DOI: https://doi.org/10.1038/s41598-025-86910-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39962106
تاريخ النشر: 2025-02-17
المؤلف: Zongyu Sun
الموضوع الرئيسي: الذكاء الاصطناعي وتقنيات الموارد البشرية
نظرة عامة
تبحث ورقة البحث التي كتبها زونغيو صن تأثير مؤشرات الأداء الرئيسية المتعلقة بالأداء على الأداء التنظيمي من خلال تطبيق تقنيات التعلم العميق المعزز. تؤكد الدراسة على أهمية هذه المؤشرات في تعزيز كفاءة اتخاذ القرار، وتعزيز الشفافية، وتعزيز استراتيجيات النمو المستدام. تتضمن المنهجية عملية صارمة من ثلاث مراحل: أولاً، معالجة البيانات وتطبيعها؛ ثانياً، استخدام التجميع التنازلي لتصنيف العينات، تليها تقييم الجودة باستخدام مؤشر الظل؛ وثالثاً، تصنيف المؤشرات المرشحة للتنبؤ بالأداء التنظيمي باستخدام شبكة عصبية تلافيفية أحادية البعد (CNN). يتم تحسين معلمات الشبكة العصبية التلافيفية باستخدام نموذج الأوتوماتا التعلمية، ويتم إجراء اختيار المؤشر النهائي عبر طريقة FSFS.
تظهر النتائج التجريبية فعالية النهج المقترح، حيث تحقق دقة متوسطة تبلغ 88.12% في تقييم إيرادات الشركة و93.12% في تقييم رضا العملاء. تؤكد هذه النتائج على الدور المهم لمؤشرات الأداء المتعلقة بالأداء في قياس وتحسين الأداء التنظيمي، مما يعزز دقة اتخاذ القرار وتطوير الموارد. تشير نتائج الدراسة، المدعومة بالتحليلات الإحصائية، إلى تفوق واضح للطريقة المقترحة على الطرق البديلة، مما يبرز إمكانياتها للتطبيق العملي في إدارة الموارد البشرية.
الطرق
تؤكد منهجية البحث على الدور الحاسم لإدارة الموارد البشرية (HRM) في نجاح المنظمات، مشددة على أهمية فهم مؤشرات الأداء الرئيسية (KPIs) وتأثيرها على الأداء العام. تقترح الدراسة إطار عمل قائم على التعلم الآلي لتحديد مؤشرات الأداء الرئيسية للموارد البشرية (HRKPIs) وتقييم الأداء التنظيمي. يتم تصنيف المؤشرات إلى ست مجموعات: التوظيف والتعيين، الموظفون، الأداء، التكاليف، الثقافة التنظيمية، والعملاء، كل منها مع مقاييس محددة مصممة لتقييم جوانب مختلفة من فعالية الموارد البشرية وصحة المنظمة.
تتضمن مجموعة البيانات المستخدمة في هذا البحث متغيرين رئيسيين مستهدفين: إيرادات الشركة ورضا العملاء. يتم تصنيف إيرادات الشركة إلى ثلاث فئات (منخفض، متوسط، مرتفع) بناءً على 960 عينة، بينما يتم تقسيم رضا العملاء إلى خمس فئات (منخفض جداً إلى مرتفع جداً) بناءً على 1,060 عينة. يسمح هذا النهج المنظم بإجراء تحليل شامل لكيفية ارتباط مؤشرات الأداء الرئيسية للموارد البشرية (HRKPIs) بالأداء التنظيمي، مما يوفر رؤى يمكن أن تؤدي إلى تحسين ممارسات الموارد البشرية وفعالية المنظمة بشكل عام.
المناقشة
تقدم ورقة البحث ابتكارات كبيرة في مجال إدارة الموارد البشرية (HRM) من خلال تقديم طرق متقدمة لاختيار الميزات وتقنيات التعلم العميق المعزز لتعزيز توقع مؤشرات الأداء التنظيمي. تشمل المساهمات الرئيسية تطوير إطار عمل من مرحلتين يهدف إلى تحسين قابلية تفسير نماذج التعلم الآلي، وخاصة الشبكات العصبية العميقة، في تحديد المؤشرات الحيوية المتعلقة بالموارد البشرية. يستخدم الإطار التجميع التفاضلي واختيار الميزات التسلسلي الأمامي لتحسين اختيار مؤشرات الأداء الرئيسية للموارد البشرية (HRKPIs)، بينما يستخدم أيضًا الأوتوماتا التعلمية (LA) للتعديل التلقائي للمعلمات الفائقة في الشبكات العصبية التلافيفية (CNNs). لا يعالج هذا النهج فجوة القابلية للتفسير في النماذج الحالية فحسب، بل يؤكد أيضًا على قابلية تطبيق هذه الطرق في مواجهة تحديات إدارة الموارد البشرية المعقدة.
تسلط مراجعة الأدبيات الضوء على الأبحاث الحالية حول توقع إيرادات المنظمات ورضا العملاء، كاشفة عن الفجوات في دمج مؤشرات الأداء الرئيسية للموارد البشرية (HRKPIs) ضمن نماذج توقع الأداء. يهدف الإطار المقترح إلى سد هذه الفجوات من خلال الاستفادة من التعلم العميق المعزز لتقدير إيرادات الشركة ورضا العملاء في الوقت نفسه، مما يوفر منظورًا شاملاً حول الأداء التنظيمي. تتضمن المنهجية تحديد مؤشرات الأداء الرئيسية للموارد البشرية ذات الصلة من خلال عملية منظمة من التجميع والترتيب، تليها تطبيق نموذج CNN المحسن عبر LA للتنبؤ بالأداء التنظيمي بناءً على المؤشرات المختارة. يبرز هذا النهج ذو المرحلتين إمكانيات تقنيات التعلم الآلي في تعزيز استراتيجيات الموارد البشرية ونتائج الأعمال بشكل عام.
القيود
تقر قسم القيود بعدة قيود للنموذج المقترح لتقييم الأداء التنظيمي بناءً على مؤشرات الأداء الرئيسية للموارد البشرية (HRKPIs). تتمثل إحدى القيود الرئيسية في حجم العينة الصغيرة نسبيًا المكونة من 960 حالة، والتي، على الرغم من كونها تحسنًا مقارنة بالدراسات السابقة، قد تقيد أداء النموذج وقابليته للتعميم على مجموعات بيانات جديدة. بالإضافة إلى ذلك، تعيق المتطلبات الحسابية لنموذج التعلم العميق المعزز قابليته للتوسع إلى مجموعات بيانات أكبر. كما تشير دراسة التركيز على مجموعة محددة من مؤشرات الأداء الرئيسية للموارد البشرية إلى أن عوامل مؤثرة أخرى قد تؤثر على الأداء التنظيمي قد يتم تجاهلها.
للبحث المستقبلي، يقترح المؤلفون عدة استراتيجيات لمعالجة هذه القيود. قد يؤدي توسيع حجم العينة وتنويع نطاق ممارسات الموارد البشرية المدروسة إلى تعزيز قوة النموذج. للتخفيف من التحديات الحسابية، يمكن استكشاف هياكل التعلم العميق البديلة أو تقنيات التحسين. تعتبر منطقة حاسمة للتحسين هي قابلية تفسير النموذج؛ يمكن أن تسهم طرق مثل تحليل أهمية الميزات أو الشروحات المستقلة عن النموذج في توضيح العلاقات بين مؤشرات الأداء الرئيسية للموارد البشرية (HRKPIs) والأداء التنظيمي. علاوة على ذلك، يجب أن تأخذ الدراسات المستقبلية في الاعتبار دمج مجموعة أوسع من مؤشرات الأداء الرئيسية للموارد البشرية، بما في ذلك جوانب مثل تطوير الموظفين، وإدارة المواهب، والثقافة التنظيمية، مع استخدام هندسة الميزات لإنشاء متغيرات جديدة من البيانات الموجودة لتعزيز فعالية النموذج.
DOI: https://doi.org/10.1038/s41598-025-86910-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39962106
Publication Date: 2025-02-17
Author(s): Zongyu Sun
Primary Topic: AI and HR Technologies
Overview
The research paper by Zongyu Sun investigates the impact of key performance-related indicators on organizational performance through the application of deep reinforcement learning techniques. The study emphasizes the importance of these indicators in enhancing decision-making efficiency, promoting transparency, and fostering sustainable growth strategies. The methodology involves a rigorous three-stage process: first, data preprocessing and normalization; second, the use of Subtractive Clustering for sample categorization, followed by quality evaluation using the Silhouette index; and third, ranking candidate indices to predict organizational performance with a one-dimensional convolutional neural network (CNN). The CNN’s parameters are optimized using a learning automata model, and the final index selection is conducted via the FSFS method.
The experimental results demonstrate the effectiveness of the proposed approach, achieving an average accuracy of 88.12% in evaluating company revenue and 93.12% in assessing customer satisfaction. These findings underscore the significant role of performance-related indicators in not only measuring but also optimizing organizational performance, thereby enhancing decision-making accuracy and resource development. The study’s results, supported by statistical analyses, indicate a clear superiority of the proposed method over alternative approaches, highlighting its potential for practical application in human resource management.
Methods
The research methodology emphasizes the critical role of Human Resources Management (HRM) in organizational success, highlighting the importance of understanding key performance indicators (KPIs) and their influence on overall performance. The study proposes a machine learning-based framework for identifying HR key performance indicators (HRKPIs) and assessing organizational performance. The indicators are categorized into six groups: Recruitment and Hiring, Employees, Performance, Costs, Organizational Culture, and Customers, each with specific metrics designed to evaluate various aspects of HR effectiveness and organizational health.
The dataset utilized in this research includes two primary target variables: company revenue and customer satisfaction. Company revenue is classified into three categories (Low, Medium, High) based on 960 samples, while customer satisfaction is divided into five categories (Very Low to Very High) based on 1,060 samples. This structured approach allows for a comprehensive analysis of how HRKPIs correlate with organizational performance, providing insights that can lead to improved HR practices and overall organizational effectiveness.
Discussion
The research paper presents significant innovations in the realm of human resource management (HRM) by introducing advanced feature selection methods and reinforcement deep learning techniques to enhance the prediction of organizational performance metrics. Key contributions include the development of a two-stage framework aimed at improving the interpretability of machine learning models, particularly deep neural networks, in identifying crucial HR-related indicators. The framework employs differential clustering and forward sequential feature selection to refine the selection of HR key performance indicators (HRKPIs), while also utilizing Learning Automata (LA) for the automatic adjustment of hyperparameters in Convolutional Neural Networks (CNNs). This approach not only addresses the interpretability gap in existing models but also emphasizes the applicability of these methods in tackling complex HRM challenges.
The literature review highlights existing research on predicting organizational revenue and customer satisfaction, revealing gaps in the integration of HRKPIs within performance prediction models. The proposed framework aims to fill these gaps by leveraging deep reinforcement learning to simultaneously estimate company revenue and customer satisfaction, thereby providing a comprehensive perspective on organizational performance. The methodology involves identifying relevant HRKPIs through a structured process of clustering and ranking, followed by the application of a CNN model optimized via LA to predict organizational performance based on the selected indicators. This dual-phase approach underscores the potential of machine learning techniques in enhancing HR strategies and overall business outcomes.
Limitations
The section on limitations acknowledges several constraints of the proposed model for evaluating organizational performance based on Human Resource Key Performance Indicators (HRKPIs). A primary limitation is the relatively small sample size of 960 cases, which, while an improvement over previous studies, may restrict the model’s performance and generalizability to new datasets. Additionally, the computational demands of the deep reinforcement learning model hinder its scalability to larger datasets. The study’s focus on a specific set of HRKPIs also suggests that other influential factors affecting organizational performance may be overlooked.
For future research, the authors propose several strategies to address these limitations. Expanding the sample size and diversifying the range of HR practices examined could enhance the model’s robustness. To mitigate computational challenges, alternative deep learning architectures or optimization techniques may be explored. A critical area for improvement is the model’s interpretability; employing methods such as feature importance analysis or model-agnostic explanations could elucidate the relationships between HRKPIs and organizational performance. Furthermore, future studies should consider incorporating a broader array of HRKPIs, including aspects like employee development, talent management, and organizational culture, while utilizing feature engineering to create new variables from existing data to enhance model efficacy.