سعید ستایشی

پایداری و تداوم فعالیت بیمارستان ها بیش از پیش در گروی ایجاد مزَیت رقابتی نسبی می باشد که برای دستیابی به آن در مقایسه با رقیبان باید بتوان خدمات بهتری را ارائه کرد. امروزه عامل اصلی ایجاد ثروت و ارزش افزوده در بیمارستان ها را کارکنان صاحب دانش و یا به عبارت دیگر سرمایه های فکری توانمند می دانند. توانمند سازی منابع انسانی از طریق ایجاد مجموعه ای از ظرفیت های مورد نیاز در آنان و درسایه ی جوَ توانمندسازی سازمان میسَر می شود. ارزیابی ادراک توانمندی کارکنان انعکاس دهنده جوَ توانمند سازی سازمان است. در این پژوهش با مطالعه ی رابطه ی جوَ توانمندسازی با ادراک توانمندی کارکنان در بیمارستان های آموزشی کرمان به بررسی همبستگی مؤلفه های هر یک از متغیَرهای فوق در جامعه مورد مطالعه می پردازیم. روش بررسی: پژوهش حاضر یک مطالعه ی توصیفى از نوع همبستگى ست که در سال 1386 انجام شده است. جامعه پژوهش را کارکنان بیمارستان هاى آموزشى دانشگاه علوم پزشکى کرمان تشکیل می دهند. سیصدوهشتادوشش نفر از کارکنان جامعه ی آمارى به روش نمونه گیرى دو مرحله اى شامل نمونه گیری تصادفى و طبقه اى مورد مطالعه قرار گرفتند. ابزار گردآورى داده ها، پرسشنامه اى با طیف درجه بندی لیکرت ؛ مشتمل بر سه بخش: اطلاعات جمعیت شناختى و جوَ توانمندسازى که بر اساس پرسشنامه معتبر اسکات و ژاف بود. این متغیَر دارای مؤلفه های هشتگانه می باشد. متغیَر ادراک توانمندى کارکنان که بر اساس پرسشنامه ی معتبر وتن و کمرون مشتمل بر مؤلفه های پنجگانه مى باشد. داده ها به روش خود پاسخگویى از نمونه هاى پژوهش اخذ و بعد از ورود به نرم افزار آمارى SPSS ، با استفاده از شاخص هاى آمار توصیفى، آزمون t یک نمونه اى، آزمون همبستگى پیرسون، t مستقل، و تحلیل واریانس یک طرفه مورد تحلیل قرار گرفت. معیار قضاوت براى مطلوب بودن میانگین متغیَرها، کسب حداقل 70درصد مقیاس پنجگانه با طیف درجه بندی لیکرت یعنی50/3 تعیین شد. یافته ها: در زمینه ی ""جوَ توانمندسازى حاکم بر بیمارستان هاى آموزشى مورد مطالعه""، یافته ها نشانگر آن است که میانگین تمامى مؤلفه ها از وضعیت مطلوبى برخوردار نبودند. بالاترین میانگین ها به ترتیب مربوط به روشنى و وضوح اهداف 2 /97 و کار تیمى 2 /77 و کمترین آن مربوط به ارتباطات با میانگین 2 /10 بود. در زمینه ی ""ادراک توانمندى کارکنان"" یافته ها نشان داد که على رغم میانگین نسبتاً بالای مؤلفه های خوداثربخشی؛ و معناداربودن میانگین مؤلفه های خودسامانى، تأثیرگذارى، اعتماد به دیگران در سطح مطلوبی قرار نداشته و درکل، متغیَر ادراک توانمندى از وضعیت مطلوبى برخوردار نبود. در این پژوهش فرضیه معنى دار بودن رابطه جو توانمندسازى و ادراک توانمندى کارکنان با احتمال 99درصد؛ و ضریب همبستگى 723/0 در سطح معنى دارى 0001/0 تأیید شد. به علاوه هر یک از متغیَرهاى هشتگانه نیز داراى ارتباط مستقیم و قوى (ضریب همبستگى بیش از 5/0) با ادراک توانمندى کارکنان بودند. بحث و نتیجه گیری: نتایج آمارى تحلیل همبستگى پیرسون نشان داد که بین متغیَر جوَ توانمندسازى و متغیَر ادراک توانمندى کارکنان بیمارستان های مورد مطالعه ارتباط مثبت ، قوى و معنى دارى وجود دارد. بیشترین ضرایب همبستگى مربوط به مؤلفه های روحیَه ی کاری ، روشنى و وضوح اهداف بود. این ارتباط و همبستگی، به تفکیک در خصوص مؤلفه های هشتگانه ی جوَ توانمندسازى با ادراک توانمندی کارکنان نیز مشاهده می گردد. با توجه به ارتباط معنى دار بین جوَ توانمندسازى و ادراک توانمندى کارکنان و وجود همبستگی مستقیم و قوی ما بین آنها ،براى اجراى رویکرد توانمندسازى ،مدیران و مسئولین بیمارستان می توانند با اعمال مدیریت کارآمد و ایجاد شرایط مطلوب، جوَ توانمندسازى مناسبی را در بیمارستان هاى آموزشى فراهم کنند و از این طریق به نحو مؤثری بر شناخت ، احساس و ادراک توانمندی کارکنان تأثیربگذارند . "

پیچیدگی ذاتی جامعه ی بشری، همراه با کاهش امکان انجام آزمایش در بیشتر محدوده های علوم اجتماعى و بهداشتى منجرَ به آن شده است که محقَقان به استفاده از شبیه سازى کامپیوترى و به کارگیرى مدل های مصنوعى در مطالعه ی جنبه های ضروری متفاوت موجود در این علوم روی بیاورند. طراحى مدل هاى مصنوعى مبتنى بر اطلاعات محیط هاى واقعى و تحلیل و شناسائی؛ و سپس بازخوانى نتایج حاصله و به کارگیرى شان در محیط واقعى جهت تصحیح رفتارهاى پیچیده انگیزه ی مناسب و بجایى بود که توانست چرخ پژوهش را به حرکت درآورد و آن را فعَال سازد. دراین پژوهش یافتن یک راه حل برای شناسایی، تحلیل و بهینه سازی فرایند در نظام های پیچیده بهداشتى درمانى هدف گذارى شده و در همین راستا مدل هایى براى پایش سلامت در حیات مصنوعى در حوزه ی بیمارى هاى واگیر و آلودگى ارائه شده است. روش بررسی: نوع روش تحقیق بنیادى، شبیه سازى و کاربردى (منبعث از هوش مصنوعى) است و روش گردآورى اطلاعات میدانى، کتابخانه اى و محاسباتى ست. جامعه ی مورد مطالعه ی مصنوعى (لابراتوار کامپیوترى)، شامل عامل هاى محاسباتى هوشمند و ابزار استفاده شده به منظور شبیه سازى (مدلسازى) و تحلیل، نرم افزار NetLogo است. یافته ها: نتایج نشان مى دهد که افزایش و انتشار آلودگى و فقدان مراقبت بهداشتى در محیط باعث کاهش رفاه عامل ها و تداوم آن، باعث افزایش تدریجی تعداد مرگ و میر عامل ها مى شود، ضمن آنکه نبودِ سیاستگذارى صحیح در بخش درمان مى تواند منجرَ به همه گیر شدن بیمارى و اتلاف منابع شود. همچنین یافته ها نشان مى دهد که مدلسازى مبتنى بر عامل در حیات مصنوعى روشى کارآمد و راه حلى راهگشا در نظام سلامت مى باشد. نتیجه گیری: نیاز به استفاده از مدل هاى حقیقى در حیات مصنوعى و گسترش و توسعه ی آنها در جهت تصمیم گیرى، تحلیل و بهینه سازى بهتر مسائل و فرایندهاى سلامت در حیات واقعى مشاهده مى شود که در صورت وقوع مى تواند حلَال برخى از مسائل و معضلات موجود در نظام سلامت کشور باشد و در جهت ارتقاء و توسعه ی آن به کار گرفته شود. "

مقدمه: بازشناسی هیجان چندوجهی به واسطه دریافت اطلاعات از منابع حسی (وجه های) مختلف از یک ویدیو دارای چالش های فراوانی است و به عنوان روش جدیدی برای تعامل طبیعی انسان با رایانه مورد توجه محققان زیادی قرار گرفته است. هدف از این پژوهش، بازشناسی هیجان به طور خودکار از روی گفتار هیجانی و حالات چهره، مبتنی بر ساز و کارهای عصبی مغز بود. بنابراین، با توجه به مطالعات صورت گرفته در زمینه مدل های الهام گرفته از مغز، یک چارچوب کلی برای بازشناسی هیجان دومدالیتی با الهام از عملکرد کورتکس شنوایی و بینایی و سیستم لیمبیک مغز ارائه شود. روش کار: مدل ترکیبی و سلسله مراتبی پیشنهادی از دو مرحله یادگیری تشکیل شده بود. مرحله اول: مدل های یادگیری عمیق برای بازنمایی ویژگی های بینایی و شنوایی و مرحله دوم: مدل ترکیبی یادگیری هیجانی مغز ( MoBEL ) بدست آمده از مرحله قبل برای همجوشی اطلاعات شنیداری _ دیداری. برای بازنمایی ویژگی های بینایی به منظور یادگیری ارتباط مکانی بین پیکسل ها و ارتباط زمانی بین فریم های ویدئو از مدل شبکه عصبی یادگیری عمیق 3D-CNN استفاده شد. همچنین به منظور بازنمایی ویژگی های شنوایی، ابتدا سیگنال گفتار به تصویر لگاریتم مل _ اسپکتروگرام تبدیل شده سپس به مدل یادگیری عمیق CNN برای استخراج ویژگی های مکانی _ زمانی داده شد. در نهایت، اطلاعات به دست آمده از دو جریان فوق به شبکه عصبی ترکیبی MoBEL داده شد تا با در نظر گرفتن همبستگی بین وجه های بینایی و شنوایی و همجوشی اطلاعات در سطح ویژگی، کارایی سیستم بازشناسی هیجان را بهبود بخشد. یافته ها: نرخ بازشناسی هیجان در ویدیو با استفاده از مدل ارائه شده بر روی پایگاه داده eNterface’05 به طور میانگین 82 درصد شد. نتیجه گیری: نتایج تجربی در پایگاه داده مذکور نشان می دهد که کارکرد روش پیشنهادی بهتر از روش های استخراج ویژگی های دستی و سایر مدل های همجوشی در بازشناسی هیجان است.

مقدمه: گفتار مؤثرترین ابزاری است که انسان ها برای انتقال اطلاعات از آن استفاده می کنند. گوینده در خلال گفتار خویش علاوه بر واژگان و دستور زبان اطلاعاتی همچون سن، جنسیت و حالت هیجانی خود را منتقل می کند. پژوهش های فراوانی با رویکردهای گوناگون پیرامون هیجان در گفتار هیجانی انجام شده است. این پژوهش ها نشان می دهند که هیجان ضمن پیام در گفتار هیجانی از طبیعتی پویا برخودار می باشد. این پویایی، مطالعه کمّی هیجان در گفتار هیجانی را با دشواری همراه می سازد. این پژوهش به ارزیابی هیجان ضمن پیام از طریق پردازش گفتار هیجانی با استفاده از ویژگی های ضرایب کپسترال فرکانس مِل ( MFCC ) و تبدیل فوریه زمان کوتاه ( STFT ) پرداخت. روش کار: داده های ورودی، پایگاه داده استاندارد گفتار هیجانی Berlin شامل هفت حالت هیجانی خشم، کسلی، انزجار، ترس، شادی، غم و حالت خنثی می باشد. با استفاده از نرم افزار MATLAB ابتدا فایل های صوتی خوانده شدند. در مرحله بعد نخست ویژگی های MFCC و سپس ویژگی های STFT استخراج شدند. بردار های ویژگی برای هر کدام از ویژگی ها بر اساس هفت مقدار آماری کمینه، بیشینه، میانگین، انحراف معیار، میانه، چولگی و کشیدگی محاسبه شدند و به عنوان ورودی شبکه عصبی مصنوعی مورد استفاده قرار گرفتند. در انتها، بازشناسی حالت های هیجانی با استفاده از توابع آموزشی مبتنی بر الگوریتم های مختلف انجام شد. یافته ها: نتایج بدست آمده نشان داد میانگین و صحت بازشناسی حالت های هیجانی با استفاده از ویژگی های STFT نسبت به ویژگی های MFCC بهتر است. همچنین، حالت های هیجانی خشم و غم از نرخ بازشناسی بهتری برخوردار بودند. نتیجه گیری: ویژگی های STFT نسبت به ویژگی های MFCC هیجان ضمن پیام در گفتار هیجانی را بهتر بازنمایی می کنند.

امروزه با رشد سازمان ها و پیچیده شدن فرایندهای کسب وکار، مدیریت و کنترل آن ها از اهمیت بیشتری نسبت به قبل برخوردار است. مدل های فرآیند کسب وکار معمولاً با به کارگیری برخی از نشانه های گرافیکی، وظایف، رویدادها، حالت ها و منطق جریان کنترل فرایند کسب وکار را تشریح می نمایند. اگرچه یکی از اهداف اصلی آن ها، تسهیل ارتباط میان ذی نفعان مختلف است، اما بینش محدودی در مورد عوامل مؤثر بر درک آن ها توسط انسان وجود دارد. از میان عوامل مختلفی که بر فهم و درک پذیری مدل های فرایند کسب وکار اثرگذار هستند، این مقاله به دو عامل پرداخته است: سبکِ شناختی خواننده مدل و دانش نظری وی در خصوص مدل سازی فرایند کسب وکار. پژوهش به بررسی تفاوت های سبکِ شناختی و این که سبک ها چه ارتباطی با نمرات درک پذیری مدل فرایند دارد، می پردازد. مطالعه با روش تحقیق «توصیفی-پیمایشی» و در مدیریت امور طرح و برنامه و فناوری اطلاعات بانک ملت و با انتخاب 183 نمونه و با ابزار پرسشنامه به اجرا در آمده است. نتایج نشان داد که درصد بالایی از پاسخ گویان، دارای سبک شناختی سازش پذیر هستند (60 نفر معادل 33%) و همچنین در خصوص میزان دانش نظری در خصوص BPM و BPMN2.0، 85 نفر معادل 46% از پاسخگویان در سطح 2 بودند، حال آنکه فقط 6% در سطح 4 قرار داشتند. نتایج همچنین تفاوت چشم گیری را بین نمونه ها با سبک شهودی و تحلیلگر، در رابطه با میزان درک پذیری مدل فرایند کسب وکار نشان می دهند. هم چنین ارتباط بین دانش نظری مدل سازی فرایند کسب وکار و میزان درک آن ها از مدل نیز معنی دار بود.

مقدمه: توجه دروازه یادگیری و یکی از منابع قابلِ پردازش است که مدل سازیِ شناختی آن به درک و استفاده بهتر از آن کمک می کند. هدف از این پژوهش ایجاد مدلی هوشمند با کارایی بسیار برای دسته بندی سطوح مختلف توجه بود. روش کار: ایجاد مدل شناختیِ توجه با استفاده از نتایج تکلیف شبکه توجه و امواج مغزی انجام گرفت. به این منظور، با استفاده از روش های مختلفِ یادگیریِ ماشین، به ایجاد مدلی از توجه پرداخته شد. در این پژوهش، جامعه آماری شامل 92 فرد بزرگسال داوطلب بود که به صورت تصادفی انتخاب شده و پرسشنامه DASS-21 را برای انتخاب اولیه انجام دادند. سپس بر اساس نتایج، از 31 نفر بیماری که افسردگی و اضطراب نداشتند و واجد شرایط بودند، برای مرحله نهایی دعوت به عمل آمد. در حین تکلیفِ شبکه توجه، با استفاده از سیستم واسط کاربری مغز ، از شرکت کنندگان سیگنال مغزی گرفته شد و مدلی از سطوح مختلف با استفاده از سیگنال های مختلف و زمان واکنش و درستی جواب شرکت کننده ایجاد گردید. یافته ها: داده ها با روش های دسته بندیِ یادگیریِ ماشین های مختلفی مانندِ ماشین بُردارهای پشتیبان ( SVM ) و K نزدیک ترین همسایگی ( KNN ) و آدابوست ( Adaboost ) بررسی شد و مدلی که کمترین خطای دسته بندی را داشت برگزیده شد. این دسته بندی ها، به ترتیب با نرخ دسته بندیِ 60 و100 و 94 درصد، در مورد دسته بندیِ الگوهای شناختیِ «توجه»، توانایی های مختلفی را برای این مجموعه از داده ها نشان داد. نتیجه گیری: بر اساس نتایج دقت دسته بندی ها، مدل مناسب انتخاب شد و دسته بندی KNN از نظر تعمیم پذیری و تخمین داده های آزمون دقت بهتری از بقیه مدل های انتخاب شده در این پژوهش را نشان داده است. برای این نوع از مدل های شناختی که در آن امکان جمع آوریِ حجم کمتری داده وجود دارد نیز مدل مناسب تلقی می شود.

مقدمه: داده های استفاده شده در این مدل یادگیر از ثبت هم زمان تصاویر تصویربرداری تشدید مغناطیسی و سیگنال های الکتروآنسفالوگرام در حین انجام تکلیف شناختی نقاط تصادفی متحرک برای سنجش میزان اطمینان در تصمیم گیری ادراکی تشکیل شده است با یادگیری مدل می توان از داده های سیگنال های الکتروآنسفالوگرام در آینده به طور مستقل استفاده کرد. هدف این پژوهش بازسازی تصاویر تصویربرداری تشدید مغناطیسی کارکردی با استفاده از سیگنال های الکتروآنسفالوگرام است این پژوهش کاربردی است که بر روی داده های ثبت شده هم زمان صورت پذیرفته است. روش کار: داده های الکتروآنسفالوگرام به عنوان ورودی مدل و داده های تصاویر تصویربرداری تشدید مغناطیسی به عنوان خروجی مدل در نظر گرفته شده و مدل یاد می گیرد که چطور از داده هایی با قالب ورودی، داده هایی از جنس قالب خروجی تولید نماید. قبل از ورود داده ها به مدل داده های ورودی برای بالا رفتن دقت مدل با حذف آرتیفکت ها با روش fastICA و تبدیل شدن به ماتریس گرامیان پیش پردازش می شود. یافته ها: مدل نسبت به سایر روش ها برتری های مناسبی را در زمان آموزش و دقت مدل نشان داده است و مدل عمیق یادگیر کانولوشنی پیشنهادی با دقت مطلوبی موفق به شبیه سازی تصاویر تصویربرداری تشدید مغناطیسی از روی سیگنال های الکتروآنسفالوگرام گردید. نتیجه گیری: با استفاده از مدل عمیق یادگیر کانولوشنی پیشنهادی می توان به ارتباط بین فضای ساختاری و فضای رفتاری مغز پی برد و آن را جهت مطالعه هر بخش، پیاده سازی نمود.

مقدمه: ردیف موسیقی سنتی ایران شامل هفت دستگاه با نام های شور، ماهور، سه گاه، چهارگاه، راست پنجگاه، همایون، نوا است که هر کدام عواطف خاصی را به شنونده انتقال می دهد. بسیاری از صاحب نظران عرصه موسیقی، ویژگی های عاطفی ادراک شده از هر دستگاه موسیقی سنتی ایرانی را بر اساس تجربه به صورت کیفی تشریح کرده اند. ولی نه تنها آنان، بلکه افراد عادی هم در خصوص نوع و اندازه عواطف حاصل از یک دستگاه موسیقی توافق ندارند. زیرا پیش زمینه عاطفی افراد متفاوت است. هدف از این مطالعه معرفی یک مدل شناختی است که قادر باشد ویژگی های عاطفی هر دستگاه موسیقی را برای شنونده مشخص به صورت کمی پیش بینی نماید. روش کار: در این مطالعه یک مدل بهینه یادگیری عاطفی مغز معرفی شد که با مدل روان شناختی Thayer ادغام گشت تا بر اساس ویژگی های خاص موسیقی دستگاهی ایرانی، الگوی عاطفی دستگاه ها را کشف نماید. ما از ردیف میرزا عبدلله به روایت داریوش طلایی استفاده کردیم و از 52 داوطلب خواستیم تا ارزش 12 احساس مدل عاطفی Thayer را برای هر قطعه تعیین کنند. یافته ها: برای بررسی عملکرد سیستم، میانگین مربعات خطای سیستم برای داوطلبان بر اساس دستگاه به دست آمد. همچنین با جمع بندی نتایج داوطلبان، یک ارزیابی کلی از ویژگی های عاطفی دستگاه های موسیقی ایرانی ارائه دادیم. نتیجه گیری: بررسی سیستم پیشنهادی ما را به این نتیجه می رساند که نوعی عدم قطعیت ناشی از پیش زمینه ادراکی افراد در عملکرد رفتاری و فیزیولوژیکی احساسات در مغز نهفته است.

مقدمه: هستان شناسی توصیفی صریح و طبیعی از مفاهیم یک دامنه از یک بحث است. در سال های اخیر، توسعه هستان شناسی به منزله توصیف واژه های یک دامنه خاص و ارتباطات میان آنها مورد توجه قرار گرفته است. استفاده از مفاهیم شناختی در هر زمینه ای می تواند تفاوت ایجاد کند. در طراحی یک هستان شناسی، قطعا اگر برنامه ریزی از جنبه شناختی مورد ارزیابی و بررسی قرار گیرد نتایجی دقیق تر و عملکردی بهتر به همراه خواهد داشت. چشم انداز کسب و کار امروزه با پیچیدگی و عدم اطمینان همراه است و نیاز به ابزارهای مقابله با آن برای پیشرفت کسب و کار ضروری به نظر می رسد. یکی از بزرگترین علایم موفقیت مدیران موفق سازمان ها، توانایی تفسیر رخدادها و وقایع غیر مرتبط و برنامه ریزی نشده است. روش کار: استفاده از علوم شناختی در این زمینه نیز قطعا مفید خواهد بود. برنامه ریزی کسب و کار دقیق برای سودآوری با توجه به رقابت شدید جهان امروز، ضروری است. این بدان معنی است که تمام قسمت های کسب و کار باید بهینه و تقویت شوند. یافته ها: در این نوشته هستان شناسی کسب و کار با رویکرد شناختی طرح ریزی و ارائه شده است. نتیجه گیری: هدف از این پژوهش این است که به مفهوم طرح های استراتژیک کسب و کار با رویکرد هستان شناسی شناختی بپردازیم تا پایه ای برای ابزارهای مدیریت جدید فراهم شود.

مقدمه: رعایت عدالت در نظام سلامت سبب شده که افراد یک جامعه به طور منصفانه از مراقبت های درمانی بهره مند شده و همین امر از افزایش بیماری و مرگ ومیر جلوگیری می کند. هدف از انجام این پژوهش طراحی مدل هوشمند سیستم سلامت مبتنی بر عدالت در نظام سلامت در دوران همه گیری ویروس کرونا بود. روش کار: این پژوهش بر اساس هدف پژوهش، یک مطالعه کاربردی و بر اساس شیوه گردآوری داده ها از نوع توصیفی_تحلیلی بود. در این پژوهش ابتدا با مطالعه ادبیات پژوهش های پیشین و استفاده از نظر خبرگان، عوامل تاثیرگذار بر عدالت در نظام سلامت استخراج شد. سپس پرسشنامه ای طراحی گردید که داده های 109 نفر از بیماران مبتلا به ویروس کرونا که به مراکز درمانی شهر اصفهان مراجعه کرده بودند جمع آوری شد. سپس با استفاده از آمار استنباطی، اعتبار روایی و پایایی پرسشنامه تایید شده و داده های حاصل از پرسشنامه در مدل هوشمند مبتنی بر شبکه Hopfield به کار گرفته شده و وضعیت رعایت عدالت در نظام سلامت با استفاده از مدل فوق سنجیده شد. سپس دقت مدل با روش ماتریس درهم ریختگی ارزیابی شد. یافته ها: نتایج پیش بینی شبکه عصبی Hopfield برای رکوردهای مختلف نشان می دهد که بیشترین میزان برچسب تخصیص داده شده توسط شبکه، مربوط به برچسب "نسبتا عادلانه" و "کمی عادلانه" است که در کل میزان رضایت مندی از عدالت در سطح مطلوبی قرار ندارد. نتیجه گیری: با استفاده از بررسی نتایج این پژوهش وضعیت رعایت عدالت در دوران همه گیری ویروس کرونا با استفاده از مدل هوشمند بررسی شد و بر تاکید بیشتر بر پارامترهای رعایت عدالت در نظام سلامت اشاره دارد.

هدف: این پژوهش به دنبال ارائه مدلی برای محاسبه تعهدهای آتی شرکت های بیمه است تا به چالش های بالقوه موجود در روش سنتی پاسخ مناسبی دهد. به صورت سنتی، شرکت های بیمه از روش زنجیره نردبانی، به عنوان نوعی ابزار آماری، برای پیش بینی روند توسعه خسارت ها استفاده می کنند. این روش آماری به دلیل سادگی فرضیه ها و تفسیر روشن، تأیید نهادهای نظارتی در کشورهای مختلف را نیز به همراه دارد. با این حال، وجود فرضیه هایی نظیر ایستایی در ساختار توسعه داده ها و ارتباط خطی بین متغیرها، ممکن است کارایی مدل را در مواجهه با تغییرات ناشی از عوامل داخل و خارج از سازمان، مانند اِعمال سیاست های داخلی یا عوامل خارجی مانند همه گیری کووید۱۹ متأثر سازد. محاسبه نزدیک به واقعیت تعهدهای شرکت های بیمه با توانگری مالی آن ها ارتباط تنگاتنگی دارد. مبلغی که شرکت های بیمه برای پاسخ به تعهدهای آتی خود تخصیص می دهند، به عنوان ذخیره شناسایی می شود. محاسبه ذخایر کمتر از تعهدهای آتی، شرکت بیمه را در ایفای تعهدهایش دچار مشکل می کند و از سویی دیگر، محاسبه بیش از مبلغ مورد نیاز، صورت های مالی شرکت های بیمه را تحت تأثیر قرار می دهد.روش: مدل ارائه شده در این پژوهش با استفاده از یادگیری ماشین و هوش مصنوعی، تعداد حوادث روزانه با خسارت های جانی را در بخش بیمه شخص ثالث پیش بینی می کند. خروجی این مدل، یعنی ترکیب تعداد و زمان وقوع حوادث، در محاسبه تعهدهای آتی و ذخیره خسارت در این بخش بیمه ای نقش کلیدی دارد. این مدل با کمک داده های تاریخی خسارت بیمه گذاران شرکت بیمه کارآفرین، در بخش بیمه شخص ثالث آموزش دیده است. این مدل قادر است لایه های پنهان و ارتباطات غیرخطی و پیچیده بین داده های خسارتی را شناسایی کند. در این پژوهش، از الگوریتم شبکه عصبی با حافظه بلندمدت کوتاه مدت که در سری های زمانی توانایی پیش بینی بیشتری دارد، استفاده شده است. داده های تاریخی مربوط به خسارت های جرحی بیمه گذاران، در بازه زمانی فروردین ۱۳۹۶ تا شهریور ۱۴۰۰ بوده است.یافته ها: کارایی مدل با بهینه سازی ابرپارامترها ارتباط نزدیک دارد. برای بهینه سازی مدل دو رویکرد، یعنی جست وجوی شبکه ای و تصادفی برای شناسایی ابرپارامترها با یکدیگر مقایسه شده اند. میانگین مربعات خطا به عنوان شاخص سنجش عملکرد در نظر گرفته شده است. این شاخص برای داده های آموزش، در هر دو مدل با فاصله کمی از یکدیگر (33/16 در مقابل 4/17) برتری جست وجوی شبکه ای را نشان می دهد؛ اما در این روش، نتیجه داده های آزمون از داده های آموزش بهتر بود (22/15 در برابر 33/16) که این امر می تواند نشانه ای از وقوع بیش پردازش باشد.نتیجه گیری: این مقاله برای طراحی مدل پیش بینی تعداد روزانه حوادث با خسارت های جانی، استفاده از روش جست وجوی تصادفی را برای تنظیم ابرپارامترهای مدل طراحی شده بر مبنای شبکه عصبی حافظه بلندمدت کوتاه مدت پیشنهاد می کند؛ زیرا مدل طراحی شده بر این مبنا، بر مشکل بیش پردازش غلبه می کند و می تواند در کار با داده های ناآشنا عملکرد مناسبی داشته باشد. بیش پردازش زمانی رخ می دهد که مدل بیش از حد از داده های آموزشی تأثیر بگیرد و نه تنها الگوهای واقعی را یاد بگیرد، بلکه نویزها و جزئیات جزئی داده ها را نیز یاد بگیرد. این ممکن است باعث کاهش جامع پذیری مدل شود.