and “Problem-Solving Ability” had the greatest impact on the final model.</p>
<p><strong>Conclusion and Research Value:</strong> The logistic regression-based model is capable of reducing performance evaluation errors by 30% compared to conventional SME methods. This framework not only provides an objective structure for human resource management but, thanks to the interpretability of the model, enables identification of performance improvement areas for both current and new employees.</p><p>زمینه و هدف: این پژوهش با هدف طراحی یک چارچوب ترکیبی داده‌کاوی برای ارزیابی عملکرد منابع انسانی در شرکت‌های کوچک و متوسط (SMEs) صنعت کاشی و سرامیک یزد انجام شد. تمرکز اصلی بر رفع محدودیت‌های روش‌های سنتی از طریق پیاده‌سازی الگوریتم‌های نوین یادگیری ماشین است. روش‌شناسی: در این تحقیق کاربردی-توسعه‌ای، از داده‌های 200 کارمند در SMEs یزد با 10 شاخص کلیدی ارزیابی عملکرد (استخراج‌شده از ادبیات پژوهش) استفاده شد. پس از پیش‌پردازش داده‌ها در پایتون (Google Colab) چهار الگوریتم داده‌کاوی شامل: درخت تصمیم (CART)؛K-NN (با بهینه‌سازی فاصله اقلیدسی)؛ نایو بیز؛ ماشین بردار پشتیبان (SVM) با کرنل RBFو رگرسیون لجستیک، پیاده‌سازی و با معیارهای دقت (Accuracy)، صحت (Precision)، بازخوانی (Recall) و F1-Score ارزیابی شدند. یافته‌های کلیدی: الگوریتم رگرسیون لجستیک با دقت 3/98% و 97% F1-Score بهترین عملکرد را در طبقه‌بندی عملکرد کارکنان نشان داد.SVM با دقت1/96 % جایگاه دوم را کسب کرد، درحالی که نایو بیز با اختلاف معنادار (دقت 5/87%) ضعیف‌ترین نتایج را ارائه کرد و همچنین شاخص‌های "توسعه حرفه‌ای" و "توانایی حل مسئله" بیشترین تأثیر را در مدل نهایی داشتند. نتیجه‌گیری و ارزش پژوهش: مدل پیشنهادی مبتنی بر رگرسیون لجستیک، قابلیت کاهش 30% خطای ارزیابی عملکرد در مقایسه با روش‌های مرسوم SMEs را دارد. این چارچوب نه تنها سازماندهی منابع انسانی را عینی‌سازی می‌کند، بلکه با تفسیرپذیری بالای مدل، امکان شناسایی نقاط بهبود عملکرد کارکنان جدید و موجود را فراهم می‌سازد.</p>http://modiriyatfarda.ir/en/Article/Download/54316مرکز منطقه ای اطلاع رسانی علوم و فناوریمدیریت فردا2228-60472484202671ارائه الگوی برونسپاری مدیریت منابع انسانی در راستای توسعه سرمایههای انسانی در شرکتهای دانشبنیان صنعت نفت کشورfaمحموددانیالی ده حوضاستادیار گروه حسابداری دانشگاه آزاد اسلامی واحد ایذهجمشیدنظریدانشجوی دکتری گروه مدیریت منابع انسانی، دانشگاه آزاد اسلامی واحد شوشترمسعودحمزه پورمرکز تحصیلات تکمیلی پیام نور تهران فرهاد کیانفراستادیار گروه علوم تربیتی، دانشگاه پیام نور، تهران، ایران00000002616409202025722<p>هدف این پژوهش ارائه الگوی برون‌سپاری مدیریت منابع انسانی در راستای توسعه سرمایه‌های انسانی در شرکت‌های دانش‌بنیان صنعت نفت می باشد. این پژوهش از نظر هدف کاربردی و از جهت روش گردآوری داده‌ها، توصیفی از دسته پژوهش‌های آمیخته و از نوع توصیفی- اکتشافی می باشد. جامعه آماری شامل شرکت‌های دانش‌بنیان صنعت نفت کشور و مدیران و کارشناسان منابع انسانی از شرکت‌های نفتی استان خوزستان می باشد. در بخش کیفی از نمونه‌گیری هدفمند و مبتنی بر اجماع نظر خبرگان بوده که از 11 مدیر مصاحبه شد و در بخش کمی از نمونه‌گیری در دسترس به تعداد 237 نفر استفاده شدهاست. برای جمع‌آوری اطلاعات در بخش کیفی از مصاحبه نیمه ساختاریافته مبتنی بر پنل دلفی و در بخش کمی از پرسشنامه محقق ساخته منطبق بر تحلیل عاملی اکتشافی و همچنین مقایسات زوجی استفاده شده است. روش تجزیه و تحلیل اطلاعات، تحلیل محتوای مقالات معتبر و مدلسازی ساختاری تفسیری و ماتریس MIC MAC می باشد. یافته ها در قالب پیاده سازی پانل دلفی تعداد 94 زیر معیار در قالب 15 معیار و 7 بعد اصلی «عدالت سازمانی، استعداد یابی و جانشینپروری، بهبود ارتباطات سازمانی، بهروز رسانی و انعطاف منابع انسانی، دوسویه سازی منابع انسانی، آموزش و برنامهریزی و مدیریت نوین منابع انسانی» را بهعنوان ابعاد مدل برون‌سپاری مدیریت منابع انسانی شناسایی شد و این عوامل در طراحی مدل مربوطه استفاده شد. در نهایت، برونسپاری منابع انسانی در شرکت‌های نفتی به‌عنوان یک ابزار استراتژیک برای توسعه منابع انسانی شناخته شده است و بهره‌برداری از آن بستگی به توانمندی مدیران ارشد سازمان‌ها دارد.</p>http://modiriyatfarda.ir/en/Article/Download/54405