基于深度学习的劳动关系预测系统,具有多源数据融合和早期预警机制

科学领域:

• 组织行为 组织行为
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 工作场所冲突带来了重大管理挑战,传统方法往往无法充分解决.
• 劳动关系是复杂的,多因素的,需要先进的分析方法.

研究的目的:

• 开发和评估基于深度学习的早期预警系统,用于预测工作场所冲突.
• 整合异构的组织数据,以提高冲突预测的准确性.

主要方法:

• 开发了一个基于注意力的多模式融合深度学习架构.
• 集成的人力资源记录,通信日志,绩效数据,调查和经济指标.
• 综合MLP用于横截面数据和LSTM用于时间模式.

主要成果:

• 实现了89.2%的预测准确度,超过了梯度增强和表式深度学习模型.
• 证明多式联运集成提高了4.5-12.8%的性能.
• 现实世界部署显示,早期预警成功率为87.3%,交付时间为5-21天.

结论:

• 通过多模式数据融合进行深度学习,为主动预测工作场所冲突提供了一个强大的工具.
• 该系统为干预提供了宝贵的带头时间,尽管虚假阳性和压力时期的表现需要进一步研究.
• 建立了使用多源数据融合进行组织风险评估的方法基础.