دوره 10، شماره 4 - ( فصلنامه علمی تخصصی طب کار یزد 1397 )                   جلد 10 شماره 4 صفحات 62-73 | برگشت به فهرست نسخه ها

Ethics code: IR.SSU. REC.1398.123


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Shekari H. Forecasting Job Burnout among University Faculty Members of Yazd Payame Noor University Using Artificial Neural Network Technique. tkj. 2019; 10 (4) :62-73
URL: http://tkj.ssu.ac.ir/article-1-983-fa.html
شکاری حمیده. پیش بینی فرسودگی شغلی اعضای هیئت علمی دانشگاه پیام نور استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی. فصلنامه علمی تخصصی طب کار. 1397; 10 (4) :62-73

URL: http://tkj.ssu.ac.ir/article-1-983-fa.html


دانشگاه پیام نور تهران ، h.shekari@ymail.com
واژه‌های کلیدی: پیش بینی، فرسودگی، شبکه عصبی
متن کامل [PDF 770 kb]   (279 دریافت)     |   چکیده (HTML)  (1511 مشاهده)
متن کامل:   (481 مشاهده)

پیش­بینی فرسودگی شغلی اعضای هیئت ­علمی دانشگاه پیام نور استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی

 
حمیده شکاری[1]*
 
چکیده
مقدمه: اعضای هیئت ­علمی از عوامل اصلی نظام آموزش عالی هستند که تنیدگی شغلی بالای ناشی از وظایف آموزشی، پژوهشی و اجرایی، آن­ها را در معرض ابتلا به فرسودگی شغلی قرار می­دهد. هدف از این مطالعه پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی است.
روش بررسی: تحقیق حاضر از لحاظ روش، توصیفی و از لحاظ هدف، کاربردی است. جامعه آماری این پژوهش اعضای هیئت‌ علمی دانشگاه پیام نور استان یزد می­باشد. تجزیه و تحلیل­ها بر روی 315 داده (نفر/سال) که از 105 عضو هیئت­علمی در سه سال تحصیلی گذشته انجام شد. داده­ها با استفاده از دو پرسش­نامه بسته جمع­آوری شد. تحلیل داده­ها با نرم افزار SPSS نسخه 22 انجام گرفت. برای تحلیل داده­ها شامل 23 متغیر مستقل و یک متغیر وابسته، دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و تابع شعاع مدار (RBF) طراحی و اجرا شد.
نتایج: درصد صحت پیش­بینی فرسودگی شغلی در داده­های آموزش و آزمایش و اعتبارسنجی برای شبکه عصبی MLP به ترتیب برابر با 3/83، 9/80 و 5/74 و برای شبکه عصبی RBF به ترتیب برابر با 1/73، 0/93 و 9/76 محاسبه شد. سطح زیر منحنی راک برای دو شبکه MLP و RBF برابر با 823/0 و 833/0 بدست آمد.
نتیجه­گیری: مقایسه دو شبکه عصبی MLP و RBF بر اساس معیارهای سطح زیر منحنی راک و درصد صحت پیش­بینی نشان داد شبکه عصبی RBF در پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد کاراتر است و متغیرهای گروه علمی، مقطع تدریس، سن و میزان ارتباطات بیشترین تاثیر را بر فرسودگی شغلی داشته­اند.
واژه­های کلیدی: پیش­بینی، فرسودگی، شبکه عصبی
 
 
 
 
مقدمه
 
مفهوم فرسودگی در ابتدا در حوزه مشاغل و حرفه­ها مطرح شد (1). فرسودگی شغلی ممکن است در هر شغلی وجود داشته باشد. این سندرم برای همه افرادی که در انواع مشاغل فعالیت می­کنند، می­تواند تهدید بزرگی به شمار آید (2). در واﻗﻊ ﻓﺮﺳﻮدﮔﯽ ﺷﻐﻠﯽ در اﺛﺮ اﺳﺘﺮس ﻧﺎﺷـﯽ از ﻓﺸﺎر ﻣﺪاوم رواﻧﯽ ﭘﺪیﺪ ﻣﯽآیﺪ (3). ﻓﺮﺳﻮدﮔﯽ ﺷﻐﻠﯽ ﻧﺸﺎﻧﻪ اﺳﺘﺮس ﺷﻐﻠﯽ نیست؛ ﺑﻠﮑﻪ ﻧﺘﯿﺠﻪ نهایی اﺳﺘﺮس ﺷﻐﻠﯽ ﻣﺪیﺮیﺖ ﻧﺸﺪه اﺳت (4). فرسودگی شغلی مشکلی بالقوه در تمام مشاغلی به شمار می­آید که کارکنان آن با مشتریان، ارباب رجوع و قوانین دست و پاگیر دولتی سر وکار دارند. فرسودگی شغلی را می توان به عنوان یک واکنش در برابر فشارهای مزمن و پاسخ به فشارهای کاری یا سازمانی تعریف نمود (2).
فرسودگی شغلی یک سندرم روانشناختی است که به دلیل درگیری طولانی مدت در شرایط کاری­ای که به لحاظ احساسی طاقت­فرسا است رخ می­دهد (5). فرسودگی شغلی اصطلاحی است که برای توصیف وضعیت خستگی فیزیکی، عاطفی و روانی که در فرد پس از قرار گرفتن در معرض شرایط عاطفی، سخت و درازمدت کاری ایجاد می­شود، مورد استفاده قرار می­گیرد (6). فرسودگی شغلی به خستگی فیزیکی و روحی ناشی از استرس شغلی اشاره دارد (7).
فرسودگی شغلی دارای دو بعد اصلی فرسودگی هیجانی و مسخ شخصیت است. فرسودگی هیجانی به احساس خستگی عمیق و کمبود انرژی عاطفی و ذهنی اشاره می­کند که برای انجام وظایف شغلی نیاز است. مسخ شخصیت یک رویکرد بدبینانه و بی‌تفاوت نسبت به دیگر افراد، نظیر مشتریان و ارباب رجوعان، همکاران، مدیران و غیره است که ناشی از فاصله عاطفی فرد از کارش است (5). ربیعی و همکاران معتقدند اثرات زیان بار محیط کاری پر تنش، بر مکانیسم­های مقابله­ای کارکنان غلبه کرده و منجر به عقب­نشینی روانشناختی آنها می­شود (8).
نکته مهم در رابطه با فرسودگی شغلی هزینه­های مستقیم و غیرمستقیم آن است. فرسودگی شغلی باعث غیبت کارکنان از محل کار، کاهش کیفیت کار، تعارضات بین فردی با همکاران، مشکلات جسمی و روانی، تغییر شغل و سرانجام ترک خدمت می­شود. کارکنان فرسوده منابع و انرژی‌شان کاهش می­یابد (2).
بهبود منابع شغلی می­تواند از راهکارهای موثر بر کاهش فرسودگی شغلی و افزایش تعلق خاطر شغلی، سلامت و تعهد سازمانی باشد (2). ربیعی و همکاران معتقدند عوامل دیگر موثر بر فرسودگی هیجانی عبارتند از حمایت مدیران و همکاران در محیط کار، حمایت خانواده و دوستان خارج از محیط کار، رضایت شغلی و عوامل دموگرافیک نظیر سن، جنسیت، وضعیت تاهل، نوع استخدام، نوبت کاری و داشتن سمت اجرایی است(8).
پژوهش­هایی در حوزه ﻓﺮﺳـﻮدﮔﯽ ﺷـﻐﻠﯽ انجام شده است که در این قسمت به طور خلاصه به برخی از آن­ها اشاره می­شود. دشتگرد و همکاران به بررسی رابطه فرسودگی شغلی و تمایل به ترک حرفه در میان کارکنان اتاق عمل پرداختند و به همبستگی معنی­داری بین ابعاد فرسودگی شغلی (شامل تحلیل عاطفی، مسخ شخصیت و عدم موفقیت فردی) و تمایل به ترک حرفه دست یافتند (4). ربیعی و همکاران به بررسی رابطه فرسودگی، رضایت شغلی و عوامل دموگرافیک با میزان فرهنگ ایمنی بیمار در بین کارکنان خدمات درمانی نظامی پرداختند و دریافتند فرسودگی شغلی با فرهنگ ایمنی بیمار رابطه معکوس، رضایت شغلی با فرهنگ ایمنی بیمار رابطه مستقیم دارد و نهایتا نتایج آزمون رگرسیون پسرو حاکی از معنی­داری رابطه فرسودگی شغلی و رضایت شغلی با فرهنگ ایمنی بیمار بود (8). غلام­پور و پورشافعی در مطالعه­ای دریافتند که عداﻟﺖ ﺳﺎزﻣﺎﻧﯽ ﺳﺒﺐ ﺑﻬﺒﻮد رﺿﺎیﺖ ﺷـﻐﻠﯽ و ﻧﯿـﺰ ﮐـﺎﻫﺶ ﻓﺮﺳـﻮدﮔﯽ ﺷـﻐﻠﯽ در ﭘﺮﺳـﺘﺎران ﻣﯽﺷﻮد و ﺑﺎ ﺑﻬﺒﻮد ﻋﺪاﻟﺖ در ﺳﺎزﻣﺎن­ﻫﺎی درﻣﺎﻧﯽ، ﻣﯽﺗﻮان ﺳﺒﺐ ﮐﺎﻫﺶ ﻓﺮﺳـﻮدﮔﯽ ﺷـﻐﻠﯽ و اﻓـﺰایﺶ ﮐـﺎرایﯽ در ﭘﺮﺳﺘﺎران ﺷﺪ (3). توکلی و همکاران در تحقیقی که روی پرستاران انجام دادند دریافتند فرسودگی شغلی ارتباط مثبت و معنی­داری با استرس شغلی دارد و ارتباط معکوس و معنی­دار با رضایت شغلی دارد (9). حبیبیان و همکاران به بررسی آموزش مبتنی بر پذیرش گروهی و تعهد درمانی و استرس و فرسودگی شغلی پرداختند و دریافتند این نوع آموزش می­تواند استرس شغلی را کاهش دهد ولی اثر قابل ملاحظه­ای بر فرسودگی شغلی ندارد (10). لیون و گوسینکی در مطالعه­ای دریافتند قلدری در محل کار بر فرسودگی شغلی کارکنان تاثیر دارد و در این رابطه، استقلال شغلی و خودکارامدی کارکنان نقش تعدیلگر دارد (5). کوی و همکاران در مطالعه­ای که روی معلمان علوم و ریاضیات دبستان انجام دادند دریافتند استرس شغلی بر فرسودگی شغلی تاثیر مثبت و معنی­دار دارد (7).
از دیرباز دانشگاه­ها به خاطر حضور نخبگان، پرورش منابع انسانی مورد نیاز برای سایر نهادها و نیز داشتن پیوندهای نزدیک با عرصه­های سیاسی، فرهنگی و اقتصادی از اهمیت ویژه­ای برخوردار بوده­اند. به همین دلیل عملکرد آن­ها به طور خاص به عملکرد اساتید یا به عبارتی اعضای هیئت­علمی وابسته است. از این رو توجه به عملکرد اعضای هیئت­علمی امری ضروری است. تا حدی که برخی معتقد هستند هویت یک دانشگاه را اعضای هیئت­علمی آن شکل می­دهند (11). اعضای هیئت­علمی از عوامل اصلی نظام آموزش عالی هستند که توانمندی آن­ها بر عملکرد آموزش عالی تاثیر مستقیم دارد. در دانشگاه­ها کیفیت کار علمی اعم از تحقیق و تدریس بیش از هر چیز به پویایی اعضای هیئت­علمی بستگی دارد؛ اما حساسیت و تنیدگی شغلی بالای ناشی از وظایف آموزشی، پژوهشی و اجرایی اعضای هیئت­علمی، آن­ها را در معرض ابتلا به فرسودگی شغلی قرار می­دهد. اعضای هیئت­علمی دانشگاه علی­رغم تصور عامه مبنی بر کم استرس بودن شغلشان، در سال‌های اخیر به دلایلی نظیر سیاست‌های اعمال شده توسط مجموعه مدیریت­های کلان در سطح کشور­های جهان، سخت شدن شرایط ارتقاء مرتبه، سخت شدن چاپ تحقیقاتشان در مجلات معتبر و غیره در معرض فرسودگی شغلی هستند (12).
بروز این حالت در اعضای هیئت­علمی نه تنها بر عملکرد دانشگاه موثر است، بلکه با تاثیرگذاری بر دانشجویان، فضای آموزش و تربیت صحیح در دانشگاه، اعتماد جامعه و سایر نهادها را نسبت به دانشگاهیان خدشه­دار می­کند. مادامی که کاهش دادن فرسودگی شغلی در اعضای هیئت­علمی، زمان­بر و هزینه­بر باشد، بهترین راه حل، پیشگیری از بروز این حالت است. ضمن این که لازمه پیشگیری، شناخت عوامل اثرگذار بر این فرسودگی شغلی است (13). لذا با توجه به اثرات منفی ذکر شده برای فرسودگی شغلی در محیط کار، در این تحقیق برآنیم تا فرسودگی شغلی را در میان اعضای هیئت­علمی دانشگاه پیام­نور استان یزد مورد بررسی قرار دهیم و در این راستا از مدل­های آماری استفاده کنیم.
ﻣﺪلﻫﺎی آﻣﺎری ﻧﻈﻴﺮ رﮔﺮﺳﻴﻮنﻫﺎی ﺧﻄﻲ و ﻏﻴﺮﺧﻄﻲ، ﺗﺤﻠﻴﻞ ﺧﻮﺷﻪ­ای، ﺗﺤﻠﻴﻞﻣﻤﻴﺰی، ﺗﺤﻠﻴﻞ ﺳﺮیﻫﺎی زﻣﺎﻧﻲ که در اﻣﻮر ﭘﮋوﻫﺸﻲ ﺗﻮﺳﻂ ﻣﺤﻘﻘﻴﻦ مورد استفاده قرار میﮔﻴﺮد ﺑﺎ دو ﻫﺪف ﻛﻠﻴﺪی ﺗﻌﻴﻴﻦ رواﺑﻂ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ یا اﻧﺠﺎم ﭘﻴﺶ­ﺑﻴﻨﻲ است. اﻧﺘﺨﺎب روش مدلﺳﺎزی و ﺗﺤﻠﻴﻞ آن ﺑﻪ ﻣﺎﻫﻴﺖ ﻣﺘﻐﻴﺮﻫﺎ و ﺷﺮاﻳﻂ ﺣﺎﻛﻢ ﺑﺮ ﻣﺴﺌﻠﻪ ﺑﺴﺘﮕﻲ دارد. در ﻣﻄﺎﻟﻌﺎتی ﻛﻪ وﺿﻌﻴﺖ ﻣﺘﻐﻴﺮ ﭘﺎﺳﺦ ﻣﻬﻢ اﺳﺖ و ﺑﻪ ﺗﺒﻊ آن پیش­ﺑﻴﻨﻲ ﻣﺘﻐﻴﺮ ﭘﺎﺳﺦ ﻧﻴﺰ دارای ﺣﺴﺎﺳﻴﺖ و اﻫﻤﻴﺖ وﻳﮋه­ای اﺳﺖ، از ﻣﺪل­ﻫﺎی ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﺑﺮای پیش­بینی اﺳﺘﻔﺎده ﻣﻲ­ﺷﻮد (14). شبکه عصبی مصنوعی یک سامانه پردازشی داده­ها است که از مغز انسان ایده گرفته و پردازش داده­ها را به پردازنده­های کوچک و بسیار زیادی سپرده که به صورت شبکه­ای به هم پیوسته و موازی با یکدیگر رفتار می­کنند تا یک مسئله را حل نمایند (15). ﻣﺪل­ﻫﺎی ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﻗﺎدرند ﺑﺎ ﻛﺸﻒ رواﺑﻂ ﻣﻮﺟﻮد ﺑﻴﻦ داده­ﻫﺎ، ﺧﺮوﺟﻲ ﻣﻨﺎﺳﺒﻲ را ﺑﺎ ﻛﻤﺘﺮﻳﻦ ﺧﻄﺎ ﺗﻮﻟﻴﺪ کنند (14). لذا در این تحقیق برآنیم با توجه به مزایای تکنیک شبکه عصبی مصنوعی نسبت به سایر روش­های مشابه در پیش­بینی، از این تکنیک برای پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد استفاده کنیم.
روش بررسی
تحقیق حاضر از لحاظ روش، توصیفی و از لحاظ هدف، کاربردی است. جامعه آماری این پژوهش اعضای هیئت­علمی دانشگاه پیام نور استان یزد می­باشد. لازم به ذکر است که در این پژوهش نمونه­گیری انجام نشد و داده­ها از کل جامعه آماری بدست آمد. برای انجام پژوهش از داده­های 105 عضو هیئت­علمی که در سه سال تحصیلی 95-94، 96-95 و 97-96 کسب شد استفاده شده است. در نهایت تحلیل­های آماری بر روی 315 مجموعه داده (نفر/سال) انجام شد.
ابزار گردآوری داده جهت کسب داده­های مربوط به متغیر وابسته یعنی فرسودگی شغلی پرسش­نامه بود. برای کسب داده در خصوص فرسودگی شغلی از پرسش­نامه Riley و همکاران (16) استفاده شد. این پرسش­نامه شامل 9 گویه در قالب سه بعد شامل فرسودگی هیجانی (3 گویه)، مسخ شخصیت (3 گویه) و دستاوردهای شخصی (3 گویه) می­باشد. در این پرسش­نامه برای نظرسنجی از مقیاس اسمی دو گزینه­ای (بله و خیر) استفاده شد. پژوهش شامل ۲۳ متغیر مستقل مستخرج از ادبیات تحقیق است که این متغیرها در جدول 1 آمده است و داده­های مربوط به متغیرهای مستقل از طریق پرسش­نامه از اعضای هیئت­علمی کسب شد.
 
 
 
جدول 1. متغیرهای لایه ورودی
نام متغیر لایه ورودی ردیف نام متغیر لایه ورودی ردیف
میزان ارتباطات با اطرافیان 13 جنسیت 1
میزان نظم و برنامه­ریزی در امور 14 سن 2
میزان رضایت از دانشگاه 15 سابقه کاری 3
تناسب تعداد دانشجو در کلاس 16 مرتبه علمی 4
تعداد طرح­های پژوهشی 17 وضعیت استخدامی 5
تعداد کتاب­ تألیف یا ترجمه شده 18 داشتن پست اجرایی 6
تعداد مقالات در مجلات معتبر 19 مقطع تدریس 7
میزان فعالیت فیزیکی 20 بومی یا غیربومی بودن 8
میزان مطالعه 21 گروه علمی 9
میزان کار با رایانه 22 داشتن بیماری خاص 10
میزان صبر و حوصله در برخورد 23 تعداد واحد تدریس 11
با دانشجویان   میزان حقوق و مزایا 12
 
ﺑﻪ ﻣﻨﻈﻮر رﻋﺎیﺖ ﻣﻼﺣﻈﺎت اﺧﻼﻗﯽ، ﻣﺸﺎرﮐﺖ­ﮐﻨﻨﺪﮔﺎن در ﺗﺤﻘﯿﻖ ﻣﯽﺗﻮاﻧﺴﺘﻨﺪ در ﻫﺮ ﻣﺮﺣﻠﻪ از اداﻣﻪ ﻫﻤﮑﺎری اﻧﺼﺮاف دﻫﻨﺪ و ﺑﺮای ﻓﺎش ﻧﺸﺪن اﻃﻼﻋـﺎت ﺷﺨﺼﯽ آﻧ­ﻬﺎ پرسش­نامه­ها ﻓﺎﻗﺪ ﻧـﺎم و ﻧـﺎم ﺧـﺎﻧﻮادﮔﯽ ﺑﻮد. ﻫﻤﭽﻨﯿﻦ ﭘﮋوﻫﺸﮕﺮ از اﺑﺘـﺪا ﻫـﺪف ﻣﻄﺎﻟﻌﻪ را ﺑـﺮای ﻣﺸـﺎرﮐﺖ‌ﮐﻨﻨـﺪﮔﺎن ذﮐـﺮ ﻧﻤـﻮد و رﺿﺎیﺖ آﮔﺎﻫﺎﻧﻪ از آﻧﻬﺎ اﺧﺬ ﮐﺮد.
تحلیل داده­های حاصل از پرسش­نامه­ها با استفاده از نرم­افزار آماری SPSS نسخه 22 صورت گرفت. به منظور رسیدن به هدف مطالعه که پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی است، ابتدا لازم است شبکه عصبی یا مدل پژوهش طراحی شود. برای ایجاد شبکه عصبی چند روش وجود دارد. دو مورد از پرکاربردترین آن­ها شبکه پرسپترون چندلایه MLP (Multi-Layer Perceptron )  و شبکه تابع شعاع مدار Redial Basis Function (RBF) است. هر شبکه عصبی از یک لایه ورودی، حداقل یک لایه پنهان و یک لایه خروجی تشکیل شده است. لایه ورودی شامل متغیرهای مستقل پژوهش است و در آن هیچ پردازشی صورت نمی­گیرد. لایه پنهان لایه­ای است که اطلاعات را از لایه ورودی گرفته و پس از پردازش به لایه خروجی می‌دهد. آموزش شبکه در این لایه اتفاق می­افتد. لایه خروجی لایه­ای است که نتیجه محاسبات به آن رفته و خروجی آن خروجی نهایی شبکه است (17).
در این پژوهش برای پیش­بینی فرسودگی شغلی، از دو نوع شبکه پرسپترون چند لایه و شبکه تابع شعاع مدار استفاده می­شود و بهترین را برای پیش­بینی انتخاب می‌کنیم. MLP یک شبکه حداقل سه لایه است که می‌تواند برای مسائل غیرخطی و همچنین مسائلی با تصمیم­گیری­های متعدد به کار رود. RBF یک شبکه سه لایه می­باشد. لایه اول لایه ورودی است. لایه دوم یا لایه پنهان، یک انطباق غیرخطی مابین فضای ورودی و یک فضا معمولا با بعد بزرگ­تر برقرار می­کندکه در آن الگوها به صورت تفکیک­پذیر خطی در می­آیند. خصوصیت منحصر به فرد RBF پردازشی است که در لایه پنهان انجام می­گیرد. ایده اصلی آن است که الگوهای فضای ورودی تشکیل خوشه دهند. به این صورت تابع غیرخطی به صورت تابع شناخته شده شعاع‌مدار در می­آید. با استفاده از این شیوه برای آموزش لایه پنهان، در این لایه حداقل چهار واحد ایجاد می­شود و سپس با استفاده از الگوریتم نزدیک­ترین همسایه اندازه شعاع­ها به دست می‌آید. لایه آخر لایه خروجی است. با به کارگیری مقادیر به دست آمده برای مراکز و شعاع­ها، خروجی لایه پنهان تشکیل می­شود. به عبارتی پس از آموزش لایه پنهان توسط الگوریتم‌های یادگیری، مرحله نهایی آموزش لایه خروجی با استفاده از یک تکنیک استاندارد کاهش شیب انجام می­گیرد. برای دﺳﺘﻴﺎﺑﻲ ﺑﻪ هدف ﭘﮋوﻫﺶ و پیش‌بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه، اﻳﻦ ﭘﮋوﻫﺶ در هفت ﻣﺮﺣﻠﻪ اﻧﺠﺎم ﺷﺪ ﻛﻪ ﻋﺒﺎرﺗﻨﺪ از:
  • ­سازی داده­ها: قبل از اجرای دو شبکه MLP و RBF ابتدا داده­ها از نظر مقادیر گمشده و پرت پالایش شد.
  1. دسته­بندی داده­ها: برای داده­ها با استفاده از توزیع برنولی، دسته­های تصادفی ایجاد شد. به این صورت که داده­ها در سه دسته داده­های آموزش، داده­های آزمایش و داده­های اعتبارسنجی قرار گرفتند.
  2. انتخاب تعداد لایه پنهان: مورد دیگری که قبل از اجرای شبکه عصبی مصنوعی باید مشخص شود، تعداد لایه­های پنهان و تعداد واحدها در هر لایه پنهان است. در این پژوهش، از ساختار انتخاب خودکار برای هر دو مورد ذکر شده استفاده شد. در ساختار انتخاب خودکار، بهترین تعداد لایه­های پنهان و همچنین تعداد بهینه واحدها در هر لایه پنهان توسط نرم­افزار انتخاب می­شود.
انتخاب نوع آموزش در لایه پنهان: نوع آموزش، نحوه آموزش شبکه و چگونگی پردازش داده­ها را تعیین می­کند. در این پژوهش از روش آموزش دسته‌ای استفاده شد. این روش آموزش، تمام مقادیر ضبط شده در دسته داده­های آموزش را همزمان آموزش می­دهد. در این مطالعه به دو دلیل از روش آموزش دسته­ای استفاده شده است. دلیل اول چون مجموعه داده­ها کوچک است و دلیل دوم چون این روش مستقیما خطاهای کلی را حداقل می­کند. در این پژوهش به دلیل استفاده از آموزش دسته­ای، از الگوریتم بهینه­سازی (Optimization algorithm) گرادیان توام مدرج ((Scaled conjugate gradient  استفاده شده است.
  1. تعیین قانون توقف: قوانین متوقف­کننده قوانینی هستند که زمان توقف آموزش شبکه عصبی را مشخص می­کنند. در آموزش دسته­ای لازم است تا رسیدن به یکی از شروط توقف، وزن­ها چندین بار به­روزرسانی شوند و بانک اطلاعاتی باید چندین بار بررسی شود. در این مطالعه از قانون همگرا شدن خطاها استفاده شده است که حالت ایده­آل در الگوریتم است.
اجرای شبکه عصبی: در این مرحله با توجه به تنظیمات انجام شده، دو شبکه MLP و RBF اجرا شد. نتایج و خروجی­های هر دو روش در ادامه خوهد آمد.
مقایسه نتایج: در این مرحله نتایج دو شبکه MLP و RBF مقایسه و بهترین مورد انتخاب می­شود.
 
ملاحظات اخلاقی
در ضمن کد اخلاق مطالعه حاضر IR.SSU. REC.1398.123 می باشد که در دانشگاه علوم پزشکی شهید صدوقی یزد به تصویب رسیده است.
نتایج
نتایج تحلیل­های آمار توصیفی روی 315 مجموعه داده (نفر/سال) نشان می­دهد 9/41% شرکت­کنندگان زن و 1/58% مرد بودند. از نظر سنی، بیشتر اعضای هیئت­علمی (3/73%) بین 30 تا 40 سال داشتند و کمترین درصد (8/3%) به اعضای هیئت­علمی داری سن بالای 50 سال اختصاص داشت. از نظر گروه علمی، بیشترین درصد اعضای هیئت­علمی (2/55%) متعلق به گروه علوم انسانی و کمترین درصد (8/4%) مربوط به گروه هنر بود.
نتایج اجرای شبکه پرسپترون چند لایه و شبکه تابع شعاع مدار در این قسمت آمده است. خلاصه اطلاعات مربوط به اجرای شبکه MLP و RBF در جدول 2 قابل مشاهده است.
 
 
 
 
 
 
 
 
جدول 2. خلاصه اطلاعات شبکه MLP و RBF
شبکه RBF شبکه MLP مشخصه  
9 9 تعداد عامل لایه ورودی
14 14 تعداد متغیر کمکی
23 23 تعداد کل متغیرهای مستقل
37 38 تعداد گره­ها
استاندارد تعدیل شده استاندارد شده روش مقیاس بندی مجدد متغیرها
1 1 تعداد لایه پنهان لایه پنهان
5 3 تعداد گره در لایه پنهان
سافت مکس تانژانت هایپربولیک تابع فعال­کننده
فرسودگی شغلی فرسودگی شغلی متغیر وابسته لایه خروجی
2 2 تعداد گره­ها
تابع همانی سافت مکس تابع فعال­کننده
مجموع مربعات کراس آنتروپی تابع خطا
(0/53%)167 166 (7/52%) داده­های آموزش دسته­بندی داده­ها
(9/13%)44 (9/14%) 47 داده­های آزمایش
(1/33%)104 102 (4/32%) داده­های اعتبارسنجی
315 (0/100%) 315 (0/100%) کل
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
درصد پیش­بینی­های صحیح در هر یک از دسته­بندی­های آموزش و آزمایش و اعتبارسنجی در شبکه MLP در جدول 3 آمده است.
 
  • ل 3. نتایج طبقه­بندی اعضای هیئت­علمی در شبکه MLP
  پیش­بینی شده   مشاهده شده
درصد صحت فاقد فرسودگی دارای فرسودگی
5/87% 11 77 دارای فرسودگی آموزش
4/74% 58 20 فاقد فرسودگی
3/81% 6/41% 4/58% درصد کل
3/91% 2 21 دارای فرسودگی آزمایش
8/70% 17 7 فاقد فرسودگی
9/80% 4/40% 6/59% درصد کل
9/90% 4 40 دارای فرسودگی اعتبارسنجی
1/62% 36 22 فاقد فرسودگی
5/74% 2/39% 8/60% درصد کل
 
درصد پیش‌بینی‌های صحیح در هر یک از دسته‌بندی‌های آموزش و آزمایش و اعتبارسنجی در شبکه RBF در جدول 4 آمده است.
 
 
 
 
 
  • ل 4. نتایج طبقه­بندی اعضای هیئت­علمی در شبکه RBF
  پیش­بینی شده   مشاهده شده
درصد صحت فاقد فرسودگی دارای فرسودگی
9/76% 15 50 دارای فرسودگی آموزش
6/70% 72 30 فاقد فرسودگی
1/73% 1/52% 9/47% درصد کل
0/96% 1 24 دارای فرسودگی آزمایش
9/88% 16 2 فاقد فرسودگی
0/93% 5/39% 5/60% درصد کل
4/84% 10 54 دارای فرسودگی اعتبارسنجی
0/65% 26 14 فاقد فرسودگی
9/76% 6/34% 4/65% درصد کل
 
شکل 1 منحنی­های راک را برای شبکه MLP و RBF نشان می­دهد. نمودار سمت راست در این شکل متعلق به شبکه MLP است. بر اساس این نمودار سطح زیر منحنی راک برای شبکه MLP برابر با 823/0 است. نمودار سمت چپ در این شکل 1 متعلق به شبکه RBF است. بر اساس این نمودار سطح زیر منحنی راک برای شبکه MLP برابر با 833/0 است. هر چه این مقدار به یک نزدیک­تر باشد نشان­گر برازش بهتر مدل است.
 

شکل 1. منحنی­های راک شبکه MLP و RBF
 
در این قسمت نتایج دو شبکه MLP و RBF مقایسه می­شود. در جدول 5 درصد پیش­بینی­های صحیح و سطح زیر منحنی راک جهت مقایسه دو شبکه آمده است.
 
جدول 5. نتیجه مقایسه دو شبکه MLP و RBF
شبکه RBF شبکه MLP شاخص مقایسه
1/73% 3/81% درصد پیش­بینی صحیح در داده­های آموزش
0/93% 9/80% درصد پیش­بینی صحیح در داده­های آزمایش
9/76% 5/74% درصد پیش­بینی صحیح در داده­های اعتبارسنجی
833/0 823/0 سطح زیر منحنی راک
 
از مقایسه شاخص­ها در جدول 5 می­توان دریافت که شبکه RBF در پیش­بینی کاراتر است. لذا تحلیل حساسیت متغیرهای مستقل فقط بر روی شبکه RBF انجام می­شود. تحلیل حساسیت متغیرهای مستقل بدین معنی است که اهمیت هر یک متغیرهای مستقل 23 گانه در پیش­بینی فرسودگی شغلی اعضای هیئت­علمی مشخص شود. میزان اهمیت متغیرهای مستقل در پیش‌بینی فرسودگی شغلی اعضای هیئت­علمی به ترتیب بیشترین به کمترین تاثیر در جدول 6 آمده است.
 
 
  • ل 6. میزان اهمیت متغیرهای مستقل
اهمیت نرمال شده اهمیت متغیر مستقل ردیف اهمیت نرمال شده اهمیت متغیر مستقل ردیف
1/45% 041/0 سمت اجرایی 13 0/%100 091/0 گروه علمی 1
5/43% 040/0 میزان مطالعه 14 7/%87 080/0 مقطع تدریس 2
1/43% 039/0 رضایت از دانشگاه 15 9/%84 077/0 سن 3
7/41% 038/0 تعداد کتب 16 6/%66 061/0 ارتباطات 4
9/40% 037/0 صبر و حوصله 17 2/%65 059/0 نوع استخدام 5
4/30% 028/0 تعداد مقالات 18 0/%54 049/0 مرتبه علمی 6
4/27% 025/0 تعداد واحد درسی 19 5/%52 048/0 سابقه کاری 7
9/22% 021/0 میزان کار با رایانه 20 1/%52 047/0 حقوق و مزایا 8
7/19% 018/0 تناسب دانشجو 21 8/%50 046/0 فعالیت فیزیکی 9
2/19% 018/0 جنسیت 22 6/%49 045/0 تعداد طرح پژوهشی 10
0/5% 005/0 بومی یا غیربومی 23 4/%47 043/0 بیماری خاص 11
        1/%47 043/0 نظم و برنامه­ریزی 12
 
همانگونه که در جدول 6 مشاهده می­شود متغیرهای گروه علمی و مقطع تدریس و سن بیشترین تاثیر را در فرسودگی شغلی اعضای هیئت­علمی داشته­اند و متغیرهای تناسب تعداد دانشجو در کلاس و جنسیت و بومی بودن کمترین تاثیر را در فرسودگی شغلی اعضای هیئت­علمی داشته­اند.
بحث
هدف این مطالعه پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی بود. تحلیل حساسیت متغیرهای مستقل نشان داد متغیر گروه علمی بیشترین تاثیر را بر فرسودگی شغلی اعضای هیئت­علمی دارد. این نتیجه با نتیجه تحقیق بهرامی و مختاری (18) تا حدودی ناهمسو بود. در تحقیق این محققان ﺗﻔﺎوت ﻣﻌﻨﻲداری ﺑﻴﻦ اﺳﺎﺗﻴﺪ ﮔﺮوهﻫﺎی آﻣﻮزﺷﻲ مختلف در ﺑﻌـﺪ ﺧـﺴﺘﮕﻲ ﻋـﺎﻃﻔﻲ ﻣـﺸﺎﻫﺪه ﺷﺪ، وﻟﻲ در دو ﺑﻌﺪ ﻣﺴﺦ ﺷﺨﺼﻴﺖ و ﻋﻤﻠﻜﺮد ﻓﺮدی ﺗﻔﺎوت ﻣﻌﻨﻲ­داری ﻣﺸﺎﻫﺪه ﻧﺸﺪ؛ اما این نتیجه با نتیجه تحقیق پاینز (19) همسو بود. پاینز دریافت اﺳﺎﺗﻴﺪ ﮔﺮوه ﻋﻠﻮم اﻧﺴﺎﻧﻲ فرسودگی شغلی ﻛﻤﺘﺮی را ﻧﺴﺒﺖ ﺑﻪ ﻫﻤﺘﺎﻳﺎن ﺧﻮد در ﮔﺮوه فنی و ﻣﻬﻨﺪﺳﻲ و علوم پایه ﻧﺸﺎن می­دهند و ﻳﻜـﻲ از دﻻﻳـﻞ وﺟﻮد فرسودگی شغلی بیشتر در رﺷﺘﻪ­ﻫﺎی فنی و ﻣﻬﻨﺪﺳﻲ و علوم پایه، ﻣﺎﺷﻴﻨﻲ ﺑـﻮدن اﻳـﻦ دﺳـﺘﻪ رﺷـﺘﻪ­ﻫـﺎ می­باﺷﺪ.
همچنین تحلیل حساسیت متغیرهای مستقل نشان داد میزان ارتباطات عضو هیئت­علمی با همکاران و دانشجویان تاثیر بالایی بر فرسودگی شغلی دارد. این نتیجه هم با نتیجه تحقیق پاینز (19) همسو بود. این محقق دریافت ﻓﺮﺳﻮدﮔﻲ شغلی در ﻧﺘﻴﺠﻪ ﻛﻤﺒﻮد ارﺗﺒﺎط ﻣﺘﻘﺎﺑﻞ ﻓﺮد ﺑﺎ دیگران به وجود می­آید.
نتیجه دیگر تحلیل حساسیت متغیرهای مستقل این بود که متغیر جنسیت تاثیر اندکی بر فرسودگی شغلی اعضای هیئت­علمی دارد. این نتیجه با نتیجه تحقیق بهرامی و مختاری (18) ناهمسو بود. این محققان دریافتند میزان ﻓﺮﺳﻮدﮔﻲ ﺷﻐﻠﻲ در اﺳـﺎﺗﻴﺪ زن و ﻣـﺮد ﺗﻔـﺎوت ﻣﻌﻨـﻲداری دارد؛ نتیجه تحقیق آن­ها نشان داد ﻛﻪ ﻣﻴﺰان ﻋﻼﻳﻢ ﻓﺮﺳﻮدﮔﻲ ﺷﻐﻠﻲ در اﺑﻌﺎد ﺧﺴﺘﮕﻲ ﻋﺎﻃﻔﻲ و ﻣـﺴﺦ ﺷﺨـﺼﻴﺖ در اﺳﺎﺗﻴﺪ ﻣﺮد ﺑﻪ ﻃﻮر ﻣﻌﻨﻲ­داری بیشتر از اساتید زن بوده است.
نگاهی بر آمار افراد دارای فرسودگی در این تحقیق نشان داد که 2/49% از اعضای شرکت­کننده در این تحیقیق دارای فرسودگی شغلی بوده­اند که درصد بالایی است. رحیمی­دادکان و ناستایی­زایی (12) هم در تحقیقی که بر روی اعضای هیئت­علمی دانشگاه سیستان و بلوچستان انجام دادند به نتایج مشابهی دست یافتند و دریافتند میزان فرسودگی شغلی در نمونه مورد مطالعه آن­ها بالای حد متوسط است. این محققان در تبیین این یافته معتقدند اﻋﻀـﺎی ﻫﻴئت­ﻋﻠﻤﻲ ﺑﻪ دﻟﻴﻞ ﺗﻌﺪد ﻧﻘﺶ­ﻫﺎی اﺟﺘﻤﺎﻋﻲ ﺧـﻮد از ﻗﺒﻴـﻞ ﺗﺪرﻳﺲ، ﺗﺤﻘﻴﻖ، اراﺋﻪ ﻣﻘﺎﻟﻪ و ﺷﺮﻛﺖ در ﺳﻤﻴﻨﺎرﻫﺎ، راﻫﻨﻤـﺎﻳﻲ پایان­نامه داﻧﺸﺠﻮﻳﺎن، ﺑﻮروﻛﺮاﺳﻲ­های موجود در ساختار دانشگاه، اﺳﺘﺮس ﻧﺎﺷﻲ از ﺗﻐﻴﻴﺮات ﻣﺮﺑﻮط ﺑـﻪ آﺋﻴﻦ­ﻧﺎﻣﻪﻫﺎی ارﺗﻘﺎء و ﺗﻼش ﺑﺮای رﺳـﻴﺪن ﺑـﻪ درﺟﺎت ﻋﻠﻤﻲ ﺑﺎﻻﺗﺮ در ﻣﻌﺮض ﻓﺮﺳﻮدﮔﻲ ﺷﻐﻠﻲ ﻗﺮار دارﻧﺪ.
پیشنهادهایی برای دست اندرکاران دانشگاه در راستای کاهش فرسودگی شغلی در این قسمت ارائه می‌شود:
  • کاغذ بازی­ها و تشریفات اداری موجود در ساختار دانشگاه تا حد امکان کاهش یابد تا اعضای هیئت­علمی وقتی را که برای این امور صرف می­کنند به امور آموزشی و پژوهشی دانشگاه اختصاص دهند.
  • آﺋﻴﻦ ﻧﺎﻣﻪﻫﺎی ارﺗﻘﺎء پیوسته تغییر نکند. تا نگرانی­هایی که از این بابت بر اعضا تحمیل می­شود کاهش یابد.
پیشنهادهایی برای اعضای هیئت­علمی در راستای کاهش فرسودگی شغلی با توجه به نتایج این تحقیق عبارتند از:
  • اعضای هیئت­علمی گروه­های علوم پایه و فنی و مهندسی با برقراری ارتباطات بیشتر با همکاران و دانشجویان­شان، بر فرسودگی شغلی غلبه کنند.
  • هر یک از اعضای علمی با توجه به شرایط خاص خود عامل ایجاد فرسودگی شغلی و دلزدگی از کار، یا شرایط نامساعد در کار خود را پیدا کنند و در رفع آن بکوشند.
  • با توجه به این که سن یکی از عوامل موثر بر فرسودگی شناخته شد، افراد سعی کنند با بالارفتن سن، ارتباطات بیشتری با اطرافیان و به خصوص خانواده و دوستان برقرار کنند تا اثر منفی سن بالا را کاهش دهند.
  • توجه به رفاه جسمی و روانی از قبیل تغذیه مناسب،‌ ورزش و استراحت کافی داشته باشند.
محدودیتی که در راستای انجام این تحقیق وجود داشت عدم تمایل مشارکت­کنندگان به پرکردن پرسش­نامه بود. به این دلیل پژوهشگر مجبور به پیگیری­های مکرر بود. برای انجام پژوهش­های آتی در حوزه فرسودگی شغلی، پیشنهاد می­شود پیش­بینی فرسودگی شغلی از طریق سایر تکنیک­های داده­کاوی نظیر درخت تصمیم، جنگل تصادفی، الگوریتم ژنتیک و ... انجام شود و نتایج این تکنیک­ها با هم مقایسه شود. همچنین توصیه می­شود برای انجام پیش­بینی به روش­های ذکر شده، پارامترها به روش دستی تنظیم نشود، بلکه از طریق تکنیک­های داده‌کاوی نظیر ماشین بردار پشتیبان تنظیم شود تا پارامترهای بهینه استفاده شده باشد.
نتیجه­گیری
در داﻧﺸـﮕﺎه پیام­نور نیز ﻣﺎﻧﻨﺪ ﺳﺎﻳﺮ داﻧﺸﮕﺎهﻫﺎ، اﻋﻀﺎی ﻫﻴـئت­ﻋﻠﻤـﻲ از ﺟﻤﻠﻪ ﻋﻮاﻣﻞ ﻣﻬﻢ و اﺻﻠﻲ ﺳﺎﺧﺘﺎر آﻣﻮزﺷﻲ داﻧﺸـﮕﺎه ﻫﺴـﺘﻨﺪ و اﻓﺖ ﻛﻤﻲ و ﻛﻴﻔﻲ آﻧﺎن در اثر فرسودگی شغلی ﺗﺎﺛﻴﺮ ﻣﺴﺘﻘﻴﻢ ﺑﺮ ﻋﻤﻠﻜـﺮد داﻧﺸـﮕﺎه ﺑـﻪ ﻃﻮر ﺧﺎص و آﻣﻮزش ﻋﺎﻟﻲ ﺑﻪ ﻃـﻮر ﻋـﺎم دارد. ﻋﻠﻲ­رﻏﻢ اﻳﻦ ﻛﻪ ﻓﺮﺳﻮدﮔﻲ ﺷﻐﻠﻲ اﻋﻀﺎی ﻫﻴئت­ﻋﻠﻤﻲ از عواملی است که بر اﺛﺮﺑﺨﺸﻲ داﻧﺸﮕﺎه­ﻫـﺎ تاثیر دارد، ﺗﺤﻘﻴﻘﺎت اﻧﺪﻛﻲ در اﻳﻦ زمینه انجام شده است. لذا در این مطالعه به بررسی و پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی پرداخته شد. برای پیش­بینی فرسودگی شغلی اعضای هیئت­علمی از 23 متغیر مستقل و دو نوع شبکه عصبی MLP و RBF استفاده شد. مقایسه این دو شبکه عصبی بر اساس معیارهای سطح زیر منحنی راک و درصد صحت پیش­بینی نشان داد شبکه عصبی RBF در پیش­بینی فرسودگی شغلی اعضای هیئت­علمی دانشگاه پیام­نور استان یزد کاراتر است. تحلیل حساسیت متغیرهای مستقل بر روی شبکه RBF نشان داد متغیرهای گروه علمی و مقطع تدریس و سن بیشترین تاثیر را در فرسودگی شغلی و متغیرهای تناسب تعداد دانشجو در کلاس و جنسیت و بومی بودن کمترین تاثیر را در فرسودگی شغلی اعضای هیئت­علمی داشته­اند.
 
 
 
سپاس­گزاری
 
از کلیه اعضای هیئت­علمی دانشگاه پیام­نور استان یزد که با تکمیل پرسش­نامه­ها پژوهشگر را یاری کردند قدردانی می­شود.


References:
  1. Kim B, Jee S, Lee J, An S, Lee SM. Relationships between social support and student burnout: A meta analytic approach. Stress Health 2018; 34(1): 127-134.
  2. RezaeiDizgah M, Mehrabian F, Janipour M. Study the effect of emotional intelligence on job satisfaction considering the mediator role of job burnout, emotional labor, emotional inconsistency, personality deprivation and deficiency of individual success in the staff of Guilan University of Medical Sciences. Journal of Health and Safety at Work 2018; 8(1): 1-15. [Persian]
  3. Gholampour M, Pourshafei H. The Role of Organizational Justice in Job Satisfaction with Nursing Burnout Mediation. Journal of Health and Care 2018; 20(1): 7-17. [Persian]
  4. Dashtgrad A, Moudi A, RahmaniMoghadam E, Ebadinejad Z, Hushmandi K. The Study of the Correlation between the Rate of Burnout and Intention to Leave Job among Operation Room Workers in South Khorasan Hospitals in 2016. Journal of Rafsanjan University of Medical Sciences 2017; 16(12): 1115-1126. [Persian]
  5. Livne Y, Goussinsky R. Workplace bullying and burnout among healthcare employees: The moderating effect of control-related resources. Nurse Health 2018; 20:89–98.
  6. Furner JM. Teachers and Counselors: Building Math Confidence in Schools. European Journal of STEM Education2017; 2(2): 1-10.
  7. Cui Q, Chao Q, Han J, Zhang X, Ren Y, Shi J. Job Stress, Burnout and the Relationship among the Science and Mathematics Teachers in Basic Education Schools. EURASIA Journal of Mathematics, Science and Technology Education 2018; 14(7): 3235-3244.
  8. Rabiei R, GholamiFesharaki M, Maleki S, Mohamadian M. Relationship between Burnout, Job Satisfaction and Demographic Factors with the Level of Patient Safety Culture in Military Healthcare Staff. Journal of Military Medicine 2018; 19(6): 571-578. [Persian]
  9. Tavakoli N, Shaker SH, Soltani S, Abbasi M, Amini M, Tahmasebi A, HosseiniKasnavieh SM. Job Burnout, Stress, and Satisfaction among Emergency Nursing Staff after Health System Transformation Plan in Iran. Emergency 2018; 6(1): 1-6.
  10.  Habibian Z, Sadri Z, Nazmiyeh H. Effects of Group Acceptance and Commitment Therapy -Based Training on Job Stress and Burnout among Pediatric Oncology and Special Diseases Nurses. Iran Journal of Ped Hematol Oncol 2018; 8(2): 118-125.
  11.  Atkinson TN, Gilleland DS. The Scope of Social Responsibility in the University Research Environment. Research Management Review 2006; 15(2): 1-8.
  12.  RahimiDadkan N, Nastiezai N. Relationship among Occupational Adjustment, Psychological Empowerment and Job Burnout in Faculty Members. Research in Medical Education 2017; 8(4): 19-28.
  13.  PoorEzzat AA, Gholipoor A, Heidari E, NadirKhanloo S, SaeediNejad M. Identifying effective factors and outcomes of unethical behaviors among faculty members. The Journal of Ethics in Science and Technology 2012; 7(2): 1-14. [Persian]
  14.  Biglarian A, Bakhshi E, Rahgozar M, Karimloo M. Comparison of Artificial Neural Network and Logistic Regression in Predicting of Binary Response for Medical Data: the stage of disease in Gastric Cancer. Journal of North Khorasan University of Medical Sciences 2011; 3: 15-21. [Persian]
  15.  Salehi M, FarrokhiPileRood L. Predicting Earnings Management using Artificial Neural Network and Decision Tree. Auditing and Financial Accounting Researches 2018; 10(37): 1-24. [Persian]
  16.  Riley MR, Mohr DC, Waddimba AC. The Reliability and Validity of Three-Item Screening Measure for Burnout: Evidence from Group-Employed Health Care Practitioners in Upstate NewYork. Stress and Health 2018; 34: 187-193.
  17.  Anderson R. Theory and Practice for Retail Credit Risk, Management and Decision. NewYork: Oxford University; 2007.
  18.  Bahrami F, Mokhtari S. Measuring Job Burnout and Factors affecting it Among Isfahan University Faculty Members. Job Counseling 2008; 2(2): 211- 226. [Persian]
  19.  Pines AM. Teacher Burnout: a psychodynamic existential perspective. Teachers and Teaching: Theory and Practice 2002; 8(2): 121-140.
 
[1] استادیار گروه مدیریت دولتی، دانشگاه پیام نور، تهران، ایران
* (نویسنده مسئول): تلفن تماس: 09133565884 پست الکترونیک: H.Shekari@pnu.ac.ir
تاریخ دریافت: 27/08/1397                                                   تاریخ پذیرش: 12/12/1397
 
نوع مطالعه: پژوهشي | موضوع مقاله: طب کار
دریافت: 1397/8/27 | پذیرش: 1398/8/13 | انتشار: 1398/8/13

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به فصلنامه طب کار می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2021 CC BY-NC 4.0 | Occupational Medicine Quarterly Journal

Designed & Developed by : Yektaweb