fa پیش بینی استرس شغلی با استفاده از هوش هیجانی: مدل شبکه عصبی مصنوعی و رگرسیون پژوهشي Research امروزه میان صاحبنظران این توافق وجود دارد که هوش هیجانی در موفقیت افراد در حیطه های مختلف زندگی نقش به سزایی دارد. در مقابله با درخواست ها و فشارها در محیط کار نیز افرادی که هوش هیجانی بالاتری دارند کمتر دچار استرس می شوند. این پژوهش با هدف بکارگیری هوش مصنوعی برای پیش بینی استرس شغلی افراد و مقایسه عملکرد این مدل با مدل رگرسیون چند متغیره طراحی گردیده است. بدین منظور ٨۹۲ نفر از بین افراد شاغل در گروه های شغلی مختلف به صورت تصادفی انتخاب شدند. سپس اطلاعات ۱۵ بعد هوش هیجانی پرسشنامه بار-آن، ۱۰ گروه شغلی و سن و تحصیلات به عنوان متغیرهای ورودی و ۷ بعد پرسشنامه استرس شغلی HSE به عنوان متغیر خروجی در نظر گرفته شد. نتایج نشان داد که شبکه عصبی مصنوعی با الگوریتم پرسپترون با یک لایه میانی و ۳۷۵ گره که از توابع تانژانت هاﻳﭘربولیک در لایه میانی و سیگموئید در لایه خروجی، توانست به طور قابل ملاحظه ای موفق تر از رگرسیون چند متغیره استرس شغلی افراد را در حیطه های مختلف برآورد نماید. به نحوی که، همبستگی بین نمرات برآورد شده از مدل رگرسیون با مقادیر واقعی تنها بین ۳۶۴/۰-۱۹۲/۰ بود اما این مقدار برای مدل شبکه عصبی در کلیه ابعاد استرس شغلی بیشتر از ۵۲۷/۰ بود. <strong>Introduction:</strong> These days, there is a consensus that emotional intelligence plays an important role in the success of individuals in different areas of life. Persons with higher emotional intelligence had lower stress in dealing with demands and pressures in the workplace. The purpose of this study was to use artificial neural network to predict job stress and to compare the performance of this model with the multivariate regression model.<br> <strong>Material and Methods:</strong> In order to do that, 892 participants were selected randomly in different job categories. Then, 15 dimensions of Bar-On questionnaire, 10 job categories, age and education were considered as input variables and 7 dimensions of health and safety executive HSE were determined as output variables in models.<br> <strong>Results: </strong>The results revealed that an artificial neural network with hyperbolic tangent and sigmoid transfer functions respectively in hidden and output layers with 375 hidden neurons had significantly better performance than multivariate regression. So that, correlation of predicted values and job stress were only between 0.192-0.364 in regression model, but neural network had at least correlation 0.527 in all dimensions of job stress.<br> <strong>Conclusion:</strong> In predicting job stress using emotional intelligence, artificial neural network method was much better than multivariate regression model. هوش هیجانی, استرس شغلی, شبکه عصبی مصنوعی, رگرسیون چند گانه Emotional Intelligence, Job Stress, Artificial Neural Network, Multivariate Regression 516 528 http://jhsw.tums.ac.ir/browse.php?a_code=A-10-74-108&slc_lang=fa&sid=1 Elahe Allahyari الهه الله یاری No Department of Epidemiology and Biostatistics, School of Health, Social Determinants of Health Research Center, Birjand University of Medical Sciences, Birjand, Iran گروه اپیدمیولوژی و آمارزیستی، دانشکده بهداشت، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران Abdollah Gholami عبدالله غلامی No Department of Occupational Health, School of Health Social Determinants of Health Research Center Birjand University of Medical Sciences, Birjand, Iran گروه بهداشت حرفه ای، دانشکده بهداشت ، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران Morteza Arab-Zozani مرتضی عرب زوزنی No Social Determinants of Health Research Center, Birjand University of Medical Sciences, Birjand, Iran مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران Hosein Ameri حسین عامری No Health Policy and Management Research Center, Department of Health Services Management, School of Public Health, Shahid Sadoughi University of Medical Sciences, Yazd, Iran مرکز تحقیقات سیاست و مدیریت سلامت، گروه مدیریت خدمات بهداشتی ، دانشکده بهداشت، دانشگاه علوم پزشکی شهید صدوقی ، یزد، ایران Negin Nasseh نگین ناصح negin_nassseh@yahoo.com Yes Social Determinants of Health Research Center, Faculty of Health, Environmental Health Engineering Department, Birjand University of Medical Sciences, Birjand, Iran گروه بهداشت محیط، دانشکده بهداشت، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران