美国空军入选分类和重新分类:使用机器学习和优化模型的潜在改进

U.S. Air Force Enlisted Classification and Reclassification: Potential Improvements Using Machine Learning and Optimization Models

【作者】 Sean Robson ; Maria C. Lytell ; Matthew Walsh ; Kimberly Curry Hall ; Kirsten M. Keller ; Vikram Kilambi ; Joshua Snoke ; Jonathan W. Welburn ; Patrick S. Roberts ; Owen Hall ; Louis T. Mariano

2022-03-14
美国兰德公司
PDF下载
查看原文
分享到:
空军专业(AFSs)初始技能培训(IST)的最新趋势表明,近年来,美国空军(USAF)入伍人员重新分类到其他职业专业的人数有所增加,2013财年至2017财年期间稳步增加。职业领域的重新分类可能会导致一系列负面结果,包括成本增加、人员配备延迟、培训计划挑战和士气下降。为了理解和应对IST重新分类的挑战,作者考虑了改进流程的选项,以对入伍的现役、非现役飞行员进行IST分类和重新分类。在这份报告中,他们概述了2019年一项研究的关键发现,该研究采用了定性和定量分析,包括机器学习(ML)模型,来评估IST成功(和失败)的预测因素。他们还描述了他们对优化模型的测试,该模型旨在确定修改重新分类决定的机会,以便不仅减少重新分类的飞行员人数,而且提高飞行员的工作满意度和生产力,并提高美国空军的保留率。

相关资源