Este proyecto fin de grado explora diferentes enfoques para la creación de modelos en el ámbito de ”Team Diagnostic Survey”, centrándose en la combinación de PLS-SEM, algoritmos como Hill-Climbing, para encontrar nuevas relaciones entre constructos, y metodos estadísticos como GAM, encargado de detectar relaciones no lineales. Todo este trabajo ha sido realizado bajo la metodología Research Science.
Se crearon cinco modelos distintos llegando a la conclusión de que un modelo teórico tan contrastado y estudiado como TDS es muy complicado de mejorar mediante algoritmos. Sin embargo, estos muestran nuevas relaciones no exploradas hasta ahora entre constructos de distintas dimensiones que podrían aportar una nueva capa de profundidad al estudio de TDS y grupos de trabajo.
Abstract:
This final degree project explores different approaches to model creation in the field of ”Team Diagnostic Survey” focusing on the combination of PLS-SEM, Machine Learning algorithms like Hill-climbing, which can find new relationships between constructs, and statistic models like GAM, which can detect no-linear relationships. All this process has been done using the ”Research Science” methodology.
Five different models have been created, concluding that enhancing a theoretically contrasted model like TDS is very difficult using machine learning algorithms. Nevertheless, these algorithms show new relationships between constructs of different dimensions that could add a new layer to the study of TDS and work groups.
Este proyecto fin de grado explora diferentes enfoques para la creación de modelos en el ámbito de ”Team Diagnostic Survey”, centrándose en la combinación de PLS-SEM, algoritmos como Hill-Climbing, para encontrar nuevas relaciones entre constructos, y metodos estadísticos como GAM, encargado de detectar relaciones no lineales. Todo este trabajo ha sido realizado bajo la metodología Research Science.
Se crearon cinco modelos distintos llegando a la conclusión de que un modelo teórico tan contrastado y estudiado como TDS es muy complicado de mejorar mediante algoritmos. Sin embargo, estos muestran nuevas relaciones no exploradas hasta ahora entre constructos de distintas dimensiones que podrían aportar una nueva capa de profundidad al estudio de TDS y grupos de trabajo.
Abstract:
This final degree project explores different approaches to model creation in the field of ”Team Diagnostic Survey” focusing on the combination of PLS-SEM, Machine Learning algorithms like Hill-climbing, which can find new relationships between constructs, and statistic models like GAM, which can detect no-linear relationships. All this process has been done using the ”Research Science” methodology.
Five different models have been created, concluding that enhancing a theoretically contrasted model like TDS is very difficult using machine learning algorithms. Nevertheless, these algorithms show new relationships between constructs of different dimensions that could add a new layer to the study of TDS and work groups. Read More
Related posts:
Healthy Environments in Health Centers – HE-HC-Sanitas-UPM
Indirect social influence and diffusion of innovations: An experimental approach
A tool for human evaluation of interpretability
Detección del fraude fiscal mediante el uso de la inteligencia artificial
Estimación del ángulo de giro óptimo en seguidores solares de un eje horizontal con paneles bifaciales mediante algoritmos de inteligencia artificial
IA en logística, automatización, predicción de demanda y atención al cliente con GPT