Integrating generative AI and machine learning classifiers for solving heterogenous MCGDM: a case of employee churn prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Employee churn is a critical issue for companies and organizations, as it directly impacts productivity, efficiency, and overall operational success. High turnover rates increase recruitment and training costs, and disrupt workflows, making it a top concern for institutions aiming to maintain stability, growth and continuity. This study presents a methodology to address the employee churn prediction problem in heterogeneous environments by framing it as a Multiple Criteria Group Decision Making (MCGDM) problem. The proposed methodology integrates generative AI, Traditional MCGDM techniques, and machine learning classifiers to handle this problem type. The proposed methodology is structured into four main stages: data collection, generative AI for creating expert profiles, MCGDM for employee ranking, and machine learning for predictive modeling. ChatGPT-4 is used as the generative AI model to simulate expert profiles from diverse fields related to churn prediction. The Analytical Hierarchy Process (AHP) is employed to calculate criteria weights, while the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) is concerned with alternatives' ranking and employee's classification into churn likelihood categories. These rankings data are then used for different nine machine learning classifiers, reducing the computational complexity for future predictions. The results reveal that Neural Networks, Gradient Boosting, and Random Forest outperform other used models in predicting employee churn in terms of accuracy. The proposed methodology offers a scalable, data-driven solution for addressing MCGDM problems, particularly employee churn prediction, by integrating advanced AI techniques with traditional decision-making frameworks.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle