Les perceptions des professionnels(les) de la gestion des ressources humaines à l’égard de l’usage de l’intelligence artificielle pour l’embauche d’un personnel diversifié
Notice bibliographique
Résumé
Le recours aux systèmes d’intelligence artificielle (IA) dans les pratiques de recrutement et de sélection du personnel s’avère un moyen innovant pour favoriser l’embauche inclusive d’un personnel diversifié. L’IA permettrait aux organisations de s’affranchir de certains biais inconscients qui sont susceptibles de teinter le processus de dotation, puisqu’elle repose sur une prise de décision qui se veut objective. Cet article s’intéresse à la perception des professionnels(les) de la gestion des ressources humaines (PGRH) quant à l’utilisation des systèmes d’IA et aux pratiques inclusives d’embauche du personnel sous la lentille de la gestion de l’équité, de la diversité et de l’inclusion dans les milieux de travail. Prenant appui sur des données qualitatives (17 participants(es) à trois groupes de discussion), l’article s’appuie sur une recherche menée auprès de PGRH au Québec. Les résultats montrent que plusieurs barrières au recrutement et à la sélection d’un personnel diversifié persistent au sein des organisations, parmi lesquelles se trouvent la prédominance de genre dans certains secteurs et l’absence d’une culture organisationnelle inclusive. Si l’IA peut s’avérer utile et facilitante dans le processus, notamment pour le traitement d’un grand volume de candidatures, le jugement professionnel demeure préconisé pour tendre vers un processus d’embauche inclusif et la diversification de la main-d’oeuvre. L’utilisation encore timide des systèmes d’IA repose sur des craintes et sur une certaine méfiance à son égard, et des biais qu’elle est aussi susceptible d’engendrer. Les résultats confirment donc l’écart entre la place occupée par les outils de l’IA dans les pratiques de GRH et l’état des connaissances scientifiques.
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 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 | 0,017 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».