[ad_1]
ఈ అధ్యయనంలో, గ్రే డెల్ఫీ పద్ధతి40 మరియు గ్రే డెమాటెల్ టెక్నిక్41,42 విద్యార్థుల అకడమిక్ బర్న్అవుట్ను ప్రభావితం చేసే అంశాలను గుర్తించడానికి ఇది ఉపయోగించబడింది. డేటా విశ్లేషణ కోసం Matlab వెర్షన్ R2020 సాఫ్ట్వేర్ మరియు Excel వెర్షన్ 2021 సాఫ్ట్వేర్ ఉపయోగించబడ్డాయి. ప్రమాణాల మధ్య సహసంబంధాలను పొందేందుకు DEMATEL ఉపయోగించబడుతుంది. గ్రే పరిసరాలలో గ్రూప్ డెసిషన్ మేకింగ్ మరియు కారణ విశ్లేషణ కోసం గ్రే డెమాటెల్ పద్ధతి అభివృద్ధి చేయబడింది. ప్రమాణం యొక్క కారణాన్ని గుర్తించడానికి బూడిద DEMATEL వర్తించబడుతుంది. ఇది నిర్ణయాధికారులు అత్యంత ప్రభావం చూపే వాటిపై దృష్టి పెట్టడానికి మరియు మరింత సమర్థవంతంగా పని చేయడానికి అనుమతిస్తుంది. అధ్యయనంలో పాల్గొనేవారు ఒక-దశ క్లస్టర్ నమూనా పద్ధతి ద్వారా ఎంపిక చేయబడ్డారు. ఈ కారణంగా, మేము యాదృచ్ఛికంగా 12 ఫ్యాకల్టీల నుండి నాలుగు అధ్యాపకులు మరియు నాలుగు విభాగాలను ఎంపిక చేసాము. డెల్ఫీ దశలో, 86 మంది గ్రాడ్యుయేట్ విద్యార్థులు యాదృచ్ఛికంగా ఎంపిక చేయబడ్డారు మరియు DEMATEL దశలో, ప్రతి విభాగం నుండి 37 మంది విద్యార్థులు (ప్రాబబిలిటీ డ్రాప్ రేట్తో) యాదృచ్ఛికంగా ఎంపిక చేయబడ్డారు.
కారణాన్ని గుర్తించడం
విద్యార్థుల అకడమిక్ బర్న్అవుట్ను ప్రభావితం చేసే అంశాలను అన్వేషించడానికి, మేము ఇస్లామిక్ ఆజాద్ విశ్వవిద్యాలయం యొక్క శాస్త్రీయ పరిశోధన విభాగంలో చదువుతున్న 86 మంది గ్రాడ్యుయేట్ విద్యార్థులను (మాస్టర్స్ మరియు డాక్టోరల్ కోర్సులు) యాదృచ్ఛికంగా ఎంపిక చేసాము, పబ్లిక్ ప్రశ్నావళిని నిర్వహించాము మరియు 43 కారకాలను గుర్తించాము.
గ్రే డెల్ఫీ పద్ధతి (GDM)
డాల్కీ మరియు హెల్మర్ 1963లో డెల్ఫీ పద్ధతిని స్థాపించారు43. డెల్ఫీ పద్ధతి అనేది స్క్రీనింగ్ మరియు ర్యాంకింగ్ కారకాల కోసం నిర్మాణాత్మక ప్రక్రియ, ఇది ప్రశ్నాపత్రాల ద్వారా నిర్ణయాధికారుల అభిప్రాయాలను సేకరించడం ద్వారా అమలు చేయబడుతుంది. డెల్ఫీ పద్ధతి యొక్క మూడు ప్రాథమిక లక్షణాలు అనామక ప్రతిస్పందన, పునరావృత మరియు నియంత్రిత అభిప్రాయం మరియు గణాంక సమూహ ప్రతిస్పందన.44,45. సాంప్రదాయ డెల్ఫీ పద్ధతి అనేక అధ్యయనాలలో ఉపయోగించబడినప్పటికీ, దాని సుదీర్ఘ ప్రక్రియ, పేలవమైన కలయిక మరియు కొన్ని విలువైన నిపుణుల సమాచారాన్ని కోల్పోవడం వంటి వాటి కోసం ఇది విమర్శించబడింది.46. అదనంగా, వ్యక్తుల దృక్కోణాలను లెక్కించే సంప్రదాయ ప్రక్రియలు భాషాపరమైన మరియు కొన్నిసార్లు అస్పష్టమైన మానవ వివరణలు, తీర్పులు మరియు ప్రాధాన్యతలతో అస్పష్టత, ఖచ్చితత్వం మరియు పేలవమైన అనుకూలతకు లోబడి ఉంటాయి మరియు అందువల్ల మానవ ఆలోచనా విధానాలను పూర్తిగా సంగ్రహించవు.45,47. గ్రే సిస్టమ్ సిద్ధాంతం వీరిచే ప్రారంభించబడింది:48. గ్రే సిస్టమ్ యొక్క లక్ష్యం సామాజిక మరియు సహజ శాస్త్రాల మధ్య ఉన్న అంతరాన్ని తగ్గించడం.48. బూడిద వ్యవస్థలో, అన్ని సందేశాలను మూడు వర్గాలుగా వర్గీకరించవచ్చు: తెలుపు, బూడిద మరియు నలుపు. తెల్లటి ప్రాంతం అంతిమంగా సిస్టమ్లో స్పష్టమైన సందేశాన్ని సూచిస్తుంది, నలుపు ప్రాంతం తెలియని లక్షణాలను కలిగి ఉంటుంది మరియు బూడిద ప్రాంతం తెలిసిన మరియు తెలియని సందేశాల మధ్య ఏర్పడుతుంది మరియు రెండింటినీ కవర్ చేస్తుంది.ఈ సిద్ధాంతం నాలుగు భాగాలను కలిగి ఉంటుంది49,50.
గ్రే థియరీ మరియు డెల్ఫీ పద్ధతిని ఏకకాలంలో ఉపయోగించడం ప్రతిపాదిత పరిష్కారం40,51.
దశ 1: ఒక డెల్ఫీ ప్రశ్నాపత్రం 86 మంది గ్రాడ్యుయేట్ విద్యార్థులకు పంపిణీ చేయబడింది, వారు భాషా చరరాశులను ఉపయోగించి ప్రతి ప్రమాణం యొక్క ప్రాముఖ్యతను అంచనా వేయాలని కోరారు.ప్రాముఖ్యం వెయిటింగ్ ప్రమాణం ప్రకారం భాషాపరమైన వేరియబుల్స్ మరియు వాటి సంబంధిత బూడిద ప్రమాణాలు.40 టేబుల్ 1లో చూపబడింది.
దశ 2: ప్రతిపాదించిన పద్ధతి ఆధారంగా40,j (\(j = 1,…,5\)) గ్రే క్లాస్ పరిగణించబడుతుంది మరియు i-th ప్రమాణం యొక్క ఎంపిక పరిధి, అనగా.\(\ఎడమ[ {a_{i}^{1} ,b_{i}^{5} } \right]\) నేను 5Gy తరగతులుగా విభజించబడ్డాను.
దశ 3: సమీకరణాలు (1) మరియు (2) j = 1 మరియు 5 లకు వర్తించే సగం-ట్రాపజోయిడల్ తెల్లబడటం బరువు ఫంక్షన్ను చూపుతాయి.
$$f_{i}^{1} (x) = \left\{ {\begin{array}{*{20}c} {\begin{array}{*{20}c} 1 & {x \le a_{i}^{1} } \\ \ end{array} } \\ {\begin{array}{*{20}c} {\frac{{b_{i}^{1} – x}}{ {b_{i}^{1} – a_{i}^{1} }}} & {a_{i}^{1} < x \le b_{i}^{1} } \\ \end{配列} } \\ {\begin{array}{*{20}c} 0 & {x > b_{i}^{1} } \\ \ end{array} } \\ \ end{array} } \కుడి. $$
(1)
$$f_{i}^{5} (x) = \left\{ {\begin{array}{*{20}c} {\begin{array}{*{20}c} 0 & {x \le a_{i}^{5} } \\ \ end{array} } \\ {\begin{array}{*{20}c} {\frac{{x – a_{i}^{5} }}{ {b_{i}^{5} – a_{i}^{5} }}} & {a_{i}^{5} \le x < b_{i}^{5}} \\ \ end{array } } \\ {\begin{array} .$$
(2)
J = 2, 3, 4 కోసం. త్రిభుజాకార తెల్లబడటం బరువు ఫంక్షన్: (3) వర్తింపజేయబడింది.
$$f_{i}^{j} (x) = \left\{ {\begin{array}{*{20}c} {\begin{array}{*{20}c} 0 & {x \notin \ఎడమ[ {a_{i}^{j} ,b_{i}^{j} } \right]} \\ \ end{Array} } \\ {\begin{Array}{*{20}c} {\frac{{2(x – a_{i}^{j} )}}{{b_{i} ^{j} – a_{i}^{j} }}} & {x \\ఎడమవైపు[ {a_{i}^{j} ,\frac{{a_{i}^{j} + b_{i}^{j} }}{2}} \right]} \\ \ end{Array} } \\ {\begin{Array}{*{20}c} {\frac{{2(b_{i}^{j} – x)}}{{b_{i} ^{j} – a_{i}^{j} }}} & {x \notin \ఎడమవైపు[ {\frac{{a_{i}^{j} + b_{i}^{j} }}{2},b_{i}^{j} } \right]} \\ \ end{Array} } \\ \ end{Array} } \right.$$
(3)
దశ 4: మేము సమీకరణం (4) ఉపయోగించి సింథటిక్ క్లస్టరింగ్ గుణకాన్ని లెక్కించాము (\(\rho_{i}^{j}\))
$$\rho_{i}^{j} = \sum\limits_{k = 1}^{m} {f_{i}^{j} (x) \cdot \eta_{i}^{k} }$ $
(నాలుగు)
దశ 5: ఎక్కడ \(f_{i}^{j} (x)\) jth గ్రే క్లాస్ ప్రమాణం i కోసం తెల్లబడటం బరువు ఫంక్షన్. m అనేది విద్యార్థుల అభిప్రాయాల వర్గాల సంఖ్య. \(\eta_{i}^{k}\) కాంపోజిట్ క్లస్టర్లో ప్రమాణం i యొక్క బరువు.
దశ 6: మూల్యాంకన ప్రమాణాల కోసం నిర్ణయం వెక్టర్ గుర్తించబడింది.ప్రమాణం \(\max_{1 \le j \le 5} (\rho_{i}^{j} ) = \rho_{i}^{{j^{*} }}\) ప్రమాణం j తరగతికి చెందినదో కాదో నిర్ధారించడానికి ఉపయోగించబడింది \(j^{*}\).
ఎంపిక ప్రమాణాలు:
-
(1)
తరగతుల కోసం \(j^{*}\) ఇది 4 మరియు 5 తరగతులకు చెందినది. అంటే, ముఖ్యమైన లేదా చాలా ముఖ్యమైన తరగతి విలువ వెక్టర్ నిర్ణయం యొక్క గరిష్ట విలువ అయితే ప్రమాణం అంగీకరించబడుతుంది.
-
(2)
తరగతి నిష్పత్తి ఉంటే \(j^{*}\) క్లాస్ 4 మరియు క్లాస్ 5తో వస్తుంది \(j^{*}\) 1 మరియు 2 తరగతులకు జోడించబడిన రేటింగ్లు 1 కంటే ఎక్కువగా ఉంటే, అంటే, నిర్ణయించబడని తరగతులను మినహాయించి, ముఖ్యమైన మరియు చాలా ముఖ్యమైన తరగతులు 50 శాతం కంటే ఎక్కువ ఉంటే ఈ ప్రమాణం ఆమోదించబడుతుంది.
గ్రే డెమాటెల్
Fonterra ప్రారంభంలో డెసిషన్ మేకింగ్ టెస్ట్ మరియు ఎవాల్యుయేషన్ లాబొరేటరీ (DEMATEL) పద్ధతిని ఉపయోగించింది మరియు 1976లో గాబస్ని ఉపయోగించింది.50. సిస్టమ్ యొక్క భాగాల మధ్య కారణం-మరియు-ప్రభావ సంబంధాలను విశ్లేషించడానికి DEMATEL ఉపయోగపడుతుంది. DEMATEL ప్రమాణాల మధ్య సంబంధాలు/పరస్వామ్యాల ఉనికిని ప్రదర్శించవచ్చు లేదా ప్రమాణాలలోని సంబంధాల సాపేక్ష స్థాయిలను వివరించవచ్చు.50. DEMATEL పెద్ద డేటా నమూనాలపై ఆధారపడదు మరియు కారకాల సహసంబంధ విశ్లేషణను సులభతరం చేస్తుంది.52,53,54. అయినప్పటికీ, సాంప్రదాయ DEMATEL వాస్తవికత యొక్క అస్పష్టత మరియు అనిశ్చితిని పరిగణనలోకి తీసుకోదు.54,55,56. Tseng (2009) అసంపూర్ణ సమాచార ప్రమాణాలు మరియు ప్రత్యామ్నాయాలను విశ్లేషించడం కోసం క్రమానుగత బూడిద DEMATELను ఏర్పాటు చేయడానికి మసక త్రిభుజాకార సంఖ్యలను విస్తరించింది.41.
అందువల్ల, ఈ అధ్యయనంలో, విద్యార్థుల అకడమిక్ బర్న్అవుట్ను ప్రభావితం చేసే కారకాల యొక్క కారణ నమూనాను అభివృద్ధి చేయడానికి మేము గ్రే డెమాటెల్ పద్ధతిని వర్తింపజేసాము.
దశ 1: రెండు చతురస్రాకార మాత్రికలను కలిగి ఉన్న ప్రశ్నపత్రం (ప్రధాన ప్రమాణం యొక్క 7వ క్రమం యొక్క చదరపు మాతృక మరియు ఆర్డర్ 7 యొక్క n యొక్క స్క్వేర్ మ్యాట్రిక్స్, ఇక్కడ n అనేది ప్రతి ప్రధాన ప్రమాణం యొక్క సబ్క్రైటీరియాల సంఖ్య) క్రింది జత వైపు పోలికల కోసం సృష్టించబడుతుంది ఇది రూపొందించబడింది. ప్రమాణం.
దశ 2: 37 మంది గ్రాడ్యుయేట్ విద్యార్థుల (మాస్టర్స్ మరియు డాక్టోరల్ విద్యార్థులు) యాదృచ్ఛికంగా ఎంపిక చేయబడిన నమూనా జత వైపు పోలికల ద్వారా ప్రమాణాల మధ్య పరస్పర సంబంధాలను అంచనా వేసింది.
దశ 3: ప్రమాణాల మధ్య కారణ సంబంధ స్థాయిని వివరించడానికి విద్యార్థులు 10 భాషా చరరాశులను ఉపయోగించారు. భాషా చరరాశులు మరియు వాటి సంబంధిత బూడిద-మసక సంఖ్యలు (క్రింద ప్రకారం)41,57,58విద్యార్థుల అకడమిక్ బర్న్అవుట్ను ప్రభావితం చేసే కారకాల ప్రభావాన్ని నిర్వచించే సూచికలు టేబుల్ 2లో చూపబడ్డాయి.
దశ 4: ఊహిస్తారు \(\ఓటైమ్స్\) విరామం బూడిద సంఖ్య ఇలా నిర్వచించబడింది: \(\ సార్లు X = \ఎడమ[ {\underline{X} ,\overline{X} } \right]\)X యొక్క దిగువ మరియు ఎగువ సరిహద్దులు పరిమితం చేయబడ్డాయి.
దశ 5: సూత్రాన్ని ఉపయోగించి, (5) విద్యార్థుల అభిప్రాయాలను మరియు ప్రత్యక్ష సంబంధాల మాతృక (n × n) (\(i,j = 1, \ldots ,n\)) ప్రమాణం i ప్రమాణాన్ని ప్రభావితం చేస్తుందని చూపించడానికి సాధించబడింది j.
$$\otimes X_{ij} = \frac{1}{h}\left( { \otimes X_{ij}^{1} + \otimes X_{ij}^{2} + \cdots + \otimes X_{ ij}^{h}} \కుడివైపు)$$
(ఐదు)
$$X = \ఎడమ[ {\begin{array}{*{20}c} { \otimes X_{11} } & \ldots & { \otimes X_{1n} } \\ \vdots & \vdots & \vdots \\ { \otimes X_{n1} } & \ldots & { \otimes X_{nn} } \\ \end{array} } \right]$$
(6)
దశ 6: మేము గ్రే రిలేషనల్ డెసిషన్ మ్యాట్రిక్స్ని సాధారణీకరించాము (\(X^{\prime}\))
$$X{\prime} = \ఎడమ[ {\begin{array}{*{20}c} { \otimes X_{11}{\prime} } & \ldots & { \otimes X_{1n}{\prime} } \\ \vdots & \vdots & \vdots \\ { \otimes X_{n1}{\prime} } & \ldots & { \otimes X_{nn}{\prime} } \\ \end{array} } \right]$$
(7)
దశ 7: సంబంధం సాధారణీకరించబడిన బూడిద రంగు DEMATEL నిర్ణయం మాతృక (M*).
$$M^{*} = \ఎడమ[ {\begin{array}{*{20}c} { \otimes M_{11} } & \ldots & { \otimes M_{1n} } \\ \vdots & \vdots & \vdots \\ { \otimes M_{n1} } & \ldots & { \otimes M_{nn} } \\ \end{array} } \right]$$
(8)
ఎక్కడ
$$\otimes M_{ij} = \frac{{ \otimes X_{ij}{\prime} }}{{\max_{1 \le i \le n} \sum\limits_{j = 1}^{n } {M_{ij} }}}$$
(9)
దశ 8: మొత్తం సంబంధాల మాతృక (T)
$$T = M^{*} (I – M^{*} )^{ – 1}$$
(పది)
ఇక్కడ, మ్యాట్రిక్స్ I అనేది ఆర్డర్ n యొక్క గుర్తింపు మాతృక.
బూడిద బరువులను స్ఫుటమైన బరువులుగా మార్చడానికి, సగటు పద్ధతిని వర్తించండి. ప్రతి వైపు గ్రే వెయిట్ కోసం ఉత్తమమైన నాన్-గ్రే పనితీరు (BNP) విలువను లెక్కించడానికి ఇది సరళమైన మరియు ఆచరణాత్మక పద్ధతి.
దశ 9: మొత్తం ప్రత్యక్ష సంబంధాల మాతృక యొక్క ప్రతి అడ్డు వరుస మరియు నిలువు వరుస మొత్తం రెండు వెక్టర్లుగా ముద్రించబడింది. \(\overrightarrow{D}={\ఎడమ[{d}_{i}\right]}_{n\ సార్లు 1}\), \(\vec{R} = \mathop {\ఎడమ[ {r_{j} } \right]_{1 \times n} }\పరిమితులు^{\prime }\), \(\ఓవర్ రైట్ బాణం{D}\) + \(\ఓవర్ రైట్ బాణం{R}\) మరియు, \(\ఓవర్ రైట్ బాణం{D}\)–\(\ఓవర్ రైట్ బాణం{R}\) వెక్టర్. \(I=j అయితే, {d}_{i}>{r}_{j}\ నుండి {d}_{i}-{r}_{j}>0\)అయితే, ప్రమాణం నిజమైన కారణం. \(I=j అయితే, {d}_{i}<{r}_{j}\ to {d}_{i}-{r}_{j}<0\)అయితే, ప్రమాణం నికర ప్రభావం. \({d}_{i}\) ఇతర ప్రమాణాలపై ప్రమాణం i యొక్క మొత్తం ప్రత్యక్ష మరియు పరోక్ష ప్రభావాన్ని సూచిస్తుంది. \({r}_{j}\) j ప్రమాణంపై ప్రత్యక్ష మరియు పరోక్ష ప్రభావాల మొత్తాన్ని సూచిస్తుంది.
దశ 10: సమాంతర అక్షం (\(\ఓవర్ రైట్ బాణం{D}\)+\(\ఓవర్ రైట్ బాణం{R}\)) మరియు నిలువు అక్షం (\(\ఓవర్ రైట్ బాణం{D}\) –\(\ఓవర్ రైట్ బాణం{R}\)) అనేది ప్రతి ప్రమాణం కోసం ఆర్డర్ చేయబడిన జత అక్షాంశాలు (\({d}_{i}+{r}_{j}\) ,\({d}_{i}-{r}_{j}\))
దశ 11: ఇది ప్రమాణాల ప్రభావ బరువును కూడా నిర్ణయిస్తుంది. ప్రమాణం యొక్క సాపేక్ష ప్రాముఖ్యత క్రింది సూత్రాన్ని ఉపయోగించి లెక్కించబడుతుంది:.
$$W_{i} = \ఎడమ[ {\left( {d_{i} + r_{i} } \right)^{2} + \left( {d_{i} – r_{i} } \right)^{2} } \right]^{\frac{1}{2}} \,\,\,\,\,\,\,\,\begin{array}{*{20}c} {\forall i} & {i = 1, \ldots ,n} \\ \end{array}$$
(11)
ఏదైనా ప్రమాణం యొక్క సాధారణ బరువు క్రింది విధంగా నిర్ణయించబడుతుంది:
$$\overline{W}_{i} = \frac{{W_{i} }}{{\sum\limits_{i = 1}^{n} {W_{i} }}\,\,\ ,\,\,\,\,\,\,\begin{array}{*{20}c} {\forall i} & {i = 1, \ldots ,n} \\ \end{array}$$
(12)
ఎక్కడ \(\ఓవర్లైన్{W}_{i}\) నిర్ణయం తీసుకునే ప్రక్రియలో అవసరమైన ప్రమాణాల మొత్తం బరువును సూచిస్తుంది. కాబట్టి, సవరించిన 2-టుపుల్ DEMATEL విధానాన్ని వర్తింపజేయడం ద్వారా ప్రతి ప్రమాణం (అనగా, మొత్తం ప్రభావ బరువు) కోసం ప్రభావ బరువు లెక్కించబడుతుంది.
[ad_2]
Source link
