MétaCan
Menu
Retour à la cohorte
Enregistrement W2290169688 · doi:10.5539/mas.v10n5p21

Investigation and Prioritizing the Effective Factors on Increasing the Human Resources Productivity in Agriculture Bank Using Multi-Attribute Decision Making Model

2016· article· en· W2290169688 sur OpenAlexvenueno aff
Amir Abachi

Notice bibliographique

RevueModern Applied Science · 2016
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEfficiency Analysis Using DEA
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProductivityTOPSISRanking (information retrieval)Human resourcesComputer scienceAgricultureStatistical populationDescriptive statisticsPopulationOperations researchEnvironmental economicsKnowledge managementOperations managementStatisticsEconomicsMathematicsManagementArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,094
Tête enseignante GPT0,354
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetEfficiency Analysis Using DEATravaux en français237 207