Bibliographic record
Abstract
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.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
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".