Выявление характеристик индивидуального человеческого капитала сотрудников организации по данным самоотчетов о профессиональных навыках и личностным особенностям

Обложка

Цитировать

Полный текст

Аннотация

В области рекрутинга и менеджмента персонала существует задача автоматизации процесса оценки характеристик человеческого капитала, учитывающего в том числе особенности личности сотрудника. Статья посвящена вопросу выявления характеристик индивидуального человеческого капитала, имеющих наибольший вклад в некоторые показатели эффективности сотрудника организации, таких как карьерный успех, по данным их самоотчетов о профессиональных навыках и ответов на вопросы–утверждения о различных психологических аспектах личности. Предлагается общая структура опросного инструментария, опирающегося на самоотчеты сотрудников, а также формализация предполагаемых методов анализа таких вопросов. Для выявления групп респондентов, обладающих схожими профессиональными навыками, было предложено использовать кластерный анализ, который позволяет сохранить сложную структуру их взаимосвязи. Для выявления личностных особенностей сотрудников из вопросов–утверждений предлагается формировать шкалы и посредством методов современной теории тестирования получить оценки латентной переменной, отражающей личностные особенности. На завершающем этапе исследования предполагается использование аппарата регрессии для оценивания взаимосвязи выявленных кластеров и латентных характеристик личности с тем или иным индикатором успешности сотрудника. Предлагаемый подход представляет собой структуру пилотного исследования, позволяющего выделить характеристики человеческого капитала (профессиональные навыки и особенности личности), обладающие наибольшим вкладом в показатели эффективности сотрудника или организации, и направлен на снижение трудозатрат на последующих этапах более подробного и прицельного исследования. Возможности предложенного подхода продемонстрированы на примере данных, собранных среди государственных гражданских служащих различных структур Российской Федерации. В качестве индикатора эффективности сотрудника рассматривается наиболее доступный к наблюдению аспект карьерного успеха, выраженный фактом наличия руководящей должности.

Об авторах

В. Ф Столярова

Санкт-Петербургский Федеральный исследовательский центр Российской академии наук (СПб ФИЦ РАН)

Email: vfs@dscs.pro
14-я линия В.О. 39

Т. В Тулупьева

Санкт-Петербургский Федеральный исследовательский центр Российской академии наук (СПб ФИЦ РАН)

Email: tvt@dscs.pro
14-я линия В.О. 39

М. В Абрамов

Санкт-Петербургский Федеральный исследовательский центр Российской академии наук (СПб ФИЦ РАН)

Email: mva@dscs.pro
14-я линия В.О. 39

В. Б Салахова

Центр исследования проблем безопасности РАН

Email: Valentina_naula@mail.ru
улица Гарибальди 21Б

Список литературы

  1. Dastile X., Celik T., Potsane M. Statistical and machine learning models in credit scoring: A systematic literature survey // Applied Soft Computing. 2020. vol. 91. pp. 106263.
  2. Djeundje V.B., Crook J., Calabrese R., Hamid M. Enhancing credit scoring with alternative data // Expert Systems with Applications. 2021. vol. 163. pp. 113766.
  3. Абрамов М.В., Тулупьева Т.В., Тулупьев А.Л. Социоинженерные атаки: социальные сети и оценки защищенности пользователей. СПб.: ГУАП, 2018. 266 с.
  4. Олисеенко В.Д., Абрамов М.В., Тулупьев А.Л., Иванов К.А. Прототип программного комплекса для анализа аккаунтов пользователей социальных сетей: веб-фреймворк Django // Программные продукты и системы. 2022. Т. 35. № 1. С. 45–53. doi: 10.15827/0236-235X.137.
  5. Khlobystova A., Korepanova A., Maksimov A., Tulupyeva T. An Approach to Quantification of Relationship Types between Users Based on the Frequency of Combinations of Non-numeric Evaluations // Proceedings of the Fourth International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’19). Advances in Intelligent Systems and Computing. 2020. vol. 1156. pp. 206—213.
  6. Kashevnik A., Karelskaya K., Repp M. Dangerous situations determination by smartphone in vehicle cabin: Classification and algorithms // 2019 24th Conference of Open Innovations Association (FRUCT). IEEE, 2019. С. 130–139.
  7. Shirmohammadi H., Hadadi F., Saeedian M. Clustering analysis of drivers based on behavioral characteristics regarding road safety // International Journal of Civil Engineering. 2019. vol. 17. no. 8. pp. 1327-1340.
  8. Wang X., Xu X. Assessing the relationship between self-reported driving behaviors and driver risk using a naturalistic driving study // Accident Analysis & Prevention. 2019. vol. 128. pp. 8–16.
  9. Boudreaux M.J., Ferrell B.T., Hundley N.A., Sherman R.A. A personality-based measure of employability // Journal of Personnel Psychology. 2022. vol. 21. no. 1. pp. 11–22.
  10. Sharma M., Luthra S., Joshi S., Kumar A. Analysing the impact of sustainable human resource management practices and industry 4.0 technologies adoption on employability skills // International Journal of Manpower. 2022. vol. 43. no. 2. pp. 463–485.
  11. Nicolaescu S.S., Florea A., Kifor C.V., Fiore U., Cocan N., Receu I., Zanetti P. Human capital evaluation in knowledge-based organizations based on big data analytics // Future Generation Computer Systems. 2020. vol. 111. pp. 654–667.
  12. Wright P.M., McMahan G.C. Exploring human capital: putting ‘human’back into strategic human resource management // Human resource management journal. 2012. vol. 21. no. 2. pp. 93–104.
  13. Fajaryati N., Akhyar M. The employability skills needed to face the demands of work in the future: Systematic literature reviews // Open Engineering. 2020. vol. 10. no. 1. pp. 595–603.
  14. Smaldone F., Ippolito A., Lagger J., Pellicano M. Employability skills: Profiling data scientists in the digital labour market // European Management Journal. 2022. vol. 40. no. 5, pp. 671-684.
  15. Ployhart R.E., Moliterno T.P. Emergence of the human capital resource: A multilevel model // Academy of management review. 2011. vol. 36. no. 1. pp. 127–150.
  16. Zhang Y., Xu S., Zhang L., Yang M. Big data and human resource management research: An integrative review and new directions for future research // Journal of Business Research. 2021. vol. 133. pp. 34–50.
  17. Liu J. Impact of enterprise human capital on technological innovation based on machine learning and SVM algorithm // Journal of Ambient Intelligence and Humanized Computing. 2021. pp. 1-13.
  18. Fleenor J.W., Taylor S., Chappelow C. Leveraging the impact of 360-degree feedback // Berrett-Koehler Publishers, Incorporated. 2020. 184 p.
  19. Эфендиев А.Г., Гоголева А.С., Пашкевич А.В., Балабанова Е.С. Ценностно–мотивационные основы и реальность трудовой жизни российских работников: проблемы и противоречия // Мир России. Социология. Этнология. 2020. 29(2). C. 108–133.
  20. Kassambara A. Practical guide to cluster analysis in R: Unsupervised machine learning // STHDA. 2017. 187 p.
  21. Forsman H., Jansson I., Leksell J., Lepp M., Sundin Andersson C., Engstrom M., Nilsson J. Clusters of competence: Relationship between self-reported professional competence and achievement on a national examination among graduating nursing students // Journal of Advanced Nursing. 2020. vol. 76. no. 1. pp. 199–208.
  22. Schmid M., Brianza E., Petko D. Self-reported technological pedagogical content knowledge (TPACK) of pre-service teachers in relation to digital technology use in lesson plans // Computers in Human Behavior. 2021. vol. 115. pp. 106586.
  23. Yang L., Sang-Bing T. Construction of a Hierarchical Neural Network Power Source Model for Human Capital Technology Innovation and Benefit Distribution with Big Data Analysis // Mathematical Problems in Engineering. 2021. vol. 2021. pp. 3939511.
  24. Li X., Zhang P. A research on value of individual human capital of high-tech enterprises based on the bp neural network algorithm // The 19th International Conference on Industrial Engineering and Engineering Management. Berlin: Springer, 2013. pp. 71-79.
  25. Baron A. Measuring human capital // Strategic HR Review. 2011. vol. 10. no 2. pp. 30–35.
  26. Гончарова Е.А., Рукин К.Н. Использование методики ассессмент-центра при оценке государственных гражданских служащих Липецкой области // Государственная служба. 2021. Т. 23. № 3(131). С. 24–32.
  27. Литвина С.А., Еварович С.А. Ассессмент-центр как технология оценки компетенций персонала в практике государственного управления: учебное пособие. Томск: Томский государственный университет, 2013. 104 с.
  28. Родионова Е.А. Психологические факторы эффективности сотрудников современного предприятия // Общество. Коммуникация. Образование. 2011. Т. 2. № 124. С. 109–114.
  29. Hennig C., Meila M., Murtagh F., Rocci R. (Eds.). Handbook of cluster analysis // CRC Press, 2015. 730 p.
  30. Schubert E., Rousseeuw P.J. Faster k–medoids clustering: improving the PAM, CLARA, and CLARANS algorithms // International conference on similarity search and applications. Springer, Cham. 2019. pp. 171–187.
  31. Hennig C. Dissolution point and isolation robustness: robustness criteria for general cluster analysis methods // Journal of Multivariate Analysis. 2009. vol. 99. pp. 1154–1176.
  32. Крокер Л., Алгина Д. Введение в классическую и современную теорию тестов. Учебник. М.:Логос, 2010. 668 с.
  33. Van der Linden W.J. Handbook of Item Response Theory, Volume One: Models. Chapman and Hall/CRC, 2016. 624 p.
  34. Van der Linden W.J. Handbook of Item Response Theory, Volume Three: Applications. Chapman and Hall/CRC, 2018. 608 p.
  35. Lang J.W., Tay L. The science and practice of item response theory in organizations // Annual Review of Organizational Psychology and Organizational Behavior. 2021. vol. 8. pp. 311–338.
  36. Cella D., Choi S.W., Condon D.M., Schalet B., Hays R.D., Rothrock N.E., Yount S., Cook K.F., Gershon R.C., Amtmann D., DeWalt D.A. PROMIS® adult health profiles: efficient short-form measures of seven health domains. Value in health. 2019. vol. 22. no. 5. pp. 537–544.
  37. De Jong M.G., Pieters R. Assessing sensitive consumer behavior using the item count response technique. Journal of Marketing Research. 2019. vol. 56. no. 3. pp. 345–360.
  38. Abele A.E., Spurk D. Volmer J. The construct of career success: measurement issues and an empirical example // ZAF. 2011. vol. 43. pp. 195–206.
  39. Hennig C. fpc: Flexible Procedures for Clustering. R package version 2.2-9. 2020. https://CRAN.R-project.org/package=fpc.
  40. Hogan R. Hogan development survey manual. Tulsa, OK: Hogan Assessment Systems, 2009. 199 p.
  41. Cattell R.B., Cattell H.E.P. Personality structure and the new fifth edition of the 16PF // Educational and Psychological Measurement. 1995. vol. 55. no. 6. pp. 926–937.
  42. Myers I.B. The Myers-Briggs Type Indicator: Manual. Consulting Psychologists Press, 1962. 110 p.
  43. Rizopoulo D. An R package for Latent Variable Modelling and Item Response Theory Analyses // Journal of Statistical Software. 2006. vol. 17. no. 5. pp. 1–25.
  44. Granovetter M. The strength of weak ties: A network theory revisited // Sociological theory. 1983. pp. 201–233.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).