2.8 KiB
2.8 KiB
答辩汇报提纲
1. 课题背景
- 企业缺勤管理存在统计分散、分析不及时、预测能力不足的问题
- 单纯做预测不够，还需要解释“为什么员工会缺勤”
- 本课题以
JD-R理论为基础，构建一个可视化、可分析、可预测、可解释的缺勤管理辅助系统 - 论文主线不是几个独立页面，而是“现象发现 -> 机制解释 -> 风险预测 -> 管理建议”
2. 课题目标
- 展示缺勤数据整体分布
- 分析关键影响因素
- 用
JD-R理论解释缺勤形成机制 - 实现缺勤风险预测与解释
- 将预测结果转化为可读的文字化说明
- 构建员工群体画像
3. 系统总体设计
- 前后端分离架构
- 前端负责界面与图表
- 后端负责数据处理、模型预测、
JD-R分析与聚类分析 - 系统包含
SHAP解释能力 JD-R负责回答“为什么缺勤”，预测模块负责回答“缺勤到什么程度”
4. 核心功能展示顺序
4.1 数据概览
- 展示总量指标
- 展示月度趋势、星期分布、原因分布、季节分布
- 结论：先说明缺勤现象是什么
4.2 影响因素分析
- 展示特征重要性排序
- 解释为什么请假类型、医院证明、加班通勤压力等因素更重要
- 结论：识别出哪些业务因素需要进一步用理论解释
4.3 JD-R 理论分析
- 展示工作要求、工作资源、个人资源三维度
- 展示工作倦怠与工作投入分布
- 展示健康损伤路径和激励路径
- 说明这些因素如何通过倦怠和投入作用于缺勤
- 结论：回答“为什么会缺勤”
4.4 缺勤预测
- 输入关键字段
- 展示预测时长、风险等级与模型对比
- 展示
SHAP局部解释 - 结合
JD-R维度说明当前预测背后的压力-资源结构 - 结论：回答“未来会缺勤到什么程度，以及为什么会这样”
4.5 员工画像
- 展示群体雷达图
- 展示聚类结果与散点图
- 说明不同群体在要求、资源和缺勤表现上的差异
5. 技术实现亮点
- 前后端分离结构清晰
- 采用多模型训练与比较
- 引入基于
Transformer的时序注意力融合深度学习模型 - 将
JD-R心理学理论映射为可计算的数据字段与复合指标 - 融合
SHAP全局/局部解释，增强结果可解释性 - 将模型输出进一步组织成面向论文与答辩的机制解释思路
6. 项目成果
- 系统可完成统计、分析、理论解释、预测、画像五类任务
- 论文价值不只在“预测一个人缺勤多久”，更在于解释缺勤形成机制并提出干预方向
- 页面可视化效果完整
- 文档、论文材料与代码实现保持一致
7. 不足与改进方向
- 可进一步引入真实企业数据
- 可继续提升理论变量测量精度
- 可加入权限管理、报表导出和数据库存储