نوع مقاله : مقاله پژوهشی

نویسنده

• محمد محسن صدر

استادیار، گروه علم اطلاعات و دانش‌شناسی، دانشگاه پیام نور، تهران، ایران.

چکیده

سبک‌های تصمیم‌گیری اقتضایی مدیران ورزشی نقش حیاتی در موفقیت سازمان‌های ورزشی ایفا می‌کنند. با این حال، پیش‌بینی این سبک‌ها بر اساس ویژگی‌های فردی و سازمانی همواره چالشی پیچیده بوده است. این پژوهش با به‌کارگیری الگوریتم‌های یادگیری ماشین، به‌ویژه درخت‌های تصمیم و جنگل تصادفی، به دنبال ارائه مدلی دقیق برای پیش‌بینی سبک‌های تصمیم‌گیری اقتضایی در مدیران ورزشی است. در این مطالعه کمی-تحلیلی، داده‌های مربوط به ۱۵۰ مدیر ورزشی از لیگ‌های حرفه‌ای کشور گردآوری شد. متغیرهای مستقل شامل ویژگی‌های دموگرافیک (سن، تجربه)، روان‌شناختی (برون‌گرایی، روان‌رنجوری) و سازمانی (فرهنگ، فشار رقابتی) بودند. سبک تصمیم‌گیری (عقلایی، شهودی، اجتنابی) به‌عنوان متغیر وابسته در نظر گرفته شد. از الگوریتم‌های درخت تصمیم، جنگل تصادفی و رگرسیون لجستیک برای مدل‌سازی استفاده گردید. دقت مدل‌ها با معیارهای Accuracy  Precision, Recall,  و ماتریس آشفتگی ارزیابی شد. مدل جنگل تصادفی با دقت ۸۷% بهترین عملکرد را در پیش‌بینی سبک‌های تصمیم‌گیری نشان داد. متغیرهای «فشار رقابتی» و «تجربه مدیریتی» بیشترین تأثیر را در پیش‌بینی سبک تصمیم‌گیری داشتند. مقایسه با روش‌های سنتی (مانند رگرسیون لجستیک) برتری چشمگیر یادگیری ماشین را تأیید کرد. یافته‌ها اثبات می‌کنند که یادگیری ماشین‌ابزاری کارآمد برای تحلیل رفتار تصمیم‌گیری مدیران ورزشی است. مدل پیشنهادی می‌تواند به سازمان‌های ورزشی در انتخاب و توسعه رهبران اثربخش کمک کند. این پژوهش مسیر جدیدی را برای ادغام هوش مصنوعی و مطالعات رفتار سازمانی در ورزش می‌گشاید.

کلیدواژه‌ها

• تصمیم‌گیری اقتضایی
• مدیران ورزشی
• یادگیری ماشین
• درخت تصمیم
• رفتار سازمانی

موضوعات

• مدیریت رفتار سازمانی

عنوان مقاله [English]

Predicting Contingent Decision-Making Styles of Sports Managers Using a Data-Driven Approach: Application of Decision Tree and Machine Learning

نویسنده [English]

• Mohammad Mohsen Sadr

Assistant Professor, Department of Knowledge and Information Science, Payame Noor University, Tehran, Iran.

چکیده [English]

The Contingent decision-making styles of sports managers play a vital role in the success of sports organizations. However, predicting these styles based on individual and organizational characteristics has always been a complex challenge. This study employs machine learning algorithms, particularly decision trees and random forests, to develop an accurate model for predicting contingent decision-making styles among sports managers. In this quantitative-analytical study, data were collected from 150 professional sports managers in national leagues. Independent variables included demographic characteristics (age, experience), psychological traits (extraversion, neuroticism), and organizational factors (culture, competitive pressure). The dependent variable was decision-making style (rational, intuitive, avoidant). Decision tree, random forest, and logistic regression algorithms were used for modeling. Model accuracy was evaluated using Accuracy, Precision, Recall, and confusion matrix metrics. The random forest model demonstrated the best performance with 87% accuracy in predicting decision-making styles. Variables of "competitive pressure" and "managerial experience" had the greatest impact on predicting decision styles. Comparison with traditional methods (such as logistic regression) confirmed the significant superiority of machine learning. The findings prove that machine learning is an effective tool for analyzing decision-making behaviors of sports managers. The proposed model can assist sports organizations in selecting and developing effective leaders. This research opens new avenues for integrating artificial intelligence with organizational behavior studies in sports.ش

کلیدواژه‌ها [English]

• Contingent Decision Making
• Sports Managers
• Machine Learning
• Decision Tree
• Organizational Behavior