27 lines
2.8 KiB
Markdown
27 lines
2.8 KiB
Markdown
# 毕业论文摘要与关键词草案
|
|
|
|
## 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。
|
|
|
|
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
|
|
- 时序融合模型
|
|
- 可视化系统
|
|
|
|
## 英文摘要标题参考
|
|
|
|
Employee Absence Analysis, Explanation and Prediction System with JD-R Theory
|