Investigation and Prioritizing the Effective Factors on Increasing the Human Resources Productivity in Agriculture Bank Using Multi-Attribute Decision Making Model
Notice bibliographique
Résumé
As organizations are going to develop, the need for efficient manpower becomes more apparent. Obviously, productivity of the manpower requires the attention of managers to the complexity of human behavior and appropriate utilization of the principles, techniques and skills of the management. This study aims to prioritize the effective factors on productivity of human resources in the Agriculture Bank. Productivity is beyond the performance, it also contains the effectiveness concept, and in other words, productivity is not just doing the right things. An activity may be done correctly and in the best way, while it has no role in achieving the goal. In this case, the performance is available but there is no productivity. Difference between the performance and is rooted in the effectiveness or in the direction of doing a work. The current paper is a descriptive survey. Statistical population includes all experts in the Research and Strategic Planning center of the Agricultural Bank (33 persons). The data obtained from the questionnaire were analyzed using descriptive statistics in the form of frequency table. Questions were examined based on the one-group- t-test and using SPSS. Effective factors on increasing the human resources productivity were prioritized using Multi- Attribute Decision Making (MADM). After comparison of the alternatives, the related tables were prepared and prioritizing or ranking were done by determining the weight of each factor indexes and finally determining the weight of the four main factors. TOPSIS was used to evaluate the results of the MADM. Our research aims to prioritize the four factors according to the MADM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».