AI and the metaverse in the workplace: DEI opportunities and challenges
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 The metaverse, through artificial intelligence (AI) systems and capabilities, allows considerable data analysis in the workplace, largely exceeding traditional people analytics data collection. While concerns over surveillance and issues associated with privacy and discrimination have been raised, the metaverse has the potential to offer opportunities associated with fairer assessment of employee performance and enhancement of the employee experience, especially with respect to gender and race, inclusiveness and workplace equity. This paper aims at shedding light on the diversity, equity and inclusion (DEI) opportunities and challenges of implementing the metaverse in the workplace, and the role played by AI. Design/methodology/approach This paper draws on our past research on AI and the metaverse and provides insights addressed to human resources (HR) scholars and practitioners. Findings Our analysis of AI applications to the metaverse in the workplace sheds light on the ambivalent role of and potential trade-offs that may arise with this emerging technology. If used responsibly, the metaverse can enable positive changes concerning the future of work, which can promote DEI. Yet, the same technology can lead to negative DEI outcomes if implementations occur quickly, unsupervised and with a sole focus on efficiencies and productivity (i.e. collecting metrics, models etc.). Practical implications Managers and HR leaders should try to be first movers rather than followers when deciding if (or, better, when) to implement metaverse capabilities in their organizations. But how the metaverse is implemented will be strategic. This involves choices concerning the degree of invasive/pervasive monitoring (internal) as well as make or buy decisions concerning outsourcing AI capabilities. Originality/value Our paper is one among few (to date) that discusses AI capabilities in the metaverse at the intersection of the HR and information systems(IS) literature and that specifically tackles DEI issues. Also, we take a “balanced” approach when evaluating the metaverse from a DEI perspective. While most studies either demonize or celebrate these technologies from an ethical and DEI standpoint, we aim to highlight challenges and opportunities, with the goal to guide scholars and practitioners towards a responsible use of the metaverse 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 | 0,002 | 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