به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

فهرست مطالب mehdi ghasemi mir

  • مهدی جهانگیری*، فاطمه رنجبر واحد، مهدی قاسمی میر

    افشاگری یک ابزار کنترل قوی در جلوگیری از تخلفات سازمانی می باشد. هدف از این پژوهش پیش بینی رفتارهای افشاگری کارکنان وزارت ورزش و جوانان با رویکرد شبکه عصبی است. پژوهش حاضر از حیث هدف، کاربردی و از نظر روش گردآوری داده ها، پیمایشی است. جامعه آماری شامل کلیه کارکنان وزارت ورزش و جوانان کشور بود (870 نفر). با توجه به جدول کرجسی و مورگان تعداد 260 نفر به عنوان نمونه آماری انتخاب شدند و 250 پرسشنامه کامل مورد بررسی قرار گرفت. ابزار پرسشنامه ای محقق ساخته است که بر مبنای مبانی نظری و تحقیقات گذشته، طراحی و بومی سازی شده است. به منظور بررسی و تایید روایی ابزار، روایی محتوا از طریق نظر متخصصان و روایی سازه از طریق تحلیل عاملی تاییدی مورد بررسی قرار گرفت. همچنین جهت بررسی پایایی پرسشنامه از ضریب آلفای کرونباخ استفاده شد که این ضریب برای کل پرسشنامه 86/0 به دست آمد. جهت تجزیه و تحلیل اطلاعات از فن شبکه عصبی مصنوعی که ابزاری تحلیلی و آموزش پذیر بوده و تلاش می کند، الگوهای پردازش اطلاعات در مغز بشر را تقلید نمایند استفاده شد. عوامل موثر بر رفتارهای افشاگری تخلف توسط کارکنان به عنوان ورودی و خودگزارش دهی افشاگری کارکنان (افشاگری درون سازمان و بیرون سازمان) به عنوان خروجی این مدل در نظر گرفته شد. نتایج ارزیابی نشان داد الگوی شبکه های عصبی مصنوعی از دقت بالایی در پیش بینی رفتارهای افشاگری تخلفات توسط کارکنان وزارت ورزش و جوانان برا اساس ورودی های سن، جنسیت، سطح تحصیلات، سابقه شغلی، مسئولیت پذیری، رضایت شغلی، هویت اخلاقی، کانون کنترل درونی و تعهد سازمانی برخوردار می باشد.

    کلید واژگان: افشاگری, پیش بینی, تخلف, فساد, شبکه عصبی}
    Mehdi Djahangiri *, Fatemeh Ranjbar Vahed, Mehdi Ghasemi Mir

    Disclosure is a powerful control tool in preventing organizational violations. The purpose of this study is to predict the disclosure behaviors of the employees of the Ministry of Sports and Youth with a neural network approach. This research is applied and the method of information collection is survey. The statistical population included all employees of the Ministry of Sports and Youth (870 people). According to Krejcie and Morgan table, 260 people were selected as a statistical sample and 250 complete questionnaires were examined. This questionnaire was developed by the researcher based on theoretical foundations and past research, designed and localized. In order to check and confirm the validity of the instrument, the validity of the content was examined through the opinion of experts and the validity of the structure was examined through confirmatory factor analysis. Also, Cronbach's alpha coefficient was used to evaluate the reliability of the questionnaire, which was 0.86 for the whole questionnaire. Factors affecting violation disclosure behaviors by employees as input and self-reporting employee disclosure (internal and external disclosure) was considered as the output of this model. The evaluation results showed that the artificial neural networks model has a high accuracy in predicting the disclosure behaviors of the staff of the Ministry of Sports and Youth based on age and gender inputs. The evaluation results showed that the artificial neural networks model has high accuracy in predicting the disclosure behaviors of violations by the staff of the Ministry on responsibility, job satisfaction, moral identity and organizational Commitment.

    Keywords: Disclosure, predicting, violation, corruption, neural network}
بدانید!
  • در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
  • همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
  • در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال