عوامل پذیرش هوش مصنوعی در مدیریت منابع انسانی

عنوان فارسی مقاله:عوامل پذیرش هوش مصنوعی در مدیریت منابع انسانی

چکیده

پدیده هوش مصنوعی به طور گسترده در چندین زمینه مورد مطالعه قرار گرفته است. در مقابل، از نظر هوش مصنوعی در HRM، مطالعات و تحقیقات محدودی در مورد عوامل پذیرش هوش مصنوعی (AI) در HRM وجود دارد. هوش مصنوعی در چندین حوزه مدیریت منابع انسانی، از پرسنل تا عملکرد مدیریت یا پاداش ۶۶۶ ئ اثبات شده است. مجموعه‌ای از پیشنهادات در مورد نحوه پذیرش هوش مصنوعی در HRM مطرح شده است. هدف این تحقیق شناسایی عوامل پذیرش شش سناریوی هوش مصنوعی در HRM است. این سناریوها عبارتند از پیش‌بینی گردش مالی با شبکه‌های عصبی مصنوعی، جستجوی نامزدها با موتورهای جستجوی مبتنی بر دانش، فهرست‌بندی کارکنان با الگوریتم‌های ژنتیک، تجزیه و تحلیل احساسات منابع انسانی با متن کاوی، کسب اطلاعات رزومه با استخراج اطلاعات و خودسرویس کارمند با پاسخ صوتی تعاملی. در نتیجه، سازگاری، مزیت نسبی، پیچیدگی، پشتیبانی مدیریتی، مشارکت دولت و مشارکت فروشنده عوامل تعیین‌کننده تأثیرگذار بر پذیرش هوش مصنوعی در HRM هستند. این مقاله سعی می‌کند با به حداقل رساندن خطرات مرتبط با پذیرش هوش مصنوعی در برخی از حوزه‌های مدیریت منابع انسانی از طریق بررسی عوامل تعیین‌کننده پذیرش، به بینش‌های جدیدی برای متخصصان و دانشمندان بپردازد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Adoption Factors of Artificial Intelligence in Human Resources Management

Abstract

The phenomenon of artificial intelligence has been widely studied in several areas. In opposite, in terms of AI in HRM, the literature shows limited research on the adoption factors of artificial intelligence (AI) in HRM. AI has been enrolled in several HRM’s areas starting from staffing till management performance or compensation. A set of suggestions on how to adopt AI in HRM has been raised. This piece of research aims to identify the adoption factors of six scenarios of AI in HRM. These scenarios are turnover prediction with artificial neural networks, candidate search with knowledge-based search engines, staff rostering with genetic algorithms, HR sentiment analysis with text mining, résumé data acquisition with information extraction and employee self-service with interactive voice response. As a result, compatibility, relative advantage, complexity, managerial support, government involvement, and vendor partnership are determinants affected factors of AI adoption in HRM. This paper tries to address new insights for practitioners and academics by minimizing the risks associated with AI adoption in some areas of HRM through exploring determinant factors of adoption.