توسعه فردی و تحول سازمانی 3092-6491 در دست انتشار 1406 07 01 Designing a Human–Machine Learning System Interaction Model to Enhance Individual Performance in the Social Security Organization طراحی مدل تعامل انسان و سیستم‌های یادگیری ماشین برای ارتقای عملکرد فردی در سازمان تأمین اجتماعی 1 29 FA مهدی باقری میمندی گروه مدیریت، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران عباس بابایی نژاد گروه مدیریت دولتی، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران. عمید خطیبی بردسیری گروه مهندسي کامپيوتر، واحد کرمان، دانشگاه آزاد اسلامي، کرمان، ايران Journal Article 1405 04 10 <p>This study aimed to design and validate a human–machine learning interaction model for enhancing individual performance in the Social Security Organization, with emphasis on adaptive task allocation, trust, explainability, and preservation of human oversight. This applied mixed-methods study used a multilevel design at the individual, team, and organizational levels. At the individual level, 12 experts were purposively selected, and semi-structured interview data were analyzed through two-cycle content analysis using NVivo 12. At the team level, digital trace data from 1,510 cases across five work teams, including four experimental teams and one control team, were examined over a five-month period. Main variables included rework, re-referral, decision accuracy, processing time, and user responses to system recommendations. At the organizational level, an agent-based simulation model was developed in AnyLogic 8 and calibrated using observed data, expert judgments, and inverse calibration procedures. Difference-in-differences analysis showed that, compared with the control team, machine learning implementation reduced rework by 6.7 percentage points (z = -3.42, p = 0.001), reduced re-referral by 7.1 percentage points (z = -3.61, p &lt; 0.001), and increased correct final decisions by 7.6 percentage points (z = 4.18, p &lt; 0.001). Completion without returning to a previous workflow stage increased by 9.2 percentage points (z = 4.36, p &lt; 0.001). Cramer’s V ranged from 0.14 to 0.18. Performance scores also differed substantially between accepted and rejected recommendations, with a large effect size (Cohen’s d = 1.67). Simulation results identified adaptive human–machine collaboration with 60% task allocation to the system as the highest-performing scenario. Maximum automation did not produce the best outcomes; instead, adaptive human–machine collaboration yielded superior performance when task allocation was adjusted to complexity, decision sensitivity, and system capability while preserving meaningful human review in complex and high-risk cases.</p> <p>هدف: هدف پژوهش حاضر طراحی و اعتبارسنجی مدل تعامل انسان و سیستم‌های یادگیری ماشین برای ارتقای عملکرد فردی در سازمان تأمین اجتماعی با تأکید بر تخصیص تطبیقی وظایف، اعتماد، توضیح‌پذیری و حفظ نظارت انسانی بود. این پژوهش کاربردی با رویکرد ترکیبی و طراحی چندسطحی در سه سطح فردی، گروهی و سازمانی انجام شد. در سطح فردی، ۱۲ خبره به‌صورت هدفمند انتخاب شدند و داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری و با تحلیل محتوای دوچرخه‌ای در NVivo 12 تحلیل شد. در سطح گروهی، داده‌های ردپای دیجیتال ۱۵۱۰ پرونده در پنج تیم کاری شامل چهار تیم آزمایشی و یک تیم کنترل طی دوره پنج‌ماهه بررسی شد. متغیرهای اصلی شامل بازکاری، ارجاع مجدد، صحت تصمیم، زمان رسیدگی و واکنش کاربران به پیشنهادهای سیستم بود. در سطح سازمانی، مدل شبیه‌سازی مبتنی بر عامل در AnyLogic 8 طراحی و با داده‌های واقعی، نظر خبرگان و کالیبراسیون معکوس اعتبارسنجی شد. تحلیل تفاوت در تفاوت‌ها نشان داد که پس از به‌کارگیری سیستم یادگیری ماشین، نرخ بازکاری در تیم‌های آزمایشی نسبت به کنترل 6.7 واحد درصد کاهش یافت (z = -3.42، p = 0.001)، ارجاع مجدد 7.1 واحد درصد کاهش پیدا کرد (z = -3.61، p &lt; 0.001) و صحت تصمیم نهایی 7.6 واحد درصد افزایش یافت (z = 4.18، p &lt; 0.001). تکمیل پرونده بدون بازگشت به مرحله قبل نیز 9.2 واحد درصد افزایش یافت (z = 4.36، p &lt; 0.001). اندازه اثر V کرامر بین 0.14 تا 0.18 بود. همچنین، تفاوت امتیاز عملکرد پرونده‌های دارای پذیرش کامل پیشنهاد سیستم در مقایسه با موارد رد پیشنهاد، اندازه اثر بزرگ d = 1.67 را نشان داد. شبیه‌سازی نیز نشان داد سناریوی همکاری تطبیقی انسان–ماشین با واگذاری 60 درصدی وظایف، بالاترین شاخص عملکرد فردی را ایجاد کرد. نتایج نشان داد که بیشینه‌سازی خودکارسازی الزاماً به عملکرد بهتر منجر نمی‌شود و مناسب‌ترین الگو، همکاری تطبیقی انسان–ماشین است که در آن وظایف بر اساس پیچیدگی، حساسیت و قابلیت سیستم توزیع می‌شوند و انسان در تصمیم‌های پیچیده و پرریسک نقش نظارتی و اصلاحی خود را حفظ می‌کند.</p> https://journalpdot.com/index.php/jpdot/article/download/438/548