Актуальность исследования обусловлена тем, что в условиях высокой конкуренции за квалифицированные кадры научно-исследовательские организации стремятся привлекать и удерживать талантливых работников. Эффективные системы мотивации, основанные на объективной оценке результативности, становятся важным инструментом для достижения этой цели. Интеллектуальные системы могут предоставлять руководству аналитические отчеты и рекомендации, основанные на данных, что способствует более обоснованному принятию решений в области мотивации и управления работниками. В связи с этим, статья направлена на разработку интеллектуальной системы оценки результативности трудовой деятельности работников научно-исследовательских организаций, которая представляет собой мощный инструмент для анализа и управления человеческим капиталом в организациях. Экспертный метод основан на привлечении квалифицированных специалистов, обладающих глубокими знаниями и опытом в соответствующей области, что позволяет повысить объективность и достоверность результатов оценки. В статье описываются преимущества и недостатки данного подхода. Также в работе предложено использование машинного метода обучения для оценки результативности труда научных работников по основным показателям результативности. Основными показателями результативности, выбранными для оценки трудовой активности, являются: научно-образовательная деятельность, научная работа, представление результатов, научно-организационная деятельность. Материалы, представленные в статье, будут актуальны и полезны для руководителей научно-исследовательских организаций.
1. Зорин А.С., Зорина Н.А., Сафрыгин П.А. Теоретические и методические подходы к оценке влияния развития персонала организации на повышение результативности труда. Управленец. 2017;(1):2–8.
2. Митрофанова А.Е. Обоснование подходов к оценке результативности труда персонала организации. Вестник университета. 2016;(12):185–191.
3. Одегов Ю.Г., Павлова В.В., Теленная Л.С. Анализ показателей оценки результативности трудовой деятельности работника и бизнес-модели организации. Статистика и экономика. 2016;(6):64–70. https://doi.org/10.21686/2500-3925-2016-6-64-70
4. Анискевич А.С., Хальфин Р.А. Ключевые показатели результативности деятельности научных организаций в сфере здравоохранения за 2011-2015 гг. Вестник Российского государственного медицинского университета. 2017;(1):79–83.
5. Матыцин Д.С. Внедрение искусственного интеллекта в процесс управления. Символ науки. 2024;1(12-1):95–97.
6. Алферьев Д.А., Кремин А.Е. Развитие искусственного интеллекта в современной экономике. Human Progress. 2020;6(1). https://doi.org/10.34709/IM.161.2
7. Kim Ph. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. Berkeley: Apress; 2017. 151 p. https://doi.org/10.1007/978-1-4842-2845-6
8. Raschka S., Mirjalili V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. Birmingham: Packt Publishing; 2019. 772 p.
9. Арашов М. Машинное обучение в экономике – как оно используется? Eo Ipso. 2022;(11):46–48.
10. Давыдов А.Н. Использование машинного обучения в экономике. Современные проблемы лингвистики и методики преподавания русского языка в ВУЗе и школе. 2022;(38):845–848.
Сахаров Юрий Серафимович
Доктор технических наук, профессор
Государственный университет Дубна
Дубна, Российская Федерация
Ковалева Анастасия Валерьевна
Объединённый институт ядерных исследований
Дубна, Российская Федерация
