مقاله انگلیسی با ترجمه تأثیر مصاحبه‌های مبتنی بر هوش مصنوعی توضیح‌پذیر بر جذابیت سازمانی: نقش‌های میانجی حمایت سازمانی ادراک‌شده و نوآوری پذیری ادراک‌شده

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سایت ناشر  خرید ترجمه مقالات مرتبط سفارش پروپوزال 

عنوان فارسی:

تأثیر مصاحبه‌های مبتنی بر هوش مصنوعی توضیح‌پذیر بر جذابیت سازمانی: نقش‌های میانجی حمایت سازمانی ادراک‌شده و نوآوری پذیری ادراک‌شده

عنوان انگلیسی:

The Impact of Explainable AI–Based Interviews on Organizational Attractiveness: The Mediating Roles of Perceived Organizational Support and Innovativeness

کد محصول: M2138

سال نشر: 2026

نام ناشر (پایگاه داده): EXPLORESCHOLAR

نام مجله:International Journal of Advanced Social Studies

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 16 صفحه PDF

تعداد صفحه ترجمه فارسی:   35 صفحه WORD

قیمت فایل ترجمه شده:  188000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

این مطالعه تأثیر مصاحبه‌های مبتنی بر هوش مصنوعی توضیح‌پذیر (XAI) بر جذابیت سازمانی را با در نظر گرفتن حمایت سازمانی ادراک‌شده و نوآوری پذیری ادراک‌شده به‌عنوان متغیرهای میانجی بررسی می‌کند.در این مطالعه یک طرح پژوهشی کمی به کار گرفته شد و داده‌ها از نمونه‌ای شامل 302 پاسخ‌دهنده که تجربه استفاده از سیستم‌های جذب‌و‌استخدام مبتنی بر هوش مصنوعی یا دیجیتال را داشتند، گردآوری شد. مدل‌سازی معادلات ساختاری برای تحلیل روابط میان متغیرها مورد استفاده قرار گرفت. یافته‌ها نشان می‌دهند که هوش مصنوعی توضیح‌پذیر به‌طور معناداری بر جذابیت سازمانی (β = 0.44، p < 0.001)، حمایت سازمانی ادراک‌شده (β = 0.39، p < 0.001) و نوآوری پذیری ادراک‌شده (β = 0.42، p < 0.001) تأثیر می‌گذارد. حمایت سازمانی ادراک‌شده (β = 0.31، p < 0.001) و نوآوری پذیری ادراک‌شده (β = 0.28، p < 0.001) هر دو به‌طور مثبت بر جذابیت سازمانی تأثیر می‌گذارند. تحلیل میانجی‌گری تأیید می‌کند که حمایت سازمانی ادراک‌شده (اثر غیرمستقیم = 0.12، p < 0.001) و نوآوری پذیری ادراک‌شده (اثر غیرمستقیم = 0.11، p < 0.001) به‌طور جزئی رابطه بین XAI و جذابیت سازمانی را میانجی‌گری می‌کنند. نتایج نشان می‌دهند که شفافیت در سیستم‌های جذب‌و‌استخدام مبتنی بر هوش مصنوعی، ادراک متقاضیان از عدالت، توجه سازمانی و پیشرفت فناورانه را افزایش می‌دهد که در مجموع جذابیت کارفرما را بهبود می‌بخشند. این مطالعه با نشان دادن سازوکارهای روان‌شناختی که از طریق آن‌ها هوش مصنوعی توضیح‌پذیر بر پیامدهای جذب‌و‌استخدام تأثیر می‌گذارد، به ادبیات مدیریت منابع انسانی کمک می‌کند. دلالت‌های عملی نشان می‌دهند که سازمان‌هایی که هوش مصنوعی توضیح‌پذیر را به کار می‌گیرند، می‌توانند با بهبود شفافیت و ارزش‌های سازمانی ادراک‌شده در فرایندهای جذب‌و‌استخدام، برند کارفرمایی خود را تقویت کرده و نیروی انسانی باکیفیت را جذب کنند.

واژگان کلیدی: هوش مصنوعی توضیح‌پذیر، جذابیت سازمانی، نوآوری پذیری ادراک‌شده، حمایت سازمانی ادراک‌شده، سیستم‌های جذب‌و‌استخدام، مدل‌سازی معادلات ساختاری.

Abstract This study examines the impact of explainable artificial intelligence (XAI)–based interviews on organizational attractiveness, with perceived organizational support and perceived innovativeness as mediating variables. A quantitative research design was employed, and data were collected from a sample of 302 respondents who had experience with AI-assisted or digital recruitment systems. Structural equation modeling was used to analyze relationships among variables. The findings reveal that explainable AI significantly influences organizational attractiveness (β = 0.44, p < 0.001), perceived organizational support (β = 0.39, p < 0.001), and perceived innovativeness (β = 0.42, p < 0.001). Perceived organizational support (β = 0.31, p < 0.001) and perceived innovativeness (β = 0.28, p < 0.001) both positively affect organizational attractiveness. Mediation analysis confirms that perceived organizational support (indirect effect = 0.12, p < 0.001) and perceived innovativeness (indirect effect = 0.11, p < 0.001) partially mediate the relationship between XAI and organizational attractiveness. The results indicate that transparency in AI-driven recruitment systems enhances applicants’ perceptions of fairness, organizational care, and technological advancement, which collectively improve employer attractiveness. The study contributes to human resource management literature by demonstrating the psychological mechanisms through which explainable AI influences recruitment outcomes. Practical implications suggest that organizations adopting explainable AI can strengthen employer branding and attract high-quality candidates by improving transparency and perceived organizational values in recruitment processes.

Keywords: Explainable AI, Organizational attractiveness, Perceived innovativeness, Perceived organizational support, Recruitment systems, Structural equation modeling.

مقدمه

پذیرش سریع هوش مصنوعی (AI) در عملیات سازمانی، شیوه‌های متعارف مدیریت منابع انسانی، به‌ویژه شیوه‌های جذب‌و‌استخدام و گزینش، را تغییر داده است. استفاده از سیستم‌های مبتنی بر هوش مصنوعی برای غربالگری و گزینش کارجویان، انجام مصاحبه و ارزیابی مناسب بودن آن‌ها برای شغل به‌طور فزاینده‌ای گسترش یافته است. این سیستم‌ها باعث افزایش کارایی و کاهش تأثیر تعصبات انسانی در تصمیم‌گیری‌ها می‌شوند. در این میان، هوش مصنوعی توضیح‌پذیر (XAI) به فناوری مهمی تبدیل شده است که هدف آن شفاف و قابل‌درک کردن تصمیم‌های الگوریتمی برای کاربران است. هوش مصنوعی توضیح‌پذیر به کارجویان کمک می‌کند بفهمند نتیجه مصاحبه چگونه به دست آمده است؛ در نتیجه، ابهام و نگرانی آن‌ها کمتر شده و اعتمادشان به سیستم‌های خودکار افزایش می‌یابد. در مطالعات پیشین، توضیح‌پذیری به‌عنوان یک عامل اصلی تأثیرگذار بر ادراکات کاربران، مانند عدالت ادراک‌شده، اعتماد و پذیرش سیستم‌های مبتنی بر هوش مصنوعی، بیان شده است (ویلونه و لونگو، 2021). جذابیت سازمانی در فرایند استخدام، به این موضوع اشاره دارد که داوطلبان در طول فرایند جذب و استخدام، چه برداشتی از سازمان پیدا می‌کنند و تا چه اندازه آن را به‌عنوان یک محل مناسب برای کار می‌بینند. این مفهوم نشان می‌دهد که افراد متقاضی کار، سازمان را تا چه حد برای کار کردن جذاب می‌دانند و ارتباط نزدیکی با موفقیت سازمان در جذب نیروهای بااستعداد و برندسازی کارفرما دارد (لیونز و های‌هاوس، 2003؛ چاپمن و همکاران، 2005). ورود مصاحبه‌های مبتنی بر هوش مصنوعی تغییرات جدیدی در این رابطه ایجاد کرده است؛ زیرا داوطلبان دیگر فقط خود سازمان را در نظر نمی‌گیرند، بلکه فناوری‌هایی را که سازمان برای استخدام استفاده می‌کند نیز ارزیابی می‌کنند. پژوهش‌ها نشان داده‌اند که فرایندهای استخدامی شفاف و کارآمد، تأثیر مثبتی بر نگرش داوطلبان و تمایل آن‌ها برای پیوستن به سازمان دارند (هاوس‌کنشت و همکاران، 2004؛ گونزالس و همکاران، 2019)…

Introduction The fast adoption of artificial intelligence (AI) into organizational operations changed the conventional human resource management practices, especially recruitment and selection practices. There was a growing use of AI-based systems to filter candidates, interview them, and assess their suitability for the job, thus improving efficiency and minimizing human bias in decision-making. In this technological change, explainable artificial intelligence (XAI) became a key technology that sought to render algorithmic decisions transparent and understandable to end users. XAI allowed applicants to understand the way in which the results of the interview were obtained, which alleviated uncertainty and increased confidence in automated systems. Explainability was suggested as a major influencer of user perceptions, such as perceived fairness, trust, and acceptance of AI-based systems, in previous studies (Vilone & Longo, 2021). Organizational attractiveness was a crucial result in recruitment situations based on experience and perceptions held by applicants throughout the recruitment procedures. It indicated how prospective applicants perceived an organization as a good place to work and was strongly linked with talent acquisition success as well as employer branding (Lievens & Highhouse, 2003; Chapman et al., 2005). The introduction of AI-based interviews presented new dynamics in this relationship because the applicants considered not only the organization itself but also the technologies used. Research exhibited that transparent and efficient recruitment processes had a positive impact on the attitudes of the applicants and their desire to join organizations (Hausknecht et al., 2004; Gonzalez et al., 2019)…

مسئله پژوهش

با افزایش استفاده از هوش مصنوعی در فرایند جذب‌و‌استخدام، سازمان‌ها برای اطمینان از اینکه فناوری‌ها تأثیر مثبتی بر ادراک متقاضیان دارند، با چالش مواجه شده‌اند. بیشتر سیستم‌های هوش مصنوعی شفاف نبوده­اند و این امر موجب ایجاد تردید و بی‌اعتمادی در متقاضیان می شود. چنین عدم پاسخگویی، سودمندی جذب‌و‌استخدام مبتنی بر هوش مصنوعی را در جذاب‌تر کردن سازمان‌ها کاهش می دهد، زیرا متقاضیان تمایل دارند در بی‌طرفی و قابل‌اعتماد بودن تصمیمات رباتیک تردید کنند. مطالعات موجود عمدتاً به جنبه‌های فنی سیستم‌های هوش مصنوعی توجه داشته اند و نه تأثیرات آن‌ها بر روان‌شناسی و رفتار متقاضیان. همچنین کمبود داده‌های تجربی درباره ماهیت هوش مصنوعی توضیح‌پذیر در ارتباط با جذابیت سازمانی بر اساس برخی سازوکارهای زیربنایی مانند حمایت سازمانی ادراک‌شده و نوآوری پذیری مشاهده شده است. این شکاف ضرورت انجام مطالعه‌ای گسترده درباره اهمیت XAI در تعیین نحوه ادراک متقاضیان از سازمان‌ها و چگونگی تبدیل این ادراکات به پیامدهای سازمانی را نشان داده است…

Research Problem With the increased use of AI in the recruitment process, organizations have struggled to make sure that the technologies have a positive impact on applicant perception. Most AI systems were not transparent, and this brought about doubt and mistrust in the applicants. Such unaccountability reduced the usefulness of AI-based recruitment in making organizations more appealing, because applicants tended to doubt the impartiality and trustworthiness of robotic verdicts. Current studies were mostly concerned with technical aspects of AI systems and not their effects on the psychology and behavior of the applicants. Lack of empirical data was also found on the nature of the explainable AI on organizational attractiveness based on some underlying mechanisms like perceived organizational support and innovativeness. This gap has pointed to the necessity of an extensive study on the importance of XAI in determining how applicants perceive organizations and how these perceptions result in organizational outcomes…

اهداف مطالعه
1. بررسی تأثیر مصاحبه‌های مبتنی بر هوش مصنوعی توضیح‌پذیر بر جذابیت سازمانی.
2. تحلیل تأثیر هوش مصنوعی توضیح‌پذیر بر حمایت سازمانی ادراک‌شده.
3. بررسی تأثیر هوش مصنوعی توضیح‌پذیر بر نوآوری پذیری سازمانی ادراک‌شده.
4. ارزیابی نقش‌های میانجی حمایت سازمانی ادراک‌شده و نوآوری پذیری در رابطه بین XAI و جذابیت سازمانی.

Objectives of the Study

1. To examine the impact of explainable AI–based interviews on organizational attractiveness.
2. To analyze the effect of explainable AI on perceived organizational support.
3. To investigate the influence of explainable AI on perceived organizational innovativeness.
4. To evaluate the mediating roles of perceived organizational support and innovativeness in the relationship between XAI and organizational attractiveness.

مدل چارچوب مفهومی

مدل مفهومی ارتباط میان مصاحبه‌های مبتنی بر هوش مصنوعی توضیح‌پذیر و جذابیت سازمانی را نشان می دهد که در آن حمایت سازمانی ادراک‌شده و نوآوری پذیری ادراک‌شده متغیرهای میانجی می باشند. هوش مصنوعی توضیح‌پذیر به‌عنوان متغیر مستقل تعریف شده که با ارائه خروجی‌های روشن و قابل‌درک از تصمیم‌گیری، بر ادراک متقاضیان در رابطه با نحوه ادراک آن‌ها هنگام جذب‌و‌استخدام از طریق فرایند تأثیر می گذارد. انتظار می رود چنین شفافیتی اعتماد متقاضیان به سیستم استخدام و متعاقباً ارزیابی کلی آن‌ها از سازمان را افزایش دهد. متغیر وابسته، جذابیت سازمانی می باشد، یعنی درجه‌ای که جویندگان کار، سازمان را مکانی مناسب و جذاب برای کار کردن می‌یافتند…

Conceptual Framework model The conceptual model depicted the association among explainable AI-based interviews and organizational attractiveness, in which perceived organizational support and perceived innovativeness were the mediating variables. Explainable AI was declared as the independent variable that impacted the perception of applicants with respect to their perception when recruiting them through the process by offering clear and understandable outputs of decision-making. Such transparency was supposed to boost the trust of the applicants in the hiring system and subsequently, their overall assessment of the organization. The dependent variable was the organizational attractiveness, or the degree to which the job seekers found the organization good and attractive to work in…

طرح پژوهش

طرح پژوهشی مورد استفاده در این مطالعه، کمی می باشد و با هدف بررسی اثرات مصاحبه‌های مبتنی بر هوش مصنوعی توضیح‌پذیر (XAI) بر جذابیت سازمان‌ها، با میانجی‌گری حمایت سازمانی ادراک‌شده و نوآوری پذیری ادراک‌شده، انجام شده است. داده‌ها با استفاده از روش پیمایش مقطعی گردآوری شدند که شامل جمع‌آوری داده‌ها از پاسخ‌دهندگان در یک مقطع زمانی مشخص بود. طرح کمی، آزمون آماری روابط میان متغیرها را تسهیل کرد و عینیت را در آزمون چارچوب مفهومی پیشنهادی فراهم ساخت. روش اصلی تحلیل که برای ارزیابی روابط مستقیم و غیرمستقیم میان سازه‌ها به کار گرفته شد، مدل‌سازی معادلات ساختاری (SEM) بود…

Research Design The research design used in this work was a quantitative one to study the effects of explainable artificial intelligence (XAI)-based interviews on the attractiveness of the organizations, mediated by the perceived organizational support and perceived innovativeness. The data was collected using a cross-sectional survey method, which entailed data collection on respondents at a specific time. The quantitative design facilitated testing of relationships between variables statistically and provided objectivity in testing the proposed conceptual framework. The main method of analysis applied to evaluate both direct and indirect relationships between constructs was structural equation modeling (SEM)…

بحث

نتایج این پژوهش شواهد محکمی ارائه می‌کند که تأیید می‌کند مصاحبه‌های مبتنی بر هوش مصنوعی توضیح‌پذیر، ارزیابی متقاضیان از سازمان را در محیط‌های استخدامی امروزی به‌طور قابل‌توجهی تغییر می‌دهد. رابطه مثبت مستقیم بین XAI و جذابیت سازمانی این امکان را فراهم می‌کند که استنباط شود شفافیت در سیستم‌های استخدام مبتنی بر هوش مصنوعی به‌عنوان یک نشانه روان‌شناختی مهم برای متقاضیان عمل می‌کند. متقاضیان می‌توانند نحوه اتخاذ تصمیمات را درک کنند، بنابراین عدم‌قطعیت کاهش می‌یابد و فرایندهای فکری بیشتر به سمت سازمان گرایش پیدا می‌کنند. این سازوکار به‌صورت تجربی توسط مطالعات اخیر پشتیبانی شده است که نشان دادند سیستم‌های شفاف مبتنی بر الگوریتم، اعتماد کاربران و تمایل آن‌ها به پذیرش این سیستم‌ها را در موقعیت‌های منابع انسانی با پیامدهای مهم افزایش می‌دهند (ون در والک و اَکسلرود، 2024؛ کیم و هئو، 2023). به همین ترتیب، توضیح‌پذیری با کاهش بیزاری از الگوریتم‌ها مرتبط بوده است، به‌ویژه هنگامی که افراد در حال ارزیابی نتایج مرتبط با اشتغال هستند (ژانگ و همکاران، 2024؛ ریبیرو و سینگ، 2023). این موضوع در زمینه جذب‌و‌استخدام نشان‌دهنده آن است که سازمان‌هایی که از برنامه های هوش مصنوعی قابل‌تفسیر استفاده می‌کنند، نه‌تنها از نظر فناورانه پیشرفته تلقی می‌شوند، بلکه از نظر روان‌شناختی نیز نسبت به کارجویان حساس هستند.

Discussion The results of this research are good proofs which justify that explainable AI-driven interviews are changing significantly applicant-based organizational assessment in modern-day hiring settings. The direct positive relationship between XAI and organizational attractiveness makes it possible to infer that transparency in the hiring systems based on AI operates as an important psychological signal to applicants. Applicants can envision how decisions are made, thus uncertainty is reduced, and thinking processes are more inclined towards the organization. This mechanism is empirically supported by the recent studies that revealed that the transparent algorithm-driven systems make users more trusting and willing to accept them in the high-stakes HR situations (van der Valk & Axelrod, 2024; Kim & Heo, 2023). On the same note, explainability has been associated with the decreased aversion to algorithms, especially when people are appraising employment-related results (Zhang et al., 2024; Ribeiro & Singh, 2023). This is an indicator in the context of recruitment that organizations that employ interpretable AI applications are not only seen as technologically advanced but are also psychologically sensitive to job candidates…

مسیرهای تحقیقاتی آینده

برای بررسی هوش مصنوعی در فرایند استخدام در شرایط فرهنگی و صنعتی مختلف، به پژوهش‌های بیشتری نیاز است تا تفاوت‌های موجود در ادراک و واکنش‌های رفتاری داوطلبان بهتر مشخص شود. انجام مطالعات طولی می‌تواند به بررسی این موضوع کمک کند که استفاده مداوم از سیستم‌های استخدامی مبتنی بر هوش مصنوعی در بلندمدت تا چه اندازه بر جذابیت سازمانی تأثیر می‌گذارد. پژوهشگران همچنین می‌توانند مدل را با افزودن متغیرهای روان‌شناختی دیگری مانند اعتماد به خودکارسازی، اضطراب فناوری یا اخلاقی‌بودن ادراک‌شده سیستم‌های هوش مصنوعی گسترش دهند. همچنین، مقایسه مصاحبه‌های سنتی، مصاحبه‌های مبتنی بر هوش مصنوعی و سیستم‌های استخدام ترکیبی می‌تواند اطلاعات بیشتری درباره میزان اثربخشی هر یک از این روش‌ها ارائه دهد. در آینده باید تأثیر تفاوت‌های نسلی نیز بررسی شود، زیرا داوطلبانی که با فناوری‌های دیجیتال بزرگ شده‌اند ممکن است واکنش متفاوتی نسبت به هوش مصنوعی توضیح‌پذیر در مقایسه با افراد نسل‌های قدیمی‌تر داشته باشند. همچنین پیشنهاد می‌شود برای تأیید رابطه علت و معلولی و افزایش کاربردی بودن یافته‌های پژوهش در سازمان‌ها، از طرح‌های آزمایشی و مطالعات میدانی واقعی استفاده شود…

Future Directions Further studies are needed to explain AI in recruitment under various cultural and industrial conditions in order to gain a better idea of variations in applicant perceptions and behavioral reactions. Longitudinal studies would be helpful in investigating the extent to which sustained exposure to AI-enhanced recruitment systems would affect organizational attractiveness in the long-term. The model can also be extended by the researchers to include other psychological variables like trust in automation, technology anxiety, or perceived ethicality of AI systems. Comparative analyses of traditional interviews, AI-based interviews, and hybrid recruitment systems may also shed more light on the comparative effectiveness of each technique. The influence of generational differences should be examined in the future, as the digital-native candidates might react to explainable AI differently than their older counterparts. It is also suggested to use experimental designs and real field studies to confirm the causality and enhance the practicality of research findings in organizations.