Digital Revolution: Exploring the E-HRM Landscape
Notice bibliographique
Résumé
Electronic Human Resource Management (e-HRM) stands at the intersection of Information Technology (IT) and Human Resource Management (HRM), shaping the way organizations manage their human capital. The evolution of e-HRM has been profoundly influenced by advancements in technology, defining a new era in how HR practices are carried out within the organizations. Over the past few decades, e-HRM has become an essential component in effectively supporting organizational processes through various HR practices such as recruitment, selection, training, and more (Bissola & Imperatori, 2013; Shah et al., 2020). The concept of e-HRM encompasses the strategic use of web-based technologies to implement HRM policies and practices, thereby improving HRM effectiveness and efficiency (Bondarouk, et. al., 2017). It comprises operational, relational, and transformational practices, each serving a distinct purpose in the HRM landscape (Bondarouk, et. al., 2017). Digital tools and platforms for supporting human resources include HR information systems (HRIS), employee self-service portals, data analytics, and various online communication channels. These tools contribute to the automation and integration of human resource management processes to make them more easily accessible and responsive (Sharma & Aggarwal, 2018). Because e-HRM is evolving rapidly, traditional practices are replaced with a more employee-centric approach. The purpose of this symposium is to explore the current discourse on the role of e-HRM in organizations. Fitting with the conference theme of “Innovating for the Future – Policy, Purpose, and Organizations” this collection of papers explores different ways to leverage technology for improving recruitment, well-being and retention of employees. By looking at the different aspects of human resource management, this symposium offers an integrative perspective on the applications of technology for improving organizational performance and employee experience. Navigating Uncharted Territories: Implementing Digital Interventions for Employee Wellbeing Author: Anurag Misra; - Author: Ashish Pandey; Indian Institute of Technology, Bombay Author: Ajinkya Vijay Navare; S P Jain Institute of Management and Research Newcomers’ Social Capital Development and Organizational Socialization in a Hybrid Context Author: Mara Hilmy; U. of Glasgow Are the Differences not that Different? Age-Based Employee Preferences on Review Platforms Author: Ann Sophie Lauterbach; U. of Konstanz Author: Katharina Radermacher; Paderborn U. e-HRM Innovations in Emerging Markets, a Systematic Review Author: Miguel R. Olivas-Lujan; PennWest U. Author: Sergio Madero; Tecnologico de Monterrey Author: Yusliza Mohd-Yusoff; U. Sains Malaysia
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,009 | 0,022 |
| Communication savante | 0,024 | 0,029 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».