Zusammenfassung
Künstliche Intelligenz, soweit besteht Einigkeit, hat das Potenzial, auch administrative Jobs zu verändern. Während in vielen Bereichen der Forschung die Arbeiten zur Künstlichen Intelligenz eine relativ lange Tradition aufweisen, ist das Personalmanagement ein Gebiet, in dem sich erst seit wenigen Jahren mit dem Thema beschäftigt wird. Es gibt viele Vorschläge zum Einsatz von Künstlicher Intelligenz im Personalmanagement, aber es mangelt an konkreten empirischen Beispielen. Dieser Beitrag versucht, im Rahmen einer Pilotstudie mit drei kleinen Datensätzen einen konkreten Anwendungsfall zu exemplifizieren. Mittels der einfachen Clusteranalyse aus der Gruppe des unsupervised Learnings sowie eines neuronalen Netzes aus der Gruppe des supervised Learnings werden Bewerbungsanschreiben analysiert. Dabei kann in Abhängigkeit der Qualität und Größe des Datensatzes gezeigt werden, dass die Clusteranalyse über Dokument-Wort-Matrizen menschliche Urteilsgruppen signifikant replizieren und darüber hinaus die Menge der optimalen Urteilsgruppen bestimmen kann. So müssten Recruiter nur noch exemplarische Bewerbungen je ermittelter Urteilsgruppe ansehen, um die Güte der Gruppe festzulegen. Mit Hinzunahme des neuronalen Netzes konnte eine Performancesteigerung sowohl bei der Replikation der menschlichen Urteile als auch im Falle der optimalen Menge der Urteilsgruppen in Abhängigkeit der Anzahl der verwendeten versteckten Neuronen erreicht werden. Dies beschränkt sich allerdings auf das Trainingsdatenset. Insofern kann abschließend festgehalten werden, dass die Verwendung beider Methoden ein erfolgversprechender Ansatz zur Einführung von Künstlicher Intelligenz im Recruiting darstellt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Deutscher Bundestag (2018) Enquete-Kommission zur künstlichen Intelligenz eingesetzt. Von https://www.bundestag.de/dokumente/textarchiv/2018/kw26-de-enquete-kommission-kuenstliche-intelligenz/560330. Zugegriffen: 27. Febr. 2020
Kaplan A, Haenlein M (2019) Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Bus Horiz 62(1):15–25
Jeffrey et al. (2018) The future of jobs report 2018. World Economic Forum, Genever
Jeffrey et al. (2016) The future of jobs – employment, skills and workforce strategy for the fourth industrial revolution. World Economic Forum, Genever
Daheim C, Wintermann O (2015) 2050: Die Zukunft der Arbeit. Ergebnisse einer internationalen Delphi-Studie des Millennium Project. Bertelsmann Stiftung, Gütersloh
Kröse B, van der Smag P (1996) An introduction to neural networks. University of Amsterdam, Amsterdam
McCulloch W, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys 5:115–133
Bishop CM (1996) Neural networks for pattern recognition. Clarendon, Oxford
Kaastra I, Boyd M (1996) Designing a neural network for forecasting financial and economic time series. Neurocomputing 10(3):215–236
Kohonen T (1995) Self-organizing maps. Springer, Berlin
Zhang PG, Qi M (2005) Neural network forecasting for seasonal and trend time series. Eur J Oper Res 160(2):501–514
Kosinski M, Bachrach Y, Kohli P, Stillwell D, Graeoel T (2013) Manifestations of user personality in website choice and behaviour on online social networks. Mach Learn 95(3):357–380
Kosinski M, Stillwell D, Graepel T (2013) Private traits and attributes are predictable from digital records of human behavior. Proc Natl Acad Sci U.S.A 110(15):5802–5805
Hu M, Zhang G, Jiang C, Patuwo B (1999) A cross-validation analysis of neural network out-of-sample performance in exchange rate forecasting. Decis Sci 30(1):197–216
Vellido A, Lisboa PJ, Vaughan J (1999) Neural networks in business: a survey of applications (1992–1998). Expert Syst Appl 17(1):51–70
Widrow B, Rumelhart DE, Lehr MA (1994) Neural networks: applications in industry, business and science. Commun ACM 37(3):93–105
Wong BK, Bodnovich TA, Selvi Y (1997) Neural network applications in business: a review and analysis of the literatue (1988–1995). Decis Support Syst 19(4):301–320
Wong BK, Lai VS, Lam J (2000) A bibliography of neural network business applications research: 1994–1998. Comput Oper Res 27(11–12):1045–1076
Dengler K, Matthes B (2018) Wenige Berufsbilder halten mit der Digitalisierung Schritt. IAB-Kurzbericht 4:1–11
Dengler K, Matthes B (2015) Folgen der Digitalisierung für die Arbeitswelt: Substituierbarkeitspotenziale von Berufen in Deutschland. IAB-Forschungsbericht 11/2015
Borgert S, Helfritz KH (2019) Künstliche Intelligenz in HR. DFGP e. V., TU Kaiserslautern, Kaiserslautern
Fichtner U, Fischer S, Michael A, Neyer A-K (2019) Künstliche Intelligenz: Probieren, lernen, machen. In Schwuchow K, Gutmann J (Hrsg) HR-Trends 2020: Agilität, Arbeit 4.0, Analytics, Prozesse. Haufe, Freiburg, S 282–290
Strohmeier S, Piazza F (2015) Artificial intelligence techniques in human resource management—a conceptual exploration. In Kahraman C, Onar SÇ (Hrsg) Intelligent techniques in engineering management. Springer, Cham, S 149–172
Roedenbeck MR (2020) Die richtigen Fragen stellen. Z OrganisationsEntwicklung, 39(1/20):64–69
Garvin DA (2013) How Google sold its engineers on management. Harvard Bus Rev 91(12):74–82
Bakir D (2019) Wenn Ihr Chef weiß, dass Sie kündigen werden, bevor Sie es selbst wissen. Von https://www.stern.de/wirtschaft/job/kuendigung–wenn-die-ki-vor-ihnen-weiss–dass-sie-kuendigen-werden-8668660.html. Zugegriffen: 27. Febr. 2020
Berthel J, Becker FG (2017) Personalmanagement – Grundzüge für Konzeptionen betrieblicher Personalarbeit. Schäffer-Poeschel, Stuttgart
Gopalakrishna ST, Varadharajan V (2019) Automated tool for resume classification using semantic analysis. Int J Artif Intell Appl 10(1):11–23
Deng Y, Lei H, Li X, Lin Y (2018) An improved deep neural network model for job matching. 2018 International Conference on Artificial Intelligence and Big Data (S 106–112). IEEE
Geetha R, Bhanu SR (2018) Recruitman through artificial intelligence: a conceptual study. Int J Mech Eng Technol 9(7):63–70
Fischer S, Michael A, Fichtner U (2019) Zwischen Euphorie und Skepsis – KI in der Personalarbeit. Bundesverband der Personalmanager, Berlin
R Core Team (2019) R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Quelle: https://www.R-project.org/. Zugegriffen: 27. Febr. 2020
Wickham H, François R, Henry L, Müller K (2020) dplyr: a grammar of data manipulation. R package version 0.8.4. Quelle: https://CRAN.R-project.org/package=dplyr. Zugegriffen: 27. Febr. 2020
Topping KJ (1998) Peer assessment between students in colleges and universities. Rev Educ Res 68:249–276
van Zundert M, Sluijsmans D, van Merrienboer J (2010) Effective peer assessment process: research findings and future directions. Learn Instr 20:270–279
Feinerer I, Hornik K (2019) tm: text mining package. R package version 0.7–7. Quelle: https://CRAN.R-project.org/package=tm
Feinerer I, Hornik K, Meyer D (2008) Text mining infrastructure in R. J Stat Softw 25(5):1–54. Quelle: http://www.jstatsoft.org/v25/i05/. Zugegriffen: 27. Febr. 2020
Frochte J (2019) Maschinelles Lernen – Grundlagen und Algorithmen in Python. Hanser, München
Lantz B (2019) Machine learning with R: expert techniques for predictive modelling. Birmingham, Packt
Boone HN, Boone DA (2012) Analyzing Likert Data. J Ext 50(2):2TOT2
Klimasaukas CC (1991) Applying neural networks, Part 3: trainning a neural network, Proceedings in Artificial Intelligence, S 20–24
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Roedenbeck, M., Qari, S., Herold, M. (2021). Künstliche Intelligenz im Recruiting: Performancevergleiche des (un-)supervised Learnings bei Bewerbungsdokumenten. In: Barton, T., Müller, C. (eds) Künstliche Intelligenz in der Anwendung. Angewandte Wirtschaftsinformatik. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-30936-7_12
Download citation
DOI: https://doi.org/10.1007/978-3-658-30936-7_12
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-30935-0
Online ISBN: 978-3-658-30936-7
eBook Packages: Computer Science and Engineering (German Language)