SYSTEM ІNFORMATYCZNY DO OCENY POZIOMU ZARZĄDZANIA KAPITAŁEM LUDZKIM
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 14 Nr 3 (2024)
-
TEORETYCZNE PODEJŚCIE DO OKREŚLANIA EMISYJNOŚCI MATERIAŁÓW STAŁYCH I JEJ PORÓWNANIE Z BADANIAMI EKSPERYMENTALNYMI NA PRZYKŁADZIE STALI PROSZKOWEJ 316L
Oleksandr Vasilevskyi, Michael Cullinan, Jared Allison5-8
-
SYSTEM INFORMACYJNY DO WYKRYWANIA PARAMETRÓW NIEBEZPIECZNYCH OBIEKTÓW PRZEMYSŁOWYCH NA PODSTAWIE TECHNOLOGII GEOINFORMACYJNYCH
Oleg Barabahs, Olha Svynchuk, Olena Bandurka, Oleh Ilin9-14
-
OKRESOWE FUNKCJE ATEB I METODA VAN DER POLA DO KONSTRUOWANIA ROZWIĄZAŃ DWUWYMIAROWYCH NIELINIOWYCH MODELI OSCYLACJI CIAŁ SPRĘŻYSTYCH
Yaroslav Romanchuk, Mariia Sokil, Leonid Polishchuk15-20
-
WYKORZYSTANIE REGRESJI PROCESU GAUSSA DO IDENTYFIKACJI NIELINIOWYCH PROCESÓW SEPARACJI MAGNETYCZNEJ
Oleksandr Volovetskyi21-28
-
DWUWYMIAROWA MAPA HIPERCHAOTYCZNA DLA CHAOTYCZNYCH OSCYLACJI
Oleh Krulikovskyi, Serhii Haliuk, Ihor Safronov, Valentyn Lesinskyi29-34
-
NEUROBIOLOGICZNE WŁAŚCIWOŚCI STRUKTURY SIECI RÓWNOLEGŁO-HIERARCHICZNEJ I JEJ WYKORZYSTANIE DO ROZPOZNAWANIA WZORCÓW
Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Anatolii Horban, Oleksandr Sobovyi, Liudmyla Pogrebniak, Nelia Burlaka, Yurii Didenko, Maksym Kozyr, Ainur Kozbakova35-38
-
MODELE FAŁSZYWEGO I POPRAWNEGO WYKRYWANIA SYGNAŁÓW WYCIEKU INFORMACJI Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WROGIEGO WYWIADU
Dmytro Yevgrafov, Yurii Yaremchuk39-42
-
USPRAWNIENIE CYFROWEGO KORELACYJNO-INTERFEROMETRYCZNEGO USTALANIA KIERUNKU ZA POMOCĄ PRZESTRZENNEGO SYGNAŁU ANALITYCZNEGO
Nurzhigit Smailov, Vitaliy Tsyporenko, Akezhan Sabibolda, Valentyn Tsyporenko, Askar Abdykadyrov, Assem Kabdoldina, Zhandos Dosbayev, Zhomart Ualiyev, Rashida Kadyrova43-48
-
MODEL MATEMATYCZNY I STRUKTURA SIECI NEURONOWEJ DO WYKRYWANIA CYBERATAKÓW NA SYSTEMY TELEINFORMATYCZNE I KOMUNIKACYJNE
Lubov Zahoruiko, Tetiana Martianova, Mohammad Al-Hiari, Lyudmyla Polovenko, Maiia Kovalchuk, Svitlana Merinova, Volodymyr Shakhov, Bakhyt Yeraliyeva49-55
-
METODA TWORZENIA SYSTEMU SKRÓCONEGO KODU POZYCYJNEGO DLA PRZEKSZTAŁCONYCH OBRAZÓW WIDEO
Volodymyr Barannik, Roman Onyshchenko, Gennady Pris, Mykhailo Babenko, Valeriy Barannik, Vitalii Shmakov, Ivan Pantas56-60
-
OPARTE NA LICZBACH Z MODELOWANIE GRUPOWEGO PODEJMOWANIA DECYZJI DOTYCZĄCYCH WYBORU DOSTAWCÓW W SYSTEMACH PRODUKCYJNYCH
Kamala Aliyeva61-67
-
OPTYMALIZACJA INTELIGENTNIE STEROWANEGO BEZMOSTKOWEGO DODATNIEGO PRZEKSZTAŁTNIKA LUO DLA POJAZDÓW ELEKTRYCZNYCH O MAŁEJ POJEMNOŚCI
Rangaswamy Balamurugan, Ramasamy Nithya68-70
-
ZMODYFIKOWANY VGG16 DO DOKŁADNEGO WYKRYWANIA GUZÓW MÓZGU W OBRAZACH MRI
Katuri Rama Krishna, Mohammad Arbaaz, Surya Naga Chandra Dhanekula, Yagna Mithra Vallabhaneni71-75
-
EKG OPARTE NA IOT: HYBRYDOWE PODEJŚCIE CNN-BILSTM DO KLASYFIKACJI ZAWAŁÓW MIĘŚNIA SERCOWEGO
Abdelmalek Makhir, My Hachem El Yousfi Alaoui, Larbi Bellarbi, Abdelilah Jilbab76-80
-
ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ
Budati Jaya Lakshmi Narayana, Gopireddy Krishna Teja Reddy, Sujana Sri Kosaraju, Sirigiri Rajeev Choudhary81-85
-
MAPOWANIE POLARYZACYJNO-KORELACYJNE OBRAZÓW MIKROSKOPOWYCH TKANEK BIOLOGICZNYCH O RÓŻNEJ STRUKTURZE MORFOLOGICZNEJ
Nataliia Kozan, Oleksandr Saleha, Olexander Dubolazov, Yuriy Ushenko, Iryna Soltys, Oleksandr Ushenko, Oleksandr Olar, Victor Paliy, Saule Smailova86-90
-
WYKRYWANIE I KLASYFIKACJA RYB W CZASIE RZECZYWISTYM W ŚRODOWISKU PODWODNYM PRZY UŻYCIU YOLOV5: BADANIE PORÓWNAWCZE ARCHITEKTUR GŁĘBOKIEGO UCZENIA
Rizki Multajam, Ahmad Faisal Mohamad Ayob, W.S. Mada Sanjaya, Aceng Sambas, Volodymyr Rusyn, Andrii Samila91-95
-
WYKRYWANIE CHWASTÓW NA MARCHWI PRZY UŻYCIU KONWOLUCYJNEJ SIECI NEURONOWEJ I INTERNETU RZECZY OPARTEGO NA SMARTFONIE
Lintang Patria, Aceng Sambas, Ibrahim Mohammed Sulaiman, Mohamed Afendee Mohamed, Volodymyr Rusyn, Andrii Samila96-100
-
ANALIZA I BADANIE PARAMETRÓW WALCOWANIA ZWOJÓW NA POCHYŁEJ PŁASZCZYŹNIE
Larysa Gumeniuk, Lesya Fedik, Volodymyr Didukh, Pavlo Humeniuk101-104
-
ANALIZA METOD REKOMENDACJI TREŚCI W SERWISACH INFORMACYJNYCH
Oleksandr Necheporuk, Svitlana Vashchenko, Nataliia Fedotova, Iryna Baranova, Yaroslava Dehtiarenko105-108
-
OCENA WYDAJNOŚCI AKADEMICKIEJ STUDENTÓW W NAUCE ONLINE ZA POMOCĄ TECHNIK UCZENIA MASZYNOWEGO
Atika Islam, Faisal Bukhari, Muhammad Awais Sattar, Ayesha Kashif109-117
-
ENTROPIJNA OCENA WPŁYWU EDUKACJI NA ROZWÓJ GOSPODARCZY
Yelyzaveta Mykhailova, Nataliia Savina, Volodymyr Lytvynenko, Stanislav Mykhailov118-122
-
SYSTEM ІNFORMATYCZNY DO OCENY POZIOMU ZARZĄDZANIA KAPITAŁEM LUDZKIM
Anzhelika Azarova, Larysa Azarova, Iurii Krak, Olga Ruzakova, Veronika Azarova123-128
-
ZDECENTRALIZOWANA PLATFORMA FINANSOWANIA PROJEKTÓW CHARYTATYWNYCH
Iryna Segeda, Vladyslav Kotsiuba, Oleksii Shushura, Viktoriia Bokovets, Natalia Koval, Aliya Kalizhanova129-134
Archiwum
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 12 Nr 4
2022-12-30 16
-
Tom 12 Nr 3
2022-09-30 15
-
Tom 12 Nr 2
2022-06-30 16
-
Tom 12 Nr 1
2022-03-31 9
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
W artykule przedstawiono koncepcyjne podstawy sformalizowania procesu oceny poziomu zarządzania kapitałem ludzkim (HC) w przedsiębiorstwie z wykorzystaniem modelowania matematycznego i komputerowego opartego na technologiach sieci neuronowych. Udoskonalono podejście metodyczne do oceny poziomu zarządzania kapitałem ludzkim. Pozwala to na wykorzystanie narzędzi sieci neuronowych do dokładnej i rozsądnej identyfikacji poziomu zarządzania HC za pomocą samouczącego się perceptronu wielowarstwowego. Obliczono współczynniki wagowe takiej sieci. W programie matematycznym MatLab zbudowano odpowiednią sztuczną sieć neuronową – perceptron wielowarstwowy, która została pomyślnie zdiagnozowana. Udoskonalony model matematyczny oceny poziomu zarządzania HC w przedsiębiorstwie pozwala w przejrzysty sposób przedstawić zbiór parametrów wejściowych na zbiorze rozwiązań wyjściowych, rozłożyć taki proces i uprościć procedurę jego formalizacji. Zaprojektowana sieć neuronowa pozwala szybko i trafnie określić poziom zarządzania HC w przedsiębiorstwie. Podejście koncepcyjne zaproponowane przez autorów ma kilka istotnych zalet w porównaniu z istniejącymi metodami alternatywnymi: dokładność oceny; uwzględnienie szerokiego zakresu różnych parametrów oceny wpływu; duża szybkość podejmowania decyzji i umiejętność samokształcenia. Zaproponowane podejście zostało z sukcesem wdrożone do oceny poziomu zarządzania HC w 24 przedsiębiorstwach krajowych. Opracowany przez autorów system informatyczny „HC” pozwala na obliczenie szacunkowych parametrów procesu oceny; określenie poziomu zarządzania HC w oparciu o aparat matematyczny perceptronu wielowarstwowego. Szacunki te korelują z szacunkami uzyskanymi przez ekspertów tych przedsiębiorstw, co wskazuje na adekwatność podejścia zaproponowanego przez autorów. Dlatego też zaproponowany system informatyczny oceny poziomu zarządzania HC pozwala na dokładną realizację takiego procesu przy minimalnych kosztach czasowych i finansowych.
Słowa kluczowe:
Bibliografia
[1] Abbas J.: Impact of total quality management on corporate sustainability through the mediating effect of knowledge management. Journal of Cleaner Production 244, 2020, 118806 [https://doi.org/10.1016/j.jclepro.2019.118806].
[2] Beijer S. et al.: The turn to employees in the measurement of human resource practices: a critical review and proposed way forward. Human Resources Management Journal 31(1), 2019, 1–17 [https://doi.org/10.1111/1748-8583.12229].
[3] Garg S., Jiang K., Lepak D. P.: HR practice salience: explaining variance in employee reactions to HR practices. The International Journal of Human Resource Management 32(2), 2020, 512–542 [https://doi.org/10.1080/09585192.2020.1792533].
[4] Greasley K., Thomas P.: HR analytics: The onto‐epistemology and politics of metricized HRM. Human Resources Management Journal 30(4), 2020, 494–507 [https://doi.org/10.1111/1748-8583.12283].
[5] Hauff S.: Analytical strategies in HRM systems research: a comparative analysis and some recommendations. The International Journal of Human Resource Management 32(9), 2019, 1923–1952 [https://doi.org/10.1080/09585192.2018.1547779].
[6] Heffernan M. et al.: HRM system strength and employee well-being: the role of internal process and open systems. Asia Pacific Journal of Human Resources 60, 2021, 171–193 [https://doi.org/10.1111/1744-7941.12302].
[7] Hermans M., Ulrich M. D.: How symbolic human resource function actions affect the implementation of high‐performance work practices: The mediating effect of influence on strategic decision‐making, Human Resources Management Journal 31(4), 2021, 1063–1081 [https://doi.org/10.1111/1748-8583.12361].
[8] Ivanov S. et al.: Formation of Logit-Model for Predicting the Probability of Bankruptcy of Ukrainian Enterprises. Science and Innovation 19(1), 2023, 36–48 [https://doi.org/10.15407/scine19.01.036].
[9] Jeronimo H., Correia de Lacerda T., Lopes Henriques P.: From Sustainable HRM to Employee Performance: A Complex and Intertwined Road. European Management Review 17(4), 2020, 871–884 [https://doi.org/10.1111/emre.12402].
[10] Matviychuk A., Lukianenko O., Miroshnychenko I.: Neuro-fuzzy model of country's investment potential assessment. Fuzzy economic review 24(2), 2019, 65–88 [https://doi.org/10.25102/fer.2019.02.04].
[11] Miao R. et al.: High-performance work systems and key employee attitudes: the roles of psychological capital and an interactional justice climate. The International Journal of Human Resource Management 32(2), 2020, 443–477 [https://doi.org/10.1080/09585192.2019.1710722].
[12] Melnyk L. et al.: Transformation of the human capital reproduction in line with Industries 4.0 and 5.0. Problems and Perspectives in Management 19(2), 2021, 480–494 [https://doi.org/10.21511/ppm.19(2).2021.38].
[13] Saks A. M.: Caring human resources management and employee engagement, Human Resource Management Review 32(3), 2022, 100835 [https://doi.org/10.1016/j.hrmr.2021.100835].
[14] Snell S., Morris S.: Time for realignment: the HR ecosystem. Academy of Management Perspectives 35(2), 2019, 219–236 [https://doi.org/10.5465/amp.2018.0069].
[15] Sorribes J., Celma D., Martinez-Garcia E.: Sustainable human resources management in crisis contexts: Interaction of socially responsible labor practices for the wellbeing of employees, Corporate Social Responsibility and Environmental Management 28(1), 2021, 720–741 [https://doi.org/10.1002/csr.2111].
[16] Subramony M., Guthie J. P., Dooney, J.: Investing in HR? Human resource function investments and labor productivity in US organizations, The International Journal of Human Resource Management 32(2), 2021, 307–330 [https://doi.org/10.1080/09585192.2020.1783343].
##plugins.themes.bootstrap3.article.details##
Abstract views: 371
Downloads: 207

