Notice bibliographique
Résumé
Настоящото изследване предоставя нови решения на съществуващи проблеми в областта на набирането на човешки ресурси. Целта на докторската дисертация е създаването на базиран на онтологии модел за ефективно набиране на човешки ресурси. Моделът е реализиран във фреймуърка Ontario, който се използва и за експериментално тестване на модела по време на разработването на докторска дисертация и която също има значение на ниво приложение в процесите и дейностите по набиране на човешки ресурси в различни области. Обект на изследването е процесът на управление на човешките ресурси. Предмет на изследването е оптимизирането на подбора на персонал в УЧР. Целите на това изследване са както следва: Цел 1: Проучване на методите за набиране на персонал и съществуващите процеси за набиране на персонал, с цел намиране на съответните пропуски в процеса на набиране и подбор. Цел 2: Изследване на онтологията и съществуващите онтологични методи с цел да се изследват техните предимства, недостатъци и най-добри практики за използването им при набиране на човешки ресурси. Цел 3: Изграждане на нова онтология за умения (като се вземат предвид констатациите от цел 2). Цел 4: Разработване на фреймуърк (с използване на онтологии) за набиране на персонал (която отчита и обхваща констатациите от цел 1 и 3). Рамката ще използва онтологията на уменията като обща таксономия за автобиографии и длъжностни характеристики на търсещите работа, за да ги съпостави и да намери най-добрите кандидати и да ги класира.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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 ».