مدیریت هوشمند سرمایه انسانی

مدیریت هوشمند سرمایه انسانی

پیش‌بینی رفتارهای مقابله‌ای کارکنان در برابر استرس شغلی با استفاده از رویکرد مدلسازی ترکیبی معادلات ساختاری و یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان
صدیقه خورشید 1
مهدی جهانی 2
محمد برزگر 2
1 دانشیار گروه مدیریت بازرگانی، دانشکده علوم اقتصادی و اداری، دانشگاه قم، قم. ایران.
2 گروه مهندسی صنایع و مدیریت، دانشکده مهندسی صنایع و مدیریت، دانشگاه صنعتی شاهرود، شاهرود، ایران
10.22034/imhr.2025.533727.1032
چکیده
زمینه و هدف: این پژوهش با هدف پیش‌بینی رفتارهای مقابله‌ای کارکنان در مواجهه با استرس شغلی و با استفاده از ترکیب روش‌های تحلیل معادلات ساختاری و یادگیری ماشین انجام شد. این مطالعه به دنبال ارائه چارچوبی علمی برای درک بهتر مکانیسم‌های مقابله با استرس در محیط‌های کاری است.
روش تحقیق: جامعه آماری شامل ۲۴۰ نفر از کارکنان یک سازمان خدماتی که به روش نمونه‌گیری تصادفی ساده انتخاب شدند. داده‌ها از طریق پرسشنامه‌های استاندارد شده جمع‌آوری گردید و پایایی آن‌ها با ضریب آلفای کرونباخ بالای ۰.۸۵ مورد تأیید قرار گرفت. فرآیند تحلیل داده‌ها در دو مرحله اصلی انجام پذیرفت: در مرحله اول از تحلیل معادلات ساختاری (SEM) برای بررسی روابط بین متغیرها استفاده شد و در مرحله دوم مدل‌سازی با الگوریتم‌های مختلف یادگیری ماشین انجام گرفت. 
یافته‌ها: نتایج حاصل از تحلیل معادلات ساختاری نشان داد که سه متغیر استرس شغلی حمایت سازمانی و خودکارآمدی تأثیر معناداری بر رفتارهای مقابله‌ای دارند. در بخش یادگیری ماشین الگوریتم شبکه عصبی چندلایه (MLP) با دقت قابل توجه ۹۲.۵ درصد و ضریب تعیین ۰.۶۸ مدل پیشنهادی به عنوان بهترین ابزار پیش‌بینی‌کننده شناخته شدکه این نتایج بیانگر قدرت پیش‌بینی بالای آن است.
نتیجه‌گیری: مدل ترکیبی ارائه شده در این تحقیق به عنوان ابزاری کارآمد دقیق و علمی برای پیش‌بینی رفتارهای مقابله‌ای و طراحی برنامه‌های مدیریت استرس در سازمان‌های مختلف به شمار می‌آید. این مدل می‌تواند به مدیران و تصمیم‌گیرندگان کمک کند تا با درک بهتر از واکنش‌های کارکنان در مواجهه با استرس استراتژی‌های موثرتری را برای کمک به بهبود سلامت روانی و افزایش کارایی در محیط کار پیاده‌سازی کنند. 
کلیدواژه‌ها
استرس شغلی
پیش‌بینی رفتار
تحلیل معادلات ساختاری
رفتار مقابله‌ای
یادگیری ماشین

موضوعات

  • Ahmadi, S., Karimi, M., & Hosseini, A. (2020). Predicting coping behaviors under occupational stress using ensemble learning algorithms. Journal of Occupational Health Psychology, 25(3), 187-198. https://doi.org/10.1037/ocp0000175
  • Awa, W. L., Plaumann, M., & Walter, U. (2010). Burnout prevention: A review of intervention programs. Patient Education and Counseling, 78(2), 184–190. https://doi.org/10.1016/j.pec.2009.04.008
  • Baker, R. S., et al. (2021). Predicting employee behavior using machine learning: Applications and challenges. Journal of Organizational Behavior, 42(7), 912–930. https://doi.org/10.1002/job.2507
  • Bandura, A. (1997). Self-efficacy: The exercise of control. W.H. Freeman.
  • Brown, T., Smith, L., & Wilson, J. (2018). Comparing logistic regression and machine learning algorithms for psychological behavior prediction. Computers in Human Behavior, 84, 237-245. https://doi.org/10.1016/j.chb.2018.03.033
  • Byrne, B. M. (2013). Structural equation modeling with Mplus: Basic concepts, applications, and programming. Routledge.
  • Carver, C. S., Scheier, M. F., & Weintraub, J. K. (1989). Assessing coping strategies: A theoretically based approach. Journal of Personality and Social Psychology, 56(2), 267–283. https://doi.org/10.1037/0022-3514.56.2.267
  • Cheng, C., & Furnham, A. (2013). Personality, social support, and coping strategies as predictors of coping effectiveness. Personality and Individual Differences, 54(6), 728–733. https://doi.org/10.1016/j.paid.2012.12.020
  • Chung, J., Kim, M., & Kwon, S. (2021). Stress and coping strategies in municipal employees: A case study. International Journal of Environmental Research and Public Health, 18(3), 1245. https://doi.org/10.3390/ijerph18031245
  • Folkman, S., & Moskowitz, J. T. (2004). Coping: Pitfalls and promise. Annual Review of Psychology, 55, 745–774. https://doi.org/10.1146/annurev.psych.55.090902.141456
  • Ganster, D. C., & Rosen, C. C. (2013). Work stress and employee health: A multidisciplinary review. Journal of Management, 39(5), 1085–1122. https://doi.org/10.1177/0149206313475815
  • Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
  • Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. https://doi.org/10.1126/science.aaa8415
  • Kim, S., Park, H., & Choi, J. (2018). Structural equation modeling of stress and coping strategies among public employees. International Journal of Environmental Research and Public Health, 15(6), 1204. https://doi.org/10.3390/ijerph15061204
  • Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
  • Lazarus, R. S., & Folkman, S. (1984). Stress, appraisal, and coping. Springer Publishing Company.
  • Nguyen, T., Allen, R., & Slater, J. (2019). The mediating role of self-efficacy and organizational support in stress and coping. Journal of Workplace Behavioral Health, 34(1), 41–59. https://doi.org/10.1080/15555240.2018.1502857
  • Nouri, H., & Farahani, R. (2019). Application of machine learning methods in organizational behavior prediction: A systematic review. International Journal of Organizational Analysis, 27(4), 765-781. https://doi.org/10.1108/IJOA-12-2018-1733
  • Park, C. L., & Adler, N. E. (2020). Coping style and health outcomes: A meta-analytic review. Health Psychology Review, 14(2), 151–168. https://doi.org/10.1080/17437199.2020.1726906
  • Parker, D. F., & DeCotiis, T. A. (1983). Organizational determinants of job stress. Organizational Behavior and Human Performance, 32(2), 160–177. https://doi.org/10.1016/0030-5073(83)90145-9
  • Rhoades, L., & Eisenberger, R. (2002). Perceived organizational support: A review of the literature. Journal of Applied Psychology, 87(4), 698–714. https://doi.org/10.1037/0021-9010.87.4.698
  • Schumacker, R. E., & Lomax, R. G. (2016). A beginner’s guide to structural equation modeling. Routledge.
  • Sharma, S., & Gedeon, T. (2019). Modeling coping behavior using machine learning approaches: A systematic review. Computers in Human Behavior, 92, 419–429. https://doi.org/10.1016/j.chb.2018.11.039
  • Skinner, E. A., Edge, K., Altman, J., & Sherwood, H. (2003). Searching for the structure of coping: A review and critique of category systems for classifying ways of coping. Psychological Bulletin, 129(2), 216–269. https://doi.org/10.1037/0033-2909.129.2.216
  • Skinner, E. A., Edge, K., Altman, J., & Sherwood, H. (2003). Searching for the structure of coping: A review and critique of category systems for classifying ways of coping. Psychological Bulletin, 129(2), 216–269. https://doi.org/10.1037/0033-2909.129.2.216
  • Tosli, M., Rezaei, F., & Karimi, S. (2020). The relationship between occupational stress and coping behaviors among employees of Tehran municipality. Journal of Urban Management, 9(2), 123-134. [In Persian]
  • Wang, Y., Chen, J., & Wang, H. (2020). Predicting employee behavior under stress using machine learning: An empirical study. Expert Systems with Applications, 140, 112869. https://doi.org/10.1016/j.eswa.2019.112869
  • Wang, Y., Chen, J., & Wang, H. (2020). Predicting employee coping behaviors under stress using machine learning techniques. Expert Systems with Applications, 140, 112869. https://doi.org/10.1016/j.eswa.2019.112869
  • Zhang, X., Li, Y., Wang, Z., & Huang, M. (2022). Hybrid modeling of employee stress responses combining SEM and machine learning techniques. Information Sciences, 584, 203-217. https://doi.org/10.1016/j.ins.2021.11.045
  • Zhang, X., Li, Y., Wang, Z., & Huang, M. (2022). Hybrid modeling of employee stress responses combining SEM and machine learning techniques. Information Sciences, 584, 203–217. https://doi.org/10.1016/j.ins.2021.11.045
  • Noori, R. Khastar, H. Yeganehfard, K. & Razeghi, A. (2024). The Impact of Artificial Intelligence on Employee Health and Safety in the Workplace. Intelligent Management of Human Capital, 1 (2), 1-28. https://doi.org/10.22034/imhr.2025.479050.1010.
  • Jovari, B., & Javanbakhsh, A. (2025). Learning: A Smart Strategy in Municipal Human Resources Welfare, Intelligent Management of Human Capital, 1 (3), 57-90. https://doi.org/ 10.22034/imhr.2025.490954.1016.