علم تصمیم گیری و سیستم های هوشمند

انقلاب صنعتی چهارم پارادایم‌های تولید و مدیریت زنجیره تأمین را در مقیاس جهانی بازتعریف کرده است، اما اقتصادهای در حال توسعه نظیر ایران به واسطه محدودیت‌های ژئوپلیتیک و ساختاری، در مسیر این گذار با چالش‌های متمایزی روبرو هستند. هدف این پژوهش، ارائه یک تحلیل انتقادی و جامع از وضعیت بلوغ دیجیتال، شناسایی موانع بومی‌سازی شده و ارزیابی پیامدهای عملکردی استقرار فناوری‌های نوظهور در اکوسیستم صنعتی ایران است. این مطالعه مروری با تبعیت دقیق از دستورالعمل‌های استاندارد SANRA انجام پذیرفت. با جستجوی سیستماتیک در پایگاه‌های استنادی Scopus و Web of Science، تعداد ۱۴ مطالعه تجربی کلیدی که در بازه زمانی سال ۲۰۰۰ تا انتهای ۲۰۲۵ منتشر شده بودند، انتخاب و تحلیل شدند. این مطالعات طیف وسیعی از صنایع شامل فولاد، خودرو، پتروشیمی، غذایی و شرکت‌های کوچک و متوسط را پوشش می‌دادند. سنتز شواهد حاکی از شکل‌گیری الگوی توسعه دیجیتال ناهمگون و وجود یک پارادوکس بلوغ در صنایع ایران است؛ بدین معنا که در حالی که صنایع مادر در سطح استراتژیک به سمت مفاهیم انسان‌محور صنعت ۵.۰ گرایش دارند، در لایه عملیاتی با شکاف‌های زیرساختی عمیق مواجه‌ هستند. یافته‌ها نشان می‌دهد اولویت‌بندی فناوری در ایران تابعی از اقتصاد تحریم است؛ به‌طوری‌که صنعت خودرو برای غلبه بر محدودیت‌های واردات سخت‌افزار، شبیه‌سازی را در اولویت قرار داده، در حالی که صنایع فرآیندی نظیر پتروشیمی برای تضمین شفافیت و تاب‌آوری، بر اینترنت اشیاء تمرکز کرده‌اند. تحلیل‌ها بیانگر آن است که فراتر از قفل‌شدگی تکنولوژیک ناشی از تحریم‌ها، موانع اصلی شامل اصطکاک فرهنگی، فقدان مهارت‌های دیجیتال و حکمرانی داده‌ها است. با وجود چالش‌ها، پیاده‌سازی فناوری‌ها تأثیر معناداری بر کاهش هزینه‌های عملیاتی و ارتقای پایداری داشته است. مدل پیشنهادی استراتژی دیجیتالی‌سازی تاب‌آور، موفقیت در این مسیر را نیازمند تغییر پارادایم از تصدی‌گری دولتی به تنظیم‌گری هوشمند و گذار از خرید تجهیزات به مدیریت استعداد دیجیتال می‌داند.

سازمان‌ها برای بهبود عملکرد و دستیابی به مزیت رقابتی پایدار، نیازمند کارکنانی خلاق و نوآور هستند. یکی از عوامل کلیدی در شکل‌گیری رفتار نوآورانه، تسهیم دانش میان کارکنان است. در این میان اخلاق کاری و مسئولیت اجتماعی دو عاملی هستند که می‌توانند تأثیر مثبتی بر فرآیند تسهیم دانش داشته باشند. با این حال، در مسیر تسهیم دانش، موانعی وجود دارد که شدت و ماهیت تأثیر آن‌ها در هر سازمان با توجه به ویژگی‌های فرهنگی و ساختاری متفاوت است؛ از اینرو شناسایی و ارزیابی این موانع برای هر سازمان ضروری است. در این پژوهش، به ‌منظور شناسایی و اولویت‌بندی موانع تسهیم دانش مؤثر بر رفتار نوآورانه کارکنان با تأکید بر اخلاق و مسئولیت اجتماعی، از روش بهترین–بدترین (BWM) به عنوان یکی از روش‌های نوین و قدرتمند تصمیم‌گیری چندشاخصه (MADM) استفاده شده است. بدین منظور، ابتدا با مرور پیشینه پژوهش، تشکیل و برگزاری جلسات با تیم خبره 24 مانع تسهیم دانش با در نظر گرفتن 2 عامل یاد شده در یک نیروگاه‌ حرارتی شناسایی گردید. سپس با استفاده از الگوریتم BWM گروهی ارائه شده در این پژوهش موانع مذکور ارزیابی، وزن‌دهی و اولویت‌بندی شد. در نیروگاه مورد مطالعه به ترتیب موانع استراتژیک، تکنولوژی، فردی و فرهنگی به عنوان مهمترین موانع اصلی تسهیم دانش ارزیابی شد؛ همچنین به ترتیب22.93% و 33.68% از کل وزن موانع شناسایی شده، مرتبط با عامل‌های اخلاق و مسئولیت اجتماعی اختصاص یافت. یافته‌ها حاکی از نقش پررنگ این 2 عامل در بهبود تسهیم دانش سازمانی است. بر این اساس، سازمان‌ها برای موفقیت کسب و کار خود بایستی با تمرکز بر اخلاق کاری و مسئولیت اجتماعی، نسبت به شناسایی، ارزیابی و رفع مهم‌ترین موانع تسهیم دانش اقدام کنند. افزون بر این، الگوریتم پیشنهادی می‌تواند به‌ عنوان روشی معتبر، کارا و قابل اطمینان برای حل مسائل MADM مورد استفاده قرار گیرد.

یکی از مسائل اصلی در شرکت‌های هلدینگ، مساله بهینه‌سازی سبد سرمایه‌گذاری‌ها می‌باشد. این موضوع در سه سطح انتخاب صنعت، محصول و شرکت قابل بحث است و معیارها و اهداف متعدد و بعضاً متضادی در این مساله دخیل می‌باشند. هدف این تحقیق طراحی مدل بهینه‌سازی سبد صنایع در شرکت‌های هلدینگ با رویکرد برنامه‌ریزی آرمانی است. در این راستا، ابتدا شاخص‌های موثر بر انتخاب صنعت شناسایی شده و در ادامه با استفاده از تکنیک دیمتل، روابط درونی بین این شاخص‌ها احصا و سپس با بکارگیری روش فرآیند تحلیل شبکه (ANP)، شاخص‌های موثر بر انتخاب صنایع و نیز صنایع هدف اولویت‌بندی می‌شوند. در نهایت با مدلسازی مساله، لحاظ اهداف متعدد و استفاده از روش برنامه‌ریزی آرمانی، وزن بهینه صنایع هدف مشخص و سبد صنایع پیشنهادی ارائه می‌گردد. نتایج تحقیق حاکی از آن است که در سبد پیشنهادی، صنایع نفت، گاز و پتروشیمی، معدن و کانه‌ها و دارو بیشترین وزن را به خود اختصاص داده‌اند. سبد پیشنهادی در مقایسه با سبد موجود یکی از شرکت‌های هلدینگ بازدهی بهتری را نشان می‌دهد.

در این پژوهش شرحی از روش‌های مبتنی بر تحلیل پوششی داده‌ها از جمله روش‌های CCR، BCC، SBM، تحلیل پوششی با داده‌های ترکیبی (MV-DEA) و یک روش شبکه‌ای دومرحله‌ای بیان می‌شود. همچنین انواع صندوق‌های بازنشستگی از دیدگاه‌های مختلف از جمله صندوق‌های بازنشستگی مزیت معین و مشارکت معین و ترکیبی، خصوصی و دولتی، باز و بسته، صندوق‌های با مسئولیت اجتماعی (اخلاقی) و مسئولیت‌ناپذیر، صندوق‌های مستقل، نیمه‌مستقل و کامل معرفی می‌شود. با مرور پژوهش‌های مختلف که در آن با استفاده از روش‌های تحلیلی یاد شده، میزان کارایی هر یک از انواع صندوق‌ها با سایر صندوق‌ها مقایسه شده و عملکرد آن‌ها مورد ارزیابی قرار گرفته، نتایج بدست آمده را مورد بررسی قرار می‌دهیم. این پژوهش‌ها در کشورهای مختلف با ساختارهای اقتصادی متفاوت انجام شده است. نتایج بدست آمده در پژوهش‌ها متنوع هستند. با مشاهده نتایج به‌دست‌آمده درمی‌یابیم که یکی از علت‌های تنوع در نتیجه‌گیری‌ها می‌تواند تفاوت در انتخاب داده‌های ورودی و خروجی برای هر پژوهش باشد. همچنین ساختارهای فرهنگی و سیاسی متفاوت در مناطق مختلف نیز می‌تواند در نتایج بدست آمده مؤثر باشد.

صنعت زیست‌دارو به‌عنوان یکی از مهم‌ترین بخش‌های نوین دارویی، با چالش‌های متعددی همچون نوسانات تقاضا، محدودیت منابع، فرآیندهای تولید پیچیده و الزامات زیست‌محیطی روبه‌رو است. در چنین فضایی، رویکردهای داده‌محور و هوش‌محور می‌توانند نقشی کلیدی در ارتقای دقت تصمیم‌گیری، پایداری و سودآوری ایفا کنند. پژوهش حاضر با هدف توسعه یک چارچوب جامع برای برنامه‌ریزی تولید پایدار، به ترکیب پیش‌بینی تقاضا با مدل‌سازی ریاضی چندهدفه پرداخته است. در گام نخست، داده‌های واقعی مربوط به ۹ داروی منتخب طی ۳۶ ماه گردآوری شد و با استفاده از شبکه عصبی مصنوعی (ANN) و حافظه بلندمدت کوتاه‌مدت (LSTM) الگوهای تقاضا پیش‌بینی گردید. نتایج نشان داد مدل ANN با خطای RMSE برابر با ۸۶۸ توانست روندهای تقاضا را با دقت متوسط بازسازی کند، در حالی‌که مدل LSTM توانست میانگین تقاضا را با خطایی کمتر از یک درصد در سطح دارو–سناریو تخمین بزند. در مرحله دوم، یک مدل ریاضی چندمحصولی و چندهدفه طراحی گردید که اهداف اقتصادی (بیشینه‌سازی سود و کاهش هزینه‌ها) و زیست‌محیطی (کاهش آلایندگی و ضایعات) را به‌صورت هم‌زمان در نظر گرفت. برای حل مدل، از الگوریتم‌های ژنتیک (GA) و ازدحام ذرات (PSO) به همراه روش اپسیلون–محدودیت برای استخراج جبهه پارتو استفاده شد. یافته‌ها نشان داد GA در همگرایی سریع‌تر و PSO در جستجوی گسترده‌تر فضای جواب برتری نسبی دارند. همچنین تحلیل حساسیت چندمتغیره آشکار ساخت که ظرفیت تولید، هزینه مواد اولیه و نرخ آلایندگی بیشترین تأثیر را بر نتایج دارند. این تحقیق با پر کردن شکاف میان پیش‌بینی تقاضا و بهینه‌سازی تولید، چارچوبی عملی برای تصمیم‌سازی هوشمند در صنعت زیست‌دارو ایران ارائه می‌دهد و می‌تواند به افزایش تاب‌آوری زنجیره تأمین، کاهش هزینه‌ها و تحقق اهداف توسعه پایدار کمک نماید.

این مقاله به معرفی و طراحی یک سیستم خودارزیابی محرمانه بر اساس خطبه همام می‌پردازد که هدف آن سنجش میزان تطابق افراد با ویژگی‌های متقین ذکر شده در این خطبه است. سیستم مذکور از یک پرسشنامه جامع بهره می‌برد که شامل جملاتی است که بر ویژگی‌های اخلاقی، روحی و رفتاری متمرکز می‌باشد و به کاربران اجازه می‌دهد تا خود را بر اساس معیارهای ایمانی و دینی ارزیابی کنند. کاربران امتیازات خود را بر اساس مقیاس 1 (هیچوقت) تا 5 (همیشه) به جمله‌های مرتبط با رفتارهای نظیر صداقت، تواضع، پرهیز از اسراف، و عبادت شبانه اختصاص می‌دهند. روش‌شناسی سیستم شامل سه مرحله اصلی است. مرحله اول جمع‌آوری داده‌ها و ارزیابی می‌باشد. پرسشنامه‌ای متشکل از عبارات مشخص، نظیر پرهیز از افراط و نیکی در سخن گفتن، توسعه یافته و افراد پاسخ‌های خود را به صورت کمی ارائه می‌دهند. امتیازات افراد با جمع‌بندی نمرات سوالات محاسبه می‌شود. مرحله دوم تحلیل نتایج است که در آن نمرات کلی هر فرد با حداکثر نمره ممکن (200) مقایسه شده و درصد تطابق کاربر با معیارهای خطبه محاسبه می‌شود. نتایج به صورت یک عدد طبیعی بین 0 تا 100 به کاربر ارائه می‌شود و کمترین نمرات در رفتارها و ویژگی‌هایی که نیاز به بهبود دارند به همراه احادیثی از منابع مختلف برای راهنمایی و تأمل بیشتر ارائه می‌گردد. مرحله سوم ارائه پیشنهادات بهبود می‌باشد. در صورت وجود نمرات پایین، پیشنهاداتی برای بهبود یا تأمل در صفات مذکور به کاربر داده می‌شود. این فرآیند امکان تقویت افتخارات اخلاقی و معنوی کاربران را فراهم می‌آورد. در پایان نیز به کمک جمع آوری پاسخ برای پرسشنامه و محاسبه ضریب همبستگی، بیشترین ارتباط بین پرسش‌های مربوط به عبادت و پرسش‌های مربوط به پرهیزکاری پیدا شد. این پروژه با هدف تشویق افراد به بهبود صفات معنوی و ارائه روش‌های عملی برای ارتقاء شخصیتی تدوین شده است و می‌تواند به عنوان یک ابزار مفید برای جامعه به کار گرفته شود.

نظام آموزش و پرورش به‌عنوان یکی از بنیان‌های اصلی توسعه انسانی، نقشی کلیدی در ارتقاء فردی و اجتماعی ایفا می‌کند. افت تحصیلی دانش‌آموزان یکی از چالش‌های جدی در این حوزه است که پیامدهای بلندمدت فردی و اجتماعی به همراه دارد. اگرچه مطالعات متعددی در سطح جهانی انجام شده‌اند، پژوهش‌های بومی در این زمینه هنوز محدود هستند؛ ازاین‌رو، انجام مطالعه‌ای موردی در استان البرز می‌تواند به پر کردن این شکاف پژوهشی کمک کند. این پژوهش با هدف تحلیل و مدل‌سازی افت تحصیلی دانش‌آموزان بر اساس شاخص‌های خانوادگی، به‌صورت مطالعه موردی در استان البرز انجام شده است. داده‌های تحقیق از مدارس دوره ابتدایی و متوسطه این استان گردآوری شده و شامل متغیرهایی همچون سطح تحصیلات والدین، میزان درآمد خانوار، نوع شغل والدین و ساختار خانواده بوده است. در راستای طراحی مدل پیش‌بینی افت تحصیلی، چهار الگوریتم یادگیری ماشین شامل رگرسیون لجستیک، ماشین بردار پشتیبان (SVM) با کرنل RBF، جنگل تصادفی و XGBoost به‌کار گرفته شدند. نتایج نشان داد که در میان مدل‌های استفاده‌شده، الگوریتم جنگل تصادفی بهترین عملکرد را داشته و با دقت ۹۸٪ توانست روابط پیچیده میان متغیرها را شناسایی کند. برای تحلیل روابط میان متغیرهای خانوادگی و افت تحصیلی، ابتدا از ضریب همبستگی اسپیرمن جهت بررسی ارتباطات آماری استفاده شد. سپس برای تبیین تصمیمات مدل‌های یادگیری ماشین و شفاف‌سازی نقش هر متغیر، از تحلیل SHAP بهره گرفته شد. بر اساس یافته‌ها، تحصیلات مادر، درآمد خانوار و تحصیلات پدر از مهم‌ترین عوامل در بروز افت تحصیلی بودند. یافته‌های این مطالعه می‌تواند در طراحی سیاست‌های پیشگیرانه آموزشی و شناسایی به‌موقع دانش‌آموزان پرریسک بسیار مؤثر واقع شود.

The merger of ChatGPT and human resources management (HRMs) is transforming the way firms manage their workforces. This white paper addresses the primary benefits and obstacles of applying the ChatGPT in human resource management, providing a complete analysis of its effectiveness, integrity, and impact on decision-making. ChatGPT enhance HR operations by automating repetitive tasks, decreasing biases in hiring and performance review, and enabling individual employee development programs. It also allows data-driven decision-making through predictive analytics and delivers significant insights into employee performance and engagement. However, successful deployment of a ChatGPT involves seamless interaction with existing systems and constant learning and modification to meet privacy and security concerns. Ethical considerations, such as transparency and justice, are vital to creating confidence and guaranteeing the responsible use of AI. Based on real-world applications and first-time user experiences, this paper gives strategic advice for HR professionals and businesses to employ ChatGPT successfully and build a more efficient, inclusive, and data-driven HR environment.