Critical Analysis of the Ethical Consequences of AI Adoption in Human Resource Management
Notice bibliographique
Résumé
Artificial intelligence (AI) has brought about digital workstyles and upended modern workplaces like never before. The promise and actual application of AI in human resource (HR) management differ significantly. HR directors are becoming quite interested in implementing AI in HRM as a result of these technological developments. The use of AI in HRM and the resulting human-machine collaboration is a topic that both researchers and practitioners are eager to explore. The HR department and employees can benefit from AI application in HRM in a number of ways. But these advantages also carry some hazards related to network security and the law. Associations must create information-driven security to filter information itself rather than merely organisation in order to lower the risks associated with network security. This study has discussed the application of AI concepts in numerous possible HRM sectors. The result showed how these elements impact HRM's ability to be flexible. An iterative process of function is made possible by the closed-loop technological effect of HR, also referred to as the digitalization of HR and ONA. An excellent organisational design is necessary to facilitate the implementation and advancement of the components. This study established a new path by connecting two elements that are common in the current Industry 4.0 eras.
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 | 0,096 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,020 | 0,043 |
| Communication savante | 0,015 | 0,010 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».