پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,219 |
| تعداد مقالات | 10,473 |
| تعداد مشاهده مقاله | 20,217,751 |
| تعداد دریافت فایل اصل مقاله | 13,905,610 |
پیش‌بینی سبک‌های تصمیم‌گیری اقتضایی مدیران ورزشی با رویکرد داده‌محور: کاربست درخت تصمیم و یادگیری ماشین | ||
| مطالعات مدیریت رفتار سازمانی در ورزش | ||
| مقاله 1، دوره 12، شماره 2 - شماره پیاپی 46، مرداد 1404، صفحه 1-9 اصل مقاله (1.28 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30473/fmss.2025.74256.2660 | ||
| نویسنده | ||
| محمد محسن صدر* | ||
| استادیار، گروه علم اطلاعات و دانش‌شناسی، دانشگاه پیام نور، تهران، ایران. | ||
| چکیده | ||
| سبک‌های تصمیم‌گیری اقتضایی مدیران ورزشی نقش حیاتی در موفقیت سازمان‌های ورزشی ایفا می‌کنند. با این حال، پیش‌بینی این سبک‌ها بر اساس ویژگی‌های فردی و سازمانی همواره چالشی پیچیده بوده است. این پژوهش با به‌کارگیری الگوریتم‌های یادگیری ماشین، به‌ویژه درخت‌های تصمیم و جنگل تصادفی، به دنبال ارائه مدلی دقیق برای پیش‌بینی سبک‌های تصمیم‌گیری اقتضایی در مدیران ورزشی است. در این مطالعه کمی-تحلیلی، داده‌های مربوط به ۱۵۰ مدیر ورزشی از لیگ‌های حرفه‌ای کشور گردآوری شد. متغیرهای مستقل شامل ویژگی‌های دموگرافیک (سن، تجربه)، روان‌شناختی (برون‌گرایی، روان‌رنجوری) و سازمانی (فرهنگ، فشار رقابتی) بودند. سبک تصمیم‌گیری (عقلایی، شهودی، اجتنابی) به‌عنوان متغیر وابسته در نظر گرفته شد. از الگوریتم‌های درخت تصمیم، جنگل تصادفی و رگرسیون لجستیک برای مدل‌سازی استفاده گردید. دقت مدل‌ها با معیارهای Accuracy Precision, Recall, و ماتریس آشفتگی ارزیابی شد. مدل جنگل تصادفی با دقت ۸۷% بهترین عملکرد را در پیش‌بینی سبک‌های تصمیم‌گیری نشان داد. متغیرهای «فشار رقابتی» و «تجربه مدیریتی» بیشترین تأثیر را در پیش‌بینی سبک تصمیم‌گیری داشتند. مقایسه با روش‌های سنتی (مانند رگرسیون لجستیک) برتری چشمگیر یادگیری ماشین را تأیید کرد. یافته‌ها اثبات می‌کنند که یادگیری ماشین‌ابزاری کارآمد برای تحلیل رفتار تصمیم‌گیری مدیران ورزشی است. مدل پیشنهادی می‌تواند به سازمان‌های ورزشی در انتخاب و توسعه رهبران اثربخش کمک کند. این پژوهش مسیر جدیدی را برای ادغام هوش مصنوعی و مطالعات رفتار سازمانی در ورزش می‌گشاید. | ||
| کلیدواژه‌ها | ||
| تصمیم‌گیری اقتضایی؛ مدیران ورزشی؛ یادگیری ماشین؛ درخت تصمیم؛ رفتار سازمانی | ||
| عنوان مقاله [English] | ||
| Predicting Contingent Decision-Making Styles of Sports Managers Using a Data-Driven Approach: Application of Decision Tree and Machine Learning | ||
| نویسندگان [English] | ||
| Mohammad Mohsen Sadr | ||
| Assistant Professor, Department of Knowledge and Information Science, Payame Noor University, Tehran, Iran. | ||
| چکیده [English] | ||
| The Contingent decision-making styles of sports managers play a vital role in the success of sports organizations. However, predicting these styles based on individual and organizational characteristics has always been a complex challenge. This study employs machine learning algorithms, particularly decision trees and random forests, to develop an accurate model for predicting contingent decision-making styles among sports managers. In this quantitative-analytical study, data were collected from 150 professional sports managers in national leagues. Independent variables included demographic characteristics (age, experience), psychological traits (extraversion, neuroticism), and organizational factors (culture, competitive pressure). The dependent variable was decision-making style (rational, intuitive, avoidant). Decision tree, random forest, and logistic regression algorithms were used for modeling. Model accuracy was evaluated using Accuracy, Precision, Recall, and confusion matrix metrics. The random forest model demonstrated the best performance with 87% accuracy in predicting decision-making styles. Variables of "competitive pressure" and "managerial experience" had the greatest impact on predicting decision styles. Comparison with traditional methods (such as logistic regression) confirmed the significant superiority of machine learning. The findings prove that machine learning is an effective tool for analyzing decision-making behaviors of sports managers. The proposed model can assist sports organizations in selecting and developing effective leaders. This research opens new avenues for integrating artificial intelligence with organizational behavior studies in sports.ش | ||
| کلیدواژه‌ها [English] | ||
| Contingent Decision Making, Sports Managers, Machine Learning, Decision Tree, Organizational Behavior | ||
| مراجع | ||
|
Abedi S., Behnam, M., & Kashef, S.M. (2024). The effect of servant leadership on the nature of innovation through organizational learning in non-profit sports organizations: the moderating role of organizational capacity. Organizational Behavior Studies in Sport, 11(3), 63-72. (In Persian) https://doi.org/10.30473/fmss.2024.70320.2582 Bansal, A., Saini, D., Yaqub, M. Z., & Gupta, P. (2024). A study of c-suite leaders’ individualistic and collectivistic decision-making styles: elaborating on leaders’ efficacy during crises. Journal of Knowledge Management, 29(2), 663–704. https://doi.org/10.1108/jkm-03-2024-0368 Bansal, A., Saini, D., Yaqub, M. Z., & Gupta, P. (2024). A study of c-suite leaders’ individualistic and collectivistic decision-making styles: elaborating on leaders’ efficacy during crises. Journal of Knowledge Management, 29(2), 663–704. https://doi.org/10.1108/jkm-03-2024-0368 de la Torre, J., & Chiu, C.-Y. (2016). A General Method of Empirical Q-matrix Validation. Psychometrika, 81(2), 253–273. https://doi.org/10.1007/s11336-015-9467-8 Feng, J. (2023). Designing an Artificial Intelligence-based sport management system using big data. Soft Computing, 27(21), 16331–16352. https://doi.org/10.1007/s00500-023-09162-0 Fourmont, A., Le Gallet, S., Politano, O., & Baras, F. (2018). Spark Plasma Sintering of Alcocrfeni AI and Multi-criteria Decision Making: Université Bourgogne Franche-Comté. https://doi.org/10.30826/scpm2018007 Ghasemi, O., Abooyee, M., Labafi, S., & Shirzad, M. (2024). The role of video games in enhancing managers’ strategic thinking and cognitive abilities: An experiential survey. Entertainment Computing, 50, 100694. https://doi.org/10.1016/j.entcom.2024.100694 Intelligence and Neuroscience, C. (2024). RETRACTION: College Sports Decision‐Making Algorithm Based on Machine Few‐Shot Learning and Health Information Mining Technology. Computational Intelligence and Neuroscience, 2024(1), 9849785. https://doi.org/10.1155/2024/9849785 Jahan J, Safania, A. M., Naghshbandi, S. S., & Bagherian Farahabadi, R. (2024). Compilation of managerial scenarios of Iranian football in the social field in the horizon of 1410. Organizational Behavior Studies in Sport, 11(3), 41-54. https://doi.org/10.30473/fmss.2024.71097.2608 Jeddou, R. B. (2024). Football Selection Optimization through the Integration of Management Theories, AI and Multi-criteria Decision Making (Doctoral dissertation, Université Bourgogne Franche-Comté). Khani, M., Jamali, S., & Sohrabi, M. K. (2024). Three-layer data center-based intelligent slice admission control algorithm for C-RAN using approximate reinforcement learning. Cluster Computing, 27(5), 5893–5911. https://doi.org/10.1007/s10586-023-04252-y Khani, M., Jamali, S., Sohrabi, M. K., Sadr, M. M., & Ghaffari, A. (2024). Slice admission control in 5G cloud radio access network using deep reinforcement learning: A survey. International Journal of Communication Systems, 37(13). Portico. https://doi.org/10.1002/dac.5857 Kolar, E., Biloslavo, R., Pišot, R., Veličković, S., & Tušak, M. (2025). Conceptual Framework of Coaches’ Decision-Making in Conventional Sports. Frontiers in Psychology, 15. https://doi.org/10.3389/fpsyg.2024.1498186 Lajçi, R., Berisha, G., & Krasniqi, B. (2024). Making of intrapreneurial managers: Investigating unethical behavior, risk-taking, and decision-making speed as antecedents. Journal of Entrepreneurship, Management and Innovation, 20(2), 53–74. https://doi.org/10.7341/20242023 Liu, J., Tsang, E. W. K., & Shi, W. (Stone). (2023). The Superstitious Heuristic in Strategic Decision Making. Journal of Management, 51(2), 843–874. https://doi.org/10.1177/01492063231198191 Miragaia, D. A. M., Ferreira, J. J. M., & Vieira, C. T. (2023). Efficiency of Non-profit Organisations: a DEA Analysis in Support of Strategic Decision-Making. Journal of the Knowledge Economy, 15(1), 3239–3265. https://doi.org/10.1007/s13132-023-01298-6 Nurodin, D. (2025). Pengaruh Metode Pembelajaran Dan Koordinasi Terhadap Hasil Belajar Keterampilan Jump Serve Bola Voli Pada Mahasiswa Penjas Fkip Unsap (Doctoral Dissertation, Universitas Negeri Jakarta). Sadr, M.M., & Khani, M. I. (2024). Investigating the Use of Artificial Intelligence Systems to Detect and Correct Educational Content Errors in E-Learning. Journal of Research in School and Virtual Learning, 11(4), 81-91. (In Persian) Doi: 10.30473/etl.2024.70158.4132 Zhu, Z. (2025). Design and implementation of an intelligent sports management system (ISMS) using wireless sensor networks. PeerJ Computer Science, 11, e2637. https://doi.org/10.7717/peerj-cs.2637 | ||
|
آمار تعداد مشاهده مقاله: 392 تعداد دریافت فایل اصل مقاله: 44 |
||