• Home
  • Designing a Model for Utilizing Artificial Intelligence in Human Resource Management with a Grounded Data Theory Approach

Share To

Article Url


Manuscript ID : 140402101205441 Visit : 20 Page: 127 - 154

Article Type: Original Research

Designing a Model for Utilizing Artificial Intelligence in Human Resource Management with a Grounded Data Theory Approach

Subject Areas : Educational management

Leila Kheyrati 1 , S. Shahram SalamatiNia 2 , Soheil Dadfar 3 *

1 - Department of Information and Communication Technology Management, Kish International Branch, Islamic Azad University, Kish, Iran
2 - Department of Information and Communication Technology Management, Kish International Branch, Islamic Azad University, Kish, Iran
3 - Department of Information and Communication Technology Management, Kish International Branch, Islamic Azad University, Kish, Iran

Received: 2024-10-31 Accepted : 2025-01-19 Published : 2025-01-25

Keywords: Artificial intelligence, human resource management, grounded theory,

Abstract :

The main objective of this research is to design a model for the application of artificial intelligence in human resource management based on grounded theory. The research method is applied from the perspective of the objective and is qualitative based on data collection using the grounded theory method. Using purposive and snowball sampling methods, semi-structured in-depth interviews were conducted with 15 experts and key informants in the field of artificial intelligence and human resource management and academic experts, and the data were analyzed using open, axial, and selective coding through Max Quda 2020 software. The resulting paradigmatic model was formed based on the central phenomenon (development of artificial intelligence in human resource management) affected by causal conditions including (technological factors, organizational factors, and strategic factors), contextual conditions including (environmental factors, and ethical and social factors), and intervening variables including (human-related factors including components of employee trust and acceptance, user experience, ethical concerns, and skill gaps) along with action and reaction strategies (automation of repetitive tasks, talent acquisition, learning and development, data analysis, interaction with employees, changing human resource roles, collaboration with experts, and investment in technology) and positive and negative consequences.

References:

بهرامی دهدار، معصومه (1403). عوامل پذیرش هوش مصنوعی در مدیریت منابع انسانی،سومین کنگره بین المللی مدیریت، اقتصاد، علوم انسانی و توسعه کسب و کار،https://civilica.com/doc/2051019
بهمنی، پریسا و میرزایی، آرزو و رحیمی، محمد مهدی (1402). بررسی عوامل موثر بر موفقیت مدیریت منابع انسانی الکترونیک،دومین کنفرانس بین المللی اقتصاد و مدیریت کسب و کار با گرایش توسعه دانش بنیان،تهران،https://civilica.com/doc/1780525
اکبری, علی‌رضا و طهماسبی, رضا . (1401). شناسایی کاربردها و الزامات هوش مصنوعی در فرایند جذب و استخدام. مجله علمی "مدیریت فرهنگ سازمانی", 21(1), 75-88. doi: 10.22059/jomc.2021.320799.1008246
اسلامی، آذر. دانایی فرد، حسن (1390). کاربرد استراتژی پژوهشی نظریه داده‌بنیاد در عمل؛ ساخت نظریه بی‌تفاوتی سازمانی. دانشگاه امام صادق (ع). تهران، چاپ اول.
Abdeldayem, M. M., & Aldulaimi, S. H. (2020). Trends and opportunities of artificial intelligence in human resource management: Aspirations for public sector in Bahrain. International journal of scientific and technology research, 9(1), 3867-3871.
Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24-42.
Haenlein, M., Kaplan, A., Tan, C. W., & Zhang, P. (2019). Artificial intelligence (AI) and management analytics. Journal of Management Analytics, 6(4), 341-343.
Harney, B., & Collings, D. G. (2021). Navigating the shifting landscapes of HRM. Human Resource Management Review, 31(4), 100824.
Huang, M. J., Tsou, Y. L., & Lee, S. C. (2006). Integrating fuzzy data mining and fuzzy artificial neural networks for discovering implicit knowledge. Knowledge-Based Systems, 19(6), 396-403.
Jatobá, M., Santos, J., Gutierriz, I., Moscon, D., Fernandes, P. O., & Teixeira, J. P. (2019). Evolution of artificial intelligence research in human resources. Procedia Computer Science, 164, 137-142.
Kearney, C., & Meynhardt, T. (2016). Directing corporate entrepreneurship strategy in the public sector to public value: Antecedents, components, and outcomes. International Public Management Journal, 19(4), 543-572.
Kimseng, T., Javed, A., Jeenanunta, C., & Kohda, Y. (2020). Applications of fuzzy logic to reconfigure human resource management practices for promoting product innovation in formal and non-formal R&D firms. Journal of Open Innovation: Technology, Market, and Complexity, 6(2), 38.
Kurek, D. (2021). Use of modern IT solutions in the HRM activities: Process automation and digital employer branding.
Malik, A., Thevisuthan, P., & De Sliva, T. (2022). Artificial intelligence, employee engagement, experience, and HRM. In Strategic human resource management and employment relations: An international perspective (pp. 171-184). Cham: Springer International Publishing.
Minbaeva, D. (2021). Disrupted HR?. Human Resource Management Review, 31(4), 100820.
Nankervis, A., Connell, J., Cameron, R., Montague, A., & Prikshat, V. (2021). ‘Are we there yet?’Australian HR professionals and the Fourth Industrial Revolution. Asia Pacific Journal of Human Resources, 59(1), 3-19.
Poba-Nzaou, P., Galani, M., & Tchibozo, A. (2020). Transforming human resources management in the age of Industry 4.0: a matter of survival for HR professionals. Strategic HR Review, 19(6), 273-278.
Qamar, Y., Agrawal, R. K., Samad, T. A., & Chiappetta Jabbour, C. J. (2021). When technology meets people: the interplay of artificial intelligence and human resource management. Journal of Enterprise Information Management, 34(5), 1339-1370.
Quan, X. I., & Sanderson, J. (2018). Understanding the artificial intelligence business ecosystem. IEEE Engineering Management Review, 46(4), 22-25.
Rąb-Kettler, K., & Lehnervp, B. (2019). Recruitment in the times of machine learning. Management Systems in Production Engineering, 27(2), 105-109.
Varma, A., Dawkins, C., & Chaudhuri, K. (2023). Artificial intelligence and people management: A critical assessment through the ethical lens. Human Resource Management Review, 33(1), 100923.
Vishwakarma, L. P., & Singh, R. K. (2023). An analysis of the challenges to human resource in implementing artificial intelligence. In The Adoption and Effect of Artificial Intelligence on Human Resources Management, Part B (pp. 81-109). Emerald Publishing Limited.
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.
Full-Text:


 

 

 

 

طراحی مدل بکارگیری هوش مصنوعی در مدیریت منابع انسانی با رویکرد نظریه داده بنیاد

لیلا خیراتی1، سید شهرام سلامتی نیا2 و سهیل دادفر3

 

تاریخ دریافت: 10/08/1403                 تاریخ پذیرش: 30/11/1403

 

چکيده

هدف اصلی این پژوهش، طراحی مدل بکارگیری هوش مصنوعی در مدیریت منابع انسانی مبتنی بر نظریه داده‌بنیاد است. روش تحقیق از منظر هدف، کاربردی و بر اساس گردآوری اطلاعات، کیفی با استفاده از روش نظریه داده بنیاد است. با استفاده از روش نمونه‌گیری هدفمند و گلوله برفی، با 15 نفر از خبرگان و مطلعین کلیدی در حوزه هوش مصنوعی و مدیریت منابع انسانی و خبرگان دانشگاهی، مصاحبه‌های عمیق نیمه ساختاریافته صورت گرفت و داده‌ها با استفاده از کدگذاری باز، محوری و انتخابی از طریق نرم افزار مکس کیودا 2020 مورد تجزیه و تحلیل قرار گرفت. الگوی پارادایمی حاصل بر اساس پدیده محوری (توسعه هوش مصنوعی در مدیریت منابع انسانی) متاثر از شرایط علی شامل (عوامل فناوری، عوامل سازمانی و عوامل استراتژیک)، شرایط زمینه‌ای شامل (عوامل محیطی و عوامل اخلاقی و اجتماعی) و متغیرهای مداخله‌گر شامل (عوامل مرتبط با انسان شامل مولفه‌های اعتماد و پذیرش کارکنان، تجربه کاربری، نگرانی‌های اخلاقی، شکاف مهارتی) به همراه راهبردهای کنش و واکنش (خودکارسازی وظایف تکراری، جذب استعداد، یادگیری و توسعه، تجزیه و تحلیل داده‌ها، تعامل با کارکنان، تغییر نقش‌های منابع انسانی، همکاری با متخصصان، سرمایه‌گذاری در فناوری) و پیامدهای مثبت و منفی شکل گرفت.

 

کلمات کليدی: هوش مصنوعی، مدیریت منابع انسانی، نظریه داده بنیاد.

 

 

 

Designing a Model for Utilizing Artificial Intelligence in Human Resource Management with a Grounded Data Theory Approach

 

The main objective of this research is to design a model for the application of artificial intelligence in human resource management based on grounded theory. The research method is applied from the perspective of the objective and is qualitative based on data collection using the grounded theory method. Using purposive and snowball sampling methods, semi-structured in-depth interviews were conducted with 15 experts and key informants in the field of artificial intelligence and human resource management and academic experts, and the data were analyzed using open, axial, and selective coding through Max Quda 2020 software. The resulting paradigmatic model was formed based on the central phenomenon (development of artificial intelligence in human resource management) affected by causal conditions including (technological factors, organizational factors, and strategic factors), contextual conditions including (environmental factors, and ethical and social factors), and intervening variables including (human-related factors including components of employee trust and acceptance, user experience, ethical concerns, and skill gaps) along with action and reaction strategies (automation of repetitive tasks, talent acquisition, learning and development, data analysis, interaction with employees, changing human resource roles, collaboration with experts, and investment in technology) and positive and negative consequences.

Keywords: Artificial intelligence, human resource management, grounded theory.


 

1-       مقدمه

هوش مصنوعی4 (AI) در منابع انسانی به کاربرد فناوری‌های هوش مصنوعی در راستای بهبود عملکردهای مختلف منابع انسانی، از جمله استخدام، مدیریت عملکرد، مشارکت کارکنان و فرآیندهای پذیرش سازمانی اشاره دارد (چاودوری، و همکاران5،2023). با افزایش استفاده سازمان‌ها از ابزارهای هوش مصنوعی، ادغام این فناوری‌ها به یک نیروی تحول‌آفرین در شیوه‌های منابع انسانی تبدیل شده است که کارایی، تصمیم‌گیری و تجربه کلی کارکنان را بهبود می‌بخشد. این اتکای فزاینده به هوش مصنوعی در حوزه منابع انسانی، اهمیت آن را به عنوان یک جزء حیاتی از مدیریت نیروی کار مدرن نشان می‌دهد و نحوه جذب، حفظ و توسعه استعدادها را در شرکت‌ها دگرگون کرده است (تیواری و پپانت6، 2020). ظهور قابل توجه هوش مصنوعی در منابع انسانی به اواخر قرن بیستم بازمی‌گردد، زمانی که سیستم‌های اولیه مدیریت منابع انسانی شروع به خودکارسازی وظایف تکراری کردند. این روند تکاملی در دهه ۲۰۱۰ ادامه یافت و فناوری‌های پیشرفته‌تر هوش مصنوعی ظهور کردند که امکان تحلیل داده‌ها و مدل‌سازی پیش‌بینانه را فراهم کردند و به طور اساسی فرآیندهای تصمیم‌گیری در منابع انسانی را تغییر دادند (ویشواکارما، ال پی، و سینگ7، 2023). تحقیقات فعلی نشان می‌دهد که بیش از دو سوم متخصصان منابع انسانی بهبود در کارایی استخدام و رضایت کارکنان را به دلیل استفاده از راه‌حل‌های هوش مصنوعی گزارش می‌دهند (کورک8،2021). در نتیجه، هوش مصنوعی به عنصری ضروری برای بهینه‌سازی عملیات منابع انسانی و تقویت مشارکت بیشتر نیروی کار تبدیل شده است. با این حال، پیاده‌سازی هوش مصنوعی در حوزه منابع انسانی با چالش‌ها و بحث‌های متعددی همراه است. مسائلی مانند حریم خصوصی داده‌ها، سوگیری الگوریتمی، و نیاز به رویکردی انسان‌محور در تعاملات با کارکنان، ملاحظات اخلاقی مهمی را به همراه دارد. منتقدان استدلال می‌کنند که اتکای بیش از حد به هوش مصنوعی می‌تواند به شیوه‌های تبعیض‌آمیز منجر شود، به ویژه اگر الگوریتم‌ها به دقت طراحی و نظارت نشوند. این موضوع نگرانی‌هایی را در مورد عدالت و شفافیت در فرآیندهای استخدام و ارزیابی عملکرد ایجاد می‌کند (سونداری و همکاران9، 2021). علاوه بر این، سازمان‌ها باید بین کارایی به دست آمده از طریق هوش مصنوعی و ضرورت حفظ ارتباطات شخصی با کارکنان تعادل برقرار کنند، زیرا این ارتباطات برای تقویت فرهنگ مثبت در محیط کار حیاتی هستند. با ادامه تحولات در آینده کار، انتظار می‌رود نقش هوش مصنوعی در منابع انسانی گسترش یابد و روندهایی مانند تحلیل‌های پیش‌بینانه و بهبود تجربیات کارکنان را تقویت کند. سازمان‌ها به طور فزاینده‌ای به اهمیت حکمرانی اخلاقی در ادغام هوش مصنوعی پی برده‌اند تا ریسک‌های مرتبط با سوگیری و نقض حریم خصوصی را کاهش دهند. با اولویت‌دهی به استقرار مسئولانه‌ی هوش مصنوعی، شرکت‌ها می‌توانند از مزایای فناوری‌های هوش مصنوعی بهره‌مند شوند و در عین حال، شیوه‌های عادلانه و شفاف در مدیریت منابع انسانی را تضمین کنند (وندی10، 2023).

   در سال‌های اخیر، هوش مصنوعی توجه فزاینده‌ای از سوی هم متخصصان و هم پژوهشگران جلب کرده است (کوان و سندرسون11، ۲۰۱۸؛ هینلین و همکاران12، ۲۰۱۹؛ داونپورت و همکاران13، ۲۰۲۰) و به یکی از موضوعات تحقیقاتی برجسته در حوزه کسب و کار تبدیل شده است (ژانگ و همکاران14،۲۰۲۰).  اما در مورد تغییرات مرتبط در حوزه منابع انسانی چه می‌‌‌دانیم؟ مدیریت منابع انسانی یکی از زمینه‌های مدیریتی است که می تواند به طور قابل توجهی تحت تأثیر تکنیک های انقلابی مانند هوش مصنوعی قرار گیرد که به عنوان یک روند بزرگ در این رشته شناخته می شود (هارنی و کولینگز15،2021). در واقع، با وجود رشد سریع علاقه در این زمینه، ادبیات دانشگاهی مرتبط با این موضوع ناقص باقی مانده است. شناخت عوامل اثرگذار بر بکارگیری ابزارهای هوش مصنوعی در مدیریت منابع انسانی ناشناخته باقی ‌مانده و این امر از آمادگی سازمان‌ها برای این تغییر تکنولوژیک جلوگیری می‌کند. به عنوان مثال، متخصصان منابع انسانی نمی‌‌توانند دقیقاً بدانند چه چیزی توسط هوش مصنوعی مختل شده است یا چگونه می توانند با موفقیت از این فناوری در فعالیت‌های خود استفاده کنند (مینباوا16،2021). این امر نشان‌دهنده وجود مسئله‌ای است که نیازمند ارائه مدل بکارگیری هوش مصنوعی در مدیریت منابع انسانی با رویکرد نظریه داده بنیاد است. بعبارتی ما بدنبال شناسایی عوامل اثرگذار بر بکارگیری هوش مصنوعی در مدیریت منابع انسانی هستیم و با این پرسش (مدل بکارگیری هوش مصنوعی در مدیریت منابع انسانی چگونه است؟) به بررسی موضوع می‌پردازیم.

2-       ادبیات نظری

2-1- هوش مصنوعی

مفهوم هوش مصنوعی تعاریف متعددی دارد. محققان مختلف تعاریف خود را ارائه کرده اند (ولش17، 2019). بسته به زمان و سطح توسعه فناورانه به دست آمده، مطالعات مختلف بر جنبه‌های مختلف آن متمرکز شده است. نمونه ای از مرتبط ترین تعاریف از قرن بیستم در جدول شماره (1) نشان داده شده است.

جدول (1): تعاریف هوش مصنوعی

نویسنده

تعریف

(مک کارتی18، 1956)

علم و مهندسی ایجاد ماشین‌های هوشمند، به ویژه برنامه های کامپیوتری هوشمند.

(مینسکی19،1968)

علمی که به توسعه ماشین‌‌‌‌هایی می‌پردازد که قادر به انجام وظایفی هستند که انسان می‌تواند انجام دهد و به هوش انسانی نیاز دارد.

(نیلسون20، 1998)

هوش مصنوعی بخشی از علم کامپیوتر است که بر یادگیری ماشین تمرکز دارد، کامپیوترها را هوشمندانه عمل می کند، به طور مداوم یاد می گیرند و عملکرد خود را بهبود می‌بخشد.

(کاپلی و همکاران21، 2019)

دسته وسیعی از فناوری‌ها که رایانه را قادر می‌سازد تا وظایفی را انجام دهد که معمولاً به شناخت انسانی نیاز دارند، از جمله تصمیم‌گیری.

(استنلی و آگاروال22، 2019)

توسعه سیستم های کامپیوتری که وظایفی را انجام می دهند که نیاز به هوش انسانی دارند. هدف اصلی هوش مصنوعی این است که ماشین ها را هوشمندتر کند.

(بولاندر23، 2019)

ساخت ماشین‌هایی - رایانه‌ها یا ربات‌ها - که می‌توانند کارهایی را انجام دهند که در غیر این صورت فقط انسان‌ها قادر به انجام آن‌ها بوده‌اند.

(پائسانو24، 2023)

سیستم هایی که با تجزیه و تحلیل محیط خود و انجام اقدامات، با درجه خاصی از استقلال، برای دستیابی به اهداف خاص، رفتار هوشمندانه ای از خود نشان می دهند.

هوش مصنوعی به طرق مختلف در زمینه‌های مختلف تعریف می‌شود. هوش مصنوعی تنها به دانش محدود نمی‌شود بلکه شامل توانایی انجام کارهایی است که فعالیت‌های انسانی را تقلید می‌کند. به عنوان مثال، یک نوزاد تازه متولد شده می‌تواند تحت این تعریف به عنوان یک هوش در نظر گرفته شود، که با دیدگاه تورینگ25 که هوش را با دانش انباشته شده در طول زمان مرتبط می‌داند، در تضاد است (دوبرو26،2012). جیلیو و کاستا27 (2023)، تأکید می‌کنند که یک تعریف جامع از هوش مصنوعی شامل پنج مؤلفه اساسی است: فناوری پیچیده، فعالیت مشابه انسان، قابلیت‌های حل مسئله، عملکرد ذهنی و خودمختاری مشروط. این تعریف با این مفهوم هم‌راستا است که هوش مصنوعی شامل روش‌های مختلفی است که هدف آن‌ها تقلید از هوش انسانی در ماشین‌ها است. ادبیات موجودد به اهمیت ملاحظات اخلاقی و ماهیت در حال تحول تعاریف هوش مصنوعی اشاره می‌کند که منعکس‌کننده چشم‌انداز پویا در تحقیقات و کاربردهای هوش مصنوعی است (جیلیو و کاستا، 2023).

2-2- هوش مصنوعی و مدیریت منابع انسانی

سرمایه انسانی یک عنصر متمایز‌کننده یک سازمان است زیرا یک منبع نامشهود است که تقلید از آن برای رقبا دشوار است، بنابراین یک مزیت رقابتی بالقوه به هر سازمانی می‌دهد (کرنی و مینهارت28، 2016).  مدیریت منابع انسانی به دلیل تغییرات اقتصادی، سیاسی، اجتماعی و به ویژه فناوری به یک روند استراتژیک در سازمان ها تبدیل شده است (جاتوبا و همکاران29،2019). همه بخش‌ها از این نقش جدید استقبال نکرده‌اند و موقعیت‌یابی استراتژیک کند و گاهی مشکل‌ساز باقی می‌ماند (پوبا-نزائو و همکاران30،2020). در این موارد، ترکیب فناوری‌هایی مانند هوش مصنوعی نیاز به تکامل با سایر جنبه‌های جامعه دارد (میخائیلیدیس31،2018). نقش هوش مصنوعی در یک سازمان بهبود کارایی و اثربخشی عملکرد منابع انسانی با چابک‌سازی و دقیق کردن فرآیندهای مختلف مدیریتی است (نانکرویس و همکاران32، 2021). برای مدیریت منابع انسانی، هوش مصنوعی درک و کنترل فرآیند جمع‌آوری داده‌ها را امکان‌پذیر می‌سازد تا این فرآیند در استراتژی کارایی سازمانی و اقتصادی گنجانده شود (وارما و همکاران33،2022). در میان حوزه‌های مختلفی که مدیریت منابع انسانی را در سازمانی که هوش مصنوعی در آن شروع می‌کند، تشکیل می‌دهد: (1) استعدادیابی و استخدام، (2) آموزش و توسعه، (3) تجزیه و تحلیل عملکرد، (4) توسعه شغلی، (5) جبران خدمات، و (6) جابجایی کارکنان (عبدالدائم و الدلیمی34،2020؛ قمر و همکاران35،2021).

قمر و همکاران (2021)، نشان داد که هوش مصنوعی در مدیریت منابع انسانی در سازمان های مختلف از طریق تکنیک های زیر پیاده سازی شده است:

§       سیستم‌های خبره: برنامه‌هایی هستند که برای پیکربندی دانش خبره در ساختارهای منطقی طراحی شده‌اند که مشکلات بدون ساختار را حل می‌کنند و با فراهم کردن دسترسی آسان به دانش به توسعه سیستم‌های اطلاعاتی کامل کمک می‌کنند. این به طور عمده در برنامه ریزی منابع انسانی، جبران خسارت، استخدام و مدیریت نیروی کار استفاده می شود (مالک و همکاران36، 2022). 

§       منطق فازی: این تکنیک در زمینه های تحقیقاتی مختلف استفاده می شود. در مورد مدیریت منابع انسانی، بر اساس سطوح عضویت تعیین شده است که مقادیر آن بین 0 و 1 متفاوت است. مقدار 0 نشان دهنده عدم عضویت است، در حالی که مقدار 1 عضویت کامل را نشان می دهد. با این مجموعه‌ها، منطق فازی می‌تواند عدم قطعیت داده‌ها را کمی‌سازی کند و سناریوهای آینده را برای تسهیل تصمیم‌گیری پیش‌بینی کند (کیمسنگ و همکاران37،2020). کاربرد آن در سال 2000 آغاز شد و در انتخاب پرسنل و طراحی بهینه نیروی کار مورد استفاده قرار گرفت (قمر و همکاران، 2021).

§       شبکه های عصبی مصنوعی: این برنامه یک مدل ساده شده است که برای تقلید از عملکرد مغز انسان ساخته شده است. ساختار آن شامل یک عنصر پردازش، یک لایه و یک شبکه برای بازآفرینی فرآیند یادگیری انسان است (هوانگ و همکاران38، 2006). این یکی از محبوب ترین تکنیک ها برای پیش بینی است و عمدتاً در انتخاب، استخدام و مدیریت عملکرد پرسنل استفاده می‌شود.

§       داده کاوی: استخراج اطلاعات با ارزش اما پنهان است. از طریق کاربرد آن، سازمان ها می توانند اطلاعات و الگوهای مفید را به مزیت های رقابتی تبدیل کنند (هوانگ و همکاران، 2006). داده کاوی در سال 2006 در مدیریت منابع انسانی مورد استفاده قرار گرفت و عمدتاً برای استخدام، ارزیابی شایستگی و عملکرد و مدیریت استعداد استفاده شده است.

§       الگوریتم ژنتیک: این تکنیک های جستجوی اطلاعات مبتنی بر همانندسازی، جهش و تلاقی ژن به راه حل های بهینه برای مسائل ریاضی می رسند. عمدتاً در برنامه ریزی نیروی کار و ارزیابی عملکرد پرسنل استفاده می شود (ژانگ و همکاران39، 2021).

§       یادگیری ماشین: این فرآیند یادگیری است که توسط آن یک ماشین می‌‌تواند به تنهایی بیاموزد بدون اینکه برنامه‌‌‌ریزی خاصی برای انجام این کار داشته باشد (راب کتلر و لهنروپ40،2019).

 

 

 

3-       پیشینه پژوهش

بهرانی دهدار (1403)، در مطالعه‌ای با عنوان «عوامل پذیرش هوش مصنوعی در مدیریت منابع انسانی» مطرح نمود که برای پذیرش و گسترش استفاده از هوش مصنوعی در مدیریت منابع انسانی می بایست ابتدا از طریق ایجاد یکچارچوب آکادمیک و سپس تجزیه و تحلیل رایج ترین برنامه های کاربردی هوش مصنوعی در فرآیندهای منابع انسانی و نهایتا شناسایی راه های بهینه برای انتقال دانش فرآیندهای پیاده سازی اقدام نمود. بهمنی و میرزایی، و رحیمی (1402)، در مطالعه‌ای با عنوان «بررسی عوامل موثر بر موفقیت مدیریت منابع انسانی الکترونیک» به چهار گروه عوامل تکنولوژیکی، سازمانی ، رفتاری و محیطی در این رابطه اشاره نمودند. اکبری و طهماسبی (1401)، در مطالعه‌ای با عنوان «شناسایی کاربردها و الزامات هوش مصنوعی در فرایند جذب و استخدام» مطرح نمودند که هفت عامل کاربردها، الزامات فنی، الزامات هوشمندی، الزامات عملکردی، الزامات اخلاقی، کژکارکردها و عوامل غیر ساختاری لازمه بکارگیری هوش مصنوعی در مدیریت منابع انسانی هستند. سوشیپتو41 (2024)، در مطالعه‌ای با عنوان «تأثیر هوش مصنوعی بر شیوه های مدیریت منابع انسانی» به مزایای کلیدی مانند بهبود کارایی، موثر بودن فرآیندها و بهبود تصمیم‌گیری‌های شرکتی اشاره نمود. با این حال، در این مطالعه چالش‌هایی از جمله امنیت داده‌ها، مسائل حریم خصوصی و نیاز به توسعه مهارت‌های منابع انسانی نیز مورد توجه قرارگرفتند. تأثیرات روانی بر کارکنان و دینامیک‌های تیمی نیز نگرانی‌های قابل توجهی هستند. این مطالعه نتیجه‌گیری می‌کند که در حالیکه هوش مصنوعی می‌تواند مدیریت منابع انسانی را متحول کند، نیاز به مدیریت دقیق چالش‌های نوظهور دارد. بنابو، توهامی، و دمراوی، (2024)، در مطالعه‌ای با عنوان «هوش مصنوعی و آینده مدیریت منابع انسانی» مطرح نمودند که  ادغام هوش مصنوعی در مدیریت منابع انسانی به تقویت قابلیت‌های سازمانی اشاره دارد و شیوه‌های سنتی را به مدیریت استعدادهای پیش‌بین و پویاتر تبدیل می‌کند. آگوستونو، نوگروهو، و فیانتو42 (2023)، در مطالعه‌ای با عنوان «هوش مصنوعی در شیوه های مدیریت منابع انسانی» مطرح نمودند که پیاده‌سازی هوش مصنوعی در مدیریت منابع انسانی تحت تأثیر سیاست، زیرساخت فناوری و قابلیت‌های منابع انسانی قرار دارد. سازمان‌ها باید این حوزه‌ها را توسعه دهند تا به‌طور مؤثر از فناوری‌های هوش مصنوعی استفاده کنند. توفاها43 (2022)، در مطالعه‌ای با عنوان «عوامل پذیرش هوش مصنوعی در مدیریت منابع انسانی» مطرح نمود تعیین‌کننده‌های کلیدی ادغام هوش مصنوعی در عملکردهای مختلف منابع انسانی شامل سازگاری، مزیت نسبی، پیچیدگی، حمایت مدیریتی، مداخله دولت و شراکت با فروشندگان هستند. حمود44 (2021)، در مطالعه‌ای با عنوان «پذیرش هوش مصنوعی در مدیریت منابع انسانی و نقش منابع انسانی» بر اهمیت پرداختن به ملاحظات اخلاقی و اطمینان از رویکرد انسان‌محور در پذیرش هوش مصنوعی در مدیریت منابع انسانی برای کاهش چالش‌های مربوط به حریم خصوصی داده‌ها و تعصب الگوریتمی تأکید نمود.

4-       روش تحقیق

   این مطالعه از نظر هدف، پژوهشی کاربردی و از حیث روش گردآوری داده‌ها، یک تحقیق کیفی با رویکرد نظریه داده‌بنیاد محسوب می‌شود. پژوهشگران در این رویکرد، با بهره‌گیری از روش استقرایی و اکتشافی، به جای تکیه بر چارچوب‌های نظری پیشین، در پی شکل‌دهی به نظریه‌ای جدید هستند. در همین راستا، پرسش اصلی تحقیق این است: «الگوی به‌کارگیری هوش مصنوعی در مدیریت منابع انسانی چگونه است. برای تحلیل داده‌ها، از نسخه سیستماتیک (عینیت‌گرایانه) نظریه داده‌بنیاد اشتراوس45 استفاده شد. جامعه مورد مطالعه شامل متخصصان حوزه‌های مدیریت منابع انسانی و هوش مصنوعی و همچنین اساتید دانشگاهی صاحب‌نظر در این زمینه بود. نمونه‌گیری به شیوه هدفمند انجام گرفت و روند جمع‌آوری داده‌ها تا رسیدن به اشباع نظری (زمانی که داده‌های جدید، مفهوم تازه‌ای به یافته‌ها اضافه نکردند) ادامه یافت. بر این اساس، پس از انجام پانزدهمین مصاحبه و تأیید تکرارپذیری مفاهیم و همگرایی داده‌ها، محققان به کفایت داده‌ها برای پاسخ به پرسش پژوهش دست یافتند. همچنین در این مطالعه سوالات مصاحبه نیمه ساختاریافته46 از طریق تکنیک 5W1h، طراحی شدند. در رویکرد 5W1h هدف پاسخ به سؤالات چه چیزی: رویداد مورد نظر چیست و چه ابعادی دارد؟ کجا: این رویداد در چه مکانی صورت گرفته است؟ چه زمانی: این اتفاق چه زمانی رخ داده است. چه کسی: چه کسی یا کسانی در ایجاد این اتفاق نقش داشته‌اند؟ چرا: دلایل و ریشه‌های ایجاد این پدیده چیست؟ چگونه: این رویداد چگونه و در چه شرایطی به وقوع پیوسته است؟، است(جنگ و وو47، 2005). پس از گردآوری داده‌ها از طریق مصاحبه، گزاره‌های کلامی حاوی اطلاعات مشخص شدند و هر کدام از مفاهیم مورد اشاره در جملات استخراج شده بصورت یک کد در نرم افزار مکس کیودا نسخه 2020 انتخاب و مورد تجزیه و تحلیل قرار گرفتند. بدین صورت طبق فرایندی که در شکل زیر آورده شده است تجزیه و تحلیل داده ها صورت گرفت:

 

شکل (1): فرایند تجزیه و تحلیل داده‌ها

 

      برای سنجش اعتبار داده‌های گردآوری ‌شده، با انتخاب دقیق جامعه و نمونه آماری و همچنین تأیید مفاهیم استخراج‌شده از طریق فرایند تعاملی و بازخوردهای مکرر بین خبرگان و حصول توافق جمعی میان آنان، اعتبار مدل نهایی مورد تأیید قرار گرفت. پایایی ابزار پژوهش نیز با بهره‌گیری از آزمون قابلیت اطمینان بین کدگذاران ارزیابی شد. بدین منظور، سه مصاحبه به صورت مستقل توسط محققان و یک همکار پژوهشی کدگذاری شدند و سپس با بررسی میزان تشابهات و تفاوت‌های کدها، درصد توافق بین کدگذاران محاسبه شد. پایایی بدست آمده در این پژوهش برابر با 86 درصد بود که از نظر چین48 (1990) درصد مناسبی است.

5-       یافته‎ها

الف) توصیف جمعیت شناختی

    اطلاعات جمعیت شناختی مصاحبه‌شوندگان در جدول (2) آورده شده است:

جدول (2): اطلاعات جمعیت شناختی مصاحبه‌شوندگان

ردیف

تجربیات

سطح تحصیلات

مصاحبه 1

مدیر ارشد منابع انسانی

فوق لیسانس

مصاحبه2

عضو هیات علمی

دکترا

مصاحبه3

مدیرعامل

دکترا

مصاحبه4

مدیر منابع انسانی بانک

دکترا

مصاحبه5

مدیر منابع انسانی

دکترا

مصاحبه6

مدیر منابع انسانی بانک

دکترا

مصاحبه7

عضو هیات علمی

دکترا

مصاحبه8

عضو هیات علمی

دکترا

مصاحبه9

عضو هیات علمی

دکترا

مصاحبه10

مدیر ارشد منابع انسانی

فوق لیسانس

مصاحبه11

مدیر منابع انسانی

لیسانس

مصاحبه12

عضو هیات علمی

دکترا

مصاحبه13

مدیر منابع انسانی

دکترا

مصاحبه14

مدیر منابع انسانی

فوق لیسانس

مصاحبه 15

عضو هیات علمی

دکترا

 

 

 

ب) یافته های کیفی

    پس از مرور ادبیات حوزه هوش مصنوعی و مدیریت منابع انسانی و انجام مصاحبه با اعضای نمونه آماری، داده‌های حاصل از مصاحبه کيفی جمع آوری شد. سپس مفاهیم و گزاره‌‌های کلامی بدست آمده طی دو مرحله کدگذاری شامل کدگذاری باز، کدگذاری محوری طبقه‌بندی و پدیده محوری، عوامل علی، عوامل زمینه‌ای و عوامل مداخله‌گر، استراتژی‌ها و پیامدها از میان مقولات اصلی شناسایی شدد و در نهایت با کدگذاری انتخابی، ارتباط بین پدیده محوری و سایر مقوله‌ها برقرار شد. 

جدول (3): نتایج کدگذاری

کدگذاری محوری

کدگذاری انتخابی

کدگذاری باز

توضیح

شرایط علی

عوامل فناوری

دسترسی و کیفیت داده‌ها

سیستم‌های هوش مصنوعی به شدت به داده‌ها وابسته هستند. دسترسی به داده‌های باکیفیت، مرتبط و ساختاریافته برای آموزش مدل‌های هوش مصنوعی و تولید بینش‌های دقیق ضروری است.

ابزارها و پلتفرم‌های هوش مصنوعی

دسترسی و مقرون‌به‌صرفه بودن ابزارها و پلتفرم‌های هوش مصنوعی که برای وظایف منابع انسانی (مانند استخدام، مدیریت عملکرد، مشارکت کارکنان) طراحی شده‌اند، بر پذیرش آن تأثیر می‌گذارند. 

یکپارچه‌سازی با سیستم‌های موجود

توانایی راه‌حل‌های هوش مصنوعی برای ادغام بدون مشکل با سیستم‌های اطلاعات منابع انسانی (منابع انسانیIS) و سایر نرم‌افزارهای سازمانی بسیار مهم است. 

زیرساخت فناوری

سازمان‌ها به زیرساخت فناوری اطلاعات قوی، از جمله قابلیت‌های رایانش ابری و اقدامات امنیت سایبری، برای پشتیبانی از اجرای هوش مصنوعی نیاز دارند. 

پیشرفت‌های فناوری هوش مصنوعی

پیشرفت‌های سریع در حوزه هوش مصنوعی، مانند پردازش زبان طبیعی (NLP) و یادگیری ماشین (ML)، امکان ایجاد کاربردهای پیشرفته‌تر در منابع انسانی را فراهم می‌کند.

عوامل سازمانی

 

رهبری و چشم‌انداز

حمایت مدیریت ارشد و داشتن چشم‌اندازی روشن برای پذیرش هوش مصنوعی برای اجرای موفق آن ضروری است.

بودجه و منابع

سرمایه‌گذاری مالی در ابزارهای هوش مصنوعی، آموزش و زیرساخت‌ها عاملی مهم است.

فرهنگ سازمانی

فرهنگی که نوآوری، تغییر و تصمیم‌گیری مبتنی بر داده را بپذیرد، پذیرش هوش مصنوعی را تسهیل می‌کند

مدیریت تغییر

استراتژی‌های مؤثر برای مدیریت مقاومت در برابر تغییر و اطمینان از انتقال بدون مشکل بسیار مهم است.

تخصص منابع انسانی

وجود متخصصان منابع انسانی با مهارت‌های لازم برای درک و استفاده از ابزارهای هوش مصنوعی حیاتی است.

عوامل استراتژیک

همسویی با اهداف کسب‌وکار

ابتکارات هوش مصنوعی باید با اهداف کلی سازمان و اولویت‌های منابع انسانی همسو باشند.

مقیاس‌پذیری

توانایی راه‌حل‌های هوش مصنوعی برای مقیاس‌پذیری همراه با رشد سازمان و تغییر نیازها مهم است.

انتظارات بازگشت سرمایه (ROI)

سازمان‌ها باید بازگشت سرمایه (ROI) اجرای هوش مصنوعی را ارزیابی کنند تا پذیرش آن را توجیه کنند.

شرایط زمینه‌ای

عوامل محیطی

 

رعایت مقررات و قوانین

پایبندی به قوانین حریم خصوصی داده‌ها (مانند GDPR، CCPA) و دستورالعمل‌های اخلاقی برای استفاده از هوش مصنوعی در منابع انسانی الزامی است

روندهای صنعتی

فشار رقابتی و روندهای صنعتی می‌توانند سازمان‌ها را به سمت پذیرش هوش مصنوعی سوق دهند تا در بازار باقی بمانند.

شرایط اقتصادی

ثبات اقتصادی و دسترسی به منابع مالی می‌تواند بر توانایی سازمان برای سرمایه‌گذاری در هوش مصنوعی تأثیر بگذارد.

تحولات بازار کار

دسترسی به نیروی کار ماهر و نیاز به استراتژی‌های کارآمد برای جذب و حفظ استعدادها می‌تواند سازمان‌ها را به سمت پذیرش هوش مصنوعی سوق دهد

عوامل اخلاقی و اجتماعی

تعصب و انصاف

اطمینان از اینکه سیستم‌های هوش مصنوعی عاری از تعصب‌های مرتبط با جنسیت، نژاد یا سایر عوامل هستند، برای شیوه‌های اخلاقی منابع انسانی ضروری است.

شفافیت

تصمیم‌های مبتنی بر هوش مصنوعی باید قابل توضیح و شفاف باشند تا اعتماد ذینفعان را جلب کنند.

نگرانی‌های مربوط به جایگزینی شغل

مکان خودکارسازی برخی وظایف منابع انسانی توسط هوش مصنوعی ممکن است نگرانی‌هایی در مورد از دست دادن شغل یا کاهش نقش انسان در تصمیم‌گیری‌های حیاتی ایجاد کند.

شرایط مداخله‌گر

عوامل مرتبط با انسان

 

اعتماد و پذیرش کارکنان

اعتماد کارکنان به سیستم‌های هوش مصنوعی و تمایل آن‌ها به پذیرش تصمیم‌های مبتنی بر هوش مصنوعی (مانند استخدام یا ارزیابی عملکرد) بسیار مهم است.

تجربه کاربری

سهولت استفاده و کاربرپسند بودن ابزارهای هوش مصنوعی برای متخصصان منابع انسانی و کارکنان بر نرخ پذیرش آن تأثیر می‌گذارد.

نگرانی‌های اخلاقی

تعصب در الگوریتم‌های هوش مصنوعی، انصاف و شفافیت در تصمیم‌گیری از نگرانی‌های مهمی است که باید مورد توجه قرار گیرد.

شکاف مهارتی

کمبود سواد هوش مصنوعی در میان متخصصان منابع انسانی و کارکنان می‌تواند اجرای مؤثر آن را مختل کند.

راهبردها

اقدامات سازمانی

خودکارسازی وظایف تکراری

هوش مصنوعی می‌تواند وظایف تکراری و وقت‌گیر مانند غربالگری رزومه‌ها، زمان‌بندی مصاحبه‌ها و پردازش اسناد را خودکار کند. این امر متخصصان منابع انسانی را قادر می‌سازد تا بر وظایف استراتژیک‌تر مانند توسعه کارکنان و تعامل با آنها تمرکز کنندد.

جذب استعداد

الگوریتم‌های مبتنی بر هوش مصنوعی می‌توانند داده‌ها را برای شناسایی بهترین نامزدها برای موقعیت‌های شغلی خاص تجزیه و تحلیل کنند. آنها همچنین می‌توانند تجربیات استخدام شخصی‌شده‌ای را برای نامزدها ارائه دهند و کل فرآیند را جذاب‌تر و کارآمدتر کنند.

یادگیری و توسعه

پلتفرم‌های مبتنی بر هوش مصنوعی می‌توانند برنامه‌های آموزشی شخصی‌شده‌ای را برای کارکنان بر اساس مهارت‌ها و نیازهای فردی آنها ارائه دهند. این امر می‌تواند به بهبود عملکرد کارکنان و افزایش رضایت شغلی آنها کمک کند.

تجزیه و تحلیل داده‌ها

هوش مصنوعی می‌تواند حجم زیادی از داده‌های منابع انسانی را برای شناسایی روندها، الگوها و بینش‌ها تجزیه و تحلیل کند. این اطلاعات می‌تواند برای تصمیم‌گیری‌های آگاهانه در مورد مدیریت استعداد، برنامه‌ریزی جانشینی و سایر ابتکارات منابع انسانی استفاده شود.

تعامل با کارکنان

چت‌بات‌های مجهز به هوش مصنوعی می‌توانند به سؤالات کارکنان در مورد سیاست‌های شرکت، مزایا و سایر موضوعات مربوط به منابع انسانی پاسخ دهند. این امر می‌تواند به بهبود رضایت کارکنان و کاهش حجم کاری بخش منابع انسانی کمک کند.

تغییر نقش‌های منابع انسانی

با خودکار شدن بسیاری از وظایف، نقش متخصصان منابع انسانی در حال تغییر است. آنها باید مهارت‌های جدیدی مانند تجزیه و تحلیل داده‌ها، مدیریت تغییر و تفکر استراتژیک را توسعه دهند تا بتوانند به طور مؤثر با هوش مصنوعی همکاری کنند

همکاری با متخصصان

سازمان‌ها ممکن است برای پیاده‌سازی مؤثر هوش مصنوعی در مدیریت منابع انسانی به کمک متخصصان خارجی نیاز داشته باشند. همکاری با شرکت‌های فناوری و مشاوران می‌تواند به سازمان‌ها در انتخاب، پیاده‌سازی و مدیریت راه‌حل‌های هوش مصنوعی کمک کند

سرمایه‌گذاری در فناوری

پیاده‌سازی هوش مصنوعی در مدیریت منابع انسانی نیازمند سرمایه‌گذاری در فناوری، آموزش و توسعه است. سازمان‌ها باید آماده انجام این سرمایه‌گذاری‌ها باشند تا بتوانند از مزایای هوش مصنوعی بهره‌مند شوند.

پیامدها

پیامدهای مثبت

افزایش کارایی و بهره‌وری

هوش مصنوعی می‌تواند وظایف تکراری و وقت‌گیر مانند غربالگری رزومه‌ها، زمان‌بندی مصاحبه‌ها و پردازش اسناد را خودکار کند. این امر متخصصان منابع انسانی را قادر می‌سازد تا بر وظایف استراتژیک‌تر مانند توسعه کارکنان و تعامل با آنها تمرکز کنند.

جذب استعداد برتر

الگوریتم‌های مبتنی بر هوش مصنوعی می‌توانند داده‌ها را برای شناسایی بهترین نامزدها برای موقعیت‌های شغلی خاص تجزیه و تحلیل کنند. آنها همچنین می‌توانند تجربیات استخدام شخصی‌شده‌ای را برای نامزدها ارائه دهند و کل فرآیند را جذاب‌تر و کارآمدتر کنند.

بهبود تجربه کارکنان

چت‌بات‌های مجهز به هوش مصنوعی می‌توانند به سؤالات کارکنان در مورد سیاست‌های شرکت، مزایا و سایر موضوعات مربوط به منابع انسانی پاسخ دهند. این امر می‌تواند به بهبود رضایت کارکنان و کاهش حجم کاری بخش منابع انسانی کمک کند

توسعه کارکنان

پلتفرم‌های مبتنی بر هوش مصنوعی می‌توانند برنامه‌های آموزشی شخصی‌شده‌ای را برای کارکنان بر اساس مهارت‌ها و نیازهای فردی آنها ارائه دهند. این امر می‌تواند به بهبود عملکرد کارکنان و افزایش رضایت شغلی آنها کمک کند

بهبود تصمیم‌گیری

هوش مصنوعی می‌تواند حجم زیادی از داده‌های منابع انسانی را برای شناسایی روندها، الگوها و بینش‌ها تجزیه و تحلیل کند. این اطلاعات می‌تواند برای تصمیم‌گیری‌های آگاهانه در مورد مدیریت استعداد، برنامه‌ریزی جانشینی و سایر ابتکارات منابع انسانی استفاده شود.

پیامدهای منفی

ملاحظات اخلاقی

استفاده از هوش مصنوعی در مدیریت منابع انسانی می‌تواند نگرانی‌های اخلاقی را در مورد تبعیض، حریم خصوصی داده‌ها و شفافیت ایجاد کند. سازمان‌ها باید اطمینان حاصل کنند که از هوش مصنوعی به صورت مسئولانه و اخلاقی استفاده می‌کنند.

جابجایی مشاغل

خودکارسازی برخی از وظایف منابع انسانی می‌تواند منجر به جابجایی مشاغل برای برخی از متخصصان منابع انسانی شود. سازمان‌ها باید برای این تغییر آماده باشند و برنامه‌هایی را برای آموزش مجدد و توانمندسازی کارکنان خود ارائه دهند.

مقاومت در برابر تغییر

برخی از کارکنان ممکن است در برابر پذیرش هوش مصنوعی در مدیریت منابع انسانی مقاومت کنند. سازمان‌ها باید به طور فعال با این نگرانی‌ها مقابله کنند و مزایای هوش مصنوعی را برای کارکنان توضیح دهند.

هزینه‌های پیاده‌سازی

پیاده‌سازی هوش مصنوعی در مدیریت منابع انسانی نیازمند سرمایه‌گذاری در فناوری، آموزش و توسعه است. سازمان‌ها باید آماده انجام این سرمایه‌گذاری‌ها باشند تا بتوانند از مزایای هوش مصنوعی بهره‌مند شوند.

نیاز به تخصص

پیاده‌سازی مؤثر هوش مصنوعی در مدیریت منابع انسانی نیازمند تخصص در زمینه هوش مصنوعی و مدیریت منابع انسانی است. سازمان‌ها ممکن است برای این کار به کمک متخصصان خارجی نیاز داشته باشند.

پدیده محوری

بکارگیری هوش مصنوعی در مدیریت منابع انسانی

استخدام و جذب استعدادها

از ابزارهای هوش مصنوعی برای تحلیل رزومه‌ها و انتخاب نامزدها بر اساس مهارت‌ها، تجربه و نیازهای شغلی استفاده کنید تا زمان استخدام کاهش یابد. از چت‌بات‌های هوش مصنوعی برای پاسخ به سوالات نامزدها، برنامه‌ریزی مصاحبه‌ها و ارائه به‌روزرسانی‌ها استفاده کنید تا تجربه نامزدها بهبود یابد.

یکپارچه‌سازی کارمندان

از هوش مصنوعی برای ایجاد برنامه‌های یکپارچه‌سازی سفارشی بر اساس نقش، مهارت‌ها و ترجیحات کارمند جدید استفاده کنید. 

مشارکت و حفظ کارمندان

از هوش مصنوعی برای تحلیل بازخورد کارمندان، نظرسنجی‌ها و الگوهای ارتباطی استفاده کنید تا روحیه کارمندان را ارزیابی کرده و زمینه‌های بهبود را شناسایی کنید.

مدیریت عملکرد

از ابزارهای هوش مصنوعی برای ارائه بازخورد بلادرنگ به کارمندان بر اساس معیارهای عملکرد و اهداف آن‌ها استفاده کنید.

یادگیری و توسعه

از هوش مصنوعی برای توصیه مسیرهای یادگیری شخصی‌سازی شده و منابع بر اساس نقش‌ها، مهارت‌ها و اهداف شغلی کارمندان استفاده کنید.

برنامه‌ریزی نیروی کار و تحلیل‌ها

از هوش مصنوعی برای پیش‌بینی نیازهای آینده نیروی کار بر اساس رشد کسب‌وکار، روندهای بازار و داده‌های تاریخی استفاده کنید.

رفاه و پشتیبانی کارمندان

از هوش مصنوعی برای تحلیل الگوهای ارتباطی و رفتار کارمندان به منظور شناسایی علائم استرس یا فرسودگی شغلی استفاده کنید.

تنوع، برابری و شمول

از هوش مصنوعی برای شناسایی و حذف تعصب در فرآیندهای استخدام، ارتقا و ارزیابی عملکرد استفاده کنید. از هوش مصنوعی برای ردیابی و تحلیل معیارهای تنوع در سازمان و توصیه استراتژی‌های عملی استفاده کنید.

عملیات و اتوماسیون

از هوش مصنوعی برای خودکار کردن وظایف تکراری منابع انسانی مانند پردازش حقوق و دستمزد، مدیریت مرخصی‌ها و مدیریت مزایا استفاده کنید. پورتال‌های خودخدمت مبتنی بر هوش مصنوعی را برای دسترسی کارمندان به اطلاعات منابع انسانی، به‌روزرسانی جزئیات شخصی و حل مشکلات پیاده‌سازی کنید.

استفاده اخلاقی و شفاف از هوش مصنوعی

اطمینان حاصل کنید که سیستم‌های هوش مصنوعی نتایج شفاف و قابل توضیح ارائه می‌دهند تا اعتماد کارمندان و ذینفعان جلب شود.

مدیریت تغییر و آموزش

آموزش‌هایی برای متخصصان منابع انسانی و کارمندان در مورد نحوه استفاده مؤثر از ابزارهای هوش مصنوعی ارائه دهید.

اندازه‌گیری بازده سرمایه (ROI) و بهبود مستمر

شاخص‌های کلیدی عملکرد را برای اندازه‌گیری تأثیر هوش مصنوعی بر فرآیندهای منابع انسانی (مانند زمان استخدام، نرخ حفظ کارمندان) تعریف کنید. بازخورد کارمندان و تیم‌های منابع انسانی را جمع‌آوری کنید تا زمینه‌های بهبود در سیستم‌های هوش مصنوعی شناسایی شود. ابزارهای هوش مصنوعی را بر اساس بازخورد و نیازهای متغیر سازمان به‌طور مداوم بهبود بخشی

 

 در ادامه مراحل سه‌گانه کدگذاری و نتایج تشریح شده‌اند:

§       کدگذاری باز: در این مرحله کدهایی که اشتراک معنایی داشتند در ذیل یک مقوله جای گرفتند و بدین ترتیب مقوله های اولیه مطالعه شکل گرفتند. مفاهیم استخراج شده از ادبیات و مصاحبه های صورت گرفته جهت شناسایی ابعاد و مولفه های تبیین دسته‌بندی شد.

§       کدگذاری محوری: این مرحله روابط بین مقوله­ها را برای متصل کردن آنها به یکدیگر استخراج می­کند. بنابراین، در این مرحله، نظریه‌پرداز داده‌بنیاد یک مقوله کدگذاری باز را انتخاب و آن را در مرکز فرایند مورد کاوش (به عنوان پدیده اصلی) قرار می‌دهد و سپس مقوله‌های دیگر را به آن ارتباط می‌دهد. سایر مقوله‌ها شامل شرایط علّی (عواملی که بر روی پدیده اصلی تأثیر می‌گذارند)، راهبردها (اقداماتی که در پاسخ به پدیده اصلی انجام می‌گیرند)، شرایط زمینه‌ای و مداخله‌گر (عوامل موقعیتی عمومی و خاص که بر راهبردها تأثیر می‌گذارند)، و پیامدها (نتایج حاصل از اعمال راهبردها) است. این مرحله مستلزم ترسیم نموداری است که نمودار کدگذاری نامیده می‌شود و در آن روابط بین شرایط علّی، راهبردها، شرایط زمینه‌ای و مداخله‌گر و پیامدها را به تصویر می‌کشد (کرسول49، 2014).

img0 

شکل (2): کدگذاری در نظریه داده‌بنیاد از کدگذاری باز به پارادایم کدگذاری محوری

 

§       پدیده محوری: توسعه هوش مصنوعی در مدیریت منابع انسانی: بر اساس نتایج مصاحبه با خبرگان پژوهش، مشخص گردید که پدیده بکارگیری هوش مصنوعی در مدیریت منابع انسانی شامل مولفه‌های استخدام و جذب استعدادها، یکپارچه‌سازی کارمندان، مشارکت و حفظ کارمندان، مدیریت عملکرد، یادگیری و توسعه، برنامه‌ریزی نیروی کار و تحلیل‌ها، رفاه و پشتیبانی کارمندان، تنوع، برابری و شمول، عملیات و اتوماسیون، استفاده اخلاقی و شفاف از هوش مصنوعی، مدیریت تغییر و آموزش، اندازه‌گیری بازده سرمایه و بهبود مستمر بود.

§       شرایط علی: این شرایط موجب ایجاد و توسعه پدیده محوری مورد مطالعه می‌شوند. از میان مقوله‌های استخراج شده، عوامل فناوری، عوامل سازمانی و عوامل استراتژیک به عنوان پیش‌شرط‌های بکارگیری هوش مصنوعی در مدیریت منابع انسانی شناسایی شدند.

§       راهبردهای کنش و واکنش: این راهبردها در پاسخ به پدیده محوری و تحت تاثیر شرایط مداخله‌گر اتخاذ می‌شوند که شامل خودکارسازی وظایف تکراری، جذب استعداد، یادگیری و توسعه، تجزیه و تحلیل داده‌ها، تعامل با کارکنان، تغییر نقش‌های منابع انسانی، همکاری با متخصصان، سرمایه‌گذاری در فناوری هستند.

§       شرایط زمینه‌ای: شرایط خاصی که بر راهبردهای کنش و واکنش اثرگذارند که در این مطالعه شامل عوامل محیطی و عوامل اخلاقی و اجتماعی هستند.

§       عوامل مداخله‌گر: عواملی که در توسعه بکارگیری هوش مصنوعی در مدیریت منابع انسانی اثرگذارند. این عوامل در مطالعه حاضر که جهت بکارگیری هوش مصنوعی در مدیریت منابع انسانی نقش تسهیلگری را برعهده دارند عبارتند از: عوامل مرتبط با انسان شامل مولفه‌های اعتماد و پذیرش کارکنان، تجربه کاربری، نگرانی‌های اخلاقی، شکاف مهارتی.

§       پیامدها: در مطالعه حاضر، پدیده محوری منجر به پیامدهایی از جمله افزایش کارایی و بهره‌وری، جذب استعداد برتر، بهبود تجربه کارکنان، توسعه کارکنان، بهبود تصمیم‌گیری، ملاحظات اخلاقی، جابجایی مشاغل، مقاومت در برابر تغییر، هزینه‌های پیاده‌سازی، نیاز به تخصص می‌شود.

     کدگذاری انتخابی: فرایند نهایی کدگذاری، کدگذاری انتخابی است و آن در واقع مستلزم طراحی نظریه پژوهشگر است. این فرایند شامل ارتباط دادن مقوله‌های پاردایم کدگذاری محوری است. این کار ممکن است مستلزم پالایش مدل پارادایم کدگذاری محوری و ارائه آن در قالب مدل یا  نظریه پیرامون یک فرایند باشد. این فرایند تولید نظریه می‌تواند به تدوین گزاره‌هایی منجر گردد که ایده‌های آزمون‎پذیر را برای پژوهش‌های بعدی فراهم می‌نماید. بنابراین، پژوهشگر می‌تواند نظریه خود را در قالب مجموعه‌ای از گزاره‌ها یا زیرگزاره‌ها ارئه نماید (کرسول، 2014). در این مرحله پژوهشگر بر حسب فهم خود از متن پدیده مورد مطالعه، یا چارچوب مدل پاردایم را به صورت روایتی عرضه می‌کند یا مدل پاردایم را به هم می‎ریزد و به صورت ترسیمی  نظریه نهایی را نشان می‌دهد (اسلامی و دانایی‌فرد، 1390). در نمودار (3)، روابط بین مقوله‌های شناسایی شده در قالب الگوی پارادایمی نشان داده شده است.

img0 

نمودار (1): مدل نهایی پژوهش

 

6-       بحث و نتیجه‌گیری

 

     کاربرد هوش مصنوعی در مدیریت منابع انسانی به طور فزاینده‌ای به عنوان یک فرصت برای بهبود کارایی و اثربخشی سازمان‌ها شناخته می‌شود. حوزه‌های کلیدی کاربرد هوش مصنوعی در مدیریت منابع انسانی شامل این موارد است. هوش مصنوعی می‌تواند فرآیند استخدام را با خودکارسازی غربالگری نامزدها و تطبیق نامزدها با توصیف‌های شغلی تسهیل کند و در نتیجه کیفیت استخدام‌ها را بهبود بخشد. ابزارهای هوش مصنوعی، مانند چت‌بات‌ها و فناوری‌های تحلیل حالت روحی، می‌توانند تعامل کارکنان را تسهیل کرده و توصیه‌های آموزشی شخصی‌سازی شده ارائه دهند. هوش مصنوعی می‌تواند ارزیابی‌های عملکرد را با ارائه بینش‌های مبتنی بر داده بهبود بخشد و در نتیجه ارزیابی‌های عینی‌تری را ممکن سازد. در حالی که هوش مصنوعی مزایای زیادی را ارائه می‌دهد، همچنین چالش‌هایی از جمله احتمال وجود تعصبات در تصمیم‌گیری و نگرانی‌های مربوط به حریم خصوصی را به همراه دارد. به طور کلی، ادغام هوش مصنوعی در مدیریت منابع انسانی به عنوان یک فرصت تحول‌آفرین دیده می‌شود، اگرچه نیاز به توجه دقیق به پیامدهای اخلاقی و نیاز به متخصصان ماهر برای مدیریت این فناوری‌ها دارد. با توجه به مطالب مطرح شده در مطالعه حاضر به دنبال بررسی شرایطی بودیم که به ما در بکارگیری هوش مصنوعی در مدیریت منابع انسانی در سازمان‌ها یاری می‌‌رساند. پدیده محوری این مطالعه توسعه هوش مصنوعی در مدیریت منابع انسانی بود. نتایج پژوهش نشان داد که توسعه هوش مصنوعی در مدیریت منابع انسانی از طریق استخدام و جذب استعدادها، یکپارچه‌سازی کارمندان، مشارکت و حفظ کارمندان، مدیریت عملکرد، یادگیری و توسعه، برنامه‌ریزی نیروی کار و تحلیل‌ها، رفاه و پشتیبانی کارمندان، تنوع، برابری و شمول، عملیات و اتوماسیون، استفاده اخلاقی و شفاف از هوش مصنوعی، مدیریت تغییر و آموزش، اندازه‌گیری بازده سرمایه و بهبود مستمر رخ می‌دهد.

 

 

 

 

 

منابع

بهرامی دهدار، معصومه (1403). عوامل پذیرش هوش مصنوعی در مدیریت منابع انسانی،سومین کنگره بین المللی مدیریت، اقتصاد، علوم انسانی و توسعه کسب و کار،https://civilica.com/doc/2051019

بهمنی، پریسا و میرزایی، آرزو و رحیمی، محمد مهدی (1402). بررسی عوامل موثر بر موفقیت مدیریت منابع انسانی الکترونیک،دومین کنفرانس بین المللی اقتصاد و مدیریت کسب و کار با گرایش توسعه دانش بنیان،تهران،https://civilica.com/doc/1780525

اکبری, علی‌رضا و طهماسبی, رضا . (1401). شناسایی کاربردها و الزامات هوش مصنوعی در فرایند جذب و استخدام. مجله علمی "مدیریت فرهنگ سازمانی", 21(1), 75-88. doi: 10.22059/jomc.2021.320799.1008246

اسلامی، آذر. دانایی فرد، حسن (1390). کاربرد استراتژی پژوهشی نظریه داده‌بنیاد در عمل؛ ساخت نظریه بی‌تفاوتی سازمانی. دانشگاه امام صادق (ع). تهران، چاپ اول.

Abdeldayem, M. M., & Aldulaimi, S. H. (2020). Trends and opportunities of artificial intelligence in human resource management: Aspirations for public sector in Bahrain. International journal of scientific and technology research, 9(1), 3867-3871.

Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24-42.

Haenlein, M., Kaplan, A., Tan, C. W., & Zhang, P. (2019). Artificial intelligence (AI) and management analytics. Journal of Management Analytics, 6(4), 341-343.

Harney, B., & Collings, D. G. (2021). Navigating the shifting landscapes of HRM. Human Resource Management Review, 31(4), 100824.

Huang, M. J., Tsou, Y. L., & Lee, S. C. (2006). Integrating fuzzy data mining and fuzzy artificial neural networks for discovering implicit knowledge. Knowledge-Based Systems, 19(6), 396-403.

Jatobá, M., Santos, J., Gutierriz, I., Moscon, D., Fernandes, P. O., & Teixeira, J. P. (2019). Evolution of artificial intelligence research in human resources. Procedia Computer Science, 164, 137-142.

Kearney, C., & Meynhardt, T. (2016). Directing corporate entrepreneurship strategy in the public sector to public value: Antecedents, components, and outcomes. International Public Management Journal, 19(4), 543-572.

Kimseng, T., Javed, A., Jeenanunta, C., & Kohda, Y. (2020). Applications of fuzzy logic to reconfigure human resource management practices for promoting product innovation in formal and non-formal R&D firms. Journal of Open Innovation: Technology, Market, and Complexity, 6(2), 38.

Kurek, D. (2021). Use of modern IT solutions in the HRM activities: Process automation and digital employer branding.

Malik, A., Thevisuthan, P., & De Sliva, T. (2022). Artificial intelligence, employee engagement, experience, and HRM. In Strategic human resource management and employment relations: An international perspective (pp. 171-184). Cham: Springer International Publishing.

Minbaeva, D. (2021). Disrupted HR?. Human Resource Management Review, 31(4), 100820.

Nankervis, A., Connell, J., Cameron, R., Montague, A., & Prikshat, V. (2021). ‘Are we there yet?’Australian HR professionals and the Fourth Industrial Revolution. Asia Pacific Journal of Human Resources, 59(1), 3-19.

Poba-Nzaou, P., Galani, M., & Tchibozo, A. (2020). Transforming human resources management in the age of Industry 4.0: a matter of survival for HR professionals. Strategic HR Review, 19(6), 273-278.

Qamar, Y., Agrawal, R. K., Samad, T. A., & Chiappetta Jabbour, C. J. (2021). When technology meets people: the interplay of artificial intelligence and human resource management. Journal of Enterprise Information Management, 34(5), 1339-1370.

Quan, X. I., & Sanderson, J. (2018). Understanding the artificial intelligence business ecosystem. IEEE Engineering Management Review, 46(4), 22-25.

Rąb-Kettler, K., & Lehnervp, B. (2019). Recruitment in the times of machine learning. Management Systems in Production Engineering, 27(2), 105-109.

Varma, A., Dawkins, C., & Chaudhuri, K. (2023). Artificial intelligence and people management: A critical assessment through the ethical lens. Human Resource Management Review, 33(1), 100923.

Vishwakarma, L. P., & Singh, R. K. (2023). An analysis of the challenges to human resource in implementing artificial intelligence. In The Adoption and Effect of Artificial Intelligence on Human Resources Management, Part B (pp. 81-109). Emerald Publishing Limited.

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.

 

 

 

 

 

 

 

[1]  گروه مدیریت فناوری اطلاعات و ارتباطات، واحد بین الملل کیش، دانشگاه آزاد اسلامی، کیش، ایران

[2]  گروه مدیریت فناوری اطلاعات و ارتباطات، واحد بین الملل کیش، دانشگاه آزاد اسلامی، کیش، ایران

[3]  گروه مدیریت فناوری اطلاعات و ارتباطات، واحد بین الملل کیش، دانشگاه آزاد اسلامی، کیش، ایران (نویسنده مسئول)

dadfarsoheil@gmail.com

[4]  Artificial Intelligence (AI)

[5]  Chowdhury, S., Dey, P., Joel-Edgar, S., Bhattacharya, S., Rodriguez-Espindola, O., Abadie, A., & Truong, L.

[6]  Tewari, I., & Pant, M.

[7]  Vishwakarma, L. P., & Singh

[8]  Kurek

[9]  Sundari, S., Silalahi, V. A. J. M., Wardani, F. P., Siahaan, R. S., Sacha, S., Krismayanti, Y., & Anjarsari, N

[10]  Vandy, J. F

[11]  Quan and Sanderson

[12]  Haenlein et al

[13]  Davenport et al

[14]  Zhang et al

[15]  Harney and Collings

[16]  Minbaeva

[17]  Welsh

[18]  McCarthy

[19]  Minsky

[20]  Nilsson

[21]  Cappelli et al

[22]  Stanley and Aggarwal

[23]  Bolander

[24]  Paesano

[25]  Turing's view

[26]  Dobrev

[27]  Giglio, & Costa,

[28]  Kearney and Meynhardt

[29]  Jatobá et al

[30]  Poba-Nzaou et al

[31]  Michailidis

[32]  Nankervis et al

[33]  Varma et al

[34]  Abdeldayem and Aldulaimi

[35]  Qamar et al

[36]  Malik et al

[37]  Kimseng et al

[38]  Huang et al

[39]  Zhang et al

[40]  Rąb-Kettler and Lehnervp

[41]  Sucipto

[42]  Agustono, D. O., Nugroho, R., & Fianto, A. Y. A.

[43]  Tuffaha, M.

[44]  Hmoud, B

[45]  Straus

[46]  Semi-structured

[47]  Jang, Ko, & Woo

[48]  Chin

[49]  Creswell

 

 

 

 

 

 

 

 

فصلنامه تحقیقات مدیریت آموزشی

https://sanad.iau.ir/journal/jearq


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2025

Home| Login| About Us| Contact Us|
[فارسی] [العربية] [fa] [ar]