شناسایی پیشران‌های اثربخشی تیمی از راه شبکه عصبی مصنوعی (موردمطالعه: شرکت فولاد خوزستان)

هدف این پژوهش، شناسایی پیشران های اثربخشی تیمی در شرکت فولاد خوزستان از راه شبکه عصبی مصنوعی است. این پژوهش بر‌اساس هدف، از نوع پژوهش های کاربردی-توسعه ‌ای بر‌مبنای روش و نحوه گردآوری داده ‌ها، پژوهشی توصیفی- پیمایشی و از نظر نوع داده ‌ها، رویکرد پژوهش کمی است. جامعه آماری پژوهش را 1020 نفر از کارکنان و مدیران شرکت فولاد خوزستان تشکیل می‌دهند که با روش نمونه‌ گیری تصادفی ساده و هدفمند، 360 نفر برای نمونه انتخاب شدند. نتایج نشان داد شبکه عصبی مصنوعی با درصد دقت بالا (در شناسایی شاخص هایی که اثربخشی را افزایش می ‌دهند: یعنی 3/97 در بخش آموزش و 8/95 در بخش آزمایش، همچنین در شناسایی شاخص‌ هایی که اثربخشی را افزایش نمی ‌دهند: یعنی 5/96 درصد در بخش آموزش و 9/92 در بخش آزمایش) توانسته است درست عمل کرده و پیش‌بینی کند که این موضوع بیانگر کارایی و حساسیت بسیار بالای این سیستم است. همچنین، از تعداد 125 شاخص ارائه‌شده، تعداد 65 شاخص مستقل فعال در پیش بینی اثربخشی تیمی موفق عمل کردند که این روش توانست با تعریف متغیر صفر و یک آنها را شناسایی کند. شبکه عصبی مصنوعی در تحلیل داده‌ ها ما را به این نتیجه رساند که به‌ترتیب شاخص‌ های یادگیری تیمی، جهت‌سازی یکسان تیمی و ذهنیت چابک، مهم‌ترین پیشران‌ها در اثربخشی تیمی محسوب می‌شوند و نیاز است مطالعه عمیقی روی این ابعاد انجام شود.

identifying the drivers of team effectiveness through artificial neural network (case study: khuzestan steel company)

the purpose of this research is to identify the drivers of team effectiveness in khuzestan steel company through artificial neural network. this research is based on the purpose of applied-development research, based on the data collection method, it is a descriptive-survey research, and in terms of data type, it is a quantitative research approach. the statistical population of research is 1020 employees and managers of khuzestan steel company, of which 360 employees were selected as a sample using a simple and purposeful random sampling method. the results showed that the artificial neural network, with a high percentage of accuracy (in identifying indicators that increase effectiveness: that is, 97.3 in the training section and 95.8 in the testing section, also in identifying indicators that do not increase effectiveness: that is, 96.5% in the training section and 92.9% in the testing section), has been able to work correctly and predict that this indicates the very high efficiency and sensitivity of this system. also, out of the 125 indicators presented, 65 active independent indicators were successful in predicting team effectiveness, which this method was able to identify by defining zero and one variables. artificial neural network in the data analysis led us to the conclusion that team learning, group orientation and agile mindset indicators are the most important drivers in team effectiveness, respectively, and there is a need for a deep study on these dimensions.