Diversity and technology—Challenges for the next decade in personnel selection
Notice bibliographique
Résumé
The world of work is changing quickly.An aging workforce, largescale population migration, the democratization of remote work following the COVID-19 pandemic, and technological advancements, currently most famously driven by advances in artificial intelligence (AI), are just some of the driving forces of the changing world of work.Research is needed to properly understand those changes and their potential consequences on job seekers, employees, organizations, and the society more broadly.This Special Issue brings together a series of six original and insightful articles, based on research that was initially presented at the 6th small group meeting of the European Network of Selection Researchers (ENESER) organized by Martin Kleinmann and Annika Wilhelmy in Zurich in 2021.Together, these articles span two topics central to the changing world of work: Diversity and Technology.In this introductory article, we emphasize the growing importance of those two topics in relation to personnel recruitment, selection, or assessment.We then provide a brief overview of the six articles, and highlight how they contribute to enhancing our understanding of the role that diversity and technology play in various stages of the hiring process, from job applications to selection decisions.We conclude by providing suggestions about opportunities for future research in recruitment and selection that continues examining diversity and technology as well as their increasingly important overlaps.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,059 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,013 | 0,017 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».