ارائه الگوی مدیریت منابع انسانی هوشمند داده محور با رویکرد تطبیقی در دانشگاه های آزاد و دولتی استان اصفهان

الموضوعات :

مصطفی طغیانی پزوه ¹ , محمدرضا دلوی ² , سیدرسول آقاداود ³

1 - دانشجوی دکتری گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
2 - دانشیار گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران (نویسنده مسئول)
3 - استادیار گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران

تاريخ الإرسال : 17 الجمعة , شوال, 1445 تاريخ التأكيد : 17 الثلاثاء , جمادى الأولى, 1446 تاريخ الإصدار : 24 الثلاثاء , جمادى الأولى, 1446

الکلمات المفتاحية: مدیریت منابع انسانی, مدیریت منابع انسانی داده محور, دانشگاه آزاد, دانشگاه دولتی.,

ملخص المقالة :

هدف: ارائه الگوی مدیریت منابع انسانی هوشمند داده محور با رویکرد تطبیقی در دانشگاه‌های آزاد و دولتی استان اصفهان.

روش‌شناسی پژوهش: پژوهش حاضر با استفاده از روش تحقیق ترکیبی انجام شده است. جامعه آماری در بخش کیفی متخصصان و خبرگان حوزه منابع انسانی (12 نفر) و در بخش کمی شامل مدیران، برنامه‌ریزان و کارشناسان این حوزه (182 نفر) بود. در بخش کیفی، با استفاده از رویکرد برودی و فراترکیب به همراه مصاحبه با خبرگان، عوامل شناسایی و دسته‌بندی شدند. در بخش کمی با استفاده از روش تحلیل عاملی تأییدی نسبت به بررسی نتایج اقدام شد. تحلیل‌ها با استفاده از نرم‌افزار smartPLS و SPSS نسخه 26 انجام شده است.

یافته‌ها: نتایج نشان داد که 22 مؤلفه مشترک بین مدیریت منابع انسانی داده محور در دانشگاه دولتی و آزاد وجود دارد. الگوی پژوهش شامل مؤلفه‌هایی از جمله: انعطاف‌پذیری، مسئولیت و تعهد، افزایش بهره‌وری، شفافیت و پاسخگویی، رهبری هوشمند، تأمین منابع استراتژیک، شایسته‌سالاری، معماری سازمانی، خط‌مشی‌گذاری، سازگاری فعالیت‌ها و منابع، بهبود رضایتمندی و بازخورد است.

المصادر:

منابع - ادیب زاده مریم, رکن آبادی حسین مهدی. (1402). شناسایی و اولویت بندی عوامل موثر برنگهداشت منابع انسانی دانشگاه آزاد اسلامی (مورد مطالعه واحد تهران شمال).‎
- اميري حسن, ميرسپاسي ناصر, رهنماي رودپشتي فريدون (1396). طراحي الگوي حسابداري منابع انساني در دانشگاه آزاد اسلامي.‎فصلنامه علمی پژوهشی دانش حسابداری و حسابرسی مدیریت، سال ششم، شماره 21، 19-32. - برخه, & جمالی. (1397). بررسی تاثیر منابع انسانی استراتژیک بر بهبود عملکرد مالی در دانشگاه دولتی یاسوج. مطالعات اقتصاد، مدیریت مالی و حسابداری, 21(4), 318-332.‎
- پناهی, مهریه, گودرزی, محمود, جلالی فراهانی, علی دوست قهفرخی, ابراهیم. (1401). شناسایی ابعاد شتاب‌گیری دانشکده‌های تربیت بدنی دانشگاه‌های دولتی به سوی دانشگاه های نسل چهار. مدیریت و توسعه ورزش, 11(2), 75-97.‎ - رشیدی, امیرنژاد, قنبر, دانشفرد, کرم الله. (1399). طراحی الگوی منابع انسانی سبز با تأکید بر بهداشت و سلامت در دانشگاه آزاد اسلامی. مجله دانشکده پزشکی دانشگاه علوم پزشکی مشهد, 63(5).‎
- سلیمیان, معصومعلی, عزیزی, بشرویه, زاهدکار. (1399). بررسی تأثیر اقدامات مدیریت منابع انسانی بر عملکرد سازمانی (مورد مطالعه: دانشگاه آزاد اسلامی واحد آستارا). نوآوری های مدیریت آموزشی, 15(2), 21-35.
- سیدعلوی, ‌سیدمحمد, قلاوندی, عباسپور‌فردطهرانی, محمدخانی, & ‌کامران. (1399). ارائه الگویی برای به کارگیری مدیریت سبز در دانشگاه‌های دولتی شهر تهران. پژوهش و برنامه ریزی در آموزش عالی, 97(26), 77-96.‎
- قبادی الوار, احمد, موسوی, سید نجم الدین, شریعت نژاد. (1397). تحلیل و ارزیابی ریسک های منابع انسانی در نظام آموزش عالی؛ مورد: دانشگاه آزاد اسلامی لرستان. پژوهش و برنامه ریزی در آموزش عالی, 24(3), 107-129.‎
- کعبى پور, اشرف گنجویی, & زارعی. (1400). بهبود سامانة مدیریت اطلاعات منابع انسانی و فیزیکی ورزش دانشگاه آزاد اسلامی. نشریه مدیریت ورزشی.‎
- مهدی‌بیگی, ‌نجمه, کمالیان, ‌امین‌رضا, یعقوبی, ‌نورمحمد, ... و رونقی. (1398). توسعه ظرفیت اصلاح نظام اداری در پرتو سازمان هوشمند با رویکرد داده‌بنیاد. پژوهش های مدیریت منابع سازمانی, 35(9), 111-132.‎
- مهدی‌زاده, سلطانی, ‌ایرج, دوازده‌امامی. (1399). عوامل موثر بر معماری منابع انسانی در دانشگاه آزاد اسلامی استان فارس. رهیافتی نو در مدیریت آموزشی, 43(11), 373-398.‎
- Budhwar, P., Chowdhury, S., Wood, G., Aguinis, H., Bamber, G. J., Beltran, J. R., ... & Varma, A. (2023). Human resource management in the age of generative artificial intelligence: Perspectives and research directions on ChatGPT. Human Resource Management Journal, 33(3), 606-659.
- Combs, J., Liu, Y., Hall, A., & Ketchen, D. (2006). How much do high‐performance work practices matter? A meta‐analysis of their effects on organizational performance. Personnel psychology, 59(3), 501-528.
- Conte, F., & Siano, A. (2023). Data-driven human resource and data-driven talent management in internal and recruitment communication strategies: an empirical survey on Italian firms and insights for European context. Corporate Communications: An International Journal, 28(4), 618-637.
- Crook, T. R., Todd, S. Y., Combs, J. G., Woehr, D. J., & Ketchen Jr, D. J. (2011). Does human capital matter? A meta-analysis of the relationship between human capital and firm performance. Journal of applied psychology, 96(3), 443.
- Di Vaio, A., Hassan, R., & Alavoine, C. (2022). Data intelligence and analytics: A bibliometric analysis of human–Artificial intelligence in public sector decision-making effectiveness. Technological Forecasting and Social Change, 174, 121201.
- Garg, S., Sinha, S., Kar, A. K., & Mani, M. (2022). A review of machine learning applications in human resource management. International Journal of Productivity and Performance Management, 71(5), 1590-1610.
- Guan, C., Mou, J., & Jiang, Z. (2020). Artificial intelligence innovation in education: A twenty-year data-driven historical analysis. International Journal of Innovation Studies, 4(4), 134-147.
- Huselid, M. A. (1995). The impact of human resource management practices on turnover, productivity, and corporate financial performance. Academy of management journal, 38(3), 635-672.
- Huselid, M. A., & Becker, B. E. (2011). Bridging micro and macro domains: Workforce differentiation and strategic human resource management. Journal of management, 37(2), 421-428.
- Jiang, K., Lepak, D. P., Hu, J., & Baer, J. C. (2012). How does human resource management influence organizational outcomes? A meta-analytic investigation of mediating mechanisms. Academy of management Journal, 55(6), 1264-1294.
- Kaufman, C., Hoffman, P., Nir, Y., Eronen, P., & Kivinen, T. (2014). Internet key exchange protocol version 2 (IKEv2) (No. rfc7296).
- Khang, A., Gupta, S. K., Dixit, C. K., & Somani, P. (2023). Data-driven application of human capital management databases, big data, and data mining. In Designing Workforce Management Systems for Industry 4.0 (pp. 105-120). CRC Press.
- Lăzăroiu, G., & Harrison, A. (2021). Internet of things sensing infrastructures and data-driven planning technologies in smart sustainable city governance and management. Geopolitics, History & International Relations, 13(2).
- Liu, J., Wang, T., Li, J., Huang, J., Yao, F., & He, R. (2019, October). A data-driven analysis of employee promotion: the role of the position of organization. In 2019 IEEE international conference on systems, man and cybernetics (SMC) (pp. 4056-4062). IEEE.
- Li, X., Wang, Z., Chen, C. H., & Zheng, P. (2021). A data-driven reversible framework for achieving Sustainable Smart product-service systems. Journal of Cleaner Production, 279, 123618.
- Minbaeva, D. (2021). Disrupted HR?. Human Resource Management Review, 31(4), 100820.
- Opatha, H. H. D. P. J. (2021). HR analytics: A critical review-developing a model towards the question can organizations solely depend on HR big data driven conclusions in making HR strategic decisions all the time. Human Resource Management Research.
- Oswald, F. L., Behrend, T. S., Putka, D. J., & Sinar, E. (2020). Big data in industrial-organizational psychology and human resource management: Forward progress for organizational research and practice. Annual Review of Organizational Psychology and Organizational Behavior, 7, 505-533.
- Paauwe, J. (2004). HRM and performance: Achieving long-term viability. Oxford University Press, USA.
- Paauwe, J., & Farndale, E. (2017). Strategy, HRM, and performance: A contextual approach. Oxford University Press.
- Polyakova, A., Kolmakov, V., & Pokamestov, I. (2020). Data-driven HR Analytics in a Quality Management System. Quality-Access to Success, 21(176).
- Rane, N. (2023). Role and Challenges of ChatGPT and Similar Generative Artificial Intelligence in Human Resource Management. Available at SSRN 4603230.
- Rousseau, D. M. (2006). Is there such a thing as “evidence-based management”?. Academy of management review, 31(2), 256-269.
- Seebacher, U. (2021). Predictive intelligence for data-driven managers. Springer International Publishing.
- Sarker, I. H. (2021). Data science and analytics: an overview from data-driven smart computing, decision-making and applications perspective. SN Computer Science, 2(5), 377.
- Sarker, I. H. (2022). Smart City Data Science: Towards data-driven smart cities with open research issues. Internet of Things, 19, 100528.
- Shet, S. V., Poddar, T., Samuel, F. W., & Dwivedi, Y. K. (2021). Examining the determinants of successful adoption of data analytics in human resource management–A framework for implications. Journal of Business Research, 131, 311-326.
- Van De Voorde, K., Paauwe, J., & Van Veldhoven, M. (2010). Predicting business unit performance using employee surveys: monitoring HRM‐related changes. Human resource management journal, 20(1), 44-63.
- Van De Voorde, K., Paauwe, J., & Van Veldhoven, M. (2012). Employee well‐being and the HRM–organizational performance relationship: a review of quantitative studies. International Journal of Management Reviews, 14(4), 391-407.
- van Veldhoven, M. (2005). Financial performance and the long‐term link with HR practices, work climate and job stress. Human Resource Management Journal, 15(4), 30-53.
- Van Veldhoven, M. J. P. M. (2012). Over knipogen, badkuipen en kampeertenten: Arbeidsgedrag als fundament van strategisch human resource management. Prismaprint.
- Varsha, P. S., & Shree, S. N. (2023). Embracing Data-Driven Analytics (DDA) in human resource management to measure the organization performance. Handbook of Big Data Research Methods: 0, 195. - van der Laken, P. A. (2018). Data-Driven Human Resource Management. The rise of people analytics and its application to.
- Visvizi, A., Troisi, O., Grimaldi, M., & Loia, F. (2022). Think human, act digital: activating data-driven orientation in innovative start-ups. European Journal of Innovation Management, 25(6), 452-478.
- Wang, Y., Wang, S., Yang, B., Zhu, L., & Liu, F. (2020). Big data driven Hierarchical Digital Twin Predictive Remanufacturing paradigm: Architecture, control mechanism, application scenario and benefits. Journal of cleaner production, 248, 119299.
- Welbourne, T. M. (2015). Data‐Driven Storytelling: The Missing Link in HR Data Analytics. Employment Relations Today, 41(4), 27-33.
- Wright, P. M., Gardner, T. M., Moynihan, L. M., & Allen, M. R. (2005). The relationship between HR practices and firm performance: Examining causal order. Personnel psychology, 58(2), 409-446.
- Wu, D., Wang, H., & Seidu, R. (2020). Smart data driven quality prediction for urban water source management. Future Generation Computer Systems, 107, 418-432.
- Yusof, R., Azizan, S., Zainal, S. R. M., & Supian, K. (2022). The Essential Role of Human Values and Technology Driven HRM Towards a Smart HRM Process. Global Business and Management Research, 14(3s), 256-265.
- Zhang, Y., Xu, S., Zhang, L., & Yang, M. (2021). Big data and human resource management research: An integrative review and new directions for future research. Journal of Business Research, 133, 34-50.
- Zehir, C., Karaboğa, T., & Başar, D. (2020). The transformation of human resource management and its impact on overall business performance: big data analytics and AI technologies in strategic HRM. Digital Business Strategies in Blockchain Ecosystems: Transformational Design and Future of Global Business, 265-279.