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. https://doi.org/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، 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), pp. 37–67. doi: 10.22034/dfsr.2024.2010849.1730
CHICAGO
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
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
