فهرست نشریات علمی دسترسی آزاد ایران

هدف: هدف این مقاله، بررسی استفاده از یادگیری ماشین و الگوریتم‌های یادگیری عمیق برای پیش‌بینی نتایج تصمیم‌های استخدام است. انتخاب نیروی انسانی مناسب، یکی از مسائل مهم و اساسی در همۀ سازمان‌ها و نهادهاست که بر ویژگی‌های عملکرد و بهره‌وری تأثیر مستقیمی دارد. از آنجایی که فرایند استخدام بسیار پیچیده و پیش‌بینی موفقیت در استخدام دشوار است، استفاده از تکنیک‌های مدرن مانند یادگیری ماشینی و یادگیری عمیق، برای بهبود دقت و صحت انتخاب پیشنهاد می‌شود. هدف این پژوهش بررسی توانایی این تکنیک‌ها برای کمک به سازمان‌ها در اتخاذ تصمیم‌های استخدامی بهتر و دور نگه‌داشتن آن‌ها از تصمیم‌گیری‌های پُرهزینه است. روش: در این پژوهش از داده‌های مختلف شامل سن، تحصیلات، سابقۀ کار، توانایی‌های فنی و مهارت‌ها و ویژگی‌های شخصیتی متقاضیان شغل استفاده شد. این داده‌ها به‌کمک الگوریتم‌های یادگیری ماشین و یادگیری عمیق، برای پیش‌بینی احتمال موفقیت متقاضیان در مشاغل مختلف تجزیه‌وتحلیل شدند. مدل‌های طبقه‌بندی برای شبیه‌سازی رفتارهای استخدام و پیش‌بینی تصمیم‌ها در سطوح مختلف ویژگی و به‌عنوان بخشی از مدل‌های یادگیری ماشین استفاده شد. علاوه‌براین، رابطۀ بین ویژگی‌های متقاضی و نتایج استخدام از طریق مدل‌های یادگیری عمیق، برای شناسایی هرگونه روابط غیرخطی و پیچیده مورد بررسی قرار گرفت. مدل‌ها روی تمام داده‌های به‌دست‌آمده از منابع مورد اعتماد و بازبینی شده‌ای به‌دقت پردازش شدند، آموزش دیدند و ارزیابی شدند.   یافته‌ها: نتایج این مطالعه نشان می‌دهد که استفاده از یادگیری ماشینی و مدل‌های یادگیری عمیق، در افزایش دقت پیش‌بینی تصمیم‌های استخدامی تأثیر بسزایی دارد. در بین مدل‌های ارزیابی شده، الگوریتم کتبوست (CatBoost) بهترین عملکرد را داشت و به صحت 9533/0، دقت 9540/0‌، بازیابی 8925/0 و امتیاز F1 برابر با 9222/0 دست یافت که به‌طور چشمگیری از سایر الگوریتم‌ها بهتر بود. به‌طور مشابه، مدل‌های جنگل تصادفی (Random Forest) و اکس‌جی‌بوست (XGBoost) نیز عملکرد خوبی داشتند و به‌ترتیب به دقت 9213/0 و 9500/0 دست یافتند. نتایج تحلیل ویژگی‌ها نشان داد که مهارت‌های فنی، استراتژی استخدام و امتیاز مصاحبه، مهم‌ترین عوامل مؤثر در تصمیم‌گیری استخدام بودند. علاوه‌براین، مدل‌های یادگیری جمعی، به‌ویژه کتبوست، قادر بودند اثرهای پیچیده‌تر ویژگی‌های شخصیتی متقاضیان را شناسایی کنند؛ در حالی‌که مدل‌های یادگیری ماشین سنتی قادر نبودند آن را درک کنند. نتیجه‌گیری: در این مطالعه استفاده از یادگیری ماشین و یادگیری عمیق برای کمک به تصمیم‌گیری بهتر دربارۀ انتخاب نیروی کار نشان داده شده است. کتبوست بهترین عملکرد را داشت؛ زیرا می‌توانست روابط پیچیده‌تر و غیرخطی‌تر بین ویژگی‌های متقاضی و نتایج استخدام را شبیه‌سازی کند. این الگوریتم‌ها باعث کاهش هزینه‌ها، بهبود کیفیت استخدام و بهره‌وری سازمان می‌شوند. با این حال، برای دستیابی به بهترین نتایج، سازمان‌ها باید با دقت و به‌طور مداوم، داده‌های متقاضی را جمع‌آوری و پردازش کنند و به‌طور منظم، مدل‌های یادگیری ماشین را برای حفظ و بهبود دقت پیش‌بینی‌ها با تغییر بازار کار به‌روز کنند.