Практична реалізація моделі оцінки функціональної ефективності працівників у віддаленій праці з використанням методу «швидкого дерева»

Руслан   Макренко; Оксана Шовкопляс

doi:10.25140/2411-5363-2025-4(42)-218-232

Автор(и)

Руслан Макренко Сумський державний університет, Україна https://orcid.org/0009-0005-5003-3809
Оксана Шовкопляс Сумський державний університет, Україна https://orcid.org/0000-0002-4596-2524

DOI:

https://doi.org/10.25140/2411-5363-2025-4(42)-218-232

Ключові слова:

віддалена праця; ефективність; машинне навчання; FastTree; HR-аналітика; інтелектуальні системи; персонал; прогнозування; продуктивність

Анотація

У статті розглянуто практичні аспекти побудови моделі оцінки функціональної ефективності працівників у віддаленій праці із застосуванням методу машинного навчання «швидке дерево» (FastTree). Об’єктом дослідження є процес оцінювання функціональної ефективності персоналу в умовах дистанційної зайнятості. Проблема полягає у відсутності комплексних та об’єктивних методик, здатних одночасно враховувати соціальні, психологічні й поведінкові чинники результативності праці. Актуальність роботи зумовлена поширенням дистанційного формату зайнятості, трансформацією корпоративних процесів та необхідністю підвищення достовірності управлінських рішень у сфері HR-аналітики.

Запропонована модель поєднує класифікаційні й регресійні методи для аналізу впливу соціальних, організаційних і психологічних факторів на ефективність працівників. Для навчання використано відкритий набір даних Remote Work and Mental Health Dataset, який охоплює показники задоволеності роботою, рівня стресу, кількості комунікацій, тривалості робочого часу та досвіду дистанційної праці. Алгоритм FastTree із градієнтним бустуванням забезпечив високу точність – 91,7 %, F1-міру 0,905 і AUC-ROC 0,943, що підтверджує ефективність моделі.

Виявлено п’ять основних чинників впливу: задоволеність роботою (0,28), частоту командних комунікацій (0,21), кількість робочих годин (0,18), рівень стресу (0,17) та досвід дистанційної праці (0,10). Розроблено прототип системи підтримки рішень, що автоматично розраховує індекс функціональної ефективності, відображає його динаміку та формує рекомендації для менеджерів.

Практичні результати свідчать, що метод FastTree перевищує альтернативні моделі за точністю, швидкодією та прозорістю інтерпретації. Розроблена модель може бути використана у HR-аналітиці, цифровому управлінні персоналом та корпоративному моніторингу ефективності праці.

Посилання

Макренко, Р., & Шовкопляс, О. (2025). Теоретичне обґрунтування розроблених критеріїв функціональної ефективності та соціалізації працівників за умов віддаленої праці. Measuring and Computing Devices in Technological Processes, (3), 360–368. https://doi.org/ 10.31891/2219-9365-2025-83-44.

Remote Work and Mental Health Dataset. (n.d.). Kaggle Open Data Repository. Retrieved October 10, 2025, from https://www.kaggle.com/datasets/iramshahzadi9/remote-work-and-mental-health.

Hwang, T., & Lin, K. (2020). Hybrid intelligent systems for HR decision support. Expert Systems with Applications, 145, 113–128.

Коваленко, І. Ю. (2023). Психологічні аспекти адаптації працівників до дистанційної праці. Практична психологія та соціальна робота, 2, 51–60.

Гриценко, О. В. (2022). Інформаційні технології в управлінні трудовими ресурсами: нові виклики цифровізації. Економічний вісник Національного технічного університету України «КПІ», 5, 37–44.

Чорноус, Г. О., & Черняк, О. І. (2016). Стан та перспективи впровадження інтелектуальних інформаційно-аналітичних систем в Україні. Моделювання та інформаційні системи в економіці: Збірник наукових праць, 92, 27–43. КНЕУ.

Пелешенко, Н. В. (2021). Методи аналітики продуктивності працівників у віддаленому середовищі. Сучасні інформаційні системи, 6(3), 112–120.

Power, D. J. (2013). Decision support, analytics, and intelligent systems. Business Expert Press.

Mironenko, M. I. (2023). Development of criteria for functional efficiency and socialization of employees under remote work conditions. In Proceedings of the International Conference on Intelligent Systems and Decision Making (pp. 173–182). Warsaw.

Brown, R., & Smith, J. (2019). Machine learning for human resource optimization. Routledge.

Minelli, M., Chambers, M., & Dhiraj, A. (2013). Big data, big analytics: Emerging business intelligence and analytic trends for today’s businesses. Wiley.

Jozdani, S. E., Johnson, B. A., & Chen, D. (2019). Comparing deep neural networks, ensemble classifiers, and support vector machine algorithms for object-based urban land use/land cover classification. Remote Sensing, 11(14), 1713. https://doi.org/10.3390/rs11141713.

П’ятничук, І. (2022). Інформаційні системи в управлінні проєктами: онлайн-платформи і сервіси. Економіка та суспільство, 42. https://doi.org/10.32782/2524-0072/2022-42-21.

Redmine, Jira, Trello, Asana, Hubstaff – системи управління проєктами та моніторингу ефективності: аналітичний огляд. (2022). HR Technology Review, 3, 14–22.

Murphy, K. P. (2022). Probabilistic machine learning: An introduction. The MIT Press.

Mironenko, M. I. (2024). Hybrid intelligent models for efficiency evaluation in digital workspaces. Artificial Intelligence and Systems Journal, 19(2), 97–107.

Gupta, A., Mirarab, S., & Turakhia, Y. (2025). Accurate, scalable, and fully automated inference of species trees from raw genome assemblies using ROADIES. Proceedings of the National Academy of Sciences, 122(19), Article 2500553122. https://doi.org/10.1073/pnas.2500553122.

FastTree Algorithm Documentation. (n.d.). Microsoft ML.NET. https://learn.microsoft.com/en-us/dotnet/api/microsoft.ml.trainers.fasttree.fasttreeregressiontrainer?view=ml-dotnet-preview.

Johnson, S. (2021). Remote work and cognitive efficiency: A behavioral analytics perspective. Journal of Digital Management, 8(3), 55–68.

OECD. (2020). Productivity gains from teleworking in the post COVID-19 era. OECD Publishing.

Brasse, J., Broder, H. R., Förster, M., et al. (2023). Explainable artificial intelligence in information systems: A review of the status quo and future research directions. Electronic Markets, 33, Article 26. https://doi.org/10.1007/s12525-023-00644-5.