پیش بینی استرس شغلی با استفاده از هوش هیجانی: مدل شبکه عصبی مصنوعی و رگرسیون

امروزه میان صاحبنظران این توافق وجود دارد که هوش هیجانی در موفقیت افراد در حیطه های مختلف زندگی نقش به سزایی دارد. در مقابله با درخواست ها و فشارها در محیط کار نیز افرادی که هوش هیجانی بالاتری دارند کمتر دچار استرس می شوند. این پژوهش با هدف بکارگیری هوش مصنوعی برای پیش بینی استرس شغلی افراد و مقایسه عملکرد این مدل با مدل رگرسیون چند متغیره طراحی گردیده است. بدین منظور ٨92 نفر از بین افراد شاغل در گروه های شغلی مختلف به صورت تصادفی انتخاب شدند. سپس اطلاعات 15 بعد هوش هیجانی پرسشنامه بارآن، 10 گروه شغلی و سن و تحصیلات به عنوان متغیرهای ورودی و 7 بعد پرسشنامه استرس شغلی hse به عنوان متغیر خروجی در نظر گرفته شد. نتایج نشان داد که شبکه عصبی مصنوعی با الگوریتم پرسپترون با یک لایه میانی و 375 گره که از توابع تانژانت هاﻳﭘربولیک در لایه میانی و سیگموئید در لایه خروجی، توانست به طور قابل ملاحظه ای موفق تر از رگرسیون چند متغیره استرس شغلی افراد را در حیطه های مختلف برآورد نماید. به نحوی که، همبستگی بین نمرات برآورد شده از مدل رگرسیون با مقادیر واقعی تنها بین 0/192- 0/364 بود اما این مقدار برای مدل شبکه عصبی در کلیه ابعاد استرس شغلی بیشتر از 0/527 بود.

Using emotional intelligence to predict job stress: Artificial neural network and regression models

Introduction: These days, there is a consensus that emotional intelligence plays an important role in the success of individuals in different areas of life. Persons with higher emotional intelligence had lower stress in dealing with demands and pressures in the workplace. The purpose of this study was to use artificial neural network to predict job stress and to compare the performance of this model with the multivariate regression model.Material and Methods: In order to do that, 892 participants were selected randomly in different job categories. Then, 15 dimensions of BarOn questionnaire, 10 job categories, age and education were considered as input variables and 7 dimensions of health and safety executive HSE were determined as output variables in models.Results: The results revealed that an artificial neural network with hyperbolic tangent and sigmoid transfer functions respectively in hidden and output layers with 375 hidden neurons had significantly better performance than multivariate regression. So that, correlation of predicted values and job stress were only between 0.1920.364 in regression model, but neural network had at least correlation 0.527 in all dimensions of job stress.Conclusion: In predicting job stress using emotional intelligence, artificial neural network method was much better than multivariate regression model.