طراحی سیستم استعدادیابی شغلی برای نیروگاه های خورشیدی با استفاده از هوش مصنوعی، الگوریتم Graph Neural Networks (GNN) و Encoders

این پژوهش با هدف طراحی یک سیستم استعدادیابی شغلی برای دانش آموزان رشته های فنی و حرفه ای، به ویژه در حوزه نیروگاه های خورشیدی، انجام شده است. ابتدا اطلاعات تحصیلی، مهارت های عملی و علایق شغلی دانش آموزان از طریق پرسشنامه جمع آوری شد. داده ها با استفاده از روش های پیش پردازش، پاک سازی و استانداردسازی شدند. در ادامه، ویژگی های کلیدی داده های چندبعدی با استفاده از الگوریتم Autoencoder استخراج و برای تحلیل ارتباطات میان مهارت ها و نیازهای شغلی به الگوریتم Graph Neural Networks (GNN) وارد شدند. یافته ها نشان داد که نمرات دروس تخصصی مانند فیزیک و ریاضی تاثیر بسزایی در تطبیق شغلی دارند، در حالی که مهارت های عملی مانند نصب مدارهای الکتریکی و طراحی سازه های کوچک نیز به طور مستقیم بر احتمال موفقیت شغلی تاثیرگذارند. نتایج نهایی بیانگر این است که بیشترین تطبیق شغلی در دانش آموزان رشته الکتروتکنیک با علایق مرتبط به انرژی خورشیدی مشاهده شد. این پژوهش ضمن ارائه الگویی برای استعدادیابی شغلی در حوزه انرژی های تجدیدپذیر، اهمیت تقویت زبان انگلیسی و مهارت های عملی دانش آموزان را نیز مورد تاکید قرار داده است.

طراحی سیستم استعدادیابی شغلی برای نیروگاه های خورشیدی با استفاده از هوش مصنوعی، الگوریتم Graph Neural Networks (GNN) و Encoders Keywords:

استعدادیابی شغلی , انرژی خورشیدی , الگوریتم GNN , Autoencoder , هوش مصنوعی