هوش مصنوعی در مدیریت ریسک منابع انسانی: پژوهشی در دانشگاه‌های علوم پزشکی تهران

مقدمه: ظهور و توسعه هوش مصنوعی مولد، پارادایم‌های پژوهش علمی، به‌ویژه در حوزه تحلیل داده‌محور مدیریت منابع انسانی، را دستخوش تحول کرده است. این پژوهش با هدف طراحی مدل پیش‌بینی ریسک‌های منابع انسانی با بهره‌گیری از الگوریتم‌های هوش مصنوعی مطالعه ترکیبی در بستر دانشگاه‌های علوم پزشکی پرداخته و مهم‌ترین عوامل پیش‌بین این ریسک‌ها را شناسایی می‌کند.روش کار: این مطالعه با اتخاذ رویکردی آمیخته (کیفی-کمی)، در سال 1404 با مشارکت 24 نفر از خبرگان حوزه‌های منابع انسانی، فناوری اطلاعات، مدیریت مالی، مهندسی صنایع و مدرسان هوش مصنوعی در دانشگاه‌های علوم پزشکی تهران انجام شد. در بخش کیفی، از مصاحبه‌های نیمه‌ساختاریافته با خبرگان بهره گرفته شد و داده‌های حاصل با استفاده از نرم‌افزار مکس کیودا 23 و روش تحلیل مضمون مورد تجزیه و تحلیل قرار گرفتند تا ریسک‌های کلیدی منابع انسانی شناسایی شوند. در بخش کمی، داده‌های واقعی سیستم‌های اطلاعات منابع انسانی دانشگاه‌های علوم پزشکی منتخب تهران (دوره زمانی 1401-1403) شامل 12 متغیر کلیدی (مانند غیبت، ارزیابی عملکرد، نوع قرارداد، سابقه خدمت و…) پس از پاک‌سازی، نرمال‌سازی و کدگذاری، با استفاده از زبان برنامه‌نویسی پایتون و کتابخانه‌های یادگیری ماشین آن (شامل scikit-learn برای مدل‌های جنگل تصادفی و رگرسیون لجستیک و tensorflow/pytorch برای شبکه عصبی mlp) تجزیه و تحلیل شدند.یافته‌ها: نشان می‌دهد که استفاده از الگوریتم‌های هوش مصنوعی و به‌ویژه شبکه‌های عصبی و یادگیری ماشین در مدیریت ریسک منابع انسانی، نقش موثری در پیش‌بینی و مدل‌سازی ریسک‌های انسانی دارد. این رویکردها با بهره‌گیری از داده‌کاوی و تحلیل داده‌های بزرگ قادرند الگوهای پنهان مرتبط با عملکرد، ترک خدمت و رفتار کارکنان را شناسایی کرده و از طریق سیستم‌های هوشمند پیش‌بینی و هشدار ریسک تصمیم‌گیری مدیران را بهبود بخشند. ارزیابی مدل‌های پیش‌بینی نشان می‌دهد کارایی آن‌ها به کیفیت داده‌ها و طراحی الگوریتم‌ها بستگی دارد. علاوه بر مزایا، چالش‌هایی همچون محدودیت داده‌ها، نیاز به زیرساخت فنی، و ملاحظات اخلاقی در پیاده‌سازی این فناوری‌ها وجود دارد.نتیجه گیری: این پژوهش، با بهره‌گیری از رویکرد ترکیبی کیفی-کمی، اثربخشی هوش مصنوعی را در پیش‌بینی و مدیریت ریسک‌های منابع انسانی در دانشگاه‌های علوم پزشکی مستند ساخت. مدل شبکه عصبی مصنوعی با دستیابی به دقت 0.92، برتری خود را در مدل‌سازی الگوهای پیچیده ریسک نسبت به الگوریتم‌های کلاسیک تایید کرد. نوآوری پژوهش در تلفیق یافته‌های کیفی ناظر بر چالش‌های داده‌ای و مدیریتی با مدل‌سازی کمی پیشرفته، و همچنین ارائه داشبورد مدیریتی عملیاتی با قابلیت هشداردهی خودکار، جهت تسهیل تصمیم‌گیری و کاهش هزینه‌های مرتبط با ریسک منابع انسانی، متجلی شده است.

ai in human resource risk management: research in tehran medical universities

introduction: the advent and advancement of generative artificial intelligence have fundamentally transformed research paradigms, particularly in data-driven human resource management analytics. this study aims to present an innovative ai-driven framework for predicting human resource risks within medical universities, identifying the most significant predictive factors for these risks.methods: employing a mixed-methods (qualitative-quantitative) approach, this research was conducted in 2025 with the participation of 24 experts from the fields of human resources, information technology, financial management, industrial engineering, and ai instructors at tehran's medical universities. in the qualitative phase, semi-structured interviews with experts were conducted, and the resulting data were analyzed using the specialized software maxqda and the thematic analysis method to identify key human resource risks. in the quantitative phase, real-world data from the human resource information systems of selected tehran medical universities (covering the period 2022-2024) comprising 12 key variables (e.g., absenteeism, performance evaluations, contract type, service years, etc.) were cleaned, normalized, and coded. subsequently, these data were analyzed using the python programming language and its machine learning libraries, including scikit-learn for random forest and logistic regression models, and tensorflow/pytorch for the mlp neural network.results: the results indicate that the use of artificial intelligence algorithms—particularly neural networks and machine learning—plays an effective role in predicting and modeling human-resource risks. by leveraging data mining and big-data analytics, these approaches can identify latent patterns associated with employee performance, turnover intentions, and behavioral indicators, thereby improving managerial decision-making through intelligent risk prediction and early-warning systems. the evaluation of predictive models further suggests that their performance is strongly dependent on data quality and algorithm design. despite the demonstrated benefits, several challenges remain, including data limitations, the need for appropriate technical infrastructure, and ethical considerations in implementing these technologies.conclusions: this study, employing a mixed-methods (qualitative-quantitative) approach, documented the efficacy of artificial intelligence (ai) in predicting and managing human resources risks within medical universities. the artificial neural network (ann) model, achieving an accuracy of 0.92, substantiated its superiority in modeling complex risk patterns compared to classical algorithms. the research's novelty lies in the integration of qualitative findings concerning data and managerial challenges with advanced quantitative modeling, alongside the provision of an operational management dashboard featuring automated alerting capabilities. this dashboard aims to facilitate decision-making and mitigate costs associated with hr risks.