引入有效的参数来预测工作倦怠,使用基于数据处理神经网络群组方法的自我组织方法
1Assumption University, Bangkok, Thailand.
PloS one
|November 6, 2023
概括
这项研究使用了GMDH神经网络来分析初创企业的失业情况,确定了COVID-19压力和弹性等关键因素. 该模型在预测初创公司专业人士的倦怠方面取得了很高的准确性.
科学领域:
- 职业健康 职业健康 职业健康
- 医疗保健中的人工智能
- 组织心理学 组织心理学
背景情况:
- COVID-19大流行严重影响了工人的心理健康,并为初创公司创造了独特的挑战.
- 了解导致工作倦怠的因素对于支持高压创业环境中的员工至关重要.
研究的目的:
- 分析人口因素,COVID-19压力,弹性和初创企业的就业疲劳之间的关系.
- 开发和验证使用数据处理组方法 (GMDH) 神经网络对工作倦怠的预测模型.
主要方法:
- 384名创业公司董事和代表参与的定量方法.
- 使用BRCS,MBI-GS和定制COVID-19压力评估收集数据.
- 应用GMDH神经网络用于特征选择和燃烧分类.
主要成果:
- GMDH神经网络有效地确定了燃烧的关键预测因素,包括婚姻状况,COVID-19压力,工作经验,专业效率,性别,年龄和弹性.
- 经过培训的网络在分类工作倦怠方面表现出高准确度.
- 这项研究成功地通过使用7个参数的节集来降低计算负载.
结论:
- 总体而言,GMDH神经网络是准确预测初创企业部门就业缺失的强大工具.
- 弹性和COVID-19相关的压力是决定创业专业人士就业倦怠的重要因素.
- 鉴定到的关键特征为制定有针对性的干预措施以缓解倦怠提供了有价值的见解.
