یادگیری هوشمند و تحول مدیریت 3115-8900 در دست انتشار 1406 06 01 Utilizing Ensemble Meta-Learning Based Stacking Deep Learning for Predicting Digital Transformation Success by Leveraging Organizational Agility استفاده از یادگیری عمیق پشته‌ای مبتنی بر فرایادگیری جمعی در راستای پیش‌بینی موفقیت تحول دیجیتال با بهره‌گیری از چابکی سازمانی 1 32 FA ساناز رضائی افشار دانشجوی دکتری، گروه مدیریت فناوری اطلاعات، واحد بین المللی کیش، دانشگاه آزاد اسلامی، کیش، ایران سیدجواد ایرانبان فرد گروه مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران محمدحسین درویش متولی گروه مدیریت صنعتی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 1404 11 06 <p>The aim of this study was to develop a machine learning-based framework for predicting the success of digital transformation in organizations by emphasizing the role of organizational agility and introducing a quantitative index for measuring digital readiness. This study was conducted using a standard digital transformation dataset containing organizational and technological variables such as company size, adopted digital tools, digital skills training, customer engagement changes, and organizational performance indicators. First, an Organizational Agility Index (OAI) was developed through a linear combination of several key organizational variables to quantitatively measure organizational readiness and flexibility toward digital transformation. Then, the K-Means clustering algorithm was employed to classify organizations into three levels of digital transformation success—low, medium, and high—based on the impact of digital transformation on revenue and efficiency. During preprocessing, categorical variables were encoded using One-Hot Encoding, while numerical features were normalized through standardization techniques. Subsequently, a stacking deep learning architecture consisting of MLP, RNN, LSTM, CNN, and ResMLP models was implemented as base learners, and their outputs were integrated using a Random Forest meta-learner. Model performance was evaluated using accuracy, sensitivity, precision, F-score, MAE, and RMSE metrics, and the training-testing process was repeated across 30 independent runs. The findings demonstrated that the proposed stacking deep learning framework significantly outperformed individual models. The Random Forest meta-learner achieved an accuracy of 96.86%, representing the highest predictive performance among all compared approaches. Sensitivity, precision, and F-score values were also considerably high, while the variance across repeated executions remained minimal, indicating strong stability and generalizability of the proposed framework. The results further revealed that integrating the Organizational Agility Index with advanced deep learning and ensemble meta-learning architectures substantially enhanced the prediction capability of digital transformation success. Moreover, combining multiple neural architectures enabled the extraction of more complex hidden patterns from organizational data and reduced prediction errors compared with single-model approaches. The results of this study indicate that stacking deep learning frameworks integrated with organizational indicators can provide an effective approach for predicting digital transformation success. The proposed Organizational Agility Index enabled quantitative assessment of digital readiness, while its integration with deep learning models improved prediction accuracy and stability. The proposed architecture demonstrated a strong capability to identify complex patterns within organizational data and can support managers and policymakers in strategic decision-making, resource allocation, and evaluating organizational preparedness for digital transformation. Furthermore, the framework has the potential to be implemented in real-world organizational environments as an intelligent predictive system for assessing digital transformation outcomes.</p> <p>هدف این پژوهش ارائه یک چارچوب مبتنی بر یادگیری ماشین برای پیش‌بینی میزان موفقیت تحول دیجیتال سازمان‌ها با تأکید بر نقش چابکی سازمانی و طراحی شاخصی کمی برای سنجش آمادگی دیجیتال سازمان‌ها بود. این پژوهش با استفاده از مجموعه داده استاندارد تحول دیجیتال انجام شد و در آن داده‌های مرتبط با اندازه سازمان، ابزارهای دیجیتال مورد استفاده، آموزش مهارت‌های دیجیتال، تعامل با مشتری و شاخص‌های عملکردی سازمان تحلیل گردید. ابتدا شاخص چابکی سازمانی (OAI) بر اساس ترکیب خطی چند متغیر کلیدی طراحی شد تا میزان آمادگی و انعطاف‌پذیری سازمان‌ها در مواجهه با تحول دیجیتال به‌صورت کمی سنجیده شود. سپس با استفاده از الگوریتم خوشه‌بندی K-Means، سازمان‌ها بر اساس تأثیر تحول دیجیتال بر درآمد و کارایی در سه سطح پایین، متوسط و بالا طبقه‌بندی شدند. در مرحله پیش‌پردازش، ویژگی‌های طبقه‌ای با روش One-Hot Encoding و متغیرهای عددی با استفاده از استانداردسازی نرمال‌سازی شدند. در ادامه، معماری یادگیری عمیق پشته‌ای شامل مدل‌های MLP، RNN، LSTM، CNN و ResMLP به‌عنوان یادگیرنده‌های پایه طراحی شد و خروجی آن‌ها توسط الگوریتم جنگل تصادفی به‌عنوان فرایادگیر ترکیب گردید. ارزیابی مدل‌ها با استفاده از معیارهای دقت، حساسیت، صحت، امتیاز F، MAE و RMSE انجام شد و فرایند آموزش و آزمون در ۳۰ تکرار مستقل مورد بررسی قرار گرفت. نتایج نشان داد که معماری یادگیری پشته‌ای پیشنهادی در مقایسه با مدل‌های منفرد عملکرد برتری ارائه کرده است. مدل فرایادگیر مبتنی بر جنگل تصادفی توانست با ترکیب خروجی مدل‌های پایه به دقتی معادل 96.86 درصد دست یابد که بالاترین عملکرد را در میان روش‌های مقایسه‌شده نشان می‌دهد. همچنین معیارهای حساسیت، صحت و امتیاز F برای مدل پیشنهادی در سطح بالایی قرار داشت و پراکندگی نتایج در تکرارهای مختلف بسیار محدود بود که نشان‌دهنده پایداری و قابلیت تعمیم مناسب مدل است. یافته‌ها نشان دادند که ترکیب شاخص چابکی سازمانی با معماری‌های یادگیری عمیق و فرایادگیری جمعی می‌تواند توان پیش‌بینی موفقیت تحول دیجیتال را به‌طور معناداری افزایش دهد. افزون بر این، استفاده هم‌زمان از چند معماری عصبی باعث استخراج الگوهای پیچیده‌تر از داده‌ها و کاهش خطای پیش‌بینی در مقایسه با روش‌های تک‌مدلی شد. نتایج این پژوهش نشان داد که بهره‌گیری از چارچوب‌های یادگیری عمیق پشته‌ای همراه با شاخص‌های سازمانی می‌تواند رویکردی مؤثر برای پیش‌بینی موفقیت تحول دیجیتال باشد. طراحی شاخص چابکی سازمانی امکان سنجش کمی آمادگی دیجیتال سازمان‌ها را فراهم کرد و ادغام آن با مدل‌های یادگیری عمیق، دقت و پایداری پیش‌بینی را بهبود بخشید. معماری پیشنهادی نه‌تنها توانایی شناسایی الگوهای پیچیده موجود در داده‌های سازمانی را دارد، بلکه می‌تواند به مدیران و سیاست‌گذاران در تصمیم‌گیری، تخصیص منابع و ارزیابی آمادگی سازمان‌ها برای تحول دیجیتال کمک کند. این رویکرد ظرفیت آن را دارد که در محیط‌های واقعی و در سازمان‌های جدید نیز به‌عنوان ابزاری هوشمند برای تحلیل و پیش‌بینی موفقیت تحول دیجیتال مورد استفاده قرار گیرد.</p> https://jilmt.com/index.php/jilmt/article/download/278/337