Fuzzy Inference System to Assess Entrepreneurial Self-Efficacy
Main Article Content
Abstract
En este estudio se utiliza un sistema de inferencia difusa para medir la autoeficacia empresarial (ESE) basado en características emocionales. Se adquirió un conjunto de datos con varias características orientadas a la Teoría del Comportamiento Planificado de 741 sujetos. Se aplicaron las cuatro etapas siguientes: i) preprocesamiento de los datos, ii) correlaciones de variables para definir la influencia de las variables emocionales en la ESE, iii) sistemas de inferencia difusa (FIS): en esta etapa se establecieron las reglas basándose en los resultados del análisis estadístico y en los conocimientos de los expertos. iv) Se llevó a cabo la evaluación del FIS para medir su rendimiento. Los resultados demostraron la funcionalidad del modelo y se desvelaron sus ventajas, limitaciones y trabajos futuros. En este estudio se constató que, a medida que mejora la inteligencia emocional de las personas, éstas adquieren una mayor autoeficacia empresarial, lo que conduce a un mayor éxito como empresarios, que se modeló adecuadamente con el FIS desde multiples variables de entrada.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
How to Cite
References
F.M. Javed Mehedi Shamrat, Anup Majumder, Probal Roy Antu, Saykot Kumar Barmon, Itisha Nowrin, Rumesh Ranjan, Human Face Recognition Applying Haar Cascade Classifier Salem, Tamil Nadu, India, 19-20, March 2021. https://doi.org/10.1007/978-981-16-5640-8_12
Kanagaraju, P. Ranjith, M. A, & Vijayasarathy K. (2022). Emotion detection from facial expression using image processing. International Journal of Health Sciences, 6(S6), 1368–1379. https://doi.org/10.53730/ijhs.v6nS6.9748
Manish Rathod , Chirag Dalvi, Kulveen Kaur et.al Kids’ Emotion Recognition Using Various Deep-Learning Models with Explainable AI 21 October 2022. https://doi.org/10.3390/s22208066
Pawel Tarnowski,Marcin Kołodziej,Andrzej Majkowski et.al Emotion recognition using facial expressions December 2017. https://doi.org/10.1016/j.procs.2017.05.025
Jui-Feng Yeh et.al Expression Recognition of Multiple Faces Using a Convolution Neural Network Combining the Haar Cascade Classifier National Chiayi University, Chiayi City 60004 -2023.
S. Venkata Ramana, Ayesha Begum, P. Sindhu et.al.Child emotion detection through facial expression recognition using machine learning 2023
Kiran, D. R., Kumar, K. . V., Kalyan, T., Kavya, Dr. K. Ch., & KUMAR, Dr. K. S. (2020). Facial Expression Detection using Artificial Intelligence. In International Journal of Recent Technology and Engineering (IJRTE) (Vol. 8, Issue 5, pp. 1720–1723). https://doi.org/10.35940/ijrte.e6284.018520
Shukla, R., L, A., & M, P. (2019). Facial Emotion Recognition by Deep CNN and HAAR Cascade. In International Journal of Innovative Technology and Exploring Engineering (Vol. 8, Issue 12, pp. 3433–3439). https://doi.org/10.35940/ijitee.l2589.1081219
S, N. Roopa. (2019). Emotion Recognition from Facial Expression using Deep Learning. In International Journal of Engineering and Advanced Technology (Vol. 8, Issue 6s, pp. 91–95). https://doi.org/10.35940/ijeat.f1019.0886s19
Kumari, J., Patidar, K., Saxena, Mr. G., & Kushwaha, Mr. R. (2021). A Hybrid Enhanced Real-Time Face Recognition Model using Machine Learning Method with Dimension Reduction. In Indian Journal of Artificial Intelligence and Neural Networking (Vol. 1, Issue 3, pp. 12–16). https://doi.org/10.54105/ijainn.b1027.061321
K, N., D, L. R., M, M., B, L. K., & Tukkoji, C. (2020). Facial Expression Recognition Based Scoring System for Restaurants using Deep Learning. In International Journal of Emerging Science and Engineering (Vol. 6, Issue 8, pp. 6–9). https://doi.org/10.35940/ijese.h2467.036820