The effects of artificial intelligence on human resource activities and the roles of the human resource triad: 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
Introduction: This study analyzes the existing academic literature to identify the effects of artificial intelligence (AI) on human resource (HR) activities, highlighting both opportunities and associated challenges, and on the roles of employees, line managers, and HR professionals, collectively referred to as the HR triad. Methods: We employed the scoping review method to capture and synthesize relevant academic literature in the AI-human resource management (HRM) field, examining 27 years of research (43 peer-reviewed articles are included). Results: Based on the results, we propose an integrative framework that outlines the five primary effects of AI on HR activities: task automation, optimized HR data use, augmentation of human capabilities, work context redesign, and transformation of the social and relational aspects of work. We also detail the opportunities and challenges associated with each of these effects and the changes in the roles of the HR triad. Discussion: This research contributes to the ongoing debate on AI-augmented HRM by discussing the theoretical contributions and managerial implications of our findings, along with avenues for future research. By considering the most recent studies on the topic, this scoping review sheds light on the effects of AI on the roles of the HR triad, enabling these key stakeholders to better prepare for this technological change. The findings can inform future academic research, organizations using or considering the application of AI in HRM, and policymakers. This is particularly timely, given the growing adoption of AI in HRM activities.
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 | 0,001 | 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 | 0,002 |
| 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