Quantifying Employee Voices: A Study of Perception on the AI-Powered Chatbot
Notice bibliographique
Résumé
Abstract Purpose This study focuses on the employees’ attitudes towards Artificial Intelligence (AI)-based feedback-gathering mechanisms in a business setting to measure the attitudes and investigate the factors that may influence them. Design/Methodology Mixed method of research is used which consists of exploratory and analytical research. A structured questionnaire was used for data collection, and statistical tests were used for data analysis. Findings Key results include that males are more technologically literate than females, and no statistical differences were observed in the levels of trust in AI or the ease of navigation. Research Limitations/Implications The study is limited to the AI-powered Employee Chatbot. The findings indicate that the AI-powered system is effective in capturing feedback. Thus, the results contain recommendations for improving the effectiveness of the system. Practical Implications This study offers several suggestions which may help managers enhance the management of AI Systems in the organisations. According to Krejcie and Morgan’s, when the employees are trained on how to interact with the AI systems the user acceptance is enhancing the performance of the systems. Social Implications This study helps to design for and launch certain digital-skill development programmes to start society to have an equal chance to benefit from the value addition AI tools. Originality/Value This study fills the prevailing literature gap on the role of AI in the corporate Indian sector specifically concerning the employee’s view on the AI feedback system and contributes to the discussion on AI use in the Human Resource Management (HRM) context.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».