حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 04 01 A Hybrid Intelligent Approach for Predicting Digital Transformation Change Levels Based on Stacked Ensemble Learning and Deep Meta-Learning رویکرد هوشمند ترکیبی پیش‌بینی سطح تغییرات تحول دیجیتال بر اساس یادگیری جمعی پشته‌ای و فرایادگیری عمیق 1 32 FA ثمانه هدایتی 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 سارا نجف زاده گروه کامپیوتر، واحد یادگار امام (ره) شهرری، دانشگاه آزاد اسلامی، تهران، ایران مصطفی کلاهدوزی گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 1404/10/01 <p>This study aimed to develop an intelligent framework based on feature selection and stacked deep learning to predict the level of digital transformation changes in organizations and improve the accuracy of digital transformation classification. The study utilized a standard corporate digital transformation dataset containing 2,000 samples and 24 features. In the first stage, influential features were extracted using the Binary Archimedes Optimization Algorithm (BAOA) and a wrapper-based feature selection approach. The selected features were then fed into a stacked ensemble and deep meta-learning framework (SE-DML). The architecture consisted of four base classifiers, including Random Forest, AdaBoost, XGBoost, and Bagging, while a multilayer deep neural network acted as the meta-learner. The dataset was divided into training (70%) and testing (30%) subsets using stratified sampling. Model performance was evaluated using Accuracy, Balanced Accuracy, Precision, Recall, F1-Score, Kappa, MCC, Log-Loss, AUROC, and AUPRC metrics across 20 independent runs. The results demonstrated that the BAOA algorithm successfully identified stable and influential digital transformation features while achieving rapid convergence. Feature frequency analysis indicated that the variable “digitaltransindex” had the greatest contribution to predicting digital transformation levels. The proposed hybrid model achieved outstanding classification performance. Among all classifiers, Bagging achieved the best results with an Accuracy of 0.9995, F1-score of 0.9994, and the lowest Log-Loss value of 0.0048. The STACK model based on deep meta-learning also showed highly reliable performance with an Accuracy of 0.9985 and an AUROC value of 1.0. Furthermore, MCC and Kappa values confirmed the strong discriminative capability of the proposed framework in identifying digital transformation levels. The findings revealed that integrating BAOA-based feature selection with stacked ensemble learning and deep meta-learning provides an effective framework for predicting digital transformation change levels. The proposed approach successfully reduced data dimensionality, eliminated redundant features, and extracted complex organizational patterns with high predictive accuracy. The model outperformed individual classifiers and demonstrated strong potential for application in managerial decision-support systems and strategic digital transformation planning.</p> <p>هدف این پژوهش ارائه یک چارچوب هوشمند مبتنی بر انتخاب ویژگی و یادگیری عمیق پشته‌ای برای پیش‌بینی سطح تغییرات تحول دیجیتال در سازمان‌ها و بهبود دقت تشخیص سطوح تحول دیجیتال است. این پژوهش از مجموعه‌داده استاندارد تحول دیجیتال سازمانی شامل 2000 نمونه و 24 ویژگی استفاده کرد. در مرحله نخست، ویژگی‌های مؤثر با استفاده از الگوریتم بهینه‌سازی ارشمیدس باینری (BAOA) و رویکرد Wrapper-Based Feature Selection استخراج شدند. سپس ویژگی‌های منتخب به یک چارچوب یادگیری جمعی پشته‌ای و فرایادگیری عمیق (SE-DML) وارد شدند. در این معماری، چهار مدل پایه شامل جنگل تصادفی، AdaBoost، XGBoost و Bagging به‌عنوان طبقه‌بندهای اولیه مورد استفاده قرار گرفتند و خروجی احتمالاتی آن‌ها به یک شبکه عصبی عمیق چندلایه به‌عنوان مدل فراگیر منتقل شد. داده‌ها با روش stratified sampling به دو بخش آموزش (70 درصد) و آزمون (30 درصد) تقسیم شدند. برای ارزیابی عملکرد مدل از معیارهایی نظیر Accuracy، Balanced Accuracy، Precision، Recall، F1-Score، Kappa، MCC، Log-Loss، AUROC و AUPRC استفاده شد و نتایج در 20 اجرای مستقل گزارش گردید. نتایج نشان داد که الگوریتم BAOA توانست به‌صورت پایدار ویژگی‌های کلیدی مرتبط با تحول دیجیتال را استخراج کند و در مدت کوتاهی به همگرایی برسد. تحلیل فراوانی ویژگی‌ها نشان داد که متغیر digitaltransindex بیشترین نقش را در پیش‌بینی سطح تحول دیجیتال ایفا می‌کند. همچنین مدل ترکیبی پیشنهادی عملکرد بسیار بالایی در طبقه‌بندی سطوح تحول دیجیتال ارائه داد. در میان مدل‌ها، Bagging بهترین عملکرد را با Accuracy برابر 0.9995، F1 برابر 0.9994 و کمترین مقدار Log-Loss معادل 0.0048 ثبت کرد. مدل STACK مبتنی بر فرایادگیری عمیق نیز با Accuracy برابر 0.9985 و AUROC برابر 1.0 عملکردی بسیار پایدار و قابل اتکا نشان داد. نتایج معیارهای MCC و Kappa نیز بیانگر توان بالای مدل پیشنهادی در تفکیک دقیق کلاس‌های تحول دیجیتال بود. یافته‌های پژوهش نشان داد که ترکیب انتخاب ویژگی مبتنی بر الگوریتم BAOA با معماری یادگیری جمعی پشته‌ای و فرایادگیری عمیق می‌تواند چارچوبی مؤثر برای پیش‌بینی سطح تغییرات تحول دیجیتال فراهم کند. این رویکرد ضمن کاهش ابعاد داده‌ها و حذف ویژگی‌های غیرضروری، توانست الگوهای پیچیده سازمانی را با دقت بالا شناسایی کرده و عملکرد بهتری نسبت به مدل‌های منفرد ارائه دهد. مدل پیشنهادی قابلیت استفاده در سیستم‌های تصمیم‌یار مدیریتی و برنامه‌ریزی راهبردی تحول دیجیتال را داراست.</p> https://jafci.com/index.php/jafci/article/download/429/226