【技術實現(xiàn)步驟摘要】
本專利技術屬于組織行為學與人力資源管理領域，具體涉及一種基于fsqca分析的ai培訓對工作影響的評估方法和系統(tǒng)。
技術介紹
1、隨著人工智能(ai)技術的迅猛發(fā)展，其在企業(yè)培訓領域的應用日益廣泛，旨在提升員工的工作技能與效率。然而，盡管ai培訓展現(xiàn)出巨大潛力，但其對工作實際影響的評估仍面臨諸多挑戰(zhàn)。現(xiàn)有技術中，針對ai培訓效果的評估多依賴于傳統(tǒng)的問卷調(diào)查或績效評估方法，這些方法往往存在主觀性強、數(shù)據(jù)收集片面、分析深度不足等問題，難以全面、準確地反映ai培訓對工作投入度及整體工作環(huán)境的深層次影響。
2、具體而言，傳統(tǒng)評估方法忽略了多因素之間的復雜交互作用，未能有效捕捉ai培訓、組織支持、領導風格、同事互動等多維度因素對工作投入度的綜合影響。此外，由于評估過程缺乏科學嚴謹?shù)臄?shù)據(jù)分析手段，如模糊集定性比較分析(fsqca)等先進方法的應用，使得評估結(jié)果往往難以提供具有可操作性的改進建議。因此，現(xiàn)有技術在評估ai培訓對工作的影響時，存在著評估維度單一、分析深度不足、結(jié)果指導性不強等缺陷。
技術實現(xiàn)思路
1、本專利技術的目的就在于提供一種基于fsqca分析的ai培訓對工作影響的評估方法和系統(tǒng)，以解決
技術介紹
中提出的問題。
2、本專利技術通過以下技術方案來實現(xiàn)上述目的：
3、第一方面、本專利技術提出了一種基于fsqca分析的ai培訓對工作影響的評估方法，包括：
4、識別影響員工工作投入度的多個條件，所述條件至少包括ai培訓、組織支持、領導支持、同
5、應用模糊集定性比較分析法，分析多種所述條件組合對提高工作投入度的充分性影響，確定至少一套最優(yōu)條件組合，每套最優(yōu)條件組合包含上述條件中的至少一項；
6、將ai培訓作為工作資源并構建jd-r模型，根據(jù)所述最優(yōu)條件組合和所述jd-r模型確定ai培訓對工作的綜合影響。
7、進一步的，所述識別影響員工工作投入度的多個條件，包括：收集接受ai培訓的員工關于所述多個條件與工作投入度的指標集，將所述指標集中各條件按設定的隸屬度函數(shù)轉(zhuǎn)化為模糊集，令所述條件為模糊集中條件變量、令工作投入度為模糊集結(jié)果變量。
8、進一步的，所述工作投入度包括活力、奉獻和專注三個維度，具體采用四向量表進行量化。
9、進一步的，將所述指標集轉(zhuǎn)化為模糊集之前，包括：采用cronbach’sα系數(shù)評估所述指標集的信度、以及采用pearson相關系數(shù)分析所述指標集中各條件與員工投入度間的相關性，基于所述信度和所述相關性的分析結(jié)果驗證所述指標集的可靠性。
10、進一步的，所述最優(yōu)的一套或多套條件組合包括如下任一種：
11、(1)任務復雜性和任務連接性的存在，以及組織支持、領導支持或同事支持中的至少一項；
12、(2)ai培訓與組織支持或領導支持的結(jié)合，在任務復雜性存在且任務模棱兩可性不存在的情況下；
13、(3)任務復雜性或任務連接性的存在，以及組織支持、領導支持或同事支持中的至少一項，在任務模棱兩可性不存在的情況下。
14、進一步的，所述應用模糊集定性比較分析法，分析多種所述條件組合對提高工作投入度的充分性影響，確定最優(yōu)的一套或多套條件組合，包括：
15、通過fsqca軟件對所述模糊集進行子集關聯(lián)分析，識別導致員工工作投入度變化的條件組合，根據(jù)預先設定的最優(yōu)組合判斷規(guī)則確定若干所述條件組合中最優(yōu)的一套或多套條件組合。
16、進一步的，所述最優(yōu)組合判斷規(guī)則為：每套條件組合的總體一致性超過0.9，所有確定條件組合的總體覆蓋率至少為0.7。
17、進一步的，所述將ai培訓作為工作資源并構建jd-r模型，根據(jù)所述最優(yōu)條件組合和所述jd-r模型確定ai培訓對工作的綜合影響，包括：
18、將任務復雜性、任務連接性和任務模棱兩可性作為工作需求、將ai培訓、組織支持、領導支持和同事支持作為工作資源構建jd-r模型，利用所述jd-r模型驗證所述最優(yōu)條件組合對工作投入度的影響。
19、第二方面、本專利技術提出了一種基于fsqca分析的ai培訓對工作影響的評估系統(tǒng)，應用于執(zhí)行上述任一項所述評估方法，系統(tǒng)包括：
20、數(shù)據(jù)采集模塊，用于識別影響員工工作投入度的多個條件，所述條件至少包括ai培訓、組織支持、領導支持、同事支持、任務復雜性、任務連接性和任務模棱兩可性；
21、比較分析模塊，用于應用模糊集定性比較分析法，分析多種所述條件組合對提高工作投入度的充分性影響，確定至少一套最優(yōu)條件組合，每套最優(yōu)條件組合包含上述條件中的至少一項；
22、模型驗證模塊，將ai培訓作為工作資源并構建jd-r模型，根據(jù)所述最優(yōu)條件組合和所述jd-r模型確定ai培訓對工作的綜合影響。
23、本專利技術的有益效果在于：
24、本專利技術通過結(jié)合模糊集定性比較分析法和jd-r模型，能夠更深入地理解各條件之間的相互作用及其對工作投入度的綜合影響。這不僅有助于組織優(yōu)化ai培訓策略，還能為提升員工工作投入度和整體工作績效提供有力支持。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種基于fsQCA分析的AI培訓對工作影響的評估方法，其特征在于，包括：
2.根據(jù)權利要求1所述的一種基于fsQCA分析的AI培訓對工作影響的評估方法，其特征在于：所述識別影響員工工作投入度的多個條件，包括：收集接受AI培訓的員工關于所述多個條件與工作投入度的指標集，將所述指標集中各條件按設定的隸屬度函數(shù)轉(zhuǎn)化為模糊集，令所述條件為模糊集中條件變量、令工作投入度為模糊集結(jié)果變量。
3.根據(jù)權利要求2所述的一種基于fsQCA分析的AI培訓對工作影響的評估方法，其特征在于：所述工作投入度包括活力、奉獻和專注三個維度，具體采用四向量表進行量化。
4.根據(jù)權利要求2所述的一種基于fsQCA分析的AI培訓對工作影響的評估方法，其特征在于：將所述指標集轉(zhuǎn)化為模糊集之前，包括：采用Cronbach’sα系數(shù)評估所述指標集的信度、以及采用Pearson相關系數(shù)分析所述指標集中各條件與員工投入度間的相關性，基于所述信度和所述相關性的分析結(jié)果驗證所述指標集的可靠性。
5.根據(jù)權利要求3所述的一種基于fsQCA分析的AI培訓對工作影響的評估方法，其特征
6.根據(jù)權利要求5所述的一種基于fsQCA分析的AI培訓對工作影響的評估方法，其特征在于：所述應用模糊集定性比較分析法，分析多種所述條件組合對提高工作投入度的充分性影響，確定最優(yōu)的一套或多套條件組合，包括：
7.根據(jù)權利要求6所述的一種基于fsQCA分析的AI培訓對工作影響的評估方法，其特征在于：所述最優(yōu)組合判斷規(guī)則為：每套條件組合的總體一致性超過0.9，所有確定條件組合的總體覆蓋率至少為0.7。
8.根據(jù)權利要求1所述的一種基于fsQCA分析的AI培訓對工作影響的評估方法，其特征在于：所述將AI培訓作為工作資源并構建JD-R模型，根據(jù)所述最優(yōu)條件組合和所述JD-R模型確定AI培訓對工作的綜合影響，包括：
9.一種基于fsQCA分析的AI培訓對工作影響的評估系統(tǒng)，其特征在于，應用于執(zhí)行權利要求1-8任一項所述評估方法，系統(tǒng)包括：
...【技術特征摘要】
1.一種基于fsqca分析的ai培訓對工作影響的評估方法，其特征在于，包括：
2.根據(jù)權利要求1所述的一種基于fsqca分析的ai培訓對工作影響的評估方法，其特征在于：所述識別影響員工工作投入度的多個條件，包括：收集接受ai培訓的員工關于所述多個條件與工作投入度的指標集，將所述指標集中各條件按設定的隸屬度函數(shù)轉(zhuǎn)化為模糊集，令所述條件為模糊集中條件變量、令工作投入度為模糊集結(jié)果變量。
3.根據(jù)權利要求2所述的一種基于fsqca分析的ai培訓對工作影響的評估方法，其特征在于：所述工作投入度包括活力、奉獻和專注三個維度，具體采用四向量表進行量化。
4.根據(jù)權利要求2所述的一種基于fsqca分析的ai培訓對工作影響的評估方法，其特征在于：將所述指標集轉(zhuǎn)化為模糊集之前，包括：采用cronbach’sα系數(shù)評估所述指標集的信度、以及采用pearson相關系數(shù)分析所述指標集中各條件與員工投入度間的相關性，基于所述信度和所述相關性的分析結(jié)果驗證所述指標集的可靠性。
5.根...
【專利技術屬性】
技術研發(fā)人員：王佑瑩，楊茜，
申請(專利權)人：合肥工業(yè)大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。