Occupational Medicine Quarterly Journal

fa پیش بینی فرسودگی شغلی اعضای هیئت علمی دانشگاه پیام نور استان یزد با استفاده از تکنیک شبکه عصبی مصنوعی Forecasting Job Burnout among University Faculty Members of Yazd Payame Noor University Using Artificial Neural Network Technique طب کار occupational medicine پژوهشي Research مقدمه: اعضای هیئتعلمی 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 هیئتعلمی 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 افزارSPSS  ورژن 22 انجام گرفت. برای تحلیل دادهها شامل 23 متغیر مستقل و یک متغیر وابسته دو نوع شبکه عصبی پرسپترون چند لایه و تابع شعاع مدار 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.   Background: Faculty members are one of the main factors in the higher education system, that high level of occupational stress caused by educational, research, and executive duties makes them exposed to burnout. The purpose of this study is Forecasting burnout of faculty members of Yazd Payame Noor University using artificial neural network technique. Methods: The present research is descriptive in terms of method, and applied in terms of purpose. The statistical population of this research is the faculty members of Yazd Payame Noor University. The analysis was performed on 315 data from 105 faculty members that were acquired during the last three academic years. Data were collected using two closed questionnaires. Data were analyzed using SPSS software version 22. For analysis of data including 23 independent variables and one dependent variable, two types of neural network including MLP and RBF were designed and implemented. Results: Correct percent of burnout prediction in the training, testing and validation data for the MLP neural network was 83.3, 80.9 and 74.5, respectively, and 73.1, 93.3 and 9/76 for the RBF neural network, respectively. The area under the rock for MLP and RBF networks was 0.823 and 0.833 respectively. Conclusion: Comparison of two MLP and RBF neural networks based on rock curve and prediction Correct percent showed that RBF neural network is more effective in forecasting job burnout of faculty members of Yazd Payame Noor University, and the variables scientific group, teaching master students, age and communication had the greatest impact on burnout.   پیش بینی, فرسودگی, شبکه عصبی Forecasting, Burnout, Neural Network 62 73 http://tkj.ssu.ac.ir/browse.php?a_code=A-10-923-1&slc_lang=fa&sid=1 Hamideh Shekari حمیده شکاری h.shekari@ymail.com 0000000280030765 Yes Payame Noor University دانشگاه پیام نور تهران