ارائه ی مدل عمیق CNN-BiLSTM برای شناسایی کارآموز

با افزایش تمایل شرکت ها و سازمان ها، برای بکارگیری کارآموزان در موقعیت های مختلف، انتخاب فرد مناسب برای مشارکت در دوره های کارآموزی اهمیت بسیاری پیدا کرده است. کسی که برای کارآموزی انتخاب می شود اگرچه باید در زمینه های کاری موردنظر، دانش و مهارت نسبی داشته باشد؛ اما نباید متخصص و باتجربه باشد؛ زیرا اینگونه افراد معمولا دستمزد بالایی طلب می کنند. وب سایت های پرس وجوی انجمنی با کاربران فراوانی که دارند، می توانند به عنوان یکی از منابع شناخت کارآموز مورداستفاده قرار گیرند. در پژوهشهای پیشین برای شناخت کارآموزان بالقوه ویژگیهای آماری مانند تعداد پاسخ، تعداد حوزههای تخصصی ، طول پاسخها و موارد مشابه پیشنهاد شده است؛ اما محتوای پاسخهای کاربر تاکنون برای شناخت کارآموزان استفاده نشده است. این محتوای متنی منبعی غنی برای تشخیص گستردگی یا عمق دانش کاربر است و میتواند کمک شایانی به شناخت کارآموزان بالقوه کند. در این پژوهش یک مدل یادگیری عمیق با نام CNN-BiLSTM برای تشخیص افراد مناسب برای کارآموزی براساس متن پاسخهایی که در وب سایت های پرس وجوی انجمنی ارسال میکنند، پیشنهاد شده است. علاوه براین، از سه مدل یادگیری ماشین و چهار مدل پرکاربرد یادگیری عمیق نیز برای مقایسه استفاده شده است. بر اساس نتایج به دست آمده مدل های یادگیری عمیق در مقایسه با الگوریتم های یادگیری ماشین براساس معیار صحت و F۱ عملکرد بهتری داشته اند. همچنین در بین مدل های یادگیری عمیق، مدل پیشنهادی توانسته حداقل به صورت متوسط ۷% صحت بالاتر و ۲% معیار F۱ بالاتری نسبت به سایر مدل های مورداستفاده برای شناسایی کارآموزان بالقوه نشان دهد.

ارائه ی مدل عمیق CNN-BiLSTM برای شناسایی کارآموز Keywords:

بازیابی کارآموز , یادگیری عمیق , وب سایت های پرس وجو , طبقه بندی متن