Guest editorial: Artificial intelligence (AI) in the world of work: bibliometric insights and mapping opportunities and challenges
Notice bibliographique
Résumé
Purpose This editorial review presents a bibliometric account of the convergence of the fields of artificial intelligence (AI) and human resource management (HRM) and an overview of the related contributions in this special issue. It also explores the expansive area where research on AI and HRM intersects, a domain experiencing rapid growth and transformation, faster than we envisaged. Design/methodology/approach This substantive editorial employs a range of bibliometric analytical tools to present a state of knowledge on the topic and also provides an analytical overview of the contributions in this Special Issue. Findings A thorough examination of scholarly publications spanning two decades illuminates the evolutionary path of themes, key contributors, seminal works and emerging trends within this interdisciplinary sphere. Leveraging co-word analysis, we distill essential themes and insights from an extensive dataset of 654 journal publications curated from the Web of Science database. Our analysis underscores critical research domains, highlighting the nuanced interplay between HRM and AI. Originality/value By integrating findings from the bibliometric analysis and the contributions from the papers in the Special Issue, we highlight and speculate where the field is heading and where scholars have crucial? Opportunities to contribute to going forward.
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 | 0,009 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,013 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 ».