Artificial Intelligence in Human Resources Management: A Review and Research Agenda
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
Background: Researchers and practitioners both exhibit a growing interest in the application of Artificial Intelligence in Human Resources Management. However, research shows that there remains a substantial gap between the promise of AI and its practical application in organizations. Previous research has identified some of the challenges facing the application of Artificial Intelligence in Human Resources Management. Among these challenges is the varied nature of Human Resources functions. To address this, we adopt the Human Resource Life Cycle, which is composed of 6 dimensions that closely mirror the Human Resource functions that exist in many organizations: 1) Strategic Planning, 2) Recruitment and Deployment, 3) Training and Development, 4) Performance Management, 5) Compensation Management, and 6) Human Relations Management. Method: Through a scoping literature review, we have identified 85 articles on the topic and classified them based on the 6 dimensions of the Human Resource Life Cycle. Results: Our scoping review found that Artificial Intelligence has already been studied in relation to all 6 dimensions of the Human Resource Life Cycle. In addition, a seventh dimension was identified and integrated into the existing Human Resource Life Cycle framework: Legal and Ethical Issues. Based on the scoping review, a research agenda is presented to provide guidance for future research in the field of Artificial Intelligence in Human Resources Management. Conclusion: All 6 dimensions of the Human Resource Life Cycle, along with the seventh dimension – Legal and Ethical Issues – are already present in the literature. Future research could focus on the impact of AI on connections between dimensions, as well as the impact on HR-specific outcomes. Practitioners must recognize the limitations related to the application of AI in Human Resources Management, even though AI should still be viewed as a solution to many challenges facing Human Resources Management in organizations.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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