feat: 论文

docs/05_毕业论文摘要与关键词草案.md

@@ -2,16 +2,19 @@
 
 ## 中文摘要草案
 
-随着企业管理数字化水平的提升，员工缺勤行为分析逐渐成为人力资源管理中的重要研究内容。针对传统缺勤管理方式依赖人工统计、分析效率较低、风险预警能力不足、缺乏理论解释支撑等问题，本文设计并实现了一套基于中国企业员工缺勤事件的分析与预测系统。系统围绕缺勤事件数据，构建了数据概览、影响因素分析、`JD-R` 理论分析、缺勤风险预测和员工群体画像五类核心功能，实现了缺勤时长统计分析、关键因素挖掘、理论驱动解释、多模型预测与聚类画像展示。
+随着企业管理数字化水平的提升，员工缺勤行为分析逐渐成为人力资源管理中的重要研究内容。针对传统缺勤管理方式依赖人工统计、分析效率较低、风险预警能力不足且缺乏机制解释的问题，本文围绕中国企业员工缺勤场景，构建了一套集统计分析、理论解释与风险预测于一体的分析框架与系统实现。本文并不将研究目标局限于“预测缺勤时长”本身，而是希望回答三个问题：员工缺勤呈现出什么特征，缺勤受到哪些因素影响，以及这些因素通过何种机制作用于缺勤结果。
 
-在系统实现过程中，后端采用 Flask 框架构建接口服务，结合 Pandas、Scikit-learn 与 PyTorch 完成数据处理、特征工程、模型训练、理论指标计算与可解释分析；前端采用 Vue 3、Element Plus 与 ECharts 实现交互式可视化界面。针对毕业设计场景，系统构建了一套符合中国企业特征的员工缺勤事件模拟数据集，并在数据层补充工作要求、工作资源、个人资源、工作倦怠和工作投入等 `JD-R` 理论变量，用于解释员工缺勤的心理学驱动机制。同时，系统引入树模型、聚类模型与时序注意力融合深度学习模型，对单次缺勤时长进行预测，并结合 `SHAP` 全局与局部解释技术，提高模型结果的可解释性。
+在研究设计上，本文以 `JD-R`（工作要求-资源）理论为解释主线，将工作要求、工作资源、个人资源、工作倦怠和工作投入等心理学变量映射为可计算字段，并进一步构建工作要求指数、工作资源指数、个人资源指数、`JD-R` 平衡度等复合指标，用于解释员工缺勤背后的深层心理与组织机制。在此基础上，系统先通过数据概览和影响因素分析识别缺勤现象与关键风险因素，再通过 `JD-R` 双路径分析解释高工作要求如何通过倦怠推高缺勤，以及工作资源与个人资源如何通过提升投入缓冲缺勤风险，最后结合机器学习模型对缺勤时长与风险进行预测判断。
 
-研究结果表明，系统能够较好地完成缺勤时长预测任务，并通过 `JD-R` 双路径分析和 `SHAP` 特征解释揭示缺勤行为背后的工作负荷、资源支持与个体心理资源作用机制。本文的研究工作为企业缺勤行为分析、风险预警和管理干预提供了可视化、可解释、可扩展的技术方案，也为后续开展员工离职预警、职业健康管理和组织行为分析提供了基础。
+在系统实现过程中，后端采用 Flask 框架构建接口服务，结合 Pandas、Scikit-learn 与 PyTorch 完成数据处理、特征工程、理论指标计算、预测建模与可解释分析；前端采用 Vue 3、Element Plus 与 ECharts 实现交互式可视化界面。针对毕业设计场景，系统构建了一套符合中国企业特征的员工缺勤事件模拟数据集，并在预测阶段引入树模型、聚类模型与时序注意力融合深度学习模型，在解释阶段引入 `SHAP` 全局与局部分析，并按 `JD-R` 理论维度聚合特征贡献，将模型结果转化为可读的机制说明。
+
+研究结果表明，本文构建的系统不仅能够完成缺勤时长预测任务，更能够从 `JD-R` 理论视角解释缺勤行为形成的原因，并将预测结果进一步转化为“压力-资源结构”下的文字化解释与管理建议。本文的研究工作为企业开展员工缺勤分析、风险识别和干预决策提供了可视化、可解释、可扩展的技术方案，也为后续开展职业健康管理、组织行为分析和离职预警研究提供了基础。
 
 ## 关键词
 
 - 员工缺勤分析
 - `JD-R` 模型
+- 缺勤机制解释
 - 风险预测
 - `SHAP` 可解释分析
 - 机器学习
@@ -20,4 +23,4 @@
 
 ## 英文摘要标题参考
 
-Employee Absence Analysis and Prediction System with JD-R Theory and Explainable Modeling
+Employee Absence Analysis, Explanation and Prediction System with JD-R Theory