پیام خود را بنویسید

جستجو در مقالات منتشر شده


3 نتیجه برای هوش مصنوعی
پیش‌بینی اختلالات اسکلتی‌عضلانی بر اساس اطلاعات دموگرافیک افراد به کمک روش‌های هوش مصنوعی و پرسش‌نامهی CMDQ
موسی نظری، آرزو سماک امانی، محمد امین موعودی، محمد مهدی علیان نژادی،
دوره 11، شماره 4 - ( 11-1402 )
چکیده
اهداف: اختلالات اسکلتی‌عضلانی مرتبط با کار (WMSDs) از معضلات مهم در کشورهای درحال‌توسعه و پیشرفته است و اکثر افراد در طول زندگی خود، با آن روبه‌رو هستند. با توجه به اثرهای زیان‌آور اختلالات اسکلتی‌عضلانی در بهره‌وری و سلامت عمومی کارکنان، این پژوهش با استفاده از پرسش‌نامه‌ی اختلالات اسکلتی‌عضلانی کرنل (CMDQ) به‌منظور ارائه‌ی مدلی هوشمند برای تعیین سطح و پیش‌بینی اختلالات اسکلتی‌عضلانی انجام شد.
روش ‌‌‌کار: در این مطالعه‌ی توصیفی‌تحلیلی، ۸۱۰ نفر از کارکنان پنج سازمان با چهار طبقه‌ی شغلی اداری، فنی، تولید و خدمات، داوطلبانه برای ارزیابی اختلالات اسکلتی‌عضلانی، پرسش‌نامه‌ی اختلالات اسکلتی‌عضلانی کرنل (CMDQ) را تکمیل کردند. پس از جمع‌آوری داده‌های پرسش‌نامه‌ای و انجام تحلیل‌های آماری مرتبط، از نرمال‌سازی داده‌ها و خوشه‌بندی بر اساس روش K-Means برای تعیین سطوح اختلالات اسکلتی‌عضلانی استفاده ‌شد. در نهایت، شبکه‌ی عصبی مصنوعی  پرسپترون چندلایه برای پیش‌بینی سطح اختلالات اسکلتی‌عضلانی آموزش داده شد و معیارهای دقت، صحت، Recall و F۱-score برای ارزیابی مدل پیشنهادی به کار گرفته شدند.
یافته‌ها: نتایج عملکرد مدل پیشنهادی در پیش‌بینی سطح اختلالات اسکلتی‌عضلانی در دو حالت استفاده و عدم استفاده از روش SMOTE بر اساس معیار‌های ارزیابی ارائه شده است. مقادیر صحت، دقت،  Recall و F۱-score به‌ترتیب، برابر با ۰/۷۲۴، ۰/۷۰۹، ۰/۷۵۶ و ۰/۷۲۰ به دست آمد. مقدار مناسب صحت و دقت در مدل پیشنهادی نشان‌دهنده‌ی قابلیت آن در شناسایی سطح اختلالات اسکلتی‌عضلانی افراد و کمک به متخصصان حوزه‌ی بهداشت در شناسایی و اقدامات لازم برای پیشگیری و پیش‌بینی آن‌ها است.
نتیجه‌گیری: این مطالعه با استفاده از پرسش‌نامه‌ی CMDQ و روش‌های هوش مصنوعی به تحلیل اختلالات اسکلتی‌عضلانی در محیط کار پرداخته است. مدل پیشنهادی در مقایسه با مطالعات مشابه، دارای دقت و صحت قابل توجهی است. نتایج نشان دادند که از این مدل می‌توان برای شناسایی و پیش‌بینی اختلالات اسکلتی‌عضلانی در کارکنان سازمان‌ها با امکان تسریع فرایند شناسایی و کاهش هزینه‌ها بهره برد.

تحلیلی بر مطالعات ارزیابی قابلیت ‌اطمینان و تحلیل ریسک خطاهای انسانی با نگاهی بر گسترش هوش مصنوعی و کارخانه تاریک
علی‌رضا نیک‌رأی، محمدرضا وصالی ناصح، عباس محمدی،
دوره 13، شماره 3 - ( 7-1404 )
چکیده
اهداف: با پیچیده‌تر شدن سامانه‌های صنعتی و ورود فناوری‌های تجهیزمحور، نقش انسان در ایمنی و کارآیی سیستم‌ها همچنان کلیدی باقی مانده‌است. این پژوهش با مرور مطالعات HRA در بازه ۲۰۱۰ تا ۲۰۲۳، به شناسایی و مقایسه روش‌های تحلیلی مختلف، انطباق آنها با فناوری‌هایی نظیر هوش مصنوعی و کارخانه تاریک و استخراج شکاف‌های پژوهشی پرداخته است.
روش ­کار: با بکارگیری کلیدواژه‌های تخصصی در پایگاه‌های علمی، بیش از ۲۳۰ پژوهش شناسایی شد که پس از حذف نتایج تکراری، ۱۸۰ مطالعه برای تحلیل نهایی انتخاب‌گردید. مقالات از نظر روش‌شناسی، صنایع هدف، کشور و مؤسسه مجری و مجلات منتشرکننده، بررسی و مقایسه گردید.
یافته‌ها: روش‌های SHERPA، CREAM و Fuzzy Mathematics بیشترین کاربرد را در این مطالعات داشته است. ایالات‌متحده، چین و کره‌جنوبی به‌عنوان کشورهای پیشرو شناخته شدند. تحلیل روش‌ها نشان داد هیچ روش کیفی یا کمّی به‌تنهایی قادر به تحقق اهداف سه‌گانه HRA (شناسایی خطا، برآورد احتمال و طراحی کنترل‌ها) نیست. لذا اتخاذ رویکرد ترکیبی SHERPA–TESEO با شناسایی و کنترل خطاها توسط روش SHERPA و برآورد سریع و بدبینانه احتمال خطا با روش TESEO، به‌عنوان یک رویکرد کارآمد پیشنهاد شد. در نهایت، ۱۰ شکاف پژوهشی شناسایی و ارائه گردید.
نتیجه‌گیری: رویکرد ترکیبی SHERPA–TESEO راهکاری عملیاتی برای دستیابی به اهداف سه‌گانه HRA است. با این وجود، در محیط‌های هوشمند و تولید بدون اپراتور، گذار از تحلیل‌های ایستا به مدل‌های پویا و داده‌محور ضروری است. این پژوهش بازنگری وظایف شناختی در SHERPA، بازتنظیم ضرایب اصلاحی در TESEO و ادغام با داده‌های بلادرنگ و تعامل انسان- هوش مصنوعی را پیشنهاد می‌نماید. تغییری که می‌تواند پیش‌بینی لحظه‌ای ریسک خطا و مداخله به‌هنگام را تقویت نماید.

رابطه بین نگرش نسبت به هوش مصنوعی و افسردگی شغلی کارکنان: نقش میانجی ناامنی شغلی و تناسب شغلی ادراک شده
فرزین امامی‌فر، سیمین‌دخت کلنی،
دوره 13، شماره 4 - ( 10-1404 )
چکیده
مقدمه: ادغام سریع هوش مصنوعی در محیط‌های کاری موجب دگرگونی در ساختار مشاغل، خودکارسازی وظایف و تغییر در تجربه‌های کاری کارکنان شده است. هدف پژوهش حاضر بررسی رابطه‌ی نگرش کارکنان نسبت به هوش مصنوعی با افسردگی شغلی، با نقش میانجی ناامنی شغلی و تناسب شغلی ادراک‌شده است.

روش ­کار: در این پژوهش توصیفی–همبستگی 261 نفر از کارکنان شرکت مخابرات استان کرمان به روش نمونه‌گیری در دسترس انتخاب شدند و پرسشنامه‌های نگرش نسبت به هوش مصنوعی شپمن و رودوی (2020)، عدم امنیت شغلی ناساسیرا (2020)، خودپنداره شغلی شفیع آبادی و رضایی (1376)، و افسردگی شغلی بیانچی و شونفلد (2020) را تکمیل کردند. مدل مفهومی پژوهش از طریق مدل‌یابی معادلات ساختاری بر پایه‌ی حداقل مربعات جزئی آزمون شد.

یافته‌ها: نگرش مثبت نسبت به هوش مصنوعی با کاهش معنادار افسردگی شغلی (p=0.038b= -0.12,)، کاهش ناامنی شغلی (p<0.001b= 0.501,) و افزایش تناسب شغلی (p<0.001b= 0.471,) همراه است. ناامنی شغلی رابطه‌ای مثبت (p<0.001b= 0.417,) و تناسب شغلی رابطه‌ای منفی (p<0.001b= 0.243,) با افسردگی شغلی داشتند. ناامنی شغلی (p<0.001b= -0.209,) و تناسب شغلی (p=0.002b= -0.114,) نقش میانجی در رابطه نگرش نسبت به هوش مصنوعی و افسردگی شغلی داشتند.

نتیجه‌گیری: نگرش مثبت نسبت به هوش مصنوعی موجب کاهش افسردگی شغلی از طریق کاهش ناامنی شغلی و افزایش تناسب شغلی می‌شود. یافته‌ها بیانگر اهمیت ایجاد نگرش مثبت نسبت به هوش مصنوعی از طریق آموزش، بازطراحی نقش‌ها و ارتباطات شفاف در سازمان‌هاست تا امنیت روانی و تناسب شغلی کارکنان تقویت شود.

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به مجله ارگونومی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق | 

© 2026 CC BY-NC 4.0 | Iranian Journal of Ergonomics

Designed & Developed by : Yektaweb |