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
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".