Skip to main content
SpringerLink
Log in

Künstliche Intelligenz im Recruiting: Performancevergleiche des (un-)supervised Learnings bei Bewerbungsdokumenten

  • Chapter
  • First Online:
Künstliche Intelligenz in der Anwendung

Part of the book series: Angewandte Wirtschaftsinformatik ((ANWI))

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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Literatur

  1. 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

  2. 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

    Article  Google Scholar 

  3. Jeffrey et al. (2018) The future of jobs report 2018. World Economic Forum, Genever

    Google Scholar 

  4. Jeffrey et al. (2016) The future of jobs – employment, skills and workforce strategy for the fourth industrial revolution. World Economic Forum, Genever

    Google Scholar 

  5. Daheim C, Wintermann O (2015) 2050: Die Zukunft der Arbeit. Ergebnisse einer internationalen Delphi-Studie des Millennium Project. Bertelsmann Stiftung, Gütersloh

    Google Scholar 

  6. Kröse B, van der Smag P (1996) An introduction to neural networks. University of Amsterdam, Amsterdam

    Google Scholar 

  7. McCulloch W, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys 5:115–133

    Article  MathSciNet  Google Scholar 

  8. Bishop CM (1996) Neural networks for pattern recognition. Clarendon, Oxford

    MATH  Google Scholar 

  9. Kaastra I, Boyd M (1996) Designing a neural network for forecasting financial and economic time series. Neurocomputing 10(3):215–236

    Article  Google Scholar 

  10. Kohonen T (1995) Self-organizing maps. Springer, Berlin

    Book  Google Scholar 

  11. Zhang PG, Qi M (2005) Neural network forecasting for seasonal and trend time series. Eur J Oper Res 160(2):501–514

    Article  MathSciNet  Google Scholar 

  12. 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

    Article  MathSciNet  Google Scholar 

  13. 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

    Article  Google Scholar 

  14. 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

    Article  Google Scholar 

  15. Vellido A, Lisboa PJ, Vaughan J (1999) Neural networks in business: a survey of applications (1992–1998). Expert Syst Appl 17(1):51–70

    Article  Google Scholar 

  16. Widrow B, Rumelhart DE, Lehr MA (1994) Neural networks: applications in industry, business and science. Commun ACM 37(3):93–105

    Article  Google Scholar 

  17. 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

    Article  Google Scholar 

  18. 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

    Article  Google Scholar 

  19. Dengler K, Matthes B (2018) Wenige Berufsbilder halten mit der Digitalisierung Schritt. IAB-Kurzbericht 4:1–11

    Google Scholar 

  20. Dengler K, Matthes B (2015) Folgen der Digitalisierung für die Arbeitswelt: Substituierbarkeitspotenziale von Berufen in Deutschland. IAB-Forschungsbericht 11/2015

    Google Scholar 

  21. Borgert S, Helfritz KH (2019) Künstliche Intelligenz in HR. DFGP e. V., TU Kaiserslautern, Kaiserslautern

    Google Scholar 

  22. 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

    Google Scholar 

  23. 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

    Google Scholar 

  24. Roedenbeck MR (2020) Die richtigen Fragen stellen. Z OrganisationsEntwicklung, 39(1/20):64–69

    Google Scholar 

  25. Garvin DA (2013) How Google sold its engineers on management. Harvard Bus Rev 91(12):74–82

    Google Scholar 

  26. 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

  27. Berthel J, Becker FG (2017) Personalmanagement – Grundzüge für Konzeptionen betrieblicher Personalarbeit. Schäffer-Poeschel, Stuttgart

    Book  Google Scholar 

  28. Gopalakrishna ST, Varadharajan V (2019) Automated tool for resume classification using semantic analysis. Int J Artif Intell Appl 10(1):11–23

    Google Scholar 

  29. 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

    Google Scholar 

  30. Geetha R, Bhanu SR (2018) Recruitman through artificial intelligence: a conceptual study. Int J Mech Eng Technol 9(7):63–70

    Google Scholar 

  31. Fischer S, Michael A, Fichtner U (2019) Zwischen Euphorie und Skepsis – KI in der Personalarbeit. Bundesverband der Personalmanager, Berlin

    Google Scholar 

  32. 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

  33. 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

  34. Topping KJ (1998) Peer assessment between students in colleges and universities. Rev Educ Res 68:249–276

    Article  Google Scholar 

  35. van Zundert M, Sluijsmans D, van Merrienboer J (2010) Effective peer assessment process: research findings and future directions. Learn Instr 20:270–279

    Article  Google Scholar 

  36. Feinerer I, Hornik K (2019) tm: text mining package. R package version 0.7–7. Quelle: https://CRAN.R-project.org/package=tm

  37. 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

  38. Frochte J (2019) Maschinelles Lernen – Grundlagen und Algorithmen in Python. Hanser, München

    Book  Google Scholar 

  39. Lantz B (2019) Machine learning with R: expert techniques for predictive modelling. Birmingham, Packt

    Google Scholar 

  40. Boone HN, Boone DA (2012) Analyzing Likert Data. J Ext 50(2):2TOT2

    Google Scholar 

  41. Klimasaukas CC (1991) Applying neural networks, Part 3: trainning a neural network, Proceedings in Artificial Intelligence, S 20–24

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Technische Hochchule Wildau, Wildau, Deutschland

    Marc Roedenbeck & Marcel Herold

  2. Hochschule für Wirtschaft und Recht, Berlin, Deutschland

    Salmai Qari

Authors
  1. Marc Roedenbeck
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Salmai Qari
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Marcel Herold
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Marc Roedenbeck .

Editor information

Editors and Affiliations

  1. FB Informatik, Hochschule Worms, Worms, Germany

    Thomas Barton

  2. FB Wirtschaft, Informatik, Recht (WIR), Technische Hochschule Wildau, Wildau, Germany

    Christian Müller

Rights and permissions

Reprints 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

Check for updates. Verify currency and authenticity via CrossMark

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

Publish with us

Policies and ethics

Search

Navigation