Technology-driven interventions in personnel selection: a case study on building effective research-practice bridges
Notice bibliographique
Résumé
Purpose This case study examines how Hireguide, a human resource management (HRM) technology firm, integrates artificial intelligence (AI)-driven interventions into structured interviewing to enhance efficiency, reliability and equity of hiring decisions. In addition to documenting the company’s approach, the study highlights the researchers’ role in independently analyzing, validating and contextualizing the data from the case firm. By combining company access with interviews, user feedback and comparison to established research, the study provides a critical, evidence-informed account of how AI-enabled tools can address persistent hiring challenges, including inconsistent evaluation criteria, interviewer bias and inefficient decision-making processes. Design/methodology/approach Adopting the impact case study method, this research draws on multiple data sources, including company documentation, demonstrations of AI-enabled features, interviews with practitioners and user feedback from pilot implementations. The analysis examines how Hireguide operationalizes research-backed selection methodologies through AI-powered tools and how the research team evaluated their effects against established selection science, thereby bridging the research–practice divide in staffing. Findings The study captured changes in how organizations structured and executed their hiring processes after adopting Hireguide. This case uses multiple evidence that reveal three key outcomes: (1) greater consistency in interviewer evaluations through standardized scorecards, (2) reductions in subjective bias by anchoring assessments in job-relevant competencies and (3) efficiency gains from AI-enabled automation of interviews and feedback synthesis. Originality/value This case illustrates how AI-enhanced selection technologies can help organizations implement structured, competency-based hiring practices while also showing the importance of independent evaluation in assessing such technologies. We identify key factors contributing to Hireguide’s effectiveness, including the integration of structured interview guides, AI-assisted evaluations and decision-support tools, and critically assess their alignment with evidence research. The findings offer practical implications for HRM professionals and organizations seeking to optimize talent acquisition through research-backed, technology-driven interventions, while also underscoring the need for evidence-based validation when implementing AI in HRM contexts.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».