Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Ledic Neto, Jerko
Orientador(a): Moro, Antônio Renato Pereira
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/250156
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Produção, Florianópolis, 2023.
id UFSC_c29d201feb538cb2f928e53075bf144f
oai_identifier_str oai:repositorio.ufsc.br:123456789/250156
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaLedic Neto, JerkoMoro, Antônio Renato Pereira2023-09-04T23:12:41Z2023-09-04T23:12:41Z2023383351https://repositorio.ufsc.br/handle/123456789/250156Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Produção, Florianópolis, 2023.As instituições federais de ensino superior no Brasil vêm tentando melhorar o desempenho humano. Nesse contexto, esta tese articula e valida a integração de tecnologias avançadas, como inteligência artificial (IA) e aprendizado de máquina, na gestão de recursos humanos nas instituições de ensino superior. Através de uma série de seis artigos, a pesquisa explora e avalia a aplicação da Teoria de Resposta ao Item (TRI) para o desenvolvimento de instrumentos de avaliação da Qualidade de Vida no Trabalho (QVT) e da satisfação no trabalho. Além disso, ela emprega os resultados obtidos pela escala de satisfação no trabalho em modelos de aprendizado de máquina para prever licenças médicas de 30 ou mais dias. A tese abre com uma revisão abrangente da literatura destacando a necessidade de maior especialização em engenharia de segurança na construção de Sistemas de Avaliação de Desempenho de Saúde e Segurança do trabalho (SADSST). Além disso, ela destaca a transformação impactante que a IA e as ciências de dados estão trazendo para a gestão de Saúde e Segurança. Por meio do uso da TRI, a tese desenvolve e valida escalas para avaliar a QVT e a satisfação no trabalho, fornecendo uma ferramenta crucial para os tomadores de decisão. Ela enfatiza a necessidade de abordagens proativas para melhorar a QVT e a satisfação no trabalho. Por fim, a tese confirma a viabilidade de aplicar a escala de satisfação no trabalho em algoritmos de aprendizado de máquina para prever licenças médicas em instituições de ensino superior, com os modelos Random Forest e Naïve Bayes demonstrando eficácia superior. As descobertas reforçam a importância das abordagens baseadas em dados para a tomada de decisão e fornecem uma base sólida para futuras pesquisas e práticas. Em resumo, este trabalho pioneiro sinaliza um novo paradigma na gestão de recursos humanos, onde a tecnologia e a avaliação baseada em dados permitem um ambiente de trabalho mais seguro, produtivo e satisfatório.Abstract: Federal higher education institutions in Brazil have been striving to enhance human performance. In this context, this thesis articulates and validates the integration of advanced technologies, such as artificial intelligence (AI) and machine learning, into human resources management in higher education institutions. Through a series of six articles, the research explores and evaluates the application of Item Response Theory (IRT) for the development of assessment tools for Quality of Working Life and job satisfaction. Additionally, it employs the Job Satisfaction scores in machine learning models to predict sick leaves of 30 or more days. The thesis begins with a comprehensive literature review highlighting the need for greater expertise in safety engineering in the construction of occupational health and safety management systems. Moreover, it emphasizes the impactful transformation that AI and data sciences are bringing to Health and Safety management. Using the IRT, the thesis develops and validates scales to assess QWL and job satisfaction, providing a crucial tool for decision-makers. It underscores the need for proactive approaches to enhance QWL and job satisfaction. In conclusion, the thesis confirms the feasibility of applying the job satisfaction scale in machine learning algorithms to predict sick leaves in higher education institutions, with Random Forest and Naïve Bayes models demonstrating superior efficacy. The findings reinforce the importance of databased approaches to decision-making and provide a solid foundation for future research and practices. In summary, this pioneering work signals a new paradigm in human resources management, where technology and databased assessment enable a safer, more productive, and satisfactory work environment.323| il., gráfs.porEngenharia de produçãoPessoalInteligência artificialAprendizado do computadorTeoria da Resposta do ÍtemQualidade de vida no trabalhoSatisfação no trabalhoEscalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFESinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEPS5855-T.pdfPEPS5855-T.pdfapplication/pdf12168976https://repositorio.ufsc.br/bitstream/123456789/250156/1/PEPS5855-T.pdf5a9f5c31f4d62fb6880cc776c0b72fabMD51123456789/2501562023-09-04 20:12:41.898oai:repositorio.ufsc.br:123456789/250156Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732023-09-04T23:12:41Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES
title Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES
spellingShingle Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES
Ledic Neto, Jerko
Engenharia de produção
Pessoal
Inteligência artificial
Aprendizado do computador
Teoria da Resposta do Ítem
Qualidade de vida no trabalho
Satisfação no trabalho
title_short Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES
title_full Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES
title_fullStr Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES
title_full_unstemmed Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES
title_sort Escalas psicométricas para avaliação de desempenho e para um modelo preditivo de afastamentos de servidores em IFES
author Ledic Neto, Jerko
author_facet Ledic Neto, Jerko
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Ledic Neto, Jerko
dc.contributor.advisor1.fl_str_mv Moro, Antônio Renato Pereira
contributor_str_mv Moro, Antônio Renato Pereira
dc.subject.classification.none.fl_str_mv Engenharia de produção
Pessoal
Inteligência artificial
Aprendizado do computador
Teoria da Resposta do Ítem
Qualidade de vida no trabalho
Satisfação no trabalho
topic Engenharia de produção
Pessoal
Inteligência artificial
Aprendizado do computador
Teoria da Resposta do Ítem
Qualidade de vida no trabalho
Satisfação no trabalho
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Produção, Florianópolis, 2023.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-09-04T23:12:41Z
dc.date.available.fl_str_mv 2023-09-04T23:12:41Z
dc.date.issued.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/250156
dc.identifier.other.none.fl_str_mv 383351
identifier_str_mv 383351
url https://repositorio.ufsc.br/handle/123456789/250156
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 323| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/250156/1/PEPS5855-T.pdf
bitstream.checksum.fl_str_mv 5a9f5c31f4d62fb6880cc776c0b72fab
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851758889831235584

Registros relacionados