Fiatal szakemberek kiválasztásának modellezése mesterséges intelligencia segítségével

Szerzők

DOI:

https://doi.org/10.58423/2786-6742/2024-6-81-101

Kulcsszavak:

személyzet, toborzás, modellezés, mesterséges intelligencia, logisztikai regresszió, lineáris regresszió, döntési fák, véletlenszerű erdő, XGBoost

Absztrakt

A közösségi hálózatok fejlődése, a távmunka népszerűsítése és a globalizáció megteremti az alapot az HR-menedzsment átalakulásához. A meglévő toborzási technológiák megvalósításának hatékonyságának és minőségének növelése azok digitalizálásával érhető el: integrált mobilalkalmazások alkalmazása és a HR-folyamatok automatizálása, digitális integráció alkalmazása felhőszolgáltatásokkal, prediktív humánelemzés, kiterjesztett valóság (AR), virtuális valóság (VR), ill. mesterséges intelligencia (AI) alkalmazása. Problémát jelent azonban a fiatal szakemberek foglalkoztatása, amely a tapasztalat hiányából, a versenyből és az oktatási programok heterogenitásából áll. Ez megnehezíti a munkáltatók számára az ilyen jelöltek értékelését és felvételét. A fiatal szakemberek vonzása számos okból fontos a vállalatok számára, beleértve a leendő szakemberek képzését és a tudományos forrásokhoz való hozzáférést. A cikk feltárja a fiatal szakemberek kiválasztásának intellektuális alapú módszereinek alkalmazási lehetőségeit, amelyek a rutinfeladatok automatizálásából, a jelöltkiválasztás felgyorsításából és a jelöltség objektivitásának értékeléséből állnak. Az elvégzett kutatás során a következő gépi tanulási módszereket alkalmaztunk a fiatal szakemberek felvételének előrejelzésére: logisztikus regresszió; lineáris regresszió; döntési fák; véletlenszerű erdő; XGBoost. Az R programozási nyelvet használtuk az adatelemzéshez, a Python programozási nyelvet, a scikit-learn és XGBoost könyvtárakat pedig a gépi tanulási modellek betanítására és tesztelésére. A modellek felépítése során a tanulmány figyelembe vette a fiatal szakemberek sikerességi arányát és a javadalmazás szintjét. A kutatás eredményei felhasználhatók a munkaerő-toborzás és a fiatal szakemberek vállalkozásokba, szervezetekbe történő toborzási folyamatának optimalizálására. A mesterséges intelligencia segíthet automatizálni a jelöltek kiválasztását, elemezheti képességeiket, valamint jobban megfelelni a munkakörök igényeinek. A kutatás segíthet a fiatal szakembereknek abban, hogy jobban megértsék a munkaerő-piaci igényeket, értékes tanácsokat kapjanak, és megértsék, hogyan készüljenek fel és növeljék versenyképességüket az álláskeresés során.

Szerző életrajzok

Viktória Makarovics, II. Rákóczi Ferenc Kárpátaljai Magyar Főiskola

Gazdaságtudományos kandidátusa, egyetemi docens

Adalbert Makarovics, Tarasz Sevcsenkó Kijevi Nemzeti Egyetem

MSc hallgató

Hivatkozások

Vodianka, L., Ratushniak, D., & Luste, O. (2022) Innovatsiini metody pidboru personalu v umovakh dydzhytalizatsii. BIZNESINFORM № 1 ’2022, 403-409. URL: https://doi.org/10.32983/2222-4459-2022-1-403-409 (last accessed: 23.03.2024). DOI: https://doi.org/10.32983/2222-4459-2022-1-403-409

Zolotukha , R., & Hlazunova , O. (2023). Proektuvannia skhemy bazy danykh dlia protsesu avtomatyzatsii pidboru personalu v IT komandy. Collection of Scientific Papers «SCIENTIA», (November 3, 2023; Bern, Switzerland), 127–129. URL: https://previous.scientia.report/index.php/archive/article/view/1294 (last accessed: 21.03.2024).

Semenenko Yu. (2024) Rol informatsiinykh tekhnolohii ta instrumentiv shtuchnoho intelektu v pidvyshchenni efektyvnosti pidboru, navchannia ta adaptatsii pratsivnykiv. Halytskyi ekonomichnyi visnyk, № 2 (87). 20-29. URL: https://doi.org/10.33108/galicianvisnyk_tntu2024.02 (last accessed: 10.04.2024). DOI: https://doi.org/10.33108/galicianvisnyk_tntu2024.02

Sochynska-Sybirtseva, I., Sybirtseva, O., & Dorenska, A. Novitni tekhnolohii upravlinnia personalom: navch. posib. Kropyvnytskyi : TsNTU, 2023. 278 s.

Fostolovych V., Botsian T., Pavlova S., Fostolovych R., Hurtovyi O. (2023) Shtuchnyi intelekt u sferi hostynnosti: mistse intehruvannia, spetsyfika vykorystannia ta vplyv na dokhody pidpryiemstva. Ekonomika. Upravlinnia. Innovatsii Vypusk №1 (32). URL: http://eprints.zu.edu.ua/37678/1/283100-Article%20Text-652510-1-10-20230627.pdf (last accessed: 23.03.2024).

Chernenko, N. (2022). Shtuchnyi intelekt v upravlinni personalom. Tavriiskyi naukovyi visnyk. Seriia: Ekonomika, (12), 76-83. URL: https://doi.org/10.32851/2708-0366/2022.12.11 (last accessed: 23.03.2024). DOI: https://doi.org/10.32851/2708-0366/2022.12.11

Alessandro Di Bucchianico. Coefficient of Determination (R2). Wiley StatsRef: Statistics Reference Online. URL: https://doi.org/10.1002/9780470061572.eqr173 (дата звернення 04.04.2024). DOI: https://doi.org/10.1002/9780470061572.eqr173

Analysis on Campus Recruitment Data. URL: https://www.kaggle.com/code/benroshan/you-re-hired-analysis-on-campus-recruitment-data (дата звернення 10.04.2024).

Breiman L. (2001) Random Forests. Machine Learning. Volume 45, рр.5–32. URL: https://doi.org/10.1023/A:1010933404324 (last accessed: 20.04.2024). DOI: https://doi.org/10.1023/A:1010933404324

David W. Hosmer, Jr., Stanley Lemeshow. Applied Logistic Regression. URL: https://ftp.idu.ac.id/wp-content/uploads/ebook/ip/REGRESI%20LOGISTIK/epdf.pub_applied-logistic-regression-wiley-series-in-probab.pdf (last accessed: 10.03.2024).

Liu D. C. &Nocedal J. (1989) On the Limited Memory Method for Large Scale Optimization. Mathematical Programming B. 45 (3). 503–528. URL: 10.1007/BF01589116. S2CID 5681609 DOI: https://doi.org/10.1007/BF01589116

Pawan Budhwar, Soumyadeb Chowdhury, Geoffrey Wood, Herman Aguinis, Greg J. Bamber, Jose R. Beltran, Paul Boselie, Fang Lee Cooke, Stephanie Decker, Angelo DeNisi, Prasanta Kumar Dey, David Guest, Andrew J. Knoblich, Ashish Malik, Jaap Paauwe, Savvas Papagiannidis, Charmi Patel, Vijay Pereira, Shuang Ren, Steven Rogelberg, Mark N. K. Saunders, Rosalie L. Tung, Arup Varma. (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). URL: https://doi.org/10.1111/1748-8583.12511 DOI: https://doi.org/10.1111/1748-8583.12524

Song YY, & Lu Y. (2015) Decision tree methods: applications for classification and prediction. Shanghai Arch Psychiatry. Apr 25 27(2);130-5. URL: 10.11919/j.issn.1002-0829.215044.

SPSS TUTORIALS: PEARSON CORRELATION. URL: https://libguides.library.kent.edu/SPSS/PearsonCorr (last accessed:10.04.2024).

Tianqi Chen, Carlos Guestrin. XGBoost: A Scalable Tree Boosting System. URL: https://dl.acm.org/doi/pdf/10.1145/2939672.2939785 (last accessed:10.04.2024).

Tyagi, P., Chilamkurti, N., Grima, S., Sood, K. and Balusamy, B. (Ed.) (2023) The Adoption and Effect of Artificial Intelligence on Human Resources Management, Part A, Emerald Publishing Limited, Leeds. pp. i-xxii. URL: https://doi.org/10.1108/978-1-80382-027-920231015 (last accessed:10.04.2024). DOI: https://doi.org/10.1108/9781803820279

##submission.downloads##

Megjelent

2024-07-09

Folyóirat szám

Rovat

Gazdálkodás és menedzsment