هدف: پیشبینی نتایج فعّالیتهای کیفیتبخشی، از دغدغههای مسئولین دانشگاههای افسری نیروهای مسلح است. مقاله حاضر با بهرهمندی از قابلیتهای شبکه عصبی مصنوعی و با توجه به دغدغه مذکور، به ارائه مدلی برای پیشبینی روند نتایج عوامل اثرگذار در فعّالیتهای تربیتی-آموزشی نظامی یکی از دانشگاههای افسری پرداخته است. روش: جامعة آماری، کلیة افسران جوان تحت آموزش در اردوی رزم در کوهستان دانشگاه مورد مطالعه (از سال 1397 تا 1401) است. ابتدا، دادههای مربوط به عوامل و سنجههای فعّالیتهای تربیتی-آموزشی اردوی رزم در کوهستان برای دورة زمانی پنجساله یادشده گردآوری شد. در گام بعدی پیشپردازش دادهها انجام و با استفاده از الگوریتم IRNN پیشنهادی و کدنویسی آن در پایتون، به ساخت مدل و صحتسنجی آن پرداخته شد. یافتهها: با بهرهمندی از مدل ساختهشده و دادههای موجود وضعیت کیفیت عملکرد آموزشی اردوگاه در دوره بعد پیشبینی شد. نتیجهگیری: با ادامه سیاستهای کنونی، تمامی عوامل به غیر از عامل«روزآمدی سطح دانش و مهارت کادر آموزشی» از روند صعودی برخوردار خواهند بود. میبایست برنامهریزی صحیحی در راستای روزآمدسازی سطح دانش و مهارت کادر آموزشی موثر در فعّالیتهای آموزشی، انجام داد.
عباسیان، محمد، و میرجمهری، علیرضا. (1401). ارزشیابی مطلوبیت فعّالیتهای تربیتی-آموزشی اردوی رزم در کوهستان. آموزش علوم دریایی، در دست انتشار.
راعی، رضا. (1380). شبکه های عصبی: رویکردی نوین در تصمیم گیریهای مدیریت. مدرس علوم انسانی، 5(2 (پیاپی 19))، 133-154.
علاماتی، غلامرضا؛ بلخی، محمد؛ امینی، مصطفی؛ محمدی، علی. (1399). تأثیر تاکتیکها و تجهیزات در برگزاری مناسب اردوی رزمی کویر. پژوهش علوم نظامی، 1(1)، 51-72.
ایجابی، ابراهیم؛ قاضی، حسن و ملک محمدی، حجت. (1390). تصمیمگیری و تصمیمسازی به کمک مدلهای شبیهسازی. علوم و فنون نظامی،(22)8، 51-66.
عالینژاد، امیرحمزه؛ و شمامی، نادر. (1400). طراحی مدل پیشبینی و تعیین سطح ورزش قهرمانی آجا با استفاده از سیستم استنتاج فازی. آیندهپژوهی دفاعی، (23)6 ، 129-152
Abdelwadoud, M., Collen, J., Edwards, H., Mullins, C. D., Jobe, S. L., Labra, C., Capaldi, V. F., Assefa, S. Z., Williams, S. G., & Drake, C. L. (2022). Engaging stakeholders to optimize sleep disorders’ management in the US military: a qualitative analysis. Military Medicine, 187(7-8), e941-e947. https://doi.org/10.1093/milmed/usab341
Brauner, R. A., & Crocker, A. B. (2022). Ready to Serve: Opportunities for Cooperative Extension to Support Military Families. The Journal of Extension, 60(1), 17. https://doi.org/10.34068/joe.60.01.18
Burgin, E. E., & Ray, D. C. (2020). Military-connected children: Applying the competencies for counseling military populations. Journal of Child and Adolescent Counseling, 6(2), 124-136. https://doi.org/10.1080/23727810.2020.1729011
Caudal, P., & Gallet, S. (2023). Khaki conservation: a review of the effects on biodiversity of worldwide Military Training Areas. Environmental Reviews. https://doi.org/10.1139/er-2023-0014
Dong, Q., Li, , Dai, D., Zheng, C., Wu, Z., Chang, B., Sun, X., Xu, J., & Sui, Z. (2022). A survey for in-context learning. arXiv preprint arXiv:2301.00234. https://doi.org/10.48550/arXiv.2301.00234
Garajeh, M. K., Malakyar, F., Weng, Q., Feizizadeh, B., Blaschke, T., & Lakes, T. (2021). An automated deep learning convolutional neural network algorithm applied for soil salinity distribution mapping in Lake Urmia, Iran. Science of the Total Environment, 778, 146253. https://doi.org/10.1016/j.scitotenv.2021.146253
Ixtiyor, A. (2022). Pre-Conscription Military Training Of The Student In The Direction Of The Country, The Idea Of Peace Small Form Methods And Tools. International Journal Of Social Science & Interdisciplinary Research Issn: 2277-3630 Impact Factor: 7.249, 11(09), 96-99.
Jackson, J. J., Thoemmes, F., Jonkmann, K., Lüdtke, O., & Trautwein, U. (2012). Military training and personality trait development: Does the military make the man, or does the man make the military? Psychological science, 23(3), 270-277. https://doi.org/10.1177/0956797611423545
Koberidze, G. (2023). Defense in Depth: The Key to Ukraine's Military Defense Strategy during the battle of Kyiv. Journal of Politics and Democratization, 5(4).
Kumar, A., & Sodhi, S. S. (2022). Some Modified Activation Functions of Hyperbolic Tangent (TanH) Activation Function for Artificial Neural Networks. International Conference on Innovations in Data Analytics.
Martinez Machain, C. (2021). Exporting influence: US military training as soft power. Journal of Conflict Resolution, 65(2-3), 313-341. https://doi.org/10.1177/0022002720957713
Matsuo, Y., LeCun, Y., Sahani, M., Precup, D., Silver, D., Sugiyama, M., Uchibe, E., & Morimoto, J. (2022). Deep learning, reinforcement learning, and world models. Neural Networks, 152, 267-275. https://doi.org/10.1016/j.neunet.2022.03.037
McLauchlin, T., Seymour, L. J., & Martel, S. P. B. (2022). Tracking the rise of United States foreign military training: IMTAD-USA, a new dataset and research agenda. Journal of peace research, 59(2), 286-296. https://doi.org/10.1177/00223433211047715
Osodlo, V., Rakhmanov, V., Krykun, V., Tarasenko, N., & Aristarkhova, M. (2022). Officers' foreign language training in educational and information environment of the Higher Military Educational Institution. Review of Education, 10(1), e3317. https://doi.org/10.1002/rev3.3317
Plotnik, I., Bar, J., Solomon-Cohen, E., Solomon, M., Moshe, S., & Slodownik, D. (2023). The Characteristics of Allergic Contact Dermatitis in Military and Civilian Populations: A Multicenter Cross-Sectional Study. Dermatitis®. https://doi.org/10.1089/derm.2022.0109
Schüppstuhl, T. (2022). Deep Anomaly Detection for Endoscopic Inspection of Cast Iron Parts. Flexible Automation and Intelligent Manufacturing: The Human-Data-Technology Nexus: Proceedings of FAIM 2022, June 19–23, 2022, Detroit, Michigan, USA, 91.
Subekti, A., & Indrayanti, K. W. (2023). Legal Strategies to Enforce Military Discipline for Personnel of Indonesian Armed Forces at the Army Aviation Center. https://doi.org/10.31014/aior.1996.02.02.58
Talathi, S. S., & Vartak, A. (2015). Improving performance of recurrent neural network with relu nonlinearity. arXiv preprint arXiv:1511.03771. https://doi.org/10.48550/arXiv.1511.03771
Tojimatovich, A. A., Saydalievich, U. S., & Isroil ogli, A. J. (2022). Life of the Faculty of Military Education. Zien Journal of Social Sciences and Humanities, 8, 6-9.
Ustun, V., Kumar, R., Reilly, A., Sajjadi, S., & Miller, A. (2021). Adaptive synthetic characters for military training. arXiv preprint arXiv:2101.02185. https://doi.org/10.48550/arXiv.2101.02185
Zhang, Z., Zheng, L., Yang, H., & Qu, X. (2019). Design and analysis of a novel integral recurrent neural network for solving time-varying Sylvester equation. IEEE Transactions on Cybernetics, 51(8), 4312-4326. https://doi.org/10.1109/TCYB.2019.2939350
Zueger, R., Niederhauser, M., Utzinger, C., Annen, H., & Ehlert, U. (2022). Effects of resilience training on mental, emotional, and physical stress outcomes in military officer cadets. Military Psychology,1-11. https://doi.org/10.1080/08995605.2022.2139948
خدایی,سیدحسین , عباسیان,محمد و اسماعیلی,مهدی . (1402). توسعه مدل پیشبینی عوامل اثرگذار در دورههای تربیتی آموزشی نظامی با استفاده از الگوریتم شبکه عصبی مصنوعی. آیندهپژوهی دفاعی, 8(31), 37-67. doi: 10.22034/dfsr.2024.2010849.1730
MLA
خدایی,سیدحسین , , عباسیان,محمد , و اسماعیلی,مهدی . "توسعه مدل پیشبینی عوامل اثرگذار در دورههای تربیتی آموزشی نظامی با استفاده از الگوریتم شبکه عصبی مصنوعی", آیندهپژوهی دفاعی, 8, 31, 1402, 37-67. doi: 10.22034/dfsr.2024.2010849.1730
HARVARD
خدایی سیدحسین, عباسیان محمد, اسماعیلی مهدی. (1402). 'توسعه مدل پیشبینی عوامل اثرگذار در دورههای تربیتی آموزشی نظامی با استفاده از الگوریتم شبکه عصبی مصنوعی', آیندهپژوهی دفاعی, 8(31), pp. 37-67. doi: 10.22034/dfsr.2024.2010849.1730
CHICAGO
سیدحسین خدایی, محمد عباسیان و مهدی اسماعیلی, "توسعه مدل پیشبینی عوامل اثرگذار در دورههای تربیتی آموزشی نظامی با استفاده از الگوریتم شبکه عصبی مصنوعی," آیندهپژوهی دفاعی, 8 31 (1402): 37-67, doi: 10.22034/dfsr.2024.2010849.1730
VANCOUVER
خدایی سیدحسین, عباسیان محمد, اسماعیلی مهدی. توسعه مدل پیشبینی عوامل اثرگذار در دورههای تربیتی آموزشی نظامی با استفاده از الگوریتم شبکه عصبی مصنوعی. DFSR, 1402; 8(31): 37-67. doi: 10.22034/dfsr.2024.2010849.1730
