21st century HR: a competency model for the emerging role of HR Analysts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Drawing on human capital theory and the human capital resources framework, this study explores the knowledge, skills, abilities and other characteristics (KSAOs) required by the emerging role of human resource (HR) analysts. This study aims to systematically identify the key KSAOs and develop a competency model for HR Analysts amid the growing digitalization of work. Design/methodology/approach Adopting best practices for competency modeling set out by Campion et al. (2011), this study first analyzes 110 HR analyst job advertisements collected from five countries: Australia, Canada, Ireland, the United Kingdom and the USA. Second a thematic analysis of 12 in-depth semistructured interviews with HR analytics professionals from Canada and Ireland is then conducted to develop a novel competency model for HR Analysts. Findings This study adds to the developing and fast-growing field of HR analytics literature by offering evidence supporting a set of six distinct competencies required by HR Analysts including: consulting, technical knowledge, data fluency and data analysis, HR and business acumen, research and discovery and storytelling and communication. Practical implications The research findings have several practical implications, specifically in recruitment and selection, HR development and HR system alignment. Originality/value This study contributes to the evolving HR analytics literature in two ways. First, the study links the role of HR Analysts to human capital theory and the human capital resource framework. Second, it offers a timely and empirically driven competency model for the emerging role of HR Analysts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle