پارس پروژه پرتال خدمات دانشگاهی
کد محصول:M457
قیمت فایل ترجمه شده: ۱۲۰۰۰ تومان
تعداد صفحه انگلیسی:۱۱
سال نشر: ۲۰۱۳
تعداد صفحه ترجمه فارسی: ۲۹ صفحه word
عنوان فارسی:
مقاله ترجمه شده داده کاوی حوزه محور در مدیریت منابع انسانی: مروری بر تحقیقات اخیر
عنوان انگلیسی:
Domain driven data mining in human resource management: A review of current research
چکیده فارسی:
تعداد رو به افزایش مقالات مرتبط با داده کاوی در زمینه مدیریت منابع انسانی (HRM) روشن می کند که حضور یک زمینه تحقیقاتی جدید در حال جریان یافتن است. مقاله حاضر این تحقیقات را در زمینه داده کاوی منابع انسانی برای روشن کردن سیستماتیک پیشرفت های اخیر و پیشنهاد زمینه هایی برای کار بیشتر مرور می کند. بر مبنای رویکرد داده کاوی حوزه محور (دامنه محور)، یک چارچوب اولیه با نیازهای خاص حوزه، تشریح شده است. تحقیقات مرتبط شناسایی شده و در پیش زمینه این چارچوب مورد بررسی قرار گرفته اند. این مرور آشکار می کند که HRM یک حوزه قابل توجه از تحقیقات داده کاوی را که بوسیله کار روشمند و تکنولوژی محور کنترل می شود، تشکیل می دهد. با اینحال، نیازهای حوزه محور، از قبیل ارزیابی موفقیت حوزه یا مطابقت با استانداردهای قانونی، در تحقیق حاضر مدنظر نبودهاند. بنابراین، توجه منظم به نیازهای حوزه محور در اینجا روشن شده تا کاربردهای معنی داری برای تحقیقات آینده در زمینه داده کاوی در HRM ایجاد کند.
واژگان کلیدی: داده کاوی، مدیریت منابع انسانی، مرور ادبیات، داده کاوی حوزه محور (دامنه محور)، داده کاوی منابع انسانی، مدیریت منابع انسانی الکترونیکی (e-HRM)
۱. مقدمه
داده کاوی به فرایند مهمی از شناسایی الگوهای جدید، بالقوه مفید و معتبر در داده بر می گردد (فیاد، پیاتتسکای- شاپیرو، و اسمیت، ۱۹۹۶). مجموعه گسترده ای از حوزه های کاربردی در داده کاوی و حوزه های تحقیقاتی مشابه وجود دارد، که شامل حوزه مدیریت با زمینه های فرعی تازه، مانند مدیریت مشتری (مثل انگای، زیو، و چائو، ۲۰۰۹)، مدیرت تولید (مانند چادهاری، هاردینگ، و تیواری، ۲۰۰۸) یا مدیریت مالی (مانندانگای، هو، وونگ، چن، و سان، ۲۰۱۱) می باشد. اخیرا، این زمینه های فرعی بوسیله مدیریت منابع انسانی کامل شده اند (HRM). در سالهای اخیر، یک رشد سریع در تعداد تحقیقاتی که قصد دارند از داده کاوی کاربردی در مدیریت منابع انسانی حمایت کنند بوجود آمده است. کارهای تحقیقاتی به فعالیت های مختلف HRM و فرایندهایی از قبیل انتخاب کارمندان (آیولی، د فیلیپو، و اسپردوتی، ۲۰۰۹) و پیش بینی چرخش کارمندان (اواید و روی، ۲۰۱۱) در عملکرد گزینش، اثبات رقابت های کارکنان (ژو، گونکالوز، اورن، موتا، و پاچکو، ۲۰۰۵) و برنامه ریزی شغلی (لوکامی و سرویس، ۲۰۱۱) در عملکرد توسعه، برنامه ریزی هزینه های منابع انسانی (جوان، ۲۰۰۹) و پیش بینی پذیرش پاداش مجزا (رامش، ۲۰۰۱) در عملکرد حقوق و دستمزد، و پیش بینی (تیسن- رو، ۲۰۰۵) و ارزیابی (ژائو، ۲۰۰۸a,b) عملکرد کارکنان در عملکرد مدیریت کارکرد بر می گردد. برای پشتیبانی از این عملکردها، گستره کامل روش های داده کاوی- درخت تصمیم (سیوارام و رامار، ۲۰۱۰)، تحلیل خوشه (کاراهوکا، کاراهوکا، و کایا، ۲۰۰۸)، تحلیل وابستگی (ژانگ و دنگ، ۲۰۱۱)، ماشین های بردار پشتیبانی (لی، زو، و منگ، ۲۰۰۹) و شبکه های عصبی (نینگ، ۲۰۱۰)- بکارگرفته شده اند، در حالیکه پیشرفت های روش شناختی و نوآوری هایی هم ارائه شده اند (گوناواردن، ساباشینی، بورالسا، و پرماران، ۲۰۱۰). به طور خلاصه، مرور ادبیات روشن می کند که یک زمینه موفقیت آمیز جدید از تحقیقات داده کاوی هست که دیدگاه های وسیعی را در چگونگی ایجاد اطلاعات پیشرفته و پشتیبانی تصمیم در حوزه منابع انسانی فراهم می آورد.
Abstract
An increasing number of publications concerning data mining in the subject of human resource management (HRM) indicate the presence of a prospering new research field. The current paper reviews this research on HR data mining to systematically uncover recent advancements and suggest areas for future work. Based on the approach of domain driven data mining, an initial framework with significant domain-specific requirements is elaborated. Relevant research contributions are identified and reviewed against the background of this framework. The review reveals that HRM constitutes a noteworthy new domain of data mining research that is dominated by method- and technology-oriented work. However, specific domain requirements, such as evaluating the domain success or complying with legal standards, are frequently not recognized or considered in current research. Therefore, the systematic consideration of domain-specific requirements is demonstrated here to have significant implications for future research on data mining in HRM.