نوآوری در ارزیابی عملکرد کارکنان بر پایه الگوریتم‌های هوشمند: یک مرور نظام‌مند کیفی
کلمات کلیدی:
ارزیابی عملکرد, هوش مصنوعی, یادگیری ماشین, منابع انسانی دیجیتال, الگوریتم‌های هوشمند, تحول دیجیتالچکیده
هدف: هدف این مطالعه شناسایی مؤلفه‌ها و الگوهای نوآورانه در ارزیابی عملکرد کارکنان با تکیه بر الگوریتم‌های هوشمند در محیط‌های دیجیتال‌محور است.
روش‌ها و مواد: این پژوهش با رویکرد مرور نظام‌مند کیفی و استفاده از روش تحلیل مضمون انجام شده است. داده‌ها از میان ۱۲ مقاله علمی معتبر منتشرشده بین سال‌های ۲۰۱۵ تا ۲۰۲۵ انتخاب و با استفاده از نرم‌افزار NVivo 14 تحلیل شد. معیار انتخاب شامل تمرکز بر ارزیابی عملکرد، الگوریتم‌های هوش مصنوعی، یادگیری ماشین، و تحول دیجیتال در منابع انسانی بود. داده‌ها به روش کدگذاری باز، محوری و انتخابی تحلیل شدند تا به اشباع نظری برسند.
یافته‌ها: نتایج تحلیل مضمون سه محور اصلی را نشان داد: (1) کاربرد الگوریتم‌های هوشمند در تحلیل و پیش‌بینی عملکرد کارکنان، (2) تحول دیجیتال در فرآیندهای ارزیابی منابع انسانی و استفاده از داده‌های رفتاری، و (3) طراحی شاخص‌ها و مدل‌های نوآورانه ارزیابی عملکرد با تأکید بر عدالت الگوریتمی، شخصی‌سازی بازخورد، و هم‌راستایی با راهبردهای سازمانی. این مضامین در قالب ۱۶ زیرمضمون و بیش از ۸۰ کد مفهومی استخراج شدند.
نتیجه‌گیری: یافته‌ها نشان می‌دهد که استفاده از الگوریتم‌های هوشمند در ارزیابی عملکرد می‌تواند دقت، شفافیت و کارآمدی سازمانی را افزایش دهد. با این حال، ملاحظات اخلاقی، شفافیت الگوریتمی و آموزش کارکنان نقش مهمی در موفقیت این رویکرد ایفا می‌کنند. سازمان‌ها باید با بهره‌گیری از داده‌های رفتاری و یادگیری ماشین، نظام‌های ارزیابی خود را بازطراحی و بر پایه عدالت و تصمیم‌گیری داده‌محور استوار کنند.
دانلودها
مراجع
Bondarouk, T., & Brewster, C. (2016). Conceptualising the future of HRM and technology research. The International Journal of Human Resource Management, 27(21), 2652–2671.
Bracken, D. W., & Rose, D. S. (2019). When does 360-degree feedback create behavior change? And how would we know it when it does? Journal of Business and Psychology, 34(1), 19–32.
Brougham, D., & Haar, J. (2022). Smart technology, artificial intelligence, robotics, and algorithms (STARA): Employees’ perceptions of our future workplace. Journal of Management & Organization, 28(1), 45–63.
Cascio, W. F., & Montealegre, R. (2016). How technology is changing work and organizations. Annual Review of Organizational Psychology and Organizational Behavior, 3, 349–375.
Guenole, N., Ferrar, J., & Feinzig, S. (2017). The Power of People: Learn How Successful Organizations Use Workforce Analytics to Improve Business Performance. Pearson FT Press.
Huang, M.-H., & Rust, R. T. (2021). Artificial intelligence in service. Journal of Service Research, 24(1), 3–25.
Huang, G., Wellman, N., Ashford, S. J., Lee, C., & Wang, L. (2021). Deviance and exit: The organizational costs of job insecurity and moral disengagement. Academy of Management Journal, 64(2), 423–446.
Kapoor, K., Bigdeli, A. Z., Dwivedi, Y. K., & Schroeder, A. (2022). Artificial intelligence and algorithmic technologies in operations: New opportunities for improving the digital employee experience. Journal of Business Research, 149, 642–654.
Lee, J., & Choi, Y. (2020). Enhancing employee engagement through big data analytics in performance management. Computers in Human Behavior, 110, 106391.
Marler, J. H., & Parry, E. (2021). Human resource management, strategic involvement and e-HRM technology. The International Journal of Human Resource Management, 32(2), 331–360.
Meijerink, J., Bondarouk, T., & Lepak, D. P. (2021). When HRM meets machines: Digitalization, work, and employment. Human Resource Management Review, 31(3), 100763.
Min, H., Lim, Y., & Kim, J. (2023). AI-based performance evaluation models for human resource management. Technological Forecasting and Social Change, 189, 122312.
Parry, E., & Battista, V. (2019). The impact of digital technologies on work: A review of evidence and policy implications. European Journal of Training and Development, 43(5/6), 544–560.
Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46(1), 192–210.
