مقاله انگلیسی پیش‌بینی ترک خدمت کارکنان با استفاده از تکنیک‌های یادگیری ماشین

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط سفارش پروپوزال

عنوان فارسی:

پیش‌بینی ترک خدمت کارکنان با استفاده از تکنیک‌های یادگیری ماشین

عنوان انگلیسی:

Predicting Employee Turnover Using Machine Learning Techniques

کد محصول: M1980

سال نشر: 2025

نام ناشر (پایگاه داده): VSE

نام مجله: Acta Informatica Pragensia

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: ندارد

مدل مفهومی: مدل ریاضی دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 16 صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M1980)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

پیش‌زمینه: ترک خدمت کارکنان یک مسئله پایدار در مدیریت منابع انسانی است که هزینه‌های قابل توجهی را برای سازمان‌ها به همراه دارد. این مطالعه با هدف شناسایی مؤثرترین مدل یادگیری ماشین برای پیش‌بینی ترک خدمت کارکنان انجام شده است، تا ابزاری قابل اعتماد در اختیار سازمان‌ها قرار دهد تا بتوانند با پیش‌بینی ترک خدمت، استراتژی‌های پیشگیرانه برای حفظ کارکنان را اجرا کنند.

هدف: این مطالعه با به‌کارگیری تکنیک‌های یادگیری ماشین برای ارائه چارچوب های پیش‌بینی‌کننده که می‌تواند استراتژی‌های حفظ کارکنان را بهبود بخشد، به بررسی چالش ترک خدمت کارکنان می‌پردازد.

روش‌ها: نه الگوریتم یادگیری ماشین بر روی اطلاعات مربوط به ۱,۴۷۰ کارمند آزمایش شدند . پس از پیش‌پردازش داده‌ها و تقسیم آن‌ها به مجموعه‌های آموزشی و آزمایشی، مدل‌ها با معیارهایی از جمله دقت ، صحت ، بازیابی  و معیارهای امتیاز F1 و AUC ارزیابی شدند. عملکرد مدل‌ها از طریق تنظیم ابرپارامترها با استفاده از جستجوی شبکه‌ای  همراه با اعتبارسنجی متقابل  بهینه‌سازی شد.

نتایج: رگرسیون لجستیک  بالاترین دقت و صحت را به دست آورد و به این ترتیب مؤثرترین مدل کلی شناخته شد. جنگل تصادفی  با AUC قوی عملکرد متعادلی ارائه داد و یک جایگزین مطمئن محسوب می‌شود.

نتیجه‌گیری: مدیران و رؤسای منابع انسانی باید استفاده از رگرسیون لجستیک یا جنگل تصادفی را برای مدل‌سازی پیش‌بینی‌کننده ترک خدمت کارکنان مد نظر قرار دهند، زیرا این مدل‌ها عملکرد قوی از خود نشان داده‌اند. تحقیقات آینده باید تحلیل علّی را برای دستیابی به بینش‌های عمیق‌تر به‌کار گیرند. پایش بلادرنگ و پیش‌بینی تطبیقی نیز می‌تواند مدل‌ها را بهبود بخشد و رویکردی پویا به مدیریت ترک خدمت ارائه دهد.

کلیدواژه‌ها: مدیریت منابع انسانی؛ HRM؛ یادگیری ماشین؛ ترک خدمت کارکنان؛ پیش‌بینی.

Abstract:

Background: Employee turnover is a persistent issue in human resource management, leading to significant costs for organizations. This study aims to identify the most effective machine learning model for predicting employee attrition, thereby providing organizations with a reliable tool to anticipate turnover and implement proactive retention strategies.

Objective: This study aims to address the challenge of employee attrition by applying machine learning techniques to provide predictive insights that can improve retention strategies.

Methods: Nine machine learning algorithms are applied to a dataset of 1,470 employee records. After data preprocessing and splitting into training and test sets, the models are evaluated on metrics including accuracy, precision, recall, F1 score and AUC. Model performance is optimized through hyperparameter tuning, using grid search with cross-validation.

Results: Logistic regression achieves the highest accuracy and precision, making it the top-performing model overall. Random forest provides a balanced performance with strong AUC, offering a robust alternative.

Conclusion: Human resources managers and directors should consider using logistic regression or random forest for predictive modelling of employee turnover, as these models have shown strong performance. Future research should employ causal analysis for deeper insights. Real-time monitoring and adaptive prediction could also enhance models, offering a dynamic approach to attrition management.

Index Terms Human resource management; HRM; Machine learning; Employee attrition; Prediction.

۱. مقدمه

در اقتصاد رقابتی امروزی، سازمان‌ها با چالش‌های مداومی در حفظ استعدادهای برتر مواجه هستند و کارمندان کارآمد به‌ طورویژه در معرض ترک خدمت قرار دارند. بررسی ترک خدمت کارکنان هم در واقعیت و هم به صورت پیش بینی شده  ، از دیرباز مورد توجه رشته‌های مدیریت منابع انسانی و روانشناسی بوده است (مظفری و همکاران، 1392; هوم و همکاران، 2017). شناسایی افرادی که بیشتر در معرض ریسک ترک خدمت قرار دارند، برای تصمیم‌گیرندگانی که به دنبال به حداقل رساندن اختلالات و هزینه‌های مرتبط با ترک خدمت کارکنان هستند، بسیار مهم است. پیش‌بینی دقیق اینکه کدام کارکنان ممکن است سازمان را ترک کنند، می‌تواند توانایی سازمان را در توسعه و اجرای استراتژی‌های حفظ کارکنان هدفمند به‌طور قابل توجهی افزایش دهد و در نهایت بار مالی استخدام و آموزش کارکنان جدید را کاهش دهد…

1.INTRODUCTION In today’s competitive economy, organizations face persistent challenges in retaining top talent, with high-performing employees being particularly susceptible to turnover. The examination of both actual and anticipated employee turnover has been a long-standing focus within the disciplines of human resource management and psychology (Mozaffari et al., 2023; Hom et al., 2017). Identifying those individuals at the highest risk of leaving is crucial for decision-makers seeking to minimize the disruptions and costs associated with employee attrition. Accurate predictions of which employees might leave can significantly enhance an organization’s ability to develop and implement targeted retention strategies, ultimately reducing the financial burden of hiring and training new staff…

۲. مرور ادبیات

ترک خدمت کارکنان همچنان یک چالش مهم در مدیریت منابع انسانی (HRM) محسوب می‌شود و پیشرفت‌های اخیر در یادگیری ماشین ابزارهای جدیدی را برای پیش‌بینی ترک خدمت کارکنان فراهم کرده است. مطالعات مختلفی از الگوریتم‌های یادگیری ماشین (ML) متفاوتی مانند جنگل تصادفی، ماشین‌های بردار پشتیبان (SVM)، همسایگان نزدیک (KNN)، تقویت گرادیان افراطی، تقویت تطبیقی، درخت تصمیم، شبکه‌های عصبی و روش‌های ترکیبی استفاده کرده‌اند که نتایج متفاوتی داشته‌اند…

2 LITERATURE REVIEW Employee attrition remains a significant challenge in human resource management (HRM), and recent advancements in machine learning have provided new tools for predicting employee turnover. Various studies have employed different machine learning (ML) algorithms, such as random forest, support vector machines (SVM), k-nearest neighbours (KNN), extreme gradient boosting, adaptive boosting, decision tree, neural networks and ensemble methods, with varying degrees of success…

۷. نتیجه‌گیری

این مطالعه اثربخشی مدل‌های مختلف یادگیری ماشین را در پیش‌بینی ترک خدمت کارکنان نشان داد و رگرسیون لجستیک بالاترین دقت را به دست آورد. تحقیقات آینده باید ادغام ویژگی‌های زمینه‌ای مانند شرایط بازار کار خارجی را برای افزایش حساسیت مدل به عوامل خارجی مؤثر بر ترک خدمت بررسی کنند. علاوه بر این، گسترش تحلیل در سازمان‌ها و بخش‌های متعدد می‌تواند تعمیم‌پذیری و انطباق‌پذیری با محیط‌های کاری مختلف را بهبود بخشد. به‌کارگیری الگوریتم‌های تحلیل علّی مانند نمودارهای علّی می‌تواند بینش‌هایی را در مورد عوامل زمینه‌ای مؤثر بر ترک خدمت ارائه دهد. در نهایت، گنجاندن سیستم‌های پایش بلادرنگ و پیش‌بینی تطبیقی به مدل‌ها اجازه می‌دهد تا با در دسترس قرار گرفتن داده‌های جدید، پیش‌بینی‌ها را به‌طور مداوم اصلاح کنند و رویکردی پویا به مدیریت ترک خدمت ارائه دهند. این مقاله به درک عمیق‌تر نقش یادگیری ماشین در پیش‌بینی ترک خدمت کارکنان کمک می‌کند و هم نقاط قوت و هم چالش‌های مدل‌های مختلف را برجسته می‌سازد و مسیرهایی را برای اکتشافات بیشتر پیشنهاد می‌دهد…

7 CONCLUSION This study demonstrated the effectiveness of various machine learning models in predicting employee turnover, with logistic regression achieving the highest accuracy. Future research should explore the integration of contextual features, such as external labour market conditions, to enhance model sensitivity to external factors influencing turnover. Additionally, expanding the analysis across multiple organizations and sectors could improve generalizability and adaptability to different workplace environments. Employing causal analysis algorithms, such as causal graphs, could also provide insights into underlying factors driving attrition. Finally, incorporating real-time monitoring and adaptive prediction systems would allow models to continuously refine predictions as new data become available, offering a dynamic approach to attrition management. This paper contributes to a deeper understanding of the role of machine learning in predicting employee turnover, highlighting both the strengths and challenges of various models and proposing avenues for further exploration…