ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

ﻓﻬﺮﺳﺖ ﻣﻄﺎﻟﺐ ﻣﻮﺟﻮد در ScienceDirect

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ
www.elsevier.com/locate/hrmr :ﻣﺠﻠﻪ اﺻﻠﯽ ﺻﻔﺤﻪ

ﺑﺮرﺳﯽ ﺑﯿﻦ رﺷﺘﻪ ای ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ: ﭼﺎﻟﺶ ﻫﺎ و ﺟﻬﺖ ﮔﯿﺮی
ﻫﺎی آﯾﻨﺪه

،ﯾﻮان ﭘﺎن a,b
آ

Fabian J. Froese a,*

Platz der Goettinger Sieben 5, 37073 Goettingen, Germany b ﮔﻮﺗﯿﻨﮕﻦ، داﻧﺸﮕﺎه

داﻧﺸﮕﺎه ﻋﻠﻮم و ﻓﻨﺎوری اﻟﮑﺘﺮوﻧﯿﮏ ﭼﯿﻦ، ﭘﺮدﯾﺲ ،Qingshuiheﺷﻤﺎره ،2006ﺧﯿﺎﺑﺎن ،Xiyuanﻏﺮب ﻣﻨﻄﻘﻪ ﻓﻨﺎوری ﭘﯿﺸﺮﻓﺘﻪ، ،611731ﭼﻨﮕﺪو، ﭼﯿﻦ

اﻃﻼﻋﺎت ﻣﻘﺎﻟﻪ

ﮐﻠﯿﺪ واژه ﻫﺎ:

ﺧﻼﺻﻪ

ﻫﻮش ﻣﺼﻨﻮﻋﯽ (AI)ﭘﺘﺎﻧﺴﯿﻞ ﺗﻐﯿﯿﺮ آﯾﻨﺪه ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ (HRM)را دارد. ﻣﺤﻘﻘﺎن از رﺷﺘ lﻪﻫﺎی ﻣﺨﺘﻠﻒ در زﻣﯿﻨﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در

ﻫﻮش ﻣﺼﻨﻮﻋﯽ (AI)
ﺑﺮرﺳﯽ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ
ﺗﺌﻮری

HRMﻣﺸﺎرﮐﺖ ﮐﺮد lهاﻧﺪ، اﻣﺎ ﺑﺎ ﻟﻘﺎح ﻣﺘﻘﺎﺑﻞ ﻧﺴﺒﺘﺎً ﻧﺎﮐﺎﻓﯽ، در ﻧﺘﯿﺠﻪ ﻣﻨﺠﺮ ﺑﻪ ﻣﺠﻤﻮﻋ lﻪای از داﻧﺶ ﻣ lﯽﺷﻮﻧﺪ. در ﭘﺎﺳﺦ، ﻣﺎ ﯾﮏ ﺑﺮرﺳﯽ
ﺳﯿﺴﺘﻤﺎﺗﯿﮏ و ﻣﯿﺎن رﺷﺘﻪ ای از 184ﻣﻘﺎﻟﻪ را ﺑﺮای اراﺋﻪ ﯾﮏ ﻧﻤﺎی ﮐﻠﯽ ﺟﺎﻣﻊ اﻧﺠﺎم دادﯾﻢ. ﻣﺎ ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ را ﺑﻪ ﭼﻬﺎر دﺳﺘﻪ ﺑﺮ اﺳﺎس رﺷﺘﻪ ﮔﺮوه ﺑﻨﺪی ﮐﺮدﯾﻢ: ﻣﺪﯾﺮﯾﺖ و اﻗﺘﺼﺎد، ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ، ﻣﻬﻨﺪﺳﯽ و ﻋﻤﻠﯿﺎت، و ﻏﯿﺮه. ﯾﺎﻓﺘ lﻪﻫﺎ ﻧﺸﺎن ﻣ lﯽدﻫﺪ ﮐﻪ ﻣﻄﺎﻟﻌﺎت در رﺷﺘﻪlﻫﺎی ﻣﺨﺘﻠﻒ

روش

دارای ﮐﺎﻧﻮ lنﻫﺎی ﭘﮋوﻫﺸﯽ ﻣﺘﻔﺎوﺗﯽ ﺑﻮده و از رو ﻫﺎی ﻣﺘﻔﺎوﺗﯽ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. در ﺣﺎﻟﯽ ﮐﻪ ﻣﻄﺎﻟﻌﺎت در رﺷﺘ lﻪﻫﺎی ﻓﻨﯽ ﺑﺮ ﺗﻮﺳﻌﻪ

ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ (HRM)

ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﻋﻤﻠﮑﺮدﻫﺎی HRMﺧﺎص ﻣﺘﻤﺮﮐﺰ ﺑﻮد، ﻣﻄﺎﻟﻌﺎت ﺳﺎﯾﺮ رﺷﺘ lﻪﻫﺎ ﺑﺮ ﭘﯿﺎﻣﺪﻫﺎی AIﺑﺮ ،HRMﻣﺸﺎﻏﻞ و ﺑﺎزارﻫﺎی ﮐﺎر ﺗﻤﺮﮐﺰ داﺷﺘﻨﺪ. اﮐﺜﺮ ﻣﻄﺎﻟﻌﺎت در ﻫﻤﻪ ﻣﻘﻮﻟﻪ ﻫﺎ در ﺗﻮﺳﻌﻪ ﻧﻈﺮی ﻧﺴﺒﺘﺎ ﺿﻌﯿﻒ ﺑﻮدﻧﺪ. ﺑﻨﺎﺑﺮاﯾﻦ ﻣﺎ ﺗﻮﺻﯿﻪ ﻫﺎﯾﯽ را ﺑﺮای ﻫﻤﮑﺎری ﻫﺎی ﺑﯿﻦ رﺷﺘﻪ ای
اراﺋﻪ ﻣﯽ دﻫﯿﻢ، ﺗﻌﺮﯾﻔﯽ ﯾﮑﭙﺎرﭼﻪ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ اراﺋﻪ ﻣﯽ دﻫﯿﻢ و ﻣﻔﺎﻫﯿﻤﯽ را ﺑﺮای ﺗﺤﻘﯿﻖ و ﻋﻤﻞ اراﺋﻪ ﻣﯽ دﻫﯿﻢ.

1.ﻣﻌﺮﻓﯽ

ﻫﻮش ﻣﺼﻨﻮﻋﯽ (AI)ﯾﮑﯽ از ﺗﺎﺛﯿﺮﮔﺬارﺗﺮﯾﻦ ﻓﻨﺎور lیﻫﺎﯾﯽ اﺳﺖ ﮐﻪ ﺑﺎزار ﮐﺎر را ﺗﻐﯿﯿﺮ ﻣﯽlدﻫﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2018). ،Rust & Huangدر
از ﯾﮏ ﺳﻮ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﭘﯿﺎﻣﺪﻫﺎی ﻣﻨﻔﯽ داﺷﺘﻪ ﺑﺎﺷﺪ، ﻣﺎﻧﻨﺪ ﺣﺬف ﺑﯿﺶ از ٪45از ﻣﺸﺎﻏﻞ )ﺑﺮگ، ﺑﺎﻓﯽ، و زاﻧﺎ، 2018)و اﻓﺰاﯾﺶ ﻧﺎﺑﺮاﺑﺮی اﺟﺘﻤﺎﻋﯽ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻟﻮی، 2018).از ﺳﻮی دﯾﮕﺮ، ﻣﻤﮑﻦ اﺳﺖ ﻣﺰاﯾﺎﯾﯽ ﻣﺎﻧﻨﺪ ارﺗﻘﺎ ﯾﺎ اﻓﺰاﯾﺶ ﻣﺸﺎﻏﻞ ﺑﻪ ﺟﺎی ﺟﺎﯾﮕﺰﯾﻨﯽ آﻧﻬﺎ را ﻧﯿﺰ ﻓﺮاﻫﻢ ﮐﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2015). ،Autorدر ﻣﺠﻤﻮع، ﻣﻨﺼﻔﺎﻧﻪ اﺳﺖ ﮐﻪ ﺑﮕﻮﯾﯿﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﺄﺛﯿﺮ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ ﺑﺮ آﯾﻨﺪه ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ (HRM)ﺧﻮاﻫﺪ داﺷﺖ و ﮐﺎرﺑﺮد ﻫﻮش ﻣﺼﻨﻮﻋﯽ در HRMﭘﺘﺎﻧﺴﯿﻞ ﺑﺎﻻﯾﯽ دارد , Malik ؛2020 Srikanth, & Patel, Budhwar, (Malik,دی ﺳﯿﻠﻮا، ﺑﻮدوار، و ﺳﺮﯾﮑﺎﻧﺚ، 2021).

AI-HRMﺑﻪ دﻟﯿﻞ ﻣﺎﻫﯿﺖ ﺑﯿﻦ رﺷﺘﻪ ای آن ﻣﻮﺿﻮﻋﯽ ﻓﺮاﺗﺮ از ﺣﻮزه ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ اﺳﺖ، ﯾﻌﻨﯽ ﺗﻮﺳﻌﻪ اﺑﺰارﻫﺎی ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﭘﯿﺸﺮﻓﺖ در زﻣﯿﻨﻪ ﻫﺎی ﻓﻨﯽ ﺑﺴﺘﮕﯽ دارد، در
ﺣﺎﻟﯽ ﮐﻪ ﭘﯿﺎده ﺳﺎزی ﭼﻨﯿﻦ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﭘﯿﺎﻣﺪﻫﺎی ﭘﯿﺎده ﺳﺎزی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺘﮑﯽ ﺑﺮ داﻧﺶ اﺟﺘﻤﺎﻋﯽ اﺳﺖ. ﻋﻠﻮم ﭘﺎﯾﻪ. ﻣﺤﻘﻘﺎن رﺷﺘﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺑﻪ داﻧﺶ AI-HRMﮐﻤﮏ ﮐﺮده اﻧﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻣﺤﻘﻘﺎن ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ (CS)اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺣﻞ ﻣﺴﺎﺋﻞ HRMﺗﻮﺳﻌﻪ دادﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، آﻧﺎﻧﺪراﺟﺎن، 2002).اﻗﺘﺼﺎدداﻧﺎن در ﻣﻮرد ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﺑﺎزار ﮐﺎر ﺑﺤﺚ ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻗﺎﺑﻞ ﻣﺜﺎل، ﺑﺮگ و ﻫﻤﮑﺎران، 2018).رواﻧﺸﻨﺎﺳﺎن درﯾﺎﻓﺘﻨﺪ ﮐﻪ اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﻋﺚ ﺑﯽ اﻧﮕﯿﺰﮔﯽ ﻧﺎﻣﺰدﻫﺎی ﺷﻐﻠﯽ در ﻃﻮل اﺳﺘﺨﺪام ﻧﻤﯽ ﺷﻮد )ون اش، ﺑﻠﮏ و ﻓﺮوﻟﯽ، 2019)اﻣﺎ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎﻋﺚ ﺟﺎﺑﺠﺎﯾﯽ ﺑﯿﺸﺘﺮ ﮐﺎرﮐﻨﺎن ﺷﻮد )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺑﺮوﮔﺎم و ﻫﺎر، 2020).ﻣﺤﻘﻘﺎن ﭘﺰﺷﮑﯽ ﻧﺸﺎن دادﻧﺪ ﮐﻪ ﮐﺎرﮐﻨﺎن ﭘﺰﺷﮑﯽ ﺑﺮای اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ آﻣﺎده ﻧﯿﺴﺘﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻋﺒﺪﷲ و ﻓﮑﯿﻪ، 2020).اﮔﺮﭼﻪ ﺗﺤﻘﯿﻘﺎت
ﺗﻮﺟﻬﯽ در ﻣﻮرد AI-HRMوﺟﻮد دارد

*ﻧﻮﯾﺴﻨﺪه ﻣﺘﻨﺎﻇﺮ.
.(ﻓﺮوز ﺟﯽ اف)[e-mail] (Y. Pan)، [e-mail] :اﯾﻤﯿﻞ ﻫﺎی آدرس

https://doi.org/10.1016/j.hrmr.2022.100924درﯾﺎﻓﺖ ﺷﺪه در 12اﮐﺘﺒﺮ ؛2020درﯾﺎﻓﺖ در ﻓﺮم اﺻﻼح ﺷﺪه 21ﻧﻮاﻣﺒﺮ ؛2021
ﭘﺬﯾﺮش در 3ژوﺋﻦ 2022در دﺳﺘﺮس آﻧﻼﯾﻦ 16ژوﺋﻦ 2022

Inc. Elsevier 2022 1053-4822/©ﮐﻠﯿﻪ ﺣﻘﻮق ﻣﺤﻔﻮظ اﺳﺖ.

ﻣﻮﺿﻮﻋﺎت در رﺷﺘ lﻪﻫﺎی ﻣﺨﺘﻠﻒ، ﻫﺮ رﺷﺘﻪ از ﻣﻨﻈﺮی ﻣﺘﻔﺎوت ﺑﻪ ﻣﻮﺿﻮع ﻧﮕﺎه ﻣﯽlﮐﺮدﻧﺪ و ﺗﻮﺟﻪ ﮐﻤﯽ ﺑﻪ ﺗﺮﮐﯿﺐ داﻧﺶ ﻣﯿﺎن رﺷﺘ lﻪای داﺷﺘﻨﺪ. اﯾﻦ ﻣﺎﯾﻪ ﺗﺎﺳﻒ اﺳﺖ زﯾﺮا داﻧﺶ و ﻫﻤﮑﺎری ﺑﯿﻦ
رﺷﺘﻪlای ﺑﺮای اﺟﺮای ﻣﻮﻓﻘﯿ آﻣﯿﺰ ﻫﻮش ﻣﺼﻨﻮﻋﯽ 2019) Saleh, & McCarthy, (Fontaine,و ﺗﻮﺳﻌﻪ اﺳﺘﻌﺪادﻫﺎً در ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻬﻢ ﻫﺴﺘﻨﺪ 2020). Krsti´c, & Meˇsko,
Bertoncel, (Pejic-Bach,در ﭘﺎﺳﺦ ﺑﻪ اﯾﻦ ﺷﮑﺎف، ﯾﮏ ﺑﺮرﺳﯽ ﺟﺎﻣﻊ ﻣﯿﺎن رﺷﺘ lﻪای ﻣ lﯽﺗﻮاﻧﺪ ﺑﻪ ﺗﺮﮐﯿﺐ داﻧﺶ ﻧﺴﺒﺘﺎ ﭘﺮاﮐﻨﺪه ﮐﻤﮏ ﮐﻨﺪ و ﺑﺎ ﮐﺎﻫﺶ ﺳﻮء ﺗﻔﺎﻫﻢ و اﺟﺘﻨﺎب از »اﺧﺘﺮاع ﻣﺠﺪد ﭼﺮخ«،
ﺑﺎرورﺳﺎزی ﻣﺘﻘﺎﺑﻞ اﻧﻀﺒﺎﻃﯽ را ﺗﺸﻮﯾﻖ ﮐﻨﺪ.
ﺑﻨﺎﺑﺮاﯾﻦ، ﺗﺤﻘﯿﻖ ﻣﺎ ﯾﮏ ﺑﺮرﺳﯽ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﺑﯿﻦ رﺷﺘ lﻪای و ﭘﯿﺸﺮﻓﺘﻪ در ﻣﻘﯿﺎس ﺑﺰرگ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ در HRMاراﺋﻪ ﻣ lﯽﮐﻨﺪ. اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﻗﺼﺪ دارد ﻣﺸﺎرﮐﺖ ﻫﺎی زﯾﺮ را اﻧﺠﺎم دﻫﺪ. اول، ﻣﺎ ﯾﮏ ﻧﻤﺎی ﮐﻠﯽ ﺟﺎﻣﻊ از ادﺑﯿﺎت ﻣﻮﺟﻮد اراﺋﻪ ﻣﯽ دﻫﯿﻢ، ﺑﻨﺎﺑﺮاﯾﻦ ﺗﺤﻘﯿﻘﺎت از رﺷﺘﻪ ﻫﺎی ﻣﺨﺘﻠﻒ را ﺗﺮﮐﯿﺐ ﻣﯽ ﮐﻨﯿﻢ و راه ﻫﺎی ﺟﺪﯾﺪی را ﺑﺮای ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه ﺑﺎز ﻣﯽ ﮐﻨﯿﻢ. دوم، ﻣﺎ ﺑﻪ ﻃﻮر
اﻧﺘﻘﺎدی ﻣﺒﺎﻧﯽ ﻧﻈﺮی ادﺑﯿﺎت ﻣﻮﺟﻮد را ارزﯾﺎﺑﯽ ﻣ lﯽﮐﻨﯿﻢ و ﭘﯿﺸﻨﻬﺎدﻫﺎﯾﯽ ﺑﺮای ﭘﯿﺸﺮﻓﺖ ﻧﻈﺮی ﺑﺎﻟﻘﻮه در AI-HRMاراﺋﻪ ﻣ lﯽﮐﻨﯿﻢ. ارزﯾﺎﺑﯽ و ﺑﺤﺚ ﻣﺒﺎﻧﯽ ﻧﻈﺮی ﺑﻪ وﯾﮋه ﺑﺮای ﺣﻮزه ﻧﻮﻇﻬﻮر AI-HRM ﻣﻬﻢ اﺳﺖ، ﺟﺎﯾﯽ ﮐﻪ ﻣﺤﻘﻘﺎن در رﺷﺘﻪ ﻫﺎی ﺧﺎﺻﯽ ﻣﺎﻧﻨﺪ ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ و CSﻣﻌﻤﻮﻻً ﺗﻮﺟﻪ ﮐﻤﯽ ﺑﻪ ﻧﻈﺮﯾﻪ ﻫﺎ ﻣﯽ ﮐﻨﻨﺪ. ﺳﻮم، ﻣﺎ دﻗﺖ روش ﺷﻨﺎﺧﺘﯽ ادﺑﯿﺎت ﻣﻮﺟﻮد را ﺑﻪ ﻃﻮر اﻧﺘﻘﺎدی ارزﯾﺎﺑﯽ ﻣﯽ ﮐﻨﯿﻢ و ﻧﻤﻮﻧﻪ ﻫﺎﯾﯽ از روش ﻫﺎی ﭘﯿﺸﺮﻓﺘﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﻣﻄﺎﻟﻌﻪ ﻣﺪﯾﺮﯾﺖ آﯾﻨﺪه اراﺋﻪ ﻣﯽ دﻫﯿﻢ. از آﻧﺠﺎﯾﯽ ﮐﻪ رﺷﺘﻪlﻫﺎی ﻣﺨﺘﻠﻒ روشlﻫﺎی ﺗﺤﻘﯿﻘﺎﺗﯽ ﻣﺘﻔﺎوﺗﯽ را دﻧﺒﺎل ﻣ lﯽﮐﻨﻨﺪ، ارزﯾﺎﺑﯽ روش ﺑﯿ lﻦرﺷﺘ lﻪای ﻣﺎ ﻣﻤﮑﻦ اﺳﺖ اﻟﻬﺎ lمﺑﺨﺶ ﻣﺤﻘﻘﯿﻦ آﯾﻨﺪه ﺑﺎﺷﺪ ﺗﺎ رو lشﻫﺎﯾﯽ را از رﺷﺘ lﻪﻫﺎی ﻣﺨﺘﻠﻒ وام ﺑﮕﯿﺮﻧﺪ، ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻣﺤﻘﻘﺎن ﻣﺪﯾﺮﯾﺖ ﻣﻤﮑﻦ اﺳﺖ روشlﻫﺎی
CSرا ﺑﻪ ﮐﺎر ﺑﺒﺮﻧﺪ، ﺑﻨﺎﺑﺮاﯾﻦ اﻣﮑﺎن ﺗﺤﻠﯿﻞ ﺑﻬﺘﺮ ﻣﻄﺎﻟﻌﺎت AI-HRMرا ﻓﺮاﻫﻢ ﻣﯽlﮐﻨﺪ.

2.روش ﻫﺎ

اﺻﻄﻼح "ﻫﻮش ﻣﺼﻨﻮﻋﯽ" ﯾﮏ ﺗﻌﺮﯾﻒ ﻓﺎزی دارد، زﯾﺮا ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ ﭼﯿﺰﻫﺎی ﻣﺨﺘﻠﻔﯽ اﺷﺎره داﺷﺘﻪ ﺑﺎﺷﺪ 2020). (Willcocks,اﮔﺮﭼﻪ ﻧﺘﻮاﻧﺴﺘﯿﻢ
ﺑﺮای ﯾﺎﻓﺘﻦ ﯾﮏ ﺗﻌﺮﯾﻒ ﯾﮑﭙﺎرﭼﻪ در ادﺑﯿﺎت ﻗﺒﻠﯽ، ﻣﺎ ﻗﺒﻞ از ﺟﺴﺘﺠﻮ و ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ادﺑﯿﺎت، داﻣﻨﻪ وﺳﯿﻌﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ را در ﺗﺤﻘﯿﻖ ﺗﻌﯿﯿﻦ ﮐﺮدﯾﻢ.
در اﯾﻨﺠﺎ، ﻣﺎ ﺑﺮ روی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻌﺎﺻﺮ ﺗﻤﺮﮐﺰ ﮐﺮدﯾﻢ ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ دو اﺻﻞ ﺷﺪ. اول، "ﻣﻌﺎﺻﺮ" ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ ﻣﺎ ﺑﺮ روی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﯿﺸﺮﻓﺘﻪ و ﻫﻮﺷﻤﻨﺪ ﺗﻤﺮﮐﺰ ﻣﯽ ﮐﻨﯿﻢ، ﮐﻪ ﻣﯽ
ﺗﻮاﻧﺪ ﻣﺤﺎﺳﺒﺎت ﻋﻈﯿﻢ را ﭘﺮدازش ﮐﻨﺪ و ﻣﺸﮑﻼت ﻧﺴﺒﺘﺎً ﭘﯿﭽﯿﺪه دﻧﯿﺎی واﻗﻌﯽ را ﺣﻞ ﮐﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻧﯿﻠﺴﻮن، 2010).ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﺎ ﻣﻄﺎﻟﻌﺎت روی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻏﯿﺮﻣﻌﺎﺻﺮ )ﯾﻌﻨﯽ ﻣﺼﻨﻮﻋﺎت ﮐﻤﺘﺮ ﭘﯿﺸﺮﻓﺘﻪ( ﻣﺎﻧﻨﺪ راﯾﺎﻧ lﻪﻫﺎی ﺷﺨﺼﯽ را ﺣﺬف ﮐﺮدﯾﻢ. دوم، ﻣﺎ ﻓﻘﻂ ﺑﺮ روی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺘﻤﺮﮐﺰ ﺷﺪ lهاﯾﻢ، ﺑﻪ اﺳﺘﺜﻨﺎی ﻣﻄﺎﻟﻌﺎت در ﻣﻮرد ﺗﻐﯿﯿﺮات ﮐﻠﯽ ﻓﻨﺎوری ﻣﺎﻧﻨﺪ ﻣﻄﺎﻟﻌﺎت
ﻣﺨﺮب ﻓﻨﺎوری و ﺻﻨﻌﺖ 4.0.ﻣﺎ اﺻﻮل را ﺑﺮای ﺟﺴﺘﺠﻮ و اﻧﺘﺨﺎب ادﺑﯿﺎت دﻧﺒﺎل ﮐﺮدﯾﻢ. ﺷﮑﻞ 1روﻧﺪ ﺟﺴﺘﺠﻮی ﻣﺎ را ﻧﺸﺎن ﻣﯽ دﻫﺪ.

2.1.ﺟﺴﺘﺠﻮ در ادﺑﯿﺎت

اﯾﻦ ﻣﻄﺎﻟﻌﻪ از رو ﻫﺎی ﻣﺮور ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﭘﯿﺮوی ﮐﺮد )ﺗﺮﻧﻔﯿﻠﺪ، دﻧﯿﺮ و اﺳﻤﺎرت، 2003)ﮐﻪ ﺑﻪ ﺧﻮﺑﯽ ﺑﺎ ﻫﺪف ﺗﺤﻘﯿﻖ ﻣﺎ ﺑﺮای ﺣﻔﻆ وﺳﻌﺖ ﺗﺤﻘﯿﻖ و اﻓﺰاﯾﺶ ﻗﺎﺑﻠﯿﺖ اﻃﻤﯿﻨﺎن ﺗﺤﻘﯿﻖ
ﻣﻄﺎﺑﻘﺖ داﺷﺖ. ﻣﺎ 41831ﻣﻘﺎﻟﻪ را از ﭘﺎﯾﮕﺎهlﻫﺎی ﭘﺎﯾﮕﺎ lهﻫﺎی اﺳﺘﻨﺎد ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ و ﻓﻬﺮﺳﺖ اﺳﺘﻨﺎدی ﻋﻠﻮم از ﻃﺮﯾﻖ (WOS) Science of Worldﺟﻤ lﻊآوری ﮐﺮدﯾﻢ، زﯾﺮا اﯾﻦ ﭘﺎﯾﮕﺎهlﻫﺎ ﺟﺰو
ﺟﺎﻣ lﻊﺗﺮﯾﻦ و ﻣﺤﺒﻮ ﺗﺮﯾﻦ ﭘﺎﯾﮕﺎ lهﻫﺎی اﻃﻼﻋﺎﺗﯽ ﺑﺮای ﻣﻘﺎﻻت ﻣﺠﻼت ﻣﻌﺘﺒﺮ ﻫﺴﺘﻨﺪ. ﺗﻌﺮﯾﻒ ﻣﺒﻬﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﺗﻮﻟﯿﺪ ﻣﺠﻤﻮﻋﻪ ای ﺟﺎﻣﻊ از ادﺑﯿﺎت ﺑﯿﻦ رﺷﺘﻪ ای را از ﻃﺮﯾﻖ ﯾﮏ ﺟﺴﺘﺠﻮی
ﺳﺎده دﺷﻮار ﻣﯽ ﮐﻨﺪ. ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﺎ ﺳﻪ ﺟﺴﺘﺠﻮی ﻣﺴﺘﻘﻞ ﺑﺎ ﻣﺤﺪودﯾﺖlﻫﺎی ﻣﺨﺘﻠﻒ اﻧﺠﺎم دادﯾﻢ و ﺳﻪ ﻣﺠﻤﻮﻋﻪ ادﺑﯿﺎت را ﺑﺮای اﻓﺰاﯾﺶ ﺟﺎﻣﻌﯿﺖ ﻣﺮور اﯾﺠﺎد ﮐﺮدﯾﻢ. ﻣﺎ ﻣﻘﺎﻻت و ﻧﻈﺮات را ﺑﻪ زﺑﺎن اﻧﮕﻠﯿﺴﯽ از ﺳﺎل 1990ﺗﺎ )2020از ﺟﻤﻠﻪ ﻣﻘﺎﻻت دﺳﺘﺮﺳﯽ اوﻟﯿﻪ( ﺟﺴﺘﺠﻮ ﮐﺮدﯾﻢ. ﻣﺎ ﺗﺼﻤﯿﻢ ﮔﺮﻓﺘﯿﻢ روی دوره ﺑﻌﺪ از ﺳﺎل 1990ﺗﻤﺮﮐﺰ ﮐﻨﯿﻢ، زﯾﺮا ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻌﺎﺻﺮ ﺑﺎ ﭘﯿﺸﺮﻓﺖ ﻫﺎی ﺳﺨﺖ اﻓﺰاری ﮐﺎﻣﭙﯿﻮﺗﺮ ﻗﺪرت ﻣﯽ ﮔﺮﻓﺖ و ﺑﻨﺎﺑﺮاﯾﻦ ﺗﻨﻬﺎ ﭘﺲ از اواﯾﻞ دﻫﻪ 1990ﺑﻪ واﻗﻌﯿﺖ ﺗﺒﺪﯾﻞ ﺷﺪ، ﺑﻪ دﻟﯿﻞ ﺗﻮﻟﺪ اﺑﺮراﯾﺎﻧﻪ ﻫﺎﯾﯽ ﺑﺎ ﻫﺰاران ﭘﺮدازﻧﺪه )ﻣﺎﻧﻨﺪ . ) 2019 ،Kaplan & Haenlein

ﺑﺮای دور اول ﺟﺴﺘﺠﻮی ادﺑﯿﺎت، ﻣﺤﺪودﯾﺖ ﻫﺎ را ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪﯾﻢ. ﻣﺎ از ﭘﺎراﻣﺘﺮ ﺟﺴﺘﺠﻮی ﮔﺴﺘﺮده ﺑﻪ ﻋﻨﻮان "ﻫﻮش ﻣﺼﻨﻮﻋﯽ" اﺳﺘﻔﺎده ﮐﺮدﯾﻢ و ﻫﻤﻪ ﻣﺠﻼت را در ﻫﻤﻪ رﺷﺘﻪ ﻫﺎ ﭘﻮﺷﺶ دادﯾﻢ ﺗﺎ ﻣﺠﻤﻮﻋﻪ ای از 23761ﻣﻘﺎﻟﻪ را ﺟﻤﻊ آوری ﮐﻨﯿﻢ. ﺑﺮای دور دوم ﺟﺴﺘﺠﻮی ادﺑﯿﺎت، ﻣﺤﺪودﯾﺖlﻫﺎی ﺑﯿﺸﺘﺮی اﻋﻤﺎل ﮐﺮدﯾﻢ. ﻣﺎ ﭘﺎراﻣﺘﺮﻫﺎی ﺟﺴﺘﺠﻮی دﻗﯿﻘﯽ را اﯾﺠﺎد ﮐﺮدﯾﻢ ﮐﻪ ﻫﻢ ﻫﻮش
ﻣﺼﻨﻮﻋﯽ و ﻫﻢ HRMرا در ﺑﺮ ﻣﯽ ﮔﺮﻓﺖ. ﺑﺮای ﭘﺎراﻣﺘﺮﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻣﺎ از ﻋﺒﺎرات ﺟﺴﺘﺠﻮ اﺳﺘﻔﺎده ﮐﺮدﯾﻢ

ﺷﮑﻞ 1.ﻓﺮآﯾﻨﺪ ﺟﺴﺘﺠﻮ و اﻧﺘﺨﺎب ادﺑﯿﺎت.

2

ﺑﺮرﺳﯽ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در زﻣﯿﻨﻪ ﻫﺎی ﭘﺰﺷﮑﯽ 2018). al., et (Sendersﻣﺎ دو ﺗﻐﯿﯿﺮ ﺟﺰﺋﯽ اﯾﺠﺎد ﮐﺮدﯾﻢ: 1)دو ﻋﺒﺎرت، ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، "ﺗﻘﻮﯾﺖ ﮐﻨﻨﺪه" و "ﺑﯽ اﺳﺎس" را ﺑﻪ دﻟﯿﻞ
ﻫﻤﭙﻮﺷﺎﻧﯽ و ﺗﻌﻤﯿﻢ ﺑﯿﺶ از ﺣﺪ ﺣﺬف ﮐﺮدﯾﻢ. "2)رﺑﺎت"* را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺮﺟﯿﺤﺎت ادﺑﯿﺎت AI-HRMاﺿﺎﻓﻪ ﮐﺮد )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺑﺮگ و ﻫﻤﮑﺎران، 2018).ﺑﺮای ﭘﺎراﻣﺘﺮﻫﺎی ،HRMﻣﺎ اﺻﻄﻼﺣﺎت را از دو ﺑﺮرﺳﯽ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﻣﯿﺎن رﺷﺘ lﻪای ﻣﻄﺎﻟﻌﺎت HRMاﺗﺨﺎذ و ﺗﺮﮐﯿﺐ ﮐﺮدﯾﻢ )ﮔﺎرﺳﯿﺎ-آروﯾﻮ و اوﺳﮑﺎ، ؛2019ووﮔﺘﻠﯿﻦ و ﮔﺮﯾ lﻦوود، 2016).ﻣﺎ دو ﺗﻐﯿﯿﺮ ﺟﺰﺋﯽ اﯾﺠﺎد ﮐﺮدﯾﻢ: "1)ﮐﺎر" را ﺑﻪ دﻟﯿﻞ
ﺗﻌﻤﯿﻢ ﺑﯿﺶ از ﺣﺪ ﺣﺬف ﮐﺮدﯾﻢ. "2)ﮐﺎر، ﮐﺎر، ﺷﻐﻞ"* را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺮﺟﯿﺤﺎت ادﺑﯿﺎت AI-HRMاﺿﺎﻓﻪ ﮐﺮد )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2020). ،Restrepo & Acemogluﻣﺎ از ﻋﺒﺎرات ﺟﺴﺘﺠﻮی زﯾﺮ
اﺳﺘﻔﺎده ﮐﺮدﯾﻢ و ﻫﻤﻪ ﻣﺠﻼت را در ﻫﻤﻪ رﺷﺘﻪ ﻫﺎ ﭘﻮﺷﺶ دادﯾﻢ ﺗﺎ ﻣﺠﻤﻮﻋﻪ ای از 15570ﻣﻘﺎﻟﻪ را ﺟﻤﻊ آوری ﮐﻨﯿﻢ:

ﻫﻮش ﻣﺼﻨﻮﻋﯽ )=ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ ﯾﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﯾﺎ ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ ﯾﺎ ﺷﺒﮑﻪ ﻋﺼﺒﯽ* ﯾﺎ ﺑﺮدار ﭘﺸﺘﯿﺒﺎﻧﯽ* ﯾﺎ ﺟﻨﮕﻞ ﺗﺼﺎدﻓﯽ* ﯾﺎ ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ ﯾﺎ ﯾﺎدﮔﯿﺮی ﺑﯿﺰی ﯾﺎ ﻫﻮش ﻣﺎﺷﯿﻦ*
ﯾﺎ ﻫﻮش ﻣﺤﺎﺳﺒﺎﺗﯽ ﯾﺎ اﺳﺘﺪﻻل ﮐﺎﻣﭙﯿﻮﺗﺮی ﯾﺎ رﺑﺎت.(*
(HRM = HRMﯾﺎ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ* ﯾﺎ ﺷﺨﺼﯽ ﯾﺎ اﺳﺘﺨﺪاﻣﯽ* راﺑﻄﻪ* ﯾﺎ ﻧﯿﺮوی ﮐﺎر ﯾﺎ ﻧﯿﺮوی ﮐﺎر ﯾﺎ ﺷﻐﻞ.(*
ﺑﺮای دور ﺳﻮم ﺟﺴﺘﺠﻮی ادﺑﯿﺎت، ﻣﺤﺪودﯾ ﻫﺎی ﺑﯿﺸﺘﺮی اﺿﺎﻓﻪ ﮐﺮدﯾﻢ. ﻣﺎ ﺑﺮ روی 50ﻣﺠﻠﻪ ﻓﺎﯾﻨﻨﺸﺎل ﺗﺎﯾﻤﺰ (FT)ﺗﻤﺮﮐﺰ ﮐﺮدﯾﻢ ﮐﻪ ﻧﺸﺮﯾﺎت ﻣﺪﯾﺮﯾﺘﯽ ﺑﺎ ﮐﯿﻔﯿﺖ ﺑﺎﻻ را ﻧﺸﺎن ﻣﯽ داد. از آﻧﺠﺎ
ﮐﻪ ﻣﺤﻘﻘﺎن ﻣﺪﯾﺮﯾﺖ ﻣﻤﮑﻦ اﺳﺖ از اﺻﻄﻼﺣﺎت ﻋﻤﻮﻣﯽ ﺑﺮای اﺷﺎره ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺘﻔﺎده ﮐﻨﻨﺪ، ﻣﺎ "اﻟﮕﻮرﯾﺘﻢ"* را ﺑﻪ ﻋﻨﻮان ﯾﮏ ﭘﺎراﻣﺘﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺿﺎﻓﯽ ﺑﺮای اﻓﺰاﯾﺶ ﺟﺎﻣﻌﯿﺖ
ادﺑﯿﺎت اﺿﺎﻓﻪ ﮐﺮدﯾﻢ. ﺑﺎ اﯾﻦ ﺣﺎل، ﻣﺎ ﺗﺼﻤﯿﻢ ﮔﺮﻓﺘﯿﻢ ﻋﺒﺎراﺗﯽ ﻣﺎﻧﻨﺪ »اﺗﻮﻣﺎﺳﯿﻮن« ﯾﺎ »دﯾﺠﯿﺘﺎ lلﺳﺎزی« را ﺣﺬف ﮐﻨﯿﻢ، زﯾﺮا آنlﻫﺎ ﺑﺮای ﺗﺸﺨﯿﺺ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﺳﺎﯾﺮ ﻓﻨﺎوریlﻫﺎی اﻃﻼﻋﺎت ﺑﺴﯿﺎر ﻋﻤﻮﻣﯽ ﻫﺴﺘﻨﺪ. ﻣﺎ از ﻫﻤﺎن ﻋﺒﺎرات HRMو اﺻﻄﻼﺣﺎت ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮐﻤﯽ ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ ﺑﺮای ﺟﺴﺘﺠﻮی ﻫﻤﻪ ﻣﻘﺎﻻت در ﻣﺠﻼت FT50اﺳﺘﻔﺎده ﮐﺮدﯾﻢ. اﯾﻦ ﻣﻨﺠﺮ ﺑﻪ ﻣﺠﻤﻮﻋﻪ ای از 2500
ﻣﻘﺎﻟﻪ ﺷﺪ.

2.2.اﻧﺘﺨﺎب ادﺑﯿﺎت

در ﻃﻮل اﻧﺘﺨﺎب ادﺑﯿﺎت، ﻣﺎ از ﯾﮏ اﺻﻞ ﺑﻪ ﻧﺎم »ﻓﺮض ﻓﺮاﮔﯿﺮی« اﺳﺘﻔﺎده ﮐﺮدﯾﻢ، ﯾﻌﻨﯽ اﮔﺮ ﺑﻪ دﻟﯿﻞ اﺳﺘﻔﺎده از اﺻﻄﻼﺣﺎت ﻋﻤﻮﻣﯽ )ﻣﺎﻧﻨﺪ دﯾﺠﯿﺘﺎﻟﯽlﺳﺎزی( ﻧﻤ lﯽﺗﻮاﻧﺴﺘﯿﻢ ﺑﺪاﻧﯿﻢ آﯾﺎ ﻫﻮش
ﻣﺼﻨﻮﻋﯽ در ﻣﻘﺎﻟﻪ دﺧﺎﻟﺖ دارد ﯾﺎ ﺧﯿﺮ، ﻣﻘﺎﻟﻪ را ﻧﮕﻪ ﻣ lﯽدارﯾﻢ. ﻣﺎ از اﯾﻦ ﻗﺎﻧﻮن ﭘﯿﺮوی ﮐﺮدﯾﻢ ﺗﺎ ﻣﺸﮑﻼت اﻧﺘﺨﺎب ﻧﺎﺷﯽ از ﺗﻌﺮﯾﻒ ﻓﺎزی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﮐﺎﻫﺶ دﻫﯿﻢ.
ﻣﺎ ﭼﻬﺎر ﻣﺮﺣﻠﻪ را در ﻓﯿﻠﺘﺮﯾﻨﮓ ادﺑﯿﺎت اﺟﺮا ﮐﺮدﯾﻢ. اﺑﺘﺪا، ﻣﺎ ﭼﮑﯿﺪ lهﻫﺎی 41831ﻣﻘﺎﻟﻪ را ﺧﻮاﻧﺪﯾﻢ و ﻣﻘﺎﻻﺗﯽ را ﮐﻪ ﺑﻪ وﺿﻮح ﺑﻪ HRMﯾﺎ AIﺑﯽlرﺑﻂ ﺑﻮدﻧﺪ، ﺣﺬف ﮐﺮدﯾﻢ، و 856ﻣﻘﺎﻟﻪ ﺑﺮای ﻣﺎ ﺑﺎﻗﯽ ﻣﺎﻧﺪ. دوم، ﻣﺎ ﻣﻮارد ﺗﮑﺮاری را ﺣﺬف ﮐﺮدﯾﻢ و 760ﻣﻘﺎﻟﻪ ﺑﺮای ﻣﺎ ﺑﺎﻗﯽ ﻣﺎﻧﺪ. ﺳﻮم، ﻣﺎ ﻣﻘﺎﻻﺗﯽ را ﺑﺮ اﺳﺎس ﮐﯿﻔﯿﺖ ﻣﺠﻼت اﻧﺘﺨﺎب ﮐﺮدﯾﻢ و ﻓﻘﻂ ﻣﻘﺎﻻت را در ﻣﺠﻼت FT50و 1 Quarter
WOSﻧﮕﻬﺪاری ﮐﺮدﯾﻢ و 346ﻣﻘﺎﻟﻪ ﺑﺮای ﻣﺎ ﺑﺎﻗﯽ ﻣﺎﻧﺪ. ﺑﺮای ﻣﺠﻼت ﺑﯿﻦ رﺷﺘ lﻪای ﺑﺎ رﺗﺒ lﻪﺑﻨﺪ lیﻫﺎی ﭼﻨﺪ رﺷﺘ lﻪای، دو ﻗﺎﻧﻮن زﯾﺮ را ﺑﺮای ﻣﺮﺗ lﺐﺳﺎزی اﻋﻤﺎل ﮐﺮدﯾﻢ: 1)ﻣﺪﯾﺮﯾﺖ ﺑﺎﻻﺗﺮﯾﻦ اوﻟﻮﯾﺖ را در
ﻣﺮﺗ ﺳﺎزی داﺷﺖ، و ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ (CS)دوﻣﯿﻦ اوﻟﻮﯾﺖ را داﺷﺖ، ﭘﺲ از آن ﻣﺮاﻗﺒ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ و ﺳﭙﺲ ﻣﻬﻨﺪﺳﯽ، و دﯾﮕﺮان )ﯾﻌﻨﯽ ﻣﺪﯾﺮﯾﺖ > CS >ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ >ﻣﻬﻨﺪﺳﯽ
>دﯾﮕﺮان.( ﻣﺪﯾﺮﯾﺖ از ﺑﺎﻻﺗﺮﯾﻦ اوﻟﻮﯾﺖ ﺑﺮﺧﻮردار ﺑﻮد، زﯾﺮا ﻣﺎ ﻋﻤﺪﺗﺎً ﻗﺼﺪ داﺷﺘﯿﻢ در زﻣﯿﻨﻪ ﻣﺪﯾﺮﯾﺖ ﻣﺸﺎرﮐﺖ داﺷﺘﻪ ﺑﺎﺷﯿﻢ، و ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﯾﮏ ﻣﻮﺿﻮع ﻓﺸﺮده CSاﺳﺖ، ﺑﻨﺎﺑﺮاﯾﻦ CSدر رﺗﺒﻪ دوم ﻗﺮار ﮔﺮﻓﺖ. ﺑﻬﺪاﺷﺖ و ﻣﻬﻨﺪﺳﯽ و ﻣﻬﻨﺪﺳﯽ دو رﺷﺘﻪ ﺑﺎ ﺑﯿﺸﺘﺮﯾﻦ ﺗﻌﺪاد زﯾﺮ رﺷﺘﻪ ﻫﺎ ﺑﻮدﻧﺪ، ﺑﻨﺎﺑﺮاﯾﻦ ﻣﺎ دﺳﺘﻪ ﺑﺮﺗﺮ را ﺑﺮای ﻣﺠﻼت در زﯾﺮ رﺷﺘﻪ ﻫﺎ اﯾﺠﺎد ﮐﺮدﯾﻢ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻣﻘﻮﻟﻪ
ﻣﻬﻨﺪﺳﯽ ﺷﺎﻣﻞ ﻣﻬﻨﺪﺳﯽ ﻋﻤﺮان، ﻣﻬﻨﺪﺳﯽ ﺳﺎﺧﺖ و ﺳﺎز و ﻏﯿﺮه ﺑﻮد. ﻫﻤﭙﻮﺷﺎﻧﯽ ﮐﻤﯽ ﺑﯿﻦ ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ و ﻣﻬﻨﺪﺳﯽ وﺟﻮد داﺷﺖ، ﺑﻨﺎﺑﺮاﯾﻦ رﺗﺒﻪ ﺑﯿﻦ اﯾﻦ دو ﯾﮏ رﺗﺒﻪ راﺣﺖ ﺑﺮای
ﻣﺘﻤﺎﯾﺰ ﮐﺮدن آﻧﻬﺎ از ﺳﺎﯾﺮﯾﻦ ﺑﻮد. 2)دﯾﮕﺮان رﺷﺘﻪ ای را دﻧﺒﺎل ﮐﺮدﻧﺪ ﮐﻪ ﺑﯿﺸﺘﺮﯾﻦ ﺗﻌﺪاد ﻣﺠﻼت را داﺷﺖ، زﯾﺮا رﺷﺘﻪ ﻫﺎی ﻏﺎﻟﺐ در اوﻟﻮﯾﺖ ﻗﺮار داﺷﺘﻨﺪ. در آﺧﺮﯾﻦ ﻣﺮﺣﻠﻪ از ﻓﯿﻠﺘﺮ ﮐﺮدن ادﺑﯿﺎت، ﻣﺘﻮن ﮐﺎﻣﻞ 346ﻣﻘﺎﻟﻪ ﺑﺎﻗﯿﻤﺎﻧﺪه را ﺧﻮاﻧﺪﯾﻢ و ﻣﻘﺎﻻﺗﯽ را ﮐﻪ ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﯾﺎ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑ lﯽرﺑﻂ ﺑﻮدﻧﺪ، ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺘﻮای ﻣﻘﺎﻟﻪ ﺣﺬف ﮐﺮدﯾﻢ و 184ﻣﻘﺎﻟﻪ را ﺑﺮای ﻣﺎ ﺑﺎﻗﯽ
ﮔﺬاﺷﺖ. در ﻃﻮل اﯾﻦ ﻣﺮﺣﻠﻪ، ﻣﺎ ﻋﻤﺪﺗﺎ ﺳﻪ ﻧﻮع ﻣﻘﺎﻟﻪ را ﺣﺬف ﮐﺮدﯾﻢ: 1)ﻣﻘﺎﻻت ﻣﺮﺗﺒﻂ ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺳﺎﯾﺮ زﻣﯿﻨﻪ ﻫﺎی ﻣﺪﯾﺮﯾﺘﯽ، ﺑﻪ وﯾﮋه در ﺣﻮزه اﺳﺘﺮاﺗﮋی ﺷﺮﮐﺖ. 2)ﻣﻘﺎﻻت ﻣﺮﺗﺒﻂ ﺑﺎ
ﻫﻮش ﻣﺼﻨﻮﻋﯽ در زﻣﺎنlﺑﻨﺪی ﮐﺎرﮔﺎهlﻫﺎی ﺗﻮﻟﯿﺪی، زﯾﺮا ﻋﻠﯿﺮﻏﻢ ارﺗﺒﺎط ﺿﻌﯿﻔﺸﺎن ﺑﺎ ﮐﺎرﮐﻨﺎن ﮐﺎرﮐﻨﺎن، ﺑﻪ ﺟﺎی HRMﺑﺮ ﺗﻮﻟﯿﺪ ﺗﻤﺮﮐﺰ داﺷﺘﻨﺪ. 3)

ﻣﻘﺎﻻت ﻣﺮﺗﺒﻂ ﺑﺎ HRMﺑﺎ ﺗﻤﺮﮐﺰ ﺑﺮ ﺳﺎﯾﺮ ﻓﻨﺎوریlﻫﺎ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺗﻠﻔ lﻦﻫﺎی ﻫﻤﺮاه و ﻏﯿﺮه(، ﮐﻪ ﻧﺸﺎ lندﻫﻨﺪه ﻋﺪم ﻋﻤﻠﮑﺮد ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺖ. 184ﻣﻘﺎﻟﻪ ﺑﺎﻗﯽ ﻣﺎﻧﺪه اﺳﺎس ﺑﺮرﺳﯽ ﻣﺎ ﺑﻮد. ﻣﻘﺎﻻت از 93ﻣﺠﻠﻪ، 18رﺷﺘﻪ WOSرا ﭘﻮﺷﺶ ﻣﯽ دﻫﻨﺪ ) ﺟﺪول 1را ﺑﺒﯿﻨﯿﺪ.( ﺟﺪول 2ﺗﻤﺎم ﻣﺠﻼﺗﯽ را ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺳﻪ ﯾﺎ ﺑﯿﺸﺘﺮ ﻣﻘﺎﻟﻪ
ﻣﺮﺗﺒﻂ ﺑﺎ AI-HRMﻣﻨﺘﺸﺮ ﮐﺮده اﻧﺪ.

2.3.ﺗﺤﻠﯿﻞ ادﺑﯿﺎت

ﻣﺎ ﻣﻘﺎﻻت را ﺑﺮ اﺳﺎس ﺳﻪ ﻣﻌﯿﺎر ﻗﯿﺎﺳﯽ در ﺳﻪ دﺳﺘﻪ دﺳﺘﻪ ﺑﻨﺪی ﮐﺮدﯾﻢ. اوﻟﯿﻦ ﻣﻌﯿﺎر ﻧﻈﻢ و اﻧﻀﺒﺎط ﺑﻮد. ﻣﺎ ﻣﻘﺎﻻت 18رﺷﺘﻪ را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺰدﯾﮑﯽ اﻧﻀﺒﺎﻃﯽ و ﺗﻌﺪاد ﻣﻘﺎﻻت در ﻫﺮ رﺷﺘﻪ
در ﭼﻬﺎر دﺳﺘﻪ ﻃﺒﻘﻪ ﺑﻨﺪی ﮐﺮدﯾﻢ. ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﺎ ﻫﻤﭽﻨﺎن ﻣﯽlﺗﻮاﻧﯿﻢ ﺗﻔﺎو ﻫﺎی اﻧﻀﺒﺎﻃﯽ را ﻧﺸﺎن دﻫﯿﻢ و در ﻋﯿﻦ ﺣﺎل ﭘﯿﭽﯿﺪﮔﯽ ﯾﺎﻓﺘﻦ اراﺋﻪlﻫﺎ را ﮐﺎﻫﺶ دﻫﯿﻢ. رﺷﺘﻪ )CSﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ( ﺑﻪ اﻧﺪازه
ﮐﺎﻓﯽ ﺑﺰرگ ﺑﻮد ﮐﻪ ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻣﻘﻮﻟﻪ ﻣﺴﺘﻘﻞ ﺑﻪ ﺗﻨﻬﺎﯾﯽ ﺑﺎﻗﯽ ﺑﻤﺎﻧﺪ. ﻣﺎ ﻣﻬﻨﺪﺳﯽ را ﺑﺎ رﺷﺘﻪ ﻫﺎی ﻋﻤﻠﯿﺎت ﺗﺮﮐﯿﺐ ﮐﺮدﯾﻢ ﺗﺎ دﺳﺘﻪ )EOﻣﻬﻨﺪﺳﯽ و ﺑﻬﺮه ﺑﺮداری( را اﯾﺠﺎد ﮐﻨﯿﻢ و ﻣﺪﯾﺮﯾﺖ را ﺑﺎ رﺷﺘﻪ ﻫﺎی اﻗﺘﺼﺎد ﺗﺮﮐﯿﺐ ﮐﺮدﯾﻢ ﺗﺎ دﺳﺘﻪ )MEﻣﺪﯾﺮﯾﺖ و اﻗﺘﺼﺎدی( را اﯾﺠﺎد ﮐﻨﯿﻢ. ﺳﺎﯾﺮ رﺷﺘﻪ ﻫﺎ دﺳﺘﻪ )OTﺳﺎﯾﺮ( را ﺗﺸﮑﯿﻞ ﻣﯽ دﻫﻨﺪ ﮐﻪ در آن n) = 15 ( ٪43ﻣﻘﺎﻻت ﻣﺮﺑﻮط ﺑﻪ ﻣﺮاﻗﺒﺖ ﻫﺎی
ﺑﻬﺪاﺷﺘﯽ اﺳﺖ.

ﺟﺪول 1ﺗﻌﺪاد ﻣﻘﺎﻻت در رﺷﺘﻪ ﻫﺎی ﻣﺨﺘﻠﻒ.

3

رﺗﺒﻪ
1
2
2
4
5
5
5
8
8
8
8
8
13
13
13
13
13
13
13
13

ﺟﺪول 2ﻣﺠﻼت ﺑﺎ ﺳﻪ ﯾﺎ ﺑﯿﺸﺘﺮ ﻧﺸﺮﯾﻪ.

ﻣﺠﻠﻪ

ﺗﺤﻘﯿﻖ در ﻋﻤﻠﯿﺎت
ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی
ﻋﻠﻢ ﻣﺪﯾﺮﯾﺖ
دﺳﺘﺮﺳﯽ IEEE
ﻣﺠﻠﻪ رواﻧﺸﻨﺎﺳﯽ ﮐﺎرﺑﺮدی ﻣﺪﯾﺮﯾﺖ ﺗﻮﻟﯿﺪ و ﻋﻤﻠﯿﺎت
ﭘﯿﺶ ﺑﯿﻨﯽ ﻓﻨﺎوری و ﺗﻐﯿﯿﺮات اﺟﺘﻤﺎﻋﯽ
ﻣﺠﻠﻪ ﮐﻤﺒﺮﯾﺞ اﻗﺘﺼﺎد و ﺟﺎﻣﻌﻪ ﻣﻨﺎﻃﻖ
ﮐﺎﻣﭙﯿﻮﺗﺮ و ﻣﻬﻨﺪﺳﯽ ﺻﻨﺎﯾﻊ ﺑﺮرﺳﯽ ﮐﺴﺐ و ﮐﺎر ﻫﺎروارد
ﻣﺠﻠﻪ ﺗﺤﻘﯿﻘﺎت اﯾﻨﺘﺮﻧﺘﯽ ﭘﺰﺷﮑﯽ ﻣﺠﻠﻪ ﮐﺎﻟﺞ آﻣﺮﯾﮑﺎﯾﯽ رادﯾﻮﻟﻮژی
ﮐﻼن داده و ﺟﺎﻣﻌﻪ ﮐﺎﻣﭙﯿﻮﺗﺮ در رﻓﺘﺎر اﻧﺴﺎن ﺳﯿﺴﺘﻢ ﻫﺎی ﭘﺸﺘﯿﺒﺎﻧﯽ ﺗﺼﻤﯿﻢ
ﻣﺠﻠﻪ اروﭘﺎﯾﯽ ﺗﺤﻘﯿﻘﺎت ﻋﻤﻠﯿﺎﺗﯽ
ﻣﺪﯾﺮﯾﺖ اﻃﻼﻋﺎت ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ اﺳﻠﻮن MIT روش ﺗﺤﻘﯿﻖ ﺳﺎزﻣﺎﻧﯽ
ﻋﻠﻢ اﯾﻤﻨﯽ

ﺗﻌﺪاد اوراق
11
9
9
8
5
5
5
4
4
4
4
4
3
3
3
3
3
3
3
3

اﻧﻀﺒﺎط. ﺷﮑﻞ 2اﻧﺪازه ﻫﺎی ﻣﺨﺘﻠﻒ ﻫﺮ دﺳﺘﻪ را ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ MEﺑﺰرﮔﺘﺮﯾﻦ دﺳﺘﻪ اﺳﺖ و ﺑﻪ دﻧﺒﺎل آن OT ،CSو EOﻗﺮار دارﻧﺪ.
ﻣﻌﯿﺎر دوم ﻣﺎﻫﯿﺖ ﻣﻄﺎﻟﻌﻪ ﺑﻮد. ﻣﺎ ﻣﻘﺎﻻت را در دو دﺳﺘﻪ ﺗﺠﺮﺑﯽ ﯾﺎ ﻣﻔﻬﻮﻣﯽ ﻣﺮﺗﺐ ﮐﺮدﯾﻢ. ﻣﻘﻮﻟﻪ ﺗﺠﺮﺑﯽ ﺷﺎﻣﻞ ﻣﻘﺎﻻﺗﯽ ﺑﻮد ﮐﻪ از داده ﻫﺎی ﺗﺠﺮﺑﯽ ﺑﺮای ﺗﻮﺳﻌﻪ ﻣﻄﺎﻟﻌﺎت ﺧﻮد اﺳﺘﻔﺎده ﻣﯽ
ﮐﺮدﻧﺪ. ﻫﻤﭽﻨﯿﻦ ﺷﺎﻣﻞ ﻣﻘﺎﻻﺗﯽ ﺑﻮد ﮐﻪ از داد lهﻫﺎی ﺗﺠﺮﺑﯽ اﺳﺘﻔﺎده ﻧﻤﯽlﮐﺮدﻧﺪ، اﻣﺎ ﻣﺪ lلﻫﺎ ﯾﺎ اﻟﮕﻮرﯾﺘﻢlﻫﺎی ﺗﻮﺳﻌ lﻪﯾﺎﻓﺘﻪ ﺧﻮد را در ﺗﻨﻈﯿﻤﺎت ﺗﺠﺮﺑﯽ آزﻣﺎﯾﺶ ﮐﺮدﻧﺪ. ﻣﻘﻮﻟﻪ ﻣﻔﻬﻮﻣﯽ ﺷﺎﻣﻞ ﻣﻘﺎﻻﺗﯽ ﺑﻮد ﮐﻪ از داده ﻫﺎی ﺗﺠﺮﺑﯽ اﺳﺘﻔﺎده ﻧﮑﺮدﻧﺪ و ﻣﻄﺎﻟﻌﺎت ﺧﻮد را در ﻣﺤﯿﻂ ﻫﺎی ﺗﺠﺮﺑﯽ آزﻣﺎﯾﺶ ﻧﮑﺮدﻧﺪ. ﺗﻨﻈﯿﻤﺎت ﺗﺠﺮﺑﯽ ﺑﻪ ﻣﻮﻗﻌﯿﺖ ﻫﺎ و ﻣﺤﯿﻂ ﻫﺎی زﻧﺪﮔﯽ واﻗﻌﯽ اﺷﺎره دارد. ﻣﺎ ﺗﻨﻈﯿﻤﺎت ﺗﺠﺮﺑﯽ
را ﻣﺘﻔﺎوت از ﺷﺒﯿﻪlﺳﺎزیlﻫﺎی ﮐﺎﻣﭙﯿﻮﺗﺮی در ﻧﻈﺮ ﮔﺮﻓﺘﯿﻢ ﮐﻪ ﻣﻮﻗﻌﯿ lﺖﻫﺎی واﻗﻌﯽ را ﺗﻘﻠﯿﺪ ﻣﯽlﮐﺮدﻧﺪ. ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﺎ ﻣﻘﺎﻻت را ﻓﻘﻂ ﺑﺎ داده ﻫﺎی ﺳﺎﺧﺘﮕﯽ از ﺷﺒﯿﻪ ﺳﺎزی ﻫﺎ در دﺳﺘﻪ ﻣﻔﻬﻮﻣﯽ ﻣﺮﺗﺐ ﮐﺮدﯾﻢ. ﺷﮑﻞ 3ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺑﯿﺸﺘﺮ ﻣﻘﺎﻻت ﺗﺠﺮﺑﯽ ﻫﺴﺘﻨﺪ، ﺑﺎ ﺑﺎﻻﺗﺮﯾﻦ ﻧﺴﺒﺖ ﻣﻘﺎﻻت ﺗﺠﺮﺑﯽ در ،41) = n ،٪(85 CSو ﮐﻤﺘﺮﯾﻦ ﻧﺴﺒﺖ در 16). = n ،٪(64 EO

آﺧﺮﯾﻦ ﻣﻌﯿﺎر ﺗﺎﺑﻊ HRMﺑﻮد ﮐﻪ ﯾﮏ ﻣﻘﺎﻟﻪ ﭘﻮﺷﺶ داد. ﻣﺎ از ﻋﻤﻠﮑﺮدﻫﺎی ﻣﺘﻌﺎرف HRMﭘﯿﺮوی ﮐﺮدﯾﻢ ﺗﺎ دﺳﺘﻪ ﺑﻨﺪی ﻫﺎی زﯾﺮ را ﺗﻨﻈﯿﻢ ﮐﻨﯿﻢ: اﺳﺘﺨﺪام، ﻋﻤﻠﮑﺮد و ﻣﺸﺎرﮐﺖ، آﻣﻮزش، ﮐﺎرﮐﻨﺎن، ﺟﺎﺑﺠﺎﯾﯽ و رﻓﺎه ﮐﺎرﮐﻨﺎن. ﺑﺮﺧﯽ از ﻣﻮﺿﻮﻋﺎت ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﻪ ﮐﺎرﮐﺮدﻫﺎی ﺧﺎﺻﯽ ﻣﺎﻧﻨﺪ ﺑﯿﮑﺎری ﯾﺎ HRMاﺧﻼﻗﯽ ﻣﺮﺗﺒﻂ ﻧﺒﻮدﻧﺪ. ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﺎ ﻣﻘﺎﻻت ﺑﺎ ﻣﺴﺎﺋﻞ ﮐﻠﯽ HRMرا در دﺳﺘﻪ
"ﻋﻤﻮﻣﯽ" ﻃﺒﻘﻪ ﺑﻨﺪی ﮐﺮدﯾﻢ. در ﻧﺘﯿﺠﻪ، ﮐﺪﻫﺎی ﺗﺎﺑﻊ HRMﺑﻪ ﻣﺎ اﯾﻦ اﻣﮑﺎن را ﻣﯽ دﻫﻨﺪ ﮐﻪ ﻫﻔﺖ دﺳﺘﻪ ﺑﺮ اﺳﺎس ﻣﻮﺿﻮﻋﺎت ﻣﺘﻤﺮﮐﺰ HRMداﺷﺘﻪ ﺑﺎﺷﯿﻢ ﮐﻪ ﺑﻌﺪاً ﺑﻪ ﺗﻔﺼﯿﻞ در ﻣﻮرد آﻧﻬﺎ ﺻﺤﺒﺖ
ﺧﻮاﻫﯿﻢ ﮐﺮد.

3.ﯾﺎﻓﺘﻪ ﻫﺎی ﻣﺮور ادﺑﯿﺎت ﻧﻈﺎم ﻣﻨﺪ
ﺷﮑﻞ 4روﻧﺪ اﻧﺘﺸﺎرات را در ﻃﻮل زﻣﺎن از ﺳﺎل 1990ﺗﺎ 2020ﻧﺸﺎن ﻣﯽ دﻫﺪ. ﺗﺤﻘﯿﻘﺎت ﮐﻤﯽ ﺗﺎ ﺳﺎل 2016ﻣﻨﺘﺸﺮ ﺷﺪه ﺑﻮد. ﺑﺎ اﯾﻦ ﺣﺎل، زﻣﯿﻨﻪ HRM AIاز آن زﻣﺎن ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ رﺷﺪ ﮐﺮده اﺳﺖ. ﺑﻪ ﻃﻮر ﻗﺎﺑﻞlﺗﻮﺟﻬﯽ، ﺑﻪ ﻧﻈﺮ ﻣ lﯽرﺳﺪ داﻧﺸﻤﻨﺪان رﺷﺘ lﻪﻫﺎی ﮐﻤﺘﺮ ﻓﻨﯽ ﺑﯿﺸﺘﺮﯾﻦ ﺳﻬﻢ را در ﺗﻮﺳﻌﻪ اﯾﻦ رﺷﺘﻪ داﺷﺘﻪ ﺑﺎﺷﻨﺪ، ﻫﻤﺎﻧﻄﻮر ﮐﻪ ﺑﺎ اﻓﺰاﯾﺶ ﺳﺮﯾﻊ ﺗﻌﺪاد ﻣﻘﺎﻻت در
دﺳﺘﻪlﻫﺎی MEو OTاز ﺳﺎل 2017ﻧﺸﺎن داده ﺷﺪه اﺳﺖ. از ﺳﻮی دﯾﮕﺮ، ﻣﺤﻘﻘﺎن در زﻣﯿﻨﻪlﻫﺎی ﻧﺴﺒﺘﺎً ﻓﻨﯽ )ﯾﻌﻨﯽ ﺑﻪ ﻧﻈﺮ ﻣ lﯽرﺳﺪ ﮐﻪ ﺣﻮز lهﻫﺎی CSو EOﮐﻤﺘﺮ ﺑﻪ ﻣﻮﺿﻮﻋﺎت AI-HRMﻋﻼﻗﻪlﻣﻨﺪ ﻫﺴﺘﻨﺪ، ﺑﻪlوﯾﮋه ﺑﺮای ﮐﺴﺎﻧﯽ ﮐﻪ در زﻣﯿﻨ lﻪﻫﺎی ﻣﻬﻨﺪﺳﯽ و ﻋﻤﻠﯿﺎﺗﯽ ﻫﺴﺘﻨﺪ، ﻫﻤﺎﻧﻄﻮر ﮐﻪ رﺷﺪ آﻫﺴﺘﻪ اﻧﺘﺸﺎرات در دﺳﺘﻪ EOﻧﺸﺎن ﻣﯽlدﻫﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ آﻟﻔﺎ ﮔﻮ ﮔﻮﮔﻞ در ﺳﺎل 2016اﺳﺘﺎد
Goاﻧﺴﺎن ﻟﯽ ﺳﺪول را ﺷﮑﺴﺖ داد، ﯾﺎﻓﺘﻦ اﻟﮕﻮﻫﺎی رﺷﺪ اﻧﺘﺸﺎرات ﻓﻮق ﺗﻌﺠﺐ آور ﻧﺒﻮد. ﻗﻄﻌﺎً روﯾﺪاد ﻧﻘﻄﻪ ﻋﻄﻒ ﺗﻮﺳﻌﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻮﺟﻪ زﯾﺎدی را ﺑﻪ ﺳﻤﺖ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻌﺎﺻﺮ از
ﺟﻮاﻣﻊ ﻏﯿﺮ ﻓﻨﯽ ﺟﻠﺐ ﮐﺮد. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ روﻧﺪ اﻧﺘﺸﺎرات، ﻣﺎ ﻣﻌﺘﻘﺪﯾﻢ ﮐﻪ ﺣﻮزه AI-HRMاﺣﺘﻤﺎﻻً در ﺳﺎل ﻫﺎی آﯾﻨﺪه از رﺷﺪ ﺳﺮﯾﻌﯽ ﺑﺮﺧﻮردار ﺧﻮاﻫﺪ ﺑﻮد. ﺑﺨ ﻫﺎی ﺑﻌﺪی ﭘﻮﺷﺶ ﻣﻮﺿﻮﻋﯽ اﯾﻦ ﺣﻮزه
را ﻣﻮرد ﺑﺤﺚ ﻗﺮار ﻣ lﯽدﻫﻨﺪ و ادﺑﯿﺎت ﻣﻮﺟﻮد را از ﻣﻨﻈﺮ ﻧﻈﺮی و رو ﺷﻨﺎﺧﺘﯽ ارزﯾﺎﺑﯽ ﻣﯽlﮐﻨﻨﺪ.

ﺷﮑﻞ 2.ﻧﻤﻮدار داﯾﺮه ای دﺳﺘﻪ ﺑﻨﺪی ﻫﺎی اﻧﻀﺒﺎﻃﯽ.

4

7
1

9
6

23
53

10
25

0 10

20 30

40 50 60
ﻣﻔﻬﻮﻣﯽ ﺗﺠﺮﺑﯽ

ﺷﮑﻞ 3.ﺗﻌﺪاد ﻣﻘﺎﻻت ﻣﻔﻬﻮﻣﯽ و ﺗﺠﺮﺑﯽ ﺑﺮ اﺳﺎس دﺳﺘﻪ ﺑﻨﺪی ﻫﺎی رﺷﺘﻪ ای.

50
45
40
35
30
25
20
15
10
5
0

3.1.ﭘﻮﺷﺶ ﻣﻮﺿﻮع

ﻣTSﺟOﻤCﻦEOﻊ

ﺷﮑﻞ 4.روﻧﺪ ﺑﯿﺴﺖ ﺳﺎﻟﻪ اﻧﺘﺸﺎرات ﺑﺮ اﺳﺎس دﺳﺘﻪ ﺑﻨﺪی ﻫﺎی اﻧﻀﺒﺎﻃﯽ.

ﺟﺪول 3ﻧﻤﺎی ﮐﻠﯽ از ﺗﺤﻠﯿﻞ ﻗﯿﺎﺳﯽ ﻣﺎ از ﻋﻤﻠﮑﺮدﻫﺎی HRMﺗﺤﺖ ﭘﻮﺷﺶ در ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ را اراﺋﻪ ﻣﯽ دﻫﺪ. آﺷﮑﺎر ﻣﯽ ﺷﻮد ﮐﻪ اﺳﺘﺨﺪام، ﻋﻤﻠﮑﺮد و ﮐﺎرﮐﻨﺎن ﺑﯿﺸﺘﺮﯾﻦ ﺗﻮﺟﻪ را ﺑﻪ ﺧﻮد ﺟﻠﺐ ﮐﺮده اﺳﺖ، ﺑﻪ وﯾﮋه در ﺣﻮزه ﻫﺎی ،ME ،CSو ،EOدر ﺣﺎﻟﯽ ﮐﻪ آﻣﻮزش و رﻓﺎه ﮐﺎرﮐﻨﺎن ﺗﻮﺟﻪ ﮐﻤﺘﺮی را ﺑﻪ ﺧﻮد ﺟﻠﺐ ﮐﺮده اﺳﺖ. ﻣﻮﺿﻮﻋﺎت ﻋﻤﻮﻣﯽ HRMﻧﯿﺰ ﺗﻮﺟﻪ زﯾﺎدی را ﺑﻪ ﺧﻮد ﺟﻠﺐ ﮐﺮد، ﺑﻪ وﯾﮋه از رﺷﺘﻪ ﻫﺎﯾﯽ ﺑﺎ وﯾﮋﮔﯽ
ﻫﺎی ﻓﻨﯽ ﮐﻤﺘﺮ )ﯾﻌﻨﯽ داﻣﻨﻪ ﻫﺎی MEو OT).در ﻣﯿﺎن ﻣﻮﺿﻮﻋﺎت ﮐﻠﯽ ،HRMﺑﯿﺸﺘﺮ ﻣﻘﺎﻻت ﺑﺮ روی ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﻣﺸﺎﻏﻞ، ﯾﻌﻨﯽ ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ و آﯾﻨﺪه ﮐﺎر ﻣﺘﻤﺮﮐﺰ ﺑﻮدﻧﺪ ) ﺟﺪول 4را ﺑﺒﯿﻨﯿﺪ.( ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ، ﮐﻪ ﺑﻪ از دﺳﺖ دادن ﻣﺸﺎﻏﻞ ﻧﺎﺷﯽ از ﺗﻮﺳﻌﻪ ﻓﻨﺎوری اﺷﺎره دارد، ﯾﮏ اﺻﻄﻼح ﭘﺮﮐﺎرﺑﺮد در ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ اﺳﺖ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2019). ،Puntoni & ،Fuchs ،Granulo ؛2020
،Restrepo & Acemogluﻣﻮارد زﯾﺮ ﻧﮕﺎﻫﯽ دﻗﯿﻖ ﺗﺮ ﺑﻪ ﻣﻮﺿﻮﻋﺎت ﻫﺮ دﺳﺘﻪ ﺑﻨﺪی اﻧﻀﺒﺎﻃﯽ اراﺋﻪ ﻣﯽ دﻫﺪ.

ﻣﻮﺿﻮﻋﺎت در ﻣﻘﺎﻻت CS.ﻫﺪف اﮐﺜﺮ ﻣﻘﺎﻻت در ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ ﺗﻮﺳﻌﻪ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﺟﺎی درک ﭘﺪﯾﺪه ﻫﺎی ﻣﺪﯾﺮﯾﺘﯽ ﺑﻮد. ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﺸﺎرﮐﺖ اﺻﻠﯽ آﻧﻬﺎ در ﭘﯿﺸﺮﻓﺖ ﻓﻨﯽ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺮﺗﺒﻂ ﺑﺎ HRMﺑﻮد. ﻫﻤﺎﻧﻄﻮر ﮐﻪ در ﺟﺪول 3ﻧﺸﺎن داده ﺷﺪه اﺳﺖ، در ﺣﺎﻟﯽ ﮐﻪ ﻣﻘﺎﻻت CS

ﺟﺪول 3ﺗﻌﺪاد ﻣﻘﺎﻻت ﺑﺮ اﺳﺎس وﻇﺎﯾﻒ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ و دﺳﺘﻪ ﺑﻨﺪی ﻫﺎی اﻧﻀﺒﺎﻃﯽ.

اﺳﺘﺨﺪام ﻋﻤﻠﮑﺮد و ﺗﻌﺎﻣﻞ آﻣﻮزش ﭘﺮﺳﻨﻞ ﺣﺠﻢ ﻣﻌﺎﻣﻼت رﻓﺎه ﮐﺎرﮐﻨﺎن ﻋﻤﻮﻣﯽ
CS 17 10 2 4 4 1 10
EO 2 4 2 14 3
ﻣﻦ 3 14 4 9 8 1 37
OT 4 2 1 3 25
ﺟﻤﻊ 26 30 8 27 13 8 72

5

ﺟﺪول 4ﻣﻮﺿﻮﻋﺎت ﻣﻮرد ﻋﻼﻗﻪ ﺑﺮای ﻣﻘﺎﻻت در دﺳﺘﻪ ﮐﻠﯽ HRM.

ﻫﻤﻪ ﺗﻮاﺑﻊ HRMرا ﭘﻮﺷﺶ ﻣﯽ دﻫﺪ، اﺳﺘﺨﺪام ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ) n = 17 ،٪(35ﻣﺤﺒﻮب ﺗﺮﯾﻦ ﻣﻮﺿﻮع، ﺑﻪ وﯾﮋه در دﻫﻪ اﺧﯿﺮ 14) = (nﺑﻮد. اﮐﺜﺮ ﻣﻘﺎﻻت CSدر اﺳﺘﺨﺪام روی ﺗﻮﺳﻌﻪ ﻓﻨﯽ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای اﻓﺰاﯾﺶ ﮐﺎراﯾﯽ اﺳﺘﺨﺪام ﻣﺘﻤﺮﮐﺰ ﺑﻮدﻧﺪ 14=n). (ﺑﺮﺧﯽ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﺴﻬﯿﻞ ﺗﻄﺎﺑﻖ ﺷﻐﻞ و ﻧﺎﻣﺰد 6) = (nﺑﺎ ﺗﻮﺟﻪ ﺑﻪ رﻓﺘﺎر ﺟﺴﺘﺠﻮی ﺷﻐﻞ ﻗﺒﻠﯽ داوﻃﻠﺒﺎن )ﺑﻨﺎﺑﺪر رﺣﻤﺎن، ﻣﻠﻮﻟﯽ، و ﻻﻣﻮل، 2018)و وﯾﮋﮔﯽ ﻫﺎی ﻧﺎﻣﺰدﻫﺎ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻓﺎﻟﯿﺎﮔﮑﺎ و ﻫﻤﮑﺎران، 2014)ﺗﻮﺳﻌﻪ دادﻧﺪ. دﯾﮕﺮان اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﺴﻬﯿﻞ اﻧﺘﺨﺎب
ﻧﺎﻣﺰدﻫﺎ ،4) = (nﯾﺎ ﺑﺎ ﭘﯿﺶ ﺑﯿﻨﯽ ﻋﻤﻠﮑﺮد آﯾﻨﺪه ﻧﺎﻣﺰدﻫﺎ )دﻟﮕﺎد 'و-ﮔﻮﻣﺰ، آﮔﻮادو، ﻟﻮﭘﺰ-ﮐﺎﺳﺘﺮوﻣﻦ، ﺳﺎن ﺗﺎﮐﺮوز، و آرﺗﺲ-رودرﯾﮕﺰ، 2011)و ﯾﺎ ﻣﻌﯿﺎرﺳﻨﺠﯽ ﻧﺎﻣﺰدﻫﺎ ﺑﺎ ﮐﺎرﻣﻨﺪان اﺳﺘﺨﺪام ﺷﺪه ﺗﻮﺳﻌﻪ دادﻧﺪ. )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل،
Khosla، Goonesekera، & Chu، 2009).

در ﻫﻤﯿﻦ ﺣﺎل، ﭼﻨﺪﯾﻦ ﻣﺤﻘﻖ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﺴﻬﯿﻞ ﻣﺼﺎﺣﺒﻪ از ﻃﺮﯾﻖ ﺷﻨﺎﺳﺎﯾﯽ ﺷﺨﺼﯿﺖ ﻧﺎﻣﺰدﻫﺎ ﺗﻮﺳﻌﻪ دادﻧﺪ )ﺟﺎﯾﺎراﺗﻨﻪ و ﺟﺎﯾﺎﺗﯿﻠﮑﻪ، ؛2020ﺳﻮﺋﻦ، ﻫﺎﻧﮓ، و ﻟﯿﻦ، 2019).

اﮔﺮﭼﻪ ﯾﺎﻓﺘﻪlﻫﺎی ﺑﺎﻻ ﭘﯿﺸﺮﻓﺖlﻫﺎی ﻓﻨﯽ ﻗﺎﺑ lﻞﺗﻮﺟﻬﯽ را در اﺑﺰارﻫﺎی اﺳﺘﺨﺪام ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺸﺎن ﻣ lﯽدﻫﻨﺪ، ﻣﺎ ﺑﺤﺚ ﮐﺎﻓﯽ در ﻣﻮرد ﭘﯿﺎدهlﺳﺎزی اﺑﺰار را ﭘﯿﺪا ﮐﺮدﯾﻢ. ﺗﻨﻬﺎ ﺳﻪ ﻣﻘﺎﻟﻪ CSﺑﺮ اﺛﺮﺑﺨﺸﯽ و اﺧﻼﻗﯿﺎت اﺑﺰارﻫﺎی اﺳﺘﺨﺪام ﺗﻮﺳﻌ lﻪﯾﺎﻓﺘﻪ ﻣﺘﻤﺮﮐﺰ ﺷﺪهlاﻧﺪ ﮐﻪ ﻧﺸﺎ lندﻫﻨﺪه ﺷﮑﺎفlﻫﺎی ﺗﺤﻘﯿﻘﺎﺗﯽ ﻗﺎﺑﻞ ﺗﻮﺟﻪ اﺳﺖ. در ﺣﺎﻟﯽ ﮐﻪ ﺷﻮاﻫﺪ ﻓﻨﯽ ﺣﺎﮐﯽ از آن ﺑﻮد ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ در ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﻫﺎی اﺳﺘﺨﺪاﻣﯽ ﺑﺎ
ﻣﺘﺨﺼﺼﺎن اﻧﺴﺎﻧﯽ ﻣﺸﺎﺑﻪ ﻋﻤﻞ ﮐﻨﺪ )ﻫﻮﭘﺮ، ﮔﺎﻟﻮﯾﻦ، ﮐﯿﻠﻤﺮ، و ﻟﯿﺒﻮوﯾﺘﺰ، 1998)و ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﻬﺎرت ﻫﺎ و ﺷﺨﺼﯿﺖ ﻫﺎی ارﺗﺒﺎﻃﯽ ﻧﺎﻣﺰدﻫﺎ ،2020) ،Lin & ،Hung ،(Suenﻫﻤﭽﻨﯿﻦ ﻧﺸﺎن داد. ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ
اﺳﺘﺨﺪام ﭘﺎﺳﺦ ﻧﺎﻣﻌﺘﺒﺮی ﺑﺮای ﭘﺮداﺧﺘﻦ ﺑﻪ ﺳﻮﮔﯿﺮی در داد lهﻫﺎی آﻣﻮزﺷﯽ داﺷﺖ و ﺑﻨﺎﺑﺮاﯾﻦ، اﺣﺘﻤﺎﻻً ﺳﻮﮔﯿﺮی را در اﺳﺘﺨﺪام ﺗﮑﺮار ﻣﯽlﮐﺮد و اﻗﻠﯿ lﺖﻫﺎی ﻗﻮﻣﯽ را ﺗﺒﻌﯿﺾ ﻣ lﯽﮐﺮد )ﮐﭽﻠﯿﻨﮓ، رﯾﺎزی، وﻫﻨﺮ و ﺳﯿﻤﺒﮏ،
2021).ﺟﺎﻟﺐ ﺗﻮﺟﻪ اﺳﺖ، ﻣﺤﻘﻘﺎن ﺣﻮز lهﻫﺎی MEﺑﯽ اﻋﺘﺒﺎری ﻓﻨﯽ ﻓﻮقlاﻟﻌﺎده ﻫﻮش ﻣﺼﻨﻮﻋﯽ را در اﺳﺘﺨﺪام اﺧﻼﻗﯽ ﺑﺎ ﺷﻮاﻫﺪ¨ ﺗﺠﺮﺑﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﺒﻌﯿ آﻣﯿﺰ ﺗﺄﯾﯿﺪ ﮐﺮدﻧﺪ )ﻻﻣﺒﺮﺷﺖ و ﺗﺎﮐﺮ، ،2019)در ﺣﺎﻟﯽ ﮐﻪ
آﻣﺷﺤﮑﻘﺎﻘرﺎﮐنﺮدﺣوﻮزﻓlهﺮاﻫﺎﺧﻮیاﻧTﯽOﻗﺑﻮﺮیﺧ ﺑﻼﺮافی ﻓﻫﺮﻤﮑﺎضرﺗﺒیﻌﺑﯿ ﻦﺾر ﻫﺷﻮﺘﻪ اشیﻣآﯾﻨﺼﻨﺪﻮهﻋاﯾﯽﺠﺎددر اﮐﺮﺳدﺘ.ﺨﺪام اﺳﺘﺪﻻل ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺳﻮﺋﻦ، ﭼﻦ و ﻟﻮ، 2019).ﻧﺎﻫﻤﺎﻫﻨﮕﯽ ﻣﯿﺎن رﺷﺘﻪ ای اﻋﺘﺒﺎر ﻧﺎﮐﺎﻓﯽ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺘﺨﺪام را

ﻣﻮﺿﻮﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﻋﻤﻠﮑﺮد و ﻣﺸﺎرﮐﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ دوﻣﯿﻦ ﻣﻮرد ﻣﺤﺒﻮﺑﯿﺖ 10) = (nﺷﺪ، ﺑﻪ وﯾﮋه در دو دﻫﻪ اﺧﯿﺮ = (n 9).ﻣﺸﺎﺑﻪ ﻣﻘﺎﻻت CSدر ﻣﻮﺿﻮﻋﺎت اﺳﺘﺨﺪام، ﺑﯿﺸﺘﺮ ﻣﻘﺎﻻت ﻋﻤﻠﮑﺮد و ﺗﻌﺎﻣﻞ ﺑﺮ ﭘﯿﺸﺮﻓﺖ ﻓﻨﯽ ﻣﺘﻤﺮﮐﺰ ﺑﻮدﻧﺪ. ﺑﺮﺧﯽ از ﻣﻘﺎﻻت اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺷﻨﺎﺳﺎﯾﯽ، ارزﯾﺎﺑﯽ و ﻃﺒﻘ lﻪﺑﻨﺪی ﻋﻤﻠﮑﺮد ﮐﺎرﮐﻨﺎن ﺑﺮ
اﺳﺎس ﻣﻌﯿﺎرﻫﺎی ﻣﺨﺘﻠﻒ، ﻣﺎﻧﻨﺪ ﺧﺴﺘﮕﯽ ﮐﺎرﮐﻨﺎن ،2017) ،Novais & ،Neves ،Pim'enta ،(Carneiroﻧﻤﺮات ارزﯾﺎﺑﯽ ﭼﻨﺪ ﻣﻨﺒﻊ 2020) ،Oliveira De & (Goesﺗﻮﺳﻌﻪ دادﻧﺪ. ﯾﺎ ﮐﺎراﯾﯽ ﮐﺎری و ﭘﺘﺎﻧﺴﯿﻞ ﺗﻮﺳﻌﻪ ﮐ,ﺎرihﮐﻨhﺎSن &)ﺑﻪn,ﻋﻨeﻮhاCن ,ﻣgﺜﺎnلa،u u2n0g1,7H). ´c(T,رiﻓvﺘﺎoرrاoﺳĐﺘﻔﺎ&د,هcاiزv اoﯾﻨpﺘﺮoﻧP ,ﺖm20u0ˇ2c)ar nLaunkdoavracj,aPna,دﯾ(Aﮕﺗﺮاﻮنﺳ اﻌﺑﺰﻪارداﻫﺎدﻧیﺪ،ﻫﺑﻮﻪ ﻃشﻮرﻣیﺼﻨﮐﻮﻪﻋ IﯽAاراﺣﺑﺘﺮاﻤﺎیﻻﺷﻣﻨﺎﯽlﺗﺳﻮﺎاﯾﻧﺪﯽ ﻫو ﭘﺸﯿﺪارﺶlﻫﺑﺎﯿﻨیﯽاوﻟﯾﯿﮋﻪﮔ دﯽlرﻫﺎﻣﻮیرﺗدﻌﺎﻣﻣﺸﺎﻞرﮐﺎرﮐﺖﻨﺎﻣﻨنﺎﺑازﻊ اﻗﻧﺒﯿﺴﺎﻞﻧ رﯽ اﺿرﺎاﯾﺋﻪﺖدﻫﺷﺪﻐ.ﻠﯽﺷﮑﮐﺎرﺴﮐﻨﺎﺖنﻫﺎ،ﯾ)ﯽ05ﻣﺎ0ﻧﻨ2ﺪ
رﻓﺘﺎر ﻧﺎدرﺳﺖ ﮐﺎرﮐﻨﺎن، ﺷﮑﺎﯾﺎت و ﻏﯿﺮه )ﻟﯽ، 2019).

ﻣﻘﺎﻻت CSﻧﺴﺒﺘﺎً ﮐﻤﺘﺮی ﺑﺮ ﻣﻮﺿﻮﻋﺎت ﺳﺎﯾﺮ ﻋﻤﻠﮑﺮدﻫﺎی HRMﻣﺘﻤﺮﮐﺰ ﺷﺪه اﺳﺖ. ﻫﻤﻪ ﻣﻘﺎﻻت ﭘﺮﺳﻨﻠﯽ 4) = (nاﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﺮﺗﯿﺐ دادن ﺷﯿﻔﺖ ﻫﺎی ﮐﺎری در زﻣﯿﻨﻪ ﺻﻨﻌﺖ ﭘﺰﺷﮑﯽ، ﻋﻤﺪﺗﺎً ﺑﺮ اﺳﺎس ﺣﺠﻢ ﮐﺎری، در دﺳﺘﺮس ﺑﻮدن ﮐﺎرﮐﻨﺎن، و اﻧﺼﺎف ﺗﻮﺳﻌﻪ دادﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2000). ،Housos & Valouxisﻫﻤﻪ ﻣﻘﺎﻻت ﮔﺮدش ﻣﺎﻟﯽ 4=n) (اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﯾﺎﻓﺘﻦ و ﭘﯿﺶlﺑﯿﻨﯽ
اﻟﮕﻮﻫﺎی ﺟﺎﺑﺠﺎﯾﯽ ﮐﺎرﮐﻨﺎن، از ﺗﺤﺮک ﺳﻄﺢ ﮐﻼن ﮐﺎرﮐﻨﺎن در ﺑﺎزار ﮐﺎر )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ،Xiong ،Yang ،Yu ،Xuو ،2019) ،Zhuﺗﻮﺳﻌﻪ دادﻧﺪ . اﻣﮑﺎن ﺟﺎﺑﺠﺎﯾﯽ ﮐﺎرﮐﻨﺎن در ﺳﻄﺢ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻓﻦ، ﻓﻦ، ﭼﺎن، و ﭼﺎﻧﮓ، 2012).ﻋﻼوه ﺑﺮ اﯾﻦ، دو ﻣﻘﺎﻟﻪ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﺴﻬﯿﻞ آﻣﻮزش ﮐﺎرﮐﻨﺎن ﺗﻮﺳﻌﻪ دادﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2011). Ye, & Wu, Wang, Lin,

ﻫﺎی ﻣﺤﻞ ﮐﺎر ﭘﯿﺸﻨﻬﺎد ﻣ lﯽﮐﺮد )ﻣﮏlﮐﺎوﻟﯽ-ﺑﻞ و ﺑﺪﯾﺮو، 1992).

ﺑﯿﻨﯽ آﺳﯿ

ﺗﻨﻬﺎ ﯾﮏ ﻣﻘﺎﻟﻪ ﻣﻔﻬﻮﻣﯽ ﺑﺮ رﻓﺎه ﮐﺎرﮐﻨﺎن ﻣﺘﻤﺮﮐﺰ ﺑﻮد و ﺳﯿﺴﺘﻤﯽ را ﺑﺮای ﭘﯿ

ﺣﺪود ٪20ﻣﻘﺎﻻت n) = 10 ( CSﻣﻮﺿﻮﻋﺎت ﮐﻠﯽ HRMرا ﭘﻮﺷﺶ ﻣﯽ دﻫﻨﺪ. ﭼﻬﺎر ﻧﻔﺮ از آ lنﻫﺎ اﻟﮕﻮرﯾﺘ lﻢﻫﺎﯾﯽ را ﺑﺮای ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ وﯾﮋﮔ lﯽﻫﺎی ﺑﺎزار ﮐﺎر، ﻣﺎﻧﻨﺪ ﭘﯿ ﺑﯿﻨﯽ ﻧﺮخ ﺑﯿﮑﺎری )ﻟﯽ، زو، ژاﻧﮓ، و ﻻو، 2014)
و ﺧﻮﺷﻪlﺑﻨﺪی ﮔﺮوهlﻫﺎی ﺷﻐﻠﯽ )ﻣﺎﻧﻨﺪ ،Mercorio ،Cesarini ،Boselliو 2018) ،Mezzananicaﺗﻮﺳﻌﻪ دادﻧﺪ. وﻗﺘﯽ ﺻﺤﺒﺖ از ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﻧﯿﺮوی ﮐﺎر ﻣﯽ ﺷﻮد، ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ داﻣﻨﻪ CSﻧﺴﺒﺘﺎً ﺧﻮش ﺑﯿﻨﺎﻧﻪ اﺳﺖ. وﯾﻠﮑﺎﮐﺲ (2020)از ﻧﮕﺮاﻧﯽ ﻧﺴﺒﺖ ﺑﻪ ﺑﯿﮑﺎری ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﻧﺘﻘﺎد ﮐﺮد و اﺳﺘﺪﻻل ﮐﺮد ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ دﻟﯿﻞ ﻣﺤﺪودﯾﺖ ﻫﺎی ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ و اﺟﺘﻤﺎﻋﯽ اﺣﺘﻤﺎﻻً ﺑﻪ ﺟﺎی ﺟﺎﯾﮕﺰﯾﻨﯽ
ﮐﺎﻣﻞ ﻧﯿﺮوی ﮐﺎر، ﻣﺸﺎﻏﻞ را ﺑﺎزﺳﺎزی ﻣﯽ ﮐﻨﺪ. ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ، Blease ،Doraiswamyو (2020) Bodnerﺗﺄﯾﯿﺪ ﮐﺮدﻧﺪ ﮐﻪ ﭘﺰﺷﮑﺎن ﭘﺰﺷﮑﯽ اﻧﺘﻈﺎر داﺷﺘﻨﺪ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﺟﺎی ﺣﺬف ﻣﻮﻗﻌﯿﺖ ﻫﺎی ﺷﻐﻠﯽ،
وﻇﺎﯾﻒ ﺷﻐﻠﯽ آﻧﻬﺎ را ﺗﻐﯿﯿﺮ دﻫﺪ، اﮔﺮﭼﻪ ﭘﺰﺷﮑﺎن زن و ﺳﺎﮐﻦ اﯾﺎﻻت ﻣﺘﺤﺪه اﺣﺴﺎس ﻧﺎاﻣﻨﯽ ﺑﯿﺸﺘﺮی ﻣﯽ ﮐﺮدﻧﺪ. ﭼﻨﺪﯾﻦ ﻣﺤﻘﻖ ﺑﺤﺚ را ﺑﻪ ﻧﻤﻮﻧﻪ ﮐﺎرﻫﺎی ﻣﻬﺎرﺗﯽ در ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮔﺴﺘﺮش دادﻧﺪ. آﻧﻬﺎ درﯾﺎﻓﺘﻨﺪ ﮐﻪ ﻣﺸﺎﻏﻞ آﯾﻨﺪه ﻣﻬﺎرت ﻫﺎی ﻧﺮم 2020) ،Binda & ،Coli ،Chiarello ،Fantoni ،(Fareriو داﻧﺶ ﺑﯿﻦ رﺷﺘﻪ ای را ﺗﺮﺟﯿﺢ ﻣﯽ دﻫﻨﺪ 2020). al., et (Pejic-Bach

ﺑﺎ ﮐﻤﺎل ﺗﻌﺠﺐ، ﺗﻨﻬﺎ راﺑﺮت، ﭘﯿﺮس، ﻣﺎرﮐﯿﺰ، ﮐﯿﻢ و آﻻﺣﻤﺪ (2020)ﺑﻪ ﻃﻮر ﺟﺎﻣﻊ ﻣﺸﮑﻼت اﻧﺼﺎف در ﻃﺮاﺣﯽ اﻟﮕﻮرﯾﺘ lﻢﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﻣﺪﯾﺮﯾﺖ ﮐﺎرﮐﻨﺎن را ﻣﻮرد ﺑﺤﺚ ﻗﺮار دادﻧﺪ و را lهﺣﻞlﻫﺎی ﭘﺎﺳﺨﮕﻮﯾﯽ را
ﭘﯿﺸﻨﻬﺎد ﮐﺮدﻧﺪ، ﮐﻪ ﻧﺸﺎ lندﻫﻨﺪه ﺗﻼ ﻫﺎی ﻧﺎﮐﺎﻓﯽ ﺑﺮای ارﺗﻘﺎی ﻋﺪاﻟﺖ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺣﻮزه CSاﺳﺖ.

ﻣﻮﺿﻮﻋﺎت در ﻣﻘﺎﻻت EO.ﻣﺎﻧﻨﺪ داﻣﻨﻪ ،CSداﻣﻨﻪlﻫﺎی EOﻧﯿﺰ دارای وﯾﮋﮔ lﯽﻫﺎی ﻓﻨﯽ ﻗﻮی ﺑﻮدﻧﺪ ﮐﻪ در درﺟﻪ اول ﺑﻪ ﭘﯿﺸﺮﻓ lﺖﻫﺎی ﻓﻨﯽ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺮﺗﺒﻂ ﺑﺎ HRMﮐﻤﮏ ﻣ lﯽﮐﺮدﻧﺪ. ﺟﺪول 3ﻧﺸﺎن
ﻣﯽ دﻫﺪ ﮐﻪ ﭘﺮﺳﻨﻞ ﭘﺮﻃﺮﻓﺪارﺗﺮﯾﻦ ﻣﻮﺿﻮع در ﺣﻮزه ﻫﺎی EOﺑﻮد =). n ،٪(56
14).ﻫﻤﻪ ﻣﻘﺎﻻت ﭘﺮﺳﻨﻠﯽ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﻨﻈﯿﻢ ﺑﺮﻧﺎﻣﻪlﻫﺎی ﮐﺎری ﮐﺎرﻣﻨﺪان ﻋﻤﺪﺗﺎً ﺑﺮ اﺳﺎس در دﺳﺘﺮس ﺑﻮدن ﮐﺎرﮐﻨﺎن، ﻣﻬﺎر ﻫﺎ و اﻟﺰاﻣﺎت وﻇﯿﻔﻪ ﺗﻮﺳﻌﻪ دادﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ،Akasaka
،Tateyama ،Kimita ،Shimomuraو 2013). ،Nemotoﺑﻨﺎﺑﺮاﯾﻦ، ﻣﻘﺎﻻت ﮐﺎرﮐﻨﺎن ﺗﻘﺮﯾﺒﺎً ﺑﺎ ﯾﮑﺪﯾﮕﺮ ﻣﺸﺎﺑﻪ ﺑﻮدﻧﺪ، اﮔﺮﭼﻪ ﻣﺤﻘﻘﺎن ﺗﮑﻨﯿﮏ ﻫﺎ و زﻣﯿﻨﻪ ﻫﺎی ﻣﺘﻔﺎوﺗﯽ را ﺑﻪ ﮐﺎر ﺑﺮدﻧﺪ. ﺑﯿﺸﺘﺮ ﻣﻘﺎﻻت ﭘﺮﺳﻨﻠﯽ n) = 13 (
اﺑﺰارﻫﺎی ﺧﺎﺻﯽ را ﺗﻮﺳﻌﻪ دادﻧﺪ

6

Machine Translated by Google

FJ Froese وY. Pan

ﻫﺎی ﺣﻤ lﻞوﻧﻘﻞ ﻣﺘﻤﺮﮐﺰ ﺷﺪﻧﺪ ،5 = (nﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 1998). ،Fischetti & ،Vigo ،Toth

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

زﻣﯿﻨﻪ ﻫﺎ و ﺻﻨﻌﺖ ﻋﻼﻗﻪ ﻣﻨﺪ آﻧﻬﺎ در ﻃﻮل زﻣﺎن ﺗﻐﯿﯿﺮ ﮐﺮد. ﻃﯽ ﺳﺎ lلﻫﺎی 1995ﺗﺎ ،2003ﻣﻘﺎﻻت EOﺑﺮ اﺑﺰارﻫﺎی ﮐﺎرﮐﻨﺎن در ﺑﺨ

،Capraraدر دو دﻫﻪ اﺧﯿﺮ، ﻣﻘﺎﻻت EOﺑﯿﺸﺘﺮ ﺑﻪ اﺑﺰارﻫﺎی ﮐﺎرﮐﻨﺎن در ﺧﺪﻣﺎت ،5 = (nﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Shimomuraو ﻫﻤﮑﺎران، ،2013)ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ ،2 = (nﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2015) ،Mehrotra & Kimو ﺑﺨﺶ
ﻫﺎی ﻧﻈﺎﻣﯽ ﻋﻼﻗﻪ ﻣﻨﺪ ﺑﻮدﻧﺪ . ﻫﻮﻟﺪر، 2005).
ﺳﺎﯾﺮ ﻣﻘﺎﻻت EOﻣﻮﺿﻮﻋﺎت ﻣﺘﻨﻮع ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ را ﺑﺎ ﺗﻤﺮﮐﺰ اﺻﻠﯽ ﭘﯿﺸﺮﻓﺖ ﻫﺎی ﻓﻨﯽ، ﺑﻪ اﺳﺘﺜﻨﺎی ﻣﻮﺿﻮﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﮔﺮدش ﻣﺎﻟﯽ و ﮐﻠﯽ HRMﭘﻮﺷﺶ ﻣﯽ دﻫﻨﺪ. ﻣﻘﺎﻻت EOﻣﺮﺑﻮط ﺑﻪ ﻋﻤﻠﮑﺮد 4) = (nاﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ارزﯾﺎﺑﯽ ﻣﻌﯿﺎرﻫﺎی ﻣﺨﺘﻠﻒ ﻋﻤﻠﮑﺮد ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺎﻧﻨﺪ ﮐﯿﻔﯿﺖ ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﮐﺎرﮐﻨﺎن ،2021) Saar-Tsechansky, & (Gevaﮐﺎراﯾﯽ ﮐﺎری 2016) Zarin, & (Azadehو ﻣﻬﺎرت ﻣﻬﺎرت Palmroth (Tervo,و
2010). ،Koivoﻣﻘﺎﻻت EOﻣﺮﺑﻮط ﺑﻪ اﺳﺘﺨﺪام =2) (nاﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﺴﻬﯿﻞ ﺗﺮﺗﯿﺒﺎت ﻣﺼﺎﺣﺒﻪ ﺷﻐﻠﯽ در ﻧﻤﺎﯾﺸﮕﺎه ﻫﺎی ﺷﻐﻠﯽ )ﺑﺎرﺗﻠﺪی IIIو ﻣﮏ ﮐﺮون، 1990)و ﺷﺒﯿﻪ ﺳﺎزی اﺳﺘﺮاﺗﮋی ﻫﺎی ﻣﺨﺘﻠﻒ اﺳﺘﺨﺪام در ﺑﺎزار ﮐﺎر ﺗﻮﺳﻌﻪ دادﻧﺪ )ﭼﺎﺗﻮرودی، ﻣﻬﺘﺎ، داﻟﮏ، و آﯾﺮ، . 2005).ﻣﻘﺎﻻت EOﻣﺮﺑﻮط ﺑﻪ آﻣﻮزش 2) = (nاﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﻨﻈﯿﻢ ﺑﺮﻧﺎﻣﻪ ﻫﺎی آﻣﻮزﺷﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ در دﺳﺘﺮس ﺑﻮدن آﻣﻮزش و ﻧﯿﺎزﻫﺎی
ﮐﺎرﮐﻨﺎن ﺗﻮﺳﻌﻪ دادﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل 2004). Yu, & Bard, Qi,ﺑﻪ ﻃﻮر ﺟﺎﻟﺐ ﺗﻮﺟﻪ، ﻣﻘﺎﻻت EOﻣﺮﺑﻮط ﺑﻪ رﻓﺎه ﮐﺎرﮐﻨﺎن 3) = (nﺑﺮ ﺻﻨﻌﺖ ﺳﺎﺧﺖ و ﺳﺎز ﻣﺘﻤﺮﮐﺰ ﺷﺪه اﻧﺪ، ﯾﺎ ﻃﺮح ﻫﺎی ﻣﻔﻬﻮﻣﯽ ﺳﯿﺴﺘﻢ ﻫﺎی ﻣﺪﯾﺮﯾﺖ اﯾﻤﻨﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را در ﺳﺎﯾﺖ ﻫﺎی ﺳﺎﺧﺖ و ﺳﺎز ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﻨﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، giannis Kontoو ،1999) ،Kossiavelouﯾﺎ ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﻨﺪ . ﺗﺄﺛﯿﺮ ﺗﺮﺗﯿﺒﺎت ﺳﺎﯾﺖ ﺑﺮ ادراک ﮐﺎرﮔﺮان ﺳﺎﺧﺘﻤﺎﻧﯽ ﻧﺴﺒﺖ ﺑﻪ روﺑﺎت
ﻫﺎ )ﺷﻤﺎ، ﮐﯿﻢ، ﻟﯽ، ﮐﺎﻣﺎت، و راﺑﺮت ﺟﻮﻧﯿﻮر، 2018).ﯾﺎﻓﺘ lﻪﻫﺎ ﻧﺸﺎن ﻣ lﯽدﻫﺪ ﮐﻪ ﻣﮑﺎ lنﻫﺎی ﺟﺪا ﺷﺪه از اﻧﺴﺎن و رﺑﺎت، اﯾﻤﻨﯽ درک ﺷﺪه ﮐﺎرﮔﺮان را در ﮐﺎرﻫﺎی رﺑﺎﺗﯿﮏ اﻓﺰاﯾﺶ ﻣﯽlدﻫﺪ.

ﻣﻮﺿﻮﻋﺎت در ﻣﻘﺎﻻت ME.در ﺣﻮزه ،MEﺗﻘﺮﯾﺒﺎً ﻧﯿﻤﯽ از ﻣﻘﺎﻻت 37) = (nﺑﺮ ﻣﻮﺿﻮﻋﺎت ﮐﻠﯽ HRMﺗﻤﺮﮐﺰ داﺷﺘﻨﺪ. ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ ﻣﺤﺒﻮب ﺗﺮﯾﻦ ﻣﻮﺿﻮع 23) = (nﺑﻮد، ﺑﻪ وﯾﮋه از دﯾﺪﮔﺎه ﺳﻄﺢ ﮐﻼن 21). = (nاز ﺳﺎل
،2015ﻣﺤﻘﻘﺎن ﻧﮕﺮ ﻫﺎ و ﺑﺎورﻫﺎی ﭘﯿﭽﯿﺪه و اﻏﻠﺐ ﻣﺨﺘﻠﻂ را ﻧﺴﺒﺖ ﺑﻪ ﺑﯿﮑﺎری ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺸﺎن دادﻧﺪ. در ﺣﺎﻟﯽ ﮐﻪ ﺑﺴﯿﺎری از ﻣﺤﻘﻘﺎن اﺳﺘﺪﻻل ﮐﺮدﻧﺪ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﻋﺚ ﮐﺎﻫﺶ اﺷﺘﻐﺎل، ﮐﺎﻫﺶ ﻣﺘﻮﺳﻂ
دﺳﺘﻤﺰد و اﻓﺰاﯾﺶ ﻧﺎﺑﺮاﺑﺮی ﺛﺮوت ﺷﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺑﺮگ و ﻫﻤﮑﺎران، ،Gancia ،Blanas ؛2018و ﻟﯽ، 2020) ،Torrent-Sellens & ˜ ،Díaz-Chao ،Camina ؛2019آﻧﻬﺎ ﻫﻤﭽﻨﯿﻦ ﺗﻮاﻓﻖ ﮐﺮدﻧﺪ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻘﺎﺿﺎ
ﺑﺮای ﮐﺎرﮔﺮان ﺑﺴﯿﺎر ﻣﺎﻫﺮ را اﻓﺰاﯾﺶ داده اﺳﺖ 2019) al., et (Blanasو اﺷﺘﻐﺎل آﯾﻨﺪه ) 2020 al., et (Caminaو درآﻣﺪ 2018) al., et (Bergرا اﻓﺰاﯾﺶ ﻣﯽ دﻫﺪ، اﮔﺮﭼﻪ ﺑﻪ راﺣﺘﯽ ﻣﯽ ﺗﻮاﻧﺪ ﻧﺴ lﻞﻫﺎ را ﺑﺮای دﺳﺘﯿﺎﺑﯽ ﺑﻪ ﻣﺰاﯾﺎی ﺑﻠﺟﺎﻨﯾﺪﮕﻣﺰﯾﺪﻦتﮐﺎﻃرﮐﻨﯽﺎﮐنﻨﯿدﺪاﻧ)ﺑﺮﺶگﺷوﻮدﻫ،ﻤزﮑﯾﺎﺮراا دنو،ﻣ).ﯽ8ﻧﯿ1ﺎ0ز ﺑ2ﺑﻪﺮﺧﺣﯽﻞ اﻣز ﻣﺴﺌﺤﻠﻘﻪﻘﭘﺎﯿنﭽﯿﺑﺮﺪاهیﻏﺗﯿﺮﺤﻗﻘﺎﯿﺑﻞﻖ ﺑدﺮﻧرﺎﻣﻮﻪرردﯾﺰﻗﺮیﺑﺎﺑﻧﺮﯿاﺎین ﺑﻣﯿﻘﮑﺎﺎﺑﻠرﻪیﺑﻧﺎﺎﻣﺷﻮﻗﯽﻌاﯿز ﻫﺖﻮﻫﺎشﺑﺪﻣوﺼنﻨﻗﻮﻮﻋاﻧﯽﯿ ﻓﻦﺮاﻋﺗﺮﻤ رﻮﻓﻣﺘﻨﯽﺪ.دا˜ﺑرﻪد.ﻋﺑﻨﻪﻮاﻧنﻈﺮﻣﺜﻣﺎﯽل،رﭘﺘﺳﺮﺪﺳﮐﻪﻦ ﻫ،ﻮ9)ش01ﻣ(2ﺼاﻨﻮﺳﺘﻋﺪﯽﻻﺑﻪل اﮐﺣﺮﺘدﻤﮐﺎﻪلﻫزﯾﻮﺎدشﮐﺎﻣرﮐﻨﺼﺎﻨنﻮﻋﮐﻢﯽ ﺑﻣﻪﻬﺎرﺳﺨتﺘ وﯽ ﮐﻣﻢﯽﺳﺗﻮاﻧدﺪرا
ﺗﻣﻬﻤﺪﮑﯾﺪﻦ اﻣﺳﯽ ﮐﻨﺖﺪﺑ،ﻪ ﺑﭘﻪﻮﭘوﻮﯾﻟﮋﯿهﺴدرﻢ ﺑﺨﺳﯿﺎﺶﺳ ﻫﯽﺎ ﻣیﻨ ﺗﺠﻮﺮﻟﯿﺪﺷﻮ)ﺑدﻪ، زﻋﯾﻨﺮاﻮادنوﻗﻣﺜﻄﺎﺒلﯽ، )ﺷ8ﺪ1ن0ﻣ2 ,ﺸyﺎvﻏeﻞLﻣ;ﻌ9ﻤ1ﻮ0ﻟ2ﯽ,اl.ﻣﺎa tﻗﺎeﺑ sﻞaﻣnﺸaﺎlﻫBﺪوهﮐ، ﻧﺸﺎﻮﻣرﺰدﻫﺎﻫﺎی ﺑیﺎﭘﻮﺷﭘﺮﻮاﻟﯾﯿﻂﺴاﺘﻗﺘﯽ راﺼﺎﺗدﻘﻮیﯾﮐﻤﺖﺘﺮﻣ ﻣﯽ ﮐﺴﻨﺎﺪﻋﺪﮐﻪ7»).ﻣ1ﺮد0مl,«2ﺑﺎaaﺣﻘWﻮق& ,ﮐsﻢnوoﻣﻬmﺎoرalتSﻫ,ﺎerیkﭘﺎkﯾeﯿDﻦ(رداردﻧرﺘﯿﻣﺠﻘﺎﻪﺑ، اﻞﻧﺘ»ﻧﺸﺎﺨرﺒﮕﺎﻫﻮن«شﺑﺎﻣﺣﻘﺼﻨﻮﻮقﻋ وﯽ
ﻣﻬﺎرت ﻫﺎی ﺑﺎﻻ ﻗﺮار ﻣﯽ دﻫﻨﺪ. )ﻟﻮی، 2018).

در ﻣﻘﺎﺑﻞ، ﻧﻈﺮات ﺧﻨﺜﯽ ﯾﺎ ﺧﻮش ﺑﯿﻨﺎﻧﻪ وﺟﻮد داﺷﺖ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ، آﺗﻮر ،(2015)اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ ﮐﻪ رﺳﺎﻧﻪ ﻫﺎ و ﮐﺎرﺷﻨﺎﺳﺎن ﻣﯿﺰان ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ را اﻏﺮاق ﮐﺮده و اﻣﮑﺎن اﺗﻮﻣﺎﺳﯿﻮن ﺑﺮای اﻓﺰاﯾﺶ ﺑﻬﺮه وری، اﻓﺰاﯾﺶ
درآﻣﺪ و اﯾﺠﺎد ﻣﺸﺎﻏﻞ ﺟﺪﯾﺪ را ﻧﺎدﯾﺪه ﻣﯽ ﮔﯿﺮﻧﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﺑﺴﯿﺎری از ﻣﺤﻘﻘﺎن اﺳﺘﺪﻻل ﮐﺮدﻧﺪ ﮐﻪ ﺑﯿﮑﺎری ﻓﻨﺎوری ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﯾﮏ ﻓﺮآﯾﻨﺪ ﻧﺴﺒﺘﺎ ﮐﻨﺪ ﺧﻮاﻫﺪ ﺑﻮد، زﯾﺮا ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﺑﺘﺪا ﺟﺎﯾﮕﺰﯾﻦ اﻧﺴﺎن ﻫﺎ در اﻧﺠﺎم وﻇﺎﯾﻒ ﺑﻪ ﺟﺎی ﮐﻞ ﻣﺸﺎﻏﻞ ﻣﯽ ﺷﻮد )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Huang 2018). ،Levy ؛2018 ،Rust & Huangو (2018) Rustاﺳﺘﺪﻻل ﮐﺮدﻧﺪ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻨﻬﺎ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﺗﺪرﯾﺞ از ﻃﺮﯾﻖ ﭼﻬﺎر ﻣﺮﺣﻠﻪ ﺑﺮ اﺳﺎس ﭘﯿﭽﯿﺪﮔﯽ
وﻇﺎﯾﻒ ﺷﻐﻠﯽ و ﺗﻮاﻧﺎﯾﯽ ﻣﺤﺪود ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺟﺎﯾﮕﺰﯾﻦ اﻧﺴﺎن ﺷﻮد.

اﮔﺮﭼﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ وﻇﺎﯾﻒ ﺗﺤﻠﯿﻠﯽ را ﺣﺬف ﻣﯽ ﮐﻨﺪ، زﻣﺎن ﻣﯽ ﺑﺮد ﺗﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺟﺎﯾﮕﺰﯾﻦ وﻇﺎﯾﻒ ﺷﻐﻠﯽ ﺷﻮد ﮐﻪ ﺑﻪ ﻣﻬﺎرت ﻫﺎی ﺑﯿﻦ ﻓﺮدی و ﻫﻤﺪﻟﯽ ﻧﯿﺎز دارﻧﺪ 2019). Maksimovic, & Rust, Huang, ؛2018 Rust, & (Huangدر ﻫﻤﯿﻦ ﺣﺎل، ﻣﺤﻘﻘﺎن ﭘﯿﺸﻨﻬﺎد ﮐﺮدﻧﺪ ﮐﻪ اﻧﺴﺎن ﻫﺎ ﺑﺮ ﺑﯿﮑﺎری ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮐﻨﺘﺮل دارﻧﺪ، ﺑﻪ وﯾﮋه از ﻃﺮﯾﻖ ﺳﯿﺎﺳﺖ ﻫﺎی ﻣﺪاﺧﻠﻪ 2017) Lee, & Kim, (Kim,زﯾﺮا اﺗﻮﻣﺎﺳﯿﻮن ﺑﻪ دﻟﯿﻞ ﻣﺤﺪودﯾﺖ ﻫﺎی
اﺟﺘﻤﺎﻋﯽ-اﻗﺘﺼﺎدی-ﺳﯿﺎﺳﯽ ﻣﺎﻧﻨﺪ ﭘﺬﯾﺮش ﻓﺮﻫﻨﮕﯽ و ﺗﺮﺟﯿﺤﺎت ﺳﯿﺎﺳﯽ ﺑﻪ ﻃﻮر ﮐﺎﻣﻞ اﺟﺮا ﻧﺨﻮاﻫﺪ ﺷﺪ. )ﻓﻠﻤﯿﻨﮓ، 2019).

در ﻣﻘﺎﻻت MEﮐﻪ ﺑﺮ ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﻣﺸﺎﻏﻞ آﯾﻨﺪه ﻣﺘﻤﺮﮐﺰ ﺑﻮدﻧﺪ ،5) = (nﻣﺤﻘﻘﺎن درﯾﺎﻓﺘﻨﺪ ﮐﻪ AIﺑﺴﺘﻪ ﺑﻪ ﻃﺮح ﻫﺎی ﺷﻐﻠﯽ ﻣﺨﺘﻠﻒ ﻣﯽ ﺗﻮاﻧﺪ ﺗﺄﺛﯿﺮات ﻣﻨﻔﯽ ﯾﺎ ﻣﺜﺒﺖ داﺷﺘﻪ ﺑﺎﺷﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2021). ،Sampsonدر درﺟﻪ اول، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺳﺎﺧﺘﺎرﻫﺎی ﺷﻐﻠﯽ را ﺗﻐﯿﯿﺮ داد. ﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ ﻧﺸﺎن داد ﮐﻪ اﺳﺘﻔﺎده از رﺑﺎت ﻫﺎ در ﮐﺎر داروﺳﺎزی، ﻣﺮزﻫﺎ را در ﻣﯿﺎن ﮔﺮوه ﻫﺎی ﻣﺨﺘﻠﻒ ﺷﻐﻠﯽ دوﺑﺎره ﭘﯿﮑﺮﺑﻨﺪی ﻣﯽ ﮐﻨﺪ، و ﭼﻨﯿﻦ
ﺗﻐﯿﯿﺮاﺗﯽ در ﺑﺴﯿﺎری از ﺟﻨﺒﻪ ﻫﺎ ﭘﯿﺎﻣﺪﻫﺎﯾﯽ ﺑﺮای ﻣﺸﺎﻏﻞ آﯾﻨﺪه دارد )ﺑﺎرت، اوﺑﻮرن، اورﻟﯿﮑﻮﻓﺴﮑﯽ، و ﯾﺘﺲ، 2012).ﺑﻪ ﻏﯿﺮ از ﭘﯿﮑﺮﺑﻨﺪی ﻣﺠﺪد ﺷﻐﻞ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺸﺎﻏﻞ ﺟﺪﯾﺪی ﻧﯿﺰ اﯾﺠﺎد ﮐﺮد. Daugherty ،Wilsonو (2017) Bianzinoﺳﻪ ﻧﻮع ﺷﻐﻞ ﺟﺪﯾﺪ، ﯾﻌﻨﯽ ﻣﺮﺑﯿﺎن، ﺗﻮﺿﯿﺢ دﻫﻨﺪﮔﺎن، و ﻧﮕﻬﺪارﻧﺪه ﻫﺎ را ﻣﻌﺮﻓﯽ ﮐﺮدﻧﺪ ﮐﻪ ﺑﺮای آﻣﻮزش، ﺗﻮﺿﯿﺢ و ﺣﻔﻆ ﻋﻤﻠﮑﺮد ﻣﺆﺛﺮ و ﻣﺴﺌﻮﻻﻧﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﺪﯾﺪ آﻣﺪﻧﺪ. در ﻧﺘﯿﺠﻪ، ﻣﺤﻘﻘﺎن ﺧﻮاﺳﺘﺎر
ﺳﯿﺎﺳ ﻫﺎی دوﻟﺘﯽ ﺑﺮای ﺗﺸﻮﯾﻖ ﻣﺜﺒﺖ و ﮐﺎﻫﺶ اﺛﺮات ﻣﻨﻔﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﻣﺸﺎﻏﻞ آﯾﻨﺪه ﺷﺪﻧﺪ )وارﯾﻨﮓ، ﺑﺎﻟﯽ، و واس، 2020).

ﺑﻪ ﻃﻮر ﮐﻠﯽ، اﮐﺜﺮ ﻣﺤﻘﻘﺎن MEاﺳﺘﺪﻻل ﮐﺮدﻧﺪ ﮐﻪ اﮐﺜﺮ ﮐﺎرﻣﻨﺪان ﺑﺮای اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ آﻣﺎده ﻧﯿﺴﺘﻨﺪ و آﻧﻬﺎ ﺷﺮﮐﺖ ﻫﺎ را ﺗﺸﻮﯾﻖ ﮐﺮدﻧﺪ ﺗﺎ از ﻃﺮﯾﻖ ادﻏﺎم ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﮐﺎرﮐﻨﺎن، ﻃﺮاﺣﯽ ﻣﺠﺪد ﺷﻐﻞ و آﻣﻮزش ﮐﺎرﮐﻨﺎن، ﺑﻪ ﺑﺰرﮔﺘﺮﯾﻦ ﻣﺰاﯾﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ دﺳﺖ ﯾﺎﺑﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، . 2019) ،Davenport & Barroآﻧﻬﺎ ﻫﻤﭽﻨﯿﻦ ﭘﯿﺸﻨﻬﺎد ﮐﺮدﻧﺪ ﮐﻪ ﻋﻮاﻣﻞ ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ، ﻣﺎﻧﻨﺪ ﻓﺮﻫﻨﮓ ذﻫﻦ ﺑﺎز، در ادﻏﺎم ﻣﻮﻓﻘﯿﺖ آﻣﯿﺰ ﻫﻮش ﻣﺼﻨﻮﻋﯽ
و ﮐﺎرﮐﻨﺎن ﺑﺴﯿﺎر ﻣﻬﻢ ﻫﺴﺘﻨﺪ 2020). Ashton, & Stienmetz, Xu, ؛2020 Fox, & Fox, Mukherjee, (Makarius,در ﻫﻤﯿﻦ ﺣﺎل، ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﯿﺪ ﻣﺤﻘﻘﺎن MEﻧﺴﺒﺖ ﺑﻪ اﺳﺘﻔﺎده اﺧﻼﻗﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺪﺑﯿﻦ ﺑﻮدﻧﺪ.
ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻫﺎﻟﻔﻮرد (2022)درﯾﺎﻓﺖ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﮐﺎﻫﺶ ﻗﺪرت ﮐﻨﺘﺮل ﺧﻠﺒﺎﻧﺎن ﻣﻨﺠﺮ ﺑﻪ ﺗﺤﺮﯾﻒ ﻣﺴﺌﻮﻟﯿﺖ اﺧﻼﻗﯽ در ﻋﻤﻠﯿﺎت ﻫﻮاﭘﯿﻤﺎ ﻣﯽ ﺷﻮد، در ﺣﺎﻟﯽ ﮐﻪ ﺧﻠﺒﺎﻧﺎن ﻫﻨﻮز ﻣﺴﺌﻮﻟﯿﺖ ﮐﺎﻣﻞ ﻫﺮ ﺑﺤﺮاﻧﯽ را دارﻧﺪ. ﻟﯿﺨﺖ دﯾﻮﺑﺎﻟﺪ و ﻫﻤﮑﺎران (2019)اﺳﺘﺪﻻل ﮐﺮد ﮐﻪ ﺗﺼﻤﯿﻤﺎت ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﻋﺚ اﻓﺰاﯾﺶ اﻧﻄﺒﺎق اﻣﺎ ﮐﺎﻫﺶ ﺻﺪاﻗﺖ ﮐﺎرﻣﻨﺪان ﻣ lﯽﺷﻮد، اﺣﺘﻤﺎﻻً ﺑﻪ اﯾﻦ دﻟﯿﻞ ﮐﻪ ﮐﺎرﻣﻨﺪان ﺑﻪ ﻓﺮآﯾﻨﺪﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ
اﻋﺘﻤﺎد ﮐﻮرﮐﻮراﻧﻪ داﺷﺘﻨﺪ و ﺑﻪ ﺳﺨﺘﯽ ﻣﯽlﺗﻮاﻧﺴﺘﻨﺪ از ﻧﻈﺎرت ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﻧﺼﺮاف دﻫﻨﺪ. اﺳﺘﺪﻻ lلﻫﺎی ﻧﺴﺒﺘﺎً ﺑﺪﺑﯿﻨﺎﻧﻪ ﺑﻪ ﭼﺎﻟ ﻫﺎی اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ،HRMﯾﻌﻨﯽ ﭘﯿﭽﯿﺪﮔﯽ ﭘﺪﯾﺪ lهﻫﺎی ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ، ﻣﺠﻤﻮﻋﻪ
داد lهﻫﺎی ﮐﻮﭼﮏ، ﻣﺤﺪودﯾﺖlﻫﺎی اﺧﻼﻗﯽ و واﮐﻨ ﻫﺎی ﮐﺎرﮐﻨﺎن ﺑﻪ ﺗﺼﻤﯿﻢlﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﺎﺳﺦ دادﻧﺪ ،Cappelli ،(Tambeو 2019). ،Yakubovich

ﺑﺮای ﻣﻘﺎﻻت MEﮐﻪ ﻋﻤﻠﮑﺮدﻫﺎی HRMﺧﺎص را ﻫﺪف ﻗﺮار ﻣﯽ دﻫﻨﺪ، ﻋﻤﻠﮑﺮد و ﻣﺸﺎرﮐﺖ ﮐﺎرﮐﻨﺎن ﺑﯿﺸﺘﺮﯾﻦ ﻋﻼﻗﻪ ﺗﺤﻘﯿﻘﺎﺗﯽ را ﺑﻪ ﺧﻮد ﺟﻠﺐ ﮐﺮد 14). = n ،٪(18ﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ ﻧﺸﺎن داد ﮐﻪ اﮔﺮﭼﻪ اﺳﺘﻔﺎده از ﻫﻮش
ﻣﺼﻨﻮﻋﯽ ﻣﯽlﺗﻮاﻧﺪ ﺑﻪ ﻋﻤﻠﮑﺮد و ﺗﻌﺎﻣﻞ ﺑﻬﺘﺮ ﮐﻤﮏ ﮐﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﮔﻮ، دﻧﮓ، ژﻧﮓ، ﻟﯿﺎﻧﮓ، و وو، ،2019)اﻣﺎ ﻣﺰاﯾﺎ ﻣﺴﺘﻠﺰم ﭘﯿ ﺷﺮ lطﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ اﻓﺰاﯾﺶ ﮐﻨﺘﺮل ﮐﺎرﮐﻨﺎن ﺑﺮ ﻣﺎﺷﯿ lﻦﻫﺎ ﻫﺴﺘﻨﺪ )وال، ﺟﮑﺴﻮن، و دﯾﻮﯾﺪز، ،1992)
ﺷﯿﻮه ﻫﺎی وﻇﯿﻔﻪ ﻣﻨﺎﺳﺐ ،2015) ،Orlikowski & (Beaneو ﻣﻬﺎرت ﻫﺎی ﮐﺎﻓﯽ ﮐﺎرﮐﻨﺎن در CSو ﻣﻬﻨﺪﺳﯽ ﻣﻬﻨﺪﺳﯽ ،Starr ،(Choudhuryو 2020). ،Agarwalدر ﻏﯿﺮ اﯾﻦ ﺻﻮرت، اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻤﮑﻦ اﺳﺖ ﺑﺮای ﻋﻤﻠﮑﺮد ﮐﺎری ﻣﻀﺮ ﺑﺎﺷﺪ 2020). al., et Choudhury ؛2015 Orlikowski, & (Beaneﻋﻼوه ﺑﺮ اﯾﻦ، ﻣﺤﻘﻘﺎن MEﺑﻪ اﺛﺮﺑﺨﺸﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺸﮑﻮک ﺑﻮدﻧﺪ، ﮐﻪ ﺗﻀﺎد ﺷﺪﯾﺪی ﺑﺎ ﻣﺤﻘﻘﺎن CSﮐﻪ ارزﯾﺎﺑﯽ ﺑﺴﯿﺎر ﻣﺜﺒﺘﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ داﺷﺘﻨﺪ، اﯾﺠﺎد ﮐﺮد. ﻣﻘﺎﻻت اﺧﯿﺮ از ﻣﺸﮑﻼت اﺧﻼﻗﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺴﻬﯿﻞ ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ اﻧﺘﻘﺎد ﮐﺮدﻧﺪ. در درﺟﻪ اول، ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ
ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻣﻮﻗﻌﯿ ﻫﺎی ﮐﺎری واﻗﻌﯽ را ﻧﺎدﯾﺪه ﻣ lﯽﮔﺮﻓﺖ، زﯾﺮا ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺳﺎﺧﺘﻪ ﺑﻮد

7

Machine Translated by Google

FJ Froese وY. Pan

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

ﺗﺼﻤﯿﻤﺎت ﻓﻘﻂ ﺑﺮ اﺳﺎس داده ﻫﺎ، ﯾﻌﻨﯽ اﻃﻼﻋﺎت ﻗﺎﺑﻞ اﻧﺪازه ﮔﯿﺮی و ﻣﻌﻤﻮﻻً ﻣﺤﺪود اﺳﺖ )ﻧﯿﻮﻟﻨﺪز، 2020).ﺑﻨﺎﺑﺮاﯾﻦ، ارزﯾﺎﺑﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ دﻟﯿﻞ ﻧﺎآﮔﺎﻫﯽ از ﻣﻌﯿﺎرﻫﺎی اﺧﻼﻗﯽ و اﺣﺴﺎﺳﺎت ﮐﺎرﮐﻨﺎن، اﺣﺘﻤﺎﻻً ﻧﺘﯿﺠﻪlﮔﯿﺮی ﻏﯿﺮاﺧﻼﻗﯽ و ﻧﺎدرﺳﺖ ﻣ lﯽﮐﺮد. در ﻧﺘﯿﺠﻪ، ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺎورﻫﺎی ﮐﺎرﮐﻨﺎن را در ﻣﻮرد ﻋﺪاﻟﺖ روﯾﻪ ای ﺗﻀﻌﯿﻒ ﮐﻨﺪ )ﻧﯿﻮﻣﻦ، ﻓﺴﺖ، و ﻫﺎرﻣﻮن، 2020).

ﮐﺎرﮐﻨﺎن دوﻣﯿﻦ ﻣﻮﺿﻮع ﮐﺎرﺑﺮدی ﻣﺤﺒﻮب در ﻣﻘﺎﻻت n) = 9 ( MEو ﭘﺲ از آن ﮔﺮدش ﻣﺎﻟﯽ 8) = (nﺑﻮد. ﻣﺸﺎﺑﻪ ﻣﻘﺎﻻت ﭘﺮﺳﻨﻠﯽ در ﺣﻮز lهﻫﺎی CSو ،EOﻫﻤﻪ ﻣﻘﺎﻻت MEدر ﮐﺎرﮐﻨﺎن اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﺮﺗﯿﺒﺎت
ﺑﺮﻧﺎﻣﻪ ﮐﺎری ﮐﺎرﮐﻨﺎن ﺑﺮ اﺳﺎس وﯾﮋﮔ lﯽﻫﺎی ﮐﺎرﮐﻨﺎن و اﻟﺰاﻣﺎت وﻇﺎﯾﻒ ﺗﻮﺳﻌﻪ دادﻧﺪ و اﮐﺜﺮ آﻧﻬﺎ ﺑﻪ ﺻﻮرت ﻣﺘﻨﯽ ﻣﺤﺪود ﺑﻮدﻧﺪ. ﻣﺤﻘﻘﺎن اﺑﺰارﻫﺎی ﭘﺮﺳﻨﻠﯽ را در ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ )راث و ﭘﺮاﻧﺴﻮن، ،1999)ﺣﻤﻞ و ﻧﻘﻞ )ﻫﺎﻓﻤﻦ و ﭘﺎدﺑﺮگ، ،1993)و ﺑﺨﺶ ﻫﺎی ﻧﻈﺎﻣﯽ )ﮐﺮاس، ﭘﯿﻨﺎر، ﺗﺎﻣﭙﺴﻮن، و زﯾﻨﯿﻮس، 1994)ﻃﯽ ﺳﺎل ﻫﺎی 1990ﺗﺎ 2000ﺗﻮﺳﻌﻪ دادﻧﺪ و ﺗﻤﺮﮐﺰ را ﺑﻪ ﺧﺪﻣﺎت ﺗﻐﯿﯿﺮ دادﻧﺪ. ﻣﺮاﮐﺰ ﺗﻤﺎس از ﺳﺎل )2000ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2019). ،Mandelbaum
& ،Feigin ،Azrielﺑﺮای ﻣﻘﺎﻻت MEﻣﺮﺑﻮط ﺑﻪ ﮔﺮدش ﻣﺎﻟﯽ، ﺑﯿﺸﺘﺮ آﻧﻬﺎ ﺑﺮ روی ﻣﻮﺿﻮﻋﺎت روش ﺷﻨﺎﺧﺘﯽ ﯾﺎ ﻓﻨﯽ ﻣﺘﻤﺮﮐﺰ ﺑﻮدﻧﺪ، ﯾﺎ روش ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را در ﻣﻄﺎﻟﻌﺎت ﺟﺎﺑﺠﺎﯾﯽ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2021) ،Endres & ،Allen ،Choudhuryﯾﺎ ﺗﻮﺳﻌﻪ اﺑﺰارﻫﺎی AIﺑﺮای ﮐﺸﻒ ﺗﺤﺮک ﮐﺎرﮐﻨﺎن، ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﮐﻼن -ﺳﻄﺢ ﮔﺮدش ﮐﺎر )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻟﯿﻮ، ﭘﻨﺖ، و ﺷﻨﮓ، 2020).ﺑﺎ اﯾﻦ وﺟﻮد، ﭼﻨﺪﯾﻦ ﻣﻘﺎﻟﻪ در ﻣﻮرد ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﺟﺎﺑﺠﺎﯾﯽ
ﮐﺎرﻣﻨﺪان ﺑﺤﺚ ﮐﺮدﻧﺪ و ﭘﯿﺸﻨﻬﺎد ﮐﺮدﻧﺪ ﮐﻪ اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ دﻟﯿﻞ روﺗﯿﻦ ﮐﺮدن وﻇﺎﯾﻒ 2020) Xiahai, & (Yuhongو ﺗﻬﺪﯾﺪات ﻫﻮش ﻣﺼﻨﻮﻋﯽ Ye) & Bonn, Li, ؛2020 Haar, & (Broughamﺑﺎﻋﺚ اﻓﺰاﯾﺶ
ﺟﺎﺑﺠﺎﯾﯽ ﮐﺎرﮐﻨﺎن ﺷﺪ. ، 2019).

ﺗﻌﺪاد ﻧﺴﺒﺘﺎ ﮐﻤﯽ از ﻣﻘﺎﻻت MEﻣﻮﺿﻮﻋﺎت ﻣﺮﺑﻮط ﺑﻪ آﻣﻮزش ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ،4) = (nاﺳﺘﺨﺪام ،3) = (nو رﻓﺎه ﮐﺎرﮐﻨﺎن 1) = (nرا ﭘﻮﺷﺶ ﻣﯽ دﻫﻨﺪ.
در ﻣﻘﺎﻻت ﻣﺮﺗﺒﻂ ﺑﺎ آﻣﻮزش ،MEﻣﺤﻘﻘﺎن ﺗﺄﺛﯿﺮات ﺗﺮﮐﯿﺒﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮ آﻣﻮزش ﻫﺎی آﯾﻨﺪه HRﺑﻪ ﺗﺼﻮﯾﺮ ﮐﺸﯿﺪﻧﺪ. اﻫﺮم ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺴﺘﻠﺰم ﺑﻪ روز رﺳﺎﻧﯽ ﻣﺤﺘﻮای آﻣﻮزﺷﯽ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﻮد، زﯾﺮا ﺑﺮﺧﯽ از ﻣﻬﺎرت ﻫﺎ ﻣﺎﻧﻨﺪ ﺣﻞ ﻣﺴﺌﻠﻪ، ﺗﻔﮑﺮ اﻧﺘﻘﺎدی، ارﺗﺒﺎط و ﮐﺎر ﮔﺮوﻫﯽ در ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺴﯿﺎر ﻣﻬﻢ ﺑﻮدﻧﺪ )راﻣﭙﺮﺳﺎد، 2020).ﻋﻼوه ﺑﺮ اﯾﻦ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ اﺛﺮﺑﺨﺸﯽ آﻣﻮزش را ﺗﺴﻬﯿﻞ ﮐﻨﺪ، ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺑﺎ اراﺋﻪ آﻣﻮزش ﻫﺎی ﺷﺨﺼﯽ ﺑﺮای رﻫﺒﺮان ﺑﺎ ﺳﺒﮏ ﻫﺎی ﻣﺨﺘﻠﻒ ﻣﺪﯾﺮﯾﺘﯽ )ﺑﺎﮐﯿﻨﮕﻬﺎم، 2012).ﺑﺎ اﯾﻦ وﺟﻮد، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽlﺗﻮاﻧﺪ ﭘﯿﺎﻣﺪﻫﺎی ﻣﻨﻔﯽ ﻏﯿﺮﻣﻨﺘﻈﺮ lهای ﻧﯿﺰ ﺑﻪ ﻫﻤﺮاه داﺷﺘﻪ ﺑﺎﺷﺪ. ﺑﺮای ﻣﺜﺎل، 2019b) (2019a, Beaneاﺳﺘﺪﻻل ﮐﺮد ﮐﻪ
اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﮐﺎﻫﺶ ﻓﺮﺻ ﻫﺎی ﮐﺎرﮐﻨﺎن ﺑﺮای ﯾﺎدﮔﯿﺮی از آﻣﻮزش ﻏﯿﺮرﺳﻤﯽ ﻗﺎﻧﻮﻧﯽ، ﻓﺮآﯾﻨﺪﻫﺎی آﻣﻮزﺷﯽ را ﻣﺨﺪوش ﻣ lﯽﮐﻨﺪ. در ﻧﺘﯿﺠﻪ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮐﺎرآﻣﻮزان را ﻣﺠﺒﻮر ﻣ lﯽﮐﺮد ﺗﺎ ﺑﺪون ﻧﻈﺎرت، رﻓﺘﺎرﻫﺎی ﻧﺎﻣﺸﺮوع
و در ﻋﯿﻦ ﺣﺎل ﻗﺎﺑﻞ ﺗﺤﻤﻞ را اﻧﺠﺎم دﻫﻨﺪ ﺗﺎ در آﻣﻮز ﻫﺎی ﻏﯿﺮرﺳﻤﯽ ﻣﻬﺎرت ﭘﯿﺪا ﮐﻨﻨﺪ. ﺗﺄﺛﯿﺮات ﺗﺮﮐﯿﺒﯽ ﻣﺸﺎﺑﻪ ﻧﯿﺰ در اﺳﺘﺨﺪام ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻘﺎﻻت MEﻣﺮﺑﻮط ﺑﻪ اﺳﺘﺨﺪام وﺟﻮد داﺷﺖ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، اﮔﺮﭼﻪ ﻫﻮش
ﻣﺼﻨﻮﻋﯽ در ارزﯾﺎﺑﯽ ﮐﺎرﺟﻮﯾﺎن در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﮐﺎرﺷﻨﺎﺳﺎن ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺆﺛﺮ ﺑﻮد ،2016) ،Reider & ،Campion ،Campion ،(Campionﺗﺒﻠﯿﻐﺎت ﺷﻐﻠﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﺒﻌﯿﺾ ﺟﻨﺴﯿﺘﯽ را ﻧﺸﺎن داد )ﻻﻣﺒﺮﺷﺖ و ﺗﺎﮐﺮ، (2019) Cappelli 2019).ﻫﻤﭽﻨﯿﻦ ﭼﻨﺪﯾﻦ ﻣﺤﺪودﯾﺖ را ﺑﺮای اﺳﺘﺨﺪام ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺸﺎن داد، ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، داﻧﺶ اﻧﺪک HRMﺗﻮﺳﻌﻪ دﻫﻨﺪﮔﺎن اﺑﺰار، ﻧﺎﻣﻌﺘﺒﺮ ﺑﻮدن اﺑﺰارﻫﺎی ﺗﻮﺳﻌ lﻪﯾﺎﻓﺘﻪ، ﺗﻘﺎﺿﺎی ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﭘﻮﯾﺎ، ﺧﻄﺮ
رﻓﺘﺎرﻫﺎی ﺗﻘﻠﺐ، و داد lهﻫﺎی آﻣﻮزﺷﯽ ﻧﺎﮐﺎﻓﯽ، ﮐﻪ ﺑﺎ ﭼﺎﻟ ﻫﺎی ﻋﻤﻮﻣﯽ اﺳﺘﻔﺎده ﻫﻤﺨﻮاﻧﯽ داﺷﺖ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ در (Tambe HRMو ﻫﻤﮑﺎران، 2019).ﺗﻨﻬﺎ ﻣﻘﺎﻟﻪ MEدر ﺑﻬﺰﯾﺴﺘﯽ ﮐﺎرﮐﻨﺎن )ﺑﺮوﻣﻮری، ﻫﻨﮑﻞ، آﯾﺮن، و اورووی،
2021)اﻟﮕﻮرﯾﺘﻤﯽ را ﺑﺮای ﭘﯿﺶlﺑﯿﻨﯽ اﺳﺘﺮس ﮐﺎرﮐﻨﺎن در ﺗﻤﺎس ﺧﺪﻣﺎت اﯾﺠﺎد ﮐﺮد.

ﻣﺮاﮐﺰ
ﻣﻮﺿﻮﻋﺎت در ﻣﻘﺎﻻت OT.ﺑﯿﺸﺘﺮ ﻣﻘﺎﻻت در رﺷﺘ lﻪﻫﺎی دﯾﮕﺮ ﺑﺮ ﻣﻮﺿﻮﻋﺎت ﻧﺴﺒﺘﺎً ﮐﻠﯽ ،25) = n ،٪(71 HRMﺑﻪ وﯾﮋه در ﻣﻮرد ﺑﯿﮑﺎری ﻓﻨﺎوری ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ 12) = (nﻣﺘﻤﺮﮐﺰ ﺷﺪ lهاﻧﺪ. ﻣﺘﻔﺎوت از ﺣﻮزه ﻫﺎی ،ME
ﻣﻘﺎﻻت OTﺑﯿﺸﺘﺮ ﺑﻪ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻧﺴﺒﺘﺎً ﺧﺮد ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮏ ﻋﻼﻗﻪ ﻣﻨﺪ ﺑﻮدﻧﺪ n). = 10 (در ﺣﺎﻟﯽ ﮐﻪ ﭘﻨﺞ ﻣﻘﺎﻟﻪ ﺑﺮ ﺑﯿﮑﺎری ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺑﺨﺶ ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ ﺗﻤﺮﮐﺰ داﺷﺘﻨﺪ، ﯾﺎﻓﺘﻪ ﻫﺎی آﻧﻬﺎ ﻣﺘﻨﺎﻗﺾ ﺑﻮد. ﺑﺮﺧﯽ از ﻣﺤﻘﻘﺎن اﺳﺘﺪﻻل ﮐﺮدﻧﺪ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺟﺎﯾﮕﺰﯾﻦ ﮐﺎرﮐﻨﺎن ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ ﺷﺪه اﺳﺖ )ﻣﺎزوروﻓﺴﮑﯽ، ،2019)و ﺑﯿﺸﺘﺮ ﮐﺎرﮐﻨﺎن ﭘﺰﺷﮑﯽ از ﺟﺎﯾﮕﺰﯾﻨﯽ اﺣﺘﻤﺎﻟﯽ ﻣﯽ ﺗﺮﺳﻨﺪ 2020). Fakieh, & (Abdullahدﯾﮕﺮان
ﻣﻌﺘﻘﺪ ﺑﻮدﻧﺪ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻌﯿﺪ اﺳﺖ ﮐﻪ ﺟﺎﯾﮕﺰﯾﻦ ﮐﺎرﮐﻨﺎن آﯾﻨﺪه ﭘﺰﺷﮑﯽ ﺷﻮد )ﺑﻠﯿﺰ و ﻫﻤﮑﺎران، ؛2019رﺷﺖ و ﺑﺮاﯾﺎن، ؛2017راﯾﺖ، 2019).ﺑﺎ اﯾﻦ وﺟﻮد، ﻫﻤﻪ ﻣﺤﻘﻘﺎن ﺗﻮاﻓﻖ ﮐﺮدﻧﺪ ﮐﻪ اﻧﺘﺸﺎر ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﯾﮏ روﻧﺪ اﺟﺘﻨﺎب ﻧﺎﭘﺬﯾﺮ اﺳﺖ ﮐﻪ ﺗﻐﯿﯿﺮات ﺑﺰرﮔﯽ را در ﻣﺸﺎﻏﻞ ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ ﺑﻪ ﻫﻤﺮاه ﺧﻮاﻫﺪ داﺷﺖ، اﮔﺮﭼﻪ اﮐﺜﺮ ﮐﺎرﻣﻨﺪان ﺑﺮای ﭼﺎﻟﺶ ﻫﺎ آﻣﺎده ﻧﺒﻮدﻧﺪ و ﺑﺮای اﺳﺘﻔﺎده ﻣﺆﺛﺮ و اﺧﻼﻗﯽ از اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﯿﺎز ﺑﻪ آﻣﻮزش
ﺑﯿﺸﺘﺮی دارﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻋﺒﺪﷲ و ﻓﮑﯿﻪ، ؛ . 2020)ﺑﻠﯿﺰ و ﻫﻤﮑﺎران، 2019).ﺳﺎﯾﺮ ﻣﻘﺎﻻت OTدر ﻣﻮرد ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ ﻧﺴﺒﺘﺎً ﺧﻮش ﺑﯿﻨﺎﻧﻪ ﺑﻮدﻧﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، واﺟﻤﻦ ، (2017)اﺳﺘﺪﻻل ﻫﺎی ﺑﺪﺑﯿﻨﺎﻧﻪ در ﻣﻮرد ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ را ﻣﻮرد اﻧﺘﻘﺎد ﻗﺮار داد و ﺑﺮای ﺗﺤﻠﯿﻞ دﻗﯿﻖ ﺗﺮی از ﺟﻨﺒﻪ ﻫﺎی ﺳﯿﺎﺳﯽ و اﺟﺘﻤﺎﻋﯽ ﺗﻮﺳﻌﻪ ﻓﻨﺎوری اﺳﺘﺪﻻل ﮐﺮد. ﻋﻼوه ﺑﺮ اﯾﻦ، ﻣﺤﻘﻘﺎن OTاﺳﺘﺪﻻل ﮐﺮدﻧﺪ ﮐﻪ ﺑﻌﯿﺪ اﺳﺖ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ دﻟﯿﻞ ﻗﻮاﻧﯿﻦ و داده ﻫﺎی ﻧﺎﮐﺎﻓﯽ
در ﮐﺎرﻫﺎی ﺧﻼﻗﺎﻧﻪ ﺑﺎﻋﺚ ﺑﯿﮑﺎری ﮔﺴﺘﺮده ﻣﺸﺎﻏﻞ ﺧﻼﻗﯿﺖ ﺷﻮد )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2019). ،Hammershøjﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ از اﺳﺘﺪﻻل ﻫﺎی ﺧﻮش ﺑﯿﻨﺎﻧﻪ ﻓﻮق ﭘﺸﺘﯿﺒﺎﻧﯽ ﻣﯽ ﮐﻨﺪ. در ﺑﺨﺶ روزﻧﺎﻣﻪlﻧﮕﺎری، اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺘﯿﺠﻪ ﻋﻮاﻣﻞ اﺟﺘﻤﺎﻋﯽ و ﻓﻨﯽ ﺑﻮد و روزﻧﺎﻣ lﻪﻧﮕﺎران ﻣﯽlﺗﻮاﻧﺴﺘﻨﺪ ﺑﻪ ﺧﻮﺑﯽ ﺑﺎ ﺗﻐﯿﯿﺮات ﺳﺎزﮔﺎر ﺷﻮﻧﺪ ﺗﺎ ﺷﻐﻞ ﺧﻮد را اﯾﻤﻦ ﮐﻨﻨﺪ )ﻟﯿﻨﺪن، 2017).در ﺑﺨﺶ ﻣﻮﺳﯿﻘﯽ، ﻣﻬﻨﺪﺳﺎن ﺗﺴﻠﻂ ﺑﺮ ﺻﺪا ﺑﺎ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮐﺎر ﻣ lﯽﮐﺮدﻧﺪ و
ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﻪlﻋﻨﻮان ﻫﻤﮑﺎر ﯾﺎ دﺳﺘﯿﺎر ﺑ lﻪﺟﺎی رﻗﺒﺎ ﺑﺮای ﻣﺸﺎﻏﻞ در ﻧﻈﺮ ﻣﯽlﮔﺮﻓﺘﻨﺪ )ﺑﯿﺮﭼﻨﻞ، 2018).ﺟﺎﻟﺐ ﺗﻮﺟﻪ اﺳﺖ ﮐﻪ رواﻧﺸﻨﺎس ﻧﮕﺮش ﻫﺎی ﻓﺮدی ﻣﺘﻨﺎﻗﺾ را ﻧﺴﺒﺖ ﺑﻪ از دﺳﺖ دادن ﺷﻐﻞ ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﯿﺪا ﮐﺮد. اوﻻً، اﮔﺮﭼﻪ ﻣﺮدم ﺗﺮﺟﯿﺢ ﻣ lﯽدﻫﻨﺪ ﮐﻪ ﮐﺎرﮐﻨﺎن ﻋﻤﻮﻣﯽ ﺑﺎ اﻧﺴﺎ lنﻫﺎی دﯾﮕﺮ ﺟﺎﯾﮕﺰﯾﻦ ﺷﻮﻧﺪ، اﻣﺎ ﺗﺮﺟﯿﺢ ﻣ lﯽدﻫﻨﺪ در رﻗﺎﺑﺖ ﺑﺮای ﻣﺸﺎﻏﻞ ﺧﻮد ﺑﻪ ﺟﺎی اﻧﺴﺎنlﻫﺎی دﯾﮕﺮ، در ﻣﻘﺎﺑﻞ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺷﮑﺴﺖ ﺑﺨﻮرﻧﺪ 2019). al., et (Granuloﺛﺎﻧﯿﺎً، اﮔﺮ ﺷﻐﻞ از دﺳﺖ دادن ﻧﯿﺎز ﺑﻪ اﺣﺴﺎﺳﺎت داﺷﺖ، اﻓﺮاد ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺎراﺣﺘﯽ ﺑﯿﺸﺘﺮی داﺷﺘﻨﺪ و اﮔﺮ ﺷﻐﻞ ﻧﯿﺎز ﺑﻪ ﺷﻨﺎﺧﺖ داﺷﺖ، اﺣﺴﺎﺳﺎت ﻣﻌﮑﻮس را اﺑﺮاز ﻣﯽ ﮐﺮدﻧﺪ )واﯾﺘﺰ و ﻧﻮرﺗﻮن، 2014).

ﻣﺤﻘﻘﺎن OTﻧﯿﺰ ﻧﺴﺒﺖ ﺑﻪ ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﻣﺸﺎﻏﻞ آﯾﻨﺪه ﻧﺴﺒﺘﺎً ﺧﻮﺷﺒﯿﻦ ﺑﻮدﻧﺪ n). = 5 (آﻧﻬﺎ اﺳﺘﺪﻻل ﮐﺮدﻧﺪ ﮐﻪ اﮔﺮﭼﻪ اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﻣﻨﺠﺮ ﺑﻪ ﺗﯿﻠﻮرﯾﺴﻢ دﯾﺠﯿﺘﺎل ﺷﻮد ﮐﻪ ﺑﺎ آن ﻣﺎﺷﯿﻦ ﻫﺎ وﻇﺎﯾﻒ را ﻋﺎدی ﻣﯽ ﮐﻨﻨﺪ و ﮐﺎرﮔﺮان اﻧﺴﺎﻧﯽ را در ﮐﺎرﻫﺎی ﻣﺨﺘﻠﻒ ﻗﺎﺑﻞ ﻣﺒﺎدﻟﻪ ﻣﯽ ﮐﻨﻨﺪ )دﻟﻔﺎﻧﺘﯽ و ﻓﺮی، ،2021)ﭘﯿﮑﺮﺑﻨﺪی ﻣﺠﺪد ﺷﻐﻞ ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﮐﺎر ﺷﺎﯾﺴﺘﻪ ﮐﻤﮏ ﮐﻨﺪ Ling). ،Tussyadiah ،(Tuomi ﻣﯿﻠﺮ، و ﻟﯽ، ،2020)و ﻓﺮآﯾﻨﺪﻫﺎی ﺗﻮﻟﯿﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽlﺗﻮاﻧﻨﺪ ﻣﺠﻤﻮﻋﻪlای از ﻣﺸﺎﻏﻞ ﺟﺪﯾﺪ را ﺑﺮای »آﻣﺎدهlﺳﺎزی ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﺗﺄﯾﯿﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، و ﺟﻌﻞ ﻫﻮﯾﺖ ﻫﻮش ﻣﺼﻨﻮﻋﯽ« orabuT)، Casilliو ،2020) ،Coville
ﺷﺒﯿﻪ ﺑﻪ ﻧﻈﺮات وﯾﻠﺴﻮن و ﻫﻤﮑﺎران اﯾﺠﺎد ﮐﻨﻨﺪ. (2017) al.در داﻣﻨﻪ ﻫﺎی ME.ﺑﺎ اﯾﻦ وﺟﻮد، ﺑﻪ دﻟﯿﻞ داﻧﺶ ﻧﺎﮐﺎﻓﯽ از ﺑﯿﻨ ﻫﺎی ﺷﻐﻠﯽ در ﺳﻄﺢ ﺧﺮد، ﻣﺎﻧﻨﺪ اﻟﺰاﻣﺎت ﻣﻬﺎرت ﭘﻮﯾﺎ ﻣﺸﺎﻏﻞ ﻣﺨﺘﻠﻒ، و درک ﻧﺎﮐﺎﻓﯽ از ﺗﻌﺎﻣﻼت ﺑﯿﻦ ﻫﻮش
ﻣﺼﻨﻮﻋﯽ و ﻣﮑﺎﻧﯿﺴﻢlﻫﺎی اﺟﺘﻤﺎﻋﯽ، اﻧﺪاز lهﮔﯿﺮی ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ آﯾﻨﺪه ﮐﺎری دﺷﻮار اﺳﺖ )ﻓﺮاﻧﮏ( . و ﻫﻤﮑﺎران، 2019).ﻋﻼوه ﺑﺮ اﯾﻦ، ﺑﯿﺸﺘﺮ ﮐﺎرﻣﻨﺪان ﺑﺮای اﺟﺮای آﯾﻨﺪه ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺻﻨﻌﺖ ﭘﺰﺷﮑﯽ آﻣﺎده ﻧﺒﻮدﻧﺪ ،=4
(nﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺳﺎﻧﺪو و ﻫﻤﮑﺎران، 2020).

ﻣﻄﺎﺑﻖ ﺑﺎ ﻣﻮﺿﻮﻋﺎت ﮐﻠﯽ HRMﻓﻮق، ﻣﻘﺎﻻت OTﺑﺮای ﻣﺴﺎﺋﻞ اﺧﻼﻗﯽ ﻣﺮﺗﺒﻂ ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﻫﻤﺘﺎﯾﺎن ﺧﻮد در ﺣﻮزه ﻫﺎی MEﺧﻮش ﺑﯿﻨﺎﻧﻪ ﺗﺮ ﺑﻮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻫﺎﻟﻔﻮرد، 2022).اﮔﺮﭼﻪ ﮐﺎرﮐﻨﺎن ﺗﺼﻤﯿﻤﺎت ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﮐﻤﺘﺮ از ﺗﺼﻤﯿﻤﺎت اﻧﺴﺎﻧﯽ در وﻇﺎﯾﻒ ﻣﺪﯾﺮﯾﺘﯽ ﻗﺎﺑﻞ اﻋﺘﻤﺎد ﻣﯽ داﻧﺴﺘﻨﺪ، آﻧﻬﺎ ﺗﺼﻤﯿﻤﺎت ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﻪ اﻧﺪازه ﺗﺼﻤﯿﻤﺎت اﻧﺴﺎﻧﯽ در وﻇﺎﯾﻒ ﻣﮑﺎﻧﯿﮑﯽ ﻣﻨﺼﻔﺎﻧﻪ ﻣﯽ داﻧﺴﺘﻨﺪ )ﻟﯽ، 2018)و ﺑﻪ ﻋﺪاﻟﺖ روﯾﻪ

ﻫﺎ ﺣﺘﯽ ﺗﺒﻌﯿﺾ را ﺑﺎ ﺗﻘﻮﯾ ¨ﺖ ﻫﻮﯾﺖ ﻣﺸﺘﺮک اﻧﺴﺎﻧﯽ ﮐﺎﻫﺶ دادﻧﺪ، زﻣﺎﻧﯽ ﮐﻪ ﺗﻔﺎو lتﻫﺎی ﺑﯿﻦ ﮔﺮوﻫﯽ ﺑﯿﻦ رﺑﺎت و

ای ﺗﺼﻤﯿﻤﺎت اﻧﺴﺎﻧﯽ ﯾﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ واﮐﻨﺶ ﻣﺸﺎﺑﻬﯽ ﻧﺸﺎن دادﻧﺪ ). 2018). Maier, & (Ottingدر واﻗﻊ، رﺑﺎ

اﻧﺴﺎن ﺑﺮ ﺗﻔﺎو ﻫﺎی درون ﮔﺮوﻫﯽ اﻧﺴﺎﻧﯽ ﻣﺎﻧﻨﺪ ﺗﻔﺎو ﻫﺎی ﻧﮋادی ﻓﺎﺋﻖ آﻣﺪ )ﺟﮑﺴﻮن، ﮐﺎﺳﺘﻠﻮ و ﮔﺮی، 2020).

8

Machine Translated by Google

FJ Froese وY. Pan

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

ﺗﻌﺪاد ﮐﻤﯽ از ﻣﻘﺎﻻت OTﻣﻮﺿﻮﻋﺎت ﻣﺮﺑﻮط ﺑﻪ اﺳﺘﺨﺪام ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ،4) = (nرﻓﺎه ﮐﺎرﮐﻨﺎن ،3) = (nﻋﻤﻠﮑﺮد ،2) = (nو ﮔﺮدش ﻣﺎﻟﯽ 1) = (nرا ﭘﻮﺷﺶ ﻣﯽ دﻫﻨﺪ. ﺗﺤﻘﯿﻘﺎت ﻧﺸﺎن داد ﮐﻪ اﺑﺰارﻫﺎی اﺳﺘﺨﺪام ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻤﺎﯾﻼت ﺷﻐﻠﯽ ﻧﺎﻣﺰدﻫﺎ را ﮐﺎﻫﺶ ﻧﺪادﻧﺪ )ون اش و ﻫﻤﮑﺎران، ،2019)و ﻧﺎﻣﺰدﻫﺎ ارزﯾﺎﺑﯽlﮐﻨﻨﺪ lهﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را در ﻣﺼﺎﺣﺒ lﻪﻫﺎ ﻣﻨﺼﻔﺎﻧﻪ ﺑﻪ ﻋﻨﻮان ارزﯾﺎﺑ lﯽﮐﻨﻨﺪ lهﻫﺎی اﻧﺴﺎﻧﯽ درک ﮐﺮدﻧﺪ 2019). Lu, & Chen, (Suen,در واﻗﻊ، ارزﯾﺎﺑ lﯽﮐﻨﻨﺪﮔﺎن ﻣﺼﺎﺣﺒﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ رﺗﺒﻪlﺑﻨﺪیlﮐﻨﻨﺪﮔﺎن اﻧﺴﺎﻧﯽ، ﺗﻌﺼﺐ ﮐﻤﺘﺮی ﺑﻪ ﻇﺎﻫﺮ ﻧﺸﺎن دادﻧﺪ 2019). Lu, & Chen, (Suen,ﻣﺤﻘﻘﺎن
ﻫﻤﭽﻨﯿﻦ ﺑﺎ اراﺋﻪ ﭘﯿﺸﻨﻬﺎدﻫﺎی ﻓﻨﯽ ﺑﺮای ﺟﻠﻮﮔﯿﺮی از ﺗﺒﻌﯿﺾ اﺣﺘﻤﺎﻟﯽ در آﮔﻬ lﯽﻫﺎی ﺷﻐﻠﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﭼﺎرﭼﻮبlﻫﺎی ﻗﺎﻧﻮﻧﯽ 2018) ،Dalenberg (و ﭘﯿﺸﻨﻬﺎد ﯾﮏ ﻧﮕﻬﺪارﻧﺪه داده ﺷﺨﺺ ﺛﺎﻟﺚ ﺑﺮای ﻣﺤﺎﻓﻈﺖ از ﯾﮏ ﺛﺮوﺗﻤﻨﺪ و ﻧﻤﺎﯾﻨﺪه، ﭘﯿﺸﻨﻬﺎداﺗﯽ را ﻋﻠﯿﻪ ﻣﺸﮑﻼت اﺧﻼﻗﯽ ﺑﺎﻟﻘﻮه در اﺳﺘﺨﺪام ﻫﻮش ﻣﺼﻨﻮﻋﯽ اراﺋﻪ ﮐﺮدﻧﺪ. ﻣﺠﻤﻮﻋﻪ داده اﻃﻼﻋﺎت ﺧﺼﻮﺻﯽ 2019). ،(Blass

در ﺣﺎﻟﯽ ﮐﻪ ﺑﺮﺧﯽ از ﻣﺤﻘﻘﺎن اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﺗﺸﺨﯿﺺ و ﭘﯿ ﺑﯿﻨﯽ آﺳﯿ ﻫﺎی ﻣﺤﻞ ﮐﺎر )ﻣﺎﻧﻨﺪ 2020) ،Law & ،Lai ،Sin ،Ng ،Chengﯾﺎ اﺳﺘﺮس 2020) Hsing, & Chou, Yeh,
Chien, (Yan,ﺗﻮﺳﻌﻪ دادﻧﺪ، ﺳﺎﯾﺮ ﻣﻘﺎﻻت OTﺑﺮ روی ﻋﻤﻠﮑﺮد، ﻣﺸﺎرﮐﺖ و ﺟﺎﺑﺠﺎﯾﯽ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ در زﻣﯿﻨﻪ ﻫﺎی ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ. ﯾﺎﻓﺘ lﻪﻫﺎ ﺣﺎﮐﯽ از آن اﺳﺖ ﮐﻪ اﮔﺮﭼﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ از ﻧﻈﺮ ﻓﻨﯽ در
ارزﯾﺎﺑﯽ ﻣﻬﺎر ﻫﺎی ﺟﺮاﺣﯽ ﮐﺎرﮐﻨﺎن ﻣﺆﺛﺮ ﺑﻮد )رﯾﭽﺴﺘﻮن و ﻫﻤﮑﺎران، ،2010)اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣ lﯽﺗﻮاﻧﺪ ﺗﻘﺴﯿﻢ ﮐﺎر، ﮔﺮدش ﮐﺎر و ﻋﻤﻠﮑﺮد در ﺗﯿﻢlﻫﺎی ﺟﺮاﺣﯽ را ﺗﺤﺖ ﺗﺄﺛﯿﺮ ﻋﻮاﻣﻞ زﻣﯿﻨﻪlای ﻣﺎﻧﻨﺪ ﺗﻐﯿﯿﺮ
دﻫﺪ. رواﺑﻂ ﺗﯿﻤﯽ )راﻧﺪل و ﻫﻤﮑﺎران، 2021).ﻣﺤﻘﻘﺎن دﯾﮕﺮ ﯾﮏ ﭘﯿﺶlﺑﯿﻨﯽlﮐﻨﻨﺪه ﮔﺮدش ﻣﺎﻟﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﺗﺨﻤﯿﻦ ﻣﺪت اﻗﺎﻣﺖ ﮐﺎرﮐﻨﺎن ﭘﺰﺷﮑﯽ اﯾﺠﺎد ﮐﺮدﻧﺪ )ﻣﻮﯾﻮ، دوان، ﯾﻮن و ﺗﺸﻮﻣﺎ،
2018).روی ﻫﻢ رﻓﺘﻪ، داﻣﻨﻪ OTﻧﺴﺒﺖ ﺑﻪ اﻫﺮم ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺴﺒﺘﺎً ﺧﻮش ﺑﯿﻨﺎﻧﻪ اﺳﺖ، اﮔﺮﭼﻪ ﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ آﻧﻬﺎ ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ زﻣﯿﻨﻪ ﻫﺎی ﺧﺎﺻﯽ ﻣﺤﺪود ﺷﻮد.

3.2.ارزﯾﺎﺑﯽ ﻧﻈﺮﯾﻪ
در اﯾﻦ ﺑﺨﺶ، اﺳﺘﻔﺎده از ﻧﻈﺮﯾﻪ در ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ AI-HRMرا ﺑﺮرﺳﯽ و ارزﯾﺎﺑﯽ ﻣﯽ ﮐﻨﯿﻢ. ﻣﻄﺎﺑﻖ ﺑﺎ ﻣﻘﺎﻻت اﺻﻠﯽ )ﻣﺎﻧﻨﺪ ﮐﻮرﻟﯽ و ﺟﻮﯾﺎ، ؛2011ﺳﺎﺗﻮن و اﺳﺘﺎو، ،1995)ﻣﺎ ﯾﮏ ﻣﻘﺎﻟﻪ را ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺻﺤﺖ ﻧﻈﺮی در ﻧﻈﺮ ﮔﺮﻓﺘﯿﻢ اﮔﺮ 1)ﻣﺪل ﻣﻔﻬﻮﻣﯽ ﭼﯿﺴﺖ، 2)ﭼﮕﻮﻧﻪ، و 3)ﭼﺮا ﺑﺎﯾﺪ ﻣﺪل را ﺗﻮﺟﯿﻪ ﮐﻨﺪ. ﮐﺎر ﮐﺮدن ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻌﯿﺎرﻫﺎی ﻓﻮق، ﺗﻨﻬﺎ ٪21از ﻣﻘﺎﻻت ﺑﺮرﺳﯽ ﺷﺪه ﻣﻄﺎﻟﻌﺎت ﺧﻮد را ﺑﺮ اﺳﺎس ﻧﻈﺮﯾﻪ
ﻫﺎ ﯾﺎ ﺳﺎﺧﺘﺎرﻫﺎی ﻧﻈﺮی اﻧﺠﺎم دادﻧﺪ ،39 = (nﺑﺮای ﺟﺰﺋﯿﺎت ﺑﯿﺸﺘﺮ ﺑﻪ ﭘﯿﻮﺳﺖ ﻣﺮاﺟﻌﻪ ﮐﻨﯿﺪ.( ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﻨﻄﻘﯽ اﺳﺖ ﮐﻪ ﻧﺘﯿﺠﻪ ﺑﮕﯿﺮﯾﻢ ﮐﻪ اﮐﺜﺮ ﺗﺤﻘﯿﻘﺎت AI-HRMدر ﺗﻮﺳﻌﻪ ﻧﻈﺮی ﻧﺴﺒﺘﺎ ﺿﻌﯿﻒ ﻫﺴﺘﻨﺪ.

ﻧﻈﺮﯾﻪ ﻫﺎ در ﻣﻘﺎﻻت CS.ﺗﻨﻬﺎ 20درﺻﺪ از ﻣﻘﺎﻻت n) = 10 ( CSاز ﺗﺌﻮری ﻫﺎ اﺳﺘﻔﺎده ﻣﯽ ﮐﺮدﻧﺪ )ﺑﻪ ﭘﯿﻮﺳﺖ ﺑﺮای ﺗﻮاﺑﻊ ﺗﺤﺖ ﭘﻮﺷﺶ HRMﻣﺮاﺟﻌﻪ ﮐﻨﯿﺪ.( ﻧﻈﺮﯾﻪ ﻫﺎی ﺷﺨﺼﯿﺖ در ﻣﻄﺎﻟﻌﺎت ،6) = (n CSﺑﻪ وﯾﮋه ﻧﻈﺮﯾﻪ ﺑﺰرگ ﭘﻨﺞ 4) = (nﻣﺤﺒﻮﺑﯿﺖ ﺑﯿﺸﺘﺮی داﺷﺘﻨﺪ . اﺣﺘﻤﺎﻻً ﺑﻪ دﻟﯿﻞ ﮐﻨﻮاﻧﺴﯿﻮنlﻫﺎی اﻧﻀﺒﺎﻃﯽ، ﻣﺤﻘﻘﺎن CSﺑﻪ ﺟﺎی ﺑﺴﻂ ﻧﻈﺮﯾ lﻪﻫﺎ، ﻋﻼﻗﻪ ﺑﯿﺸﺘﺮی ﺑﻪ اﺳﺘﻔﺎده از آن داﺷﺘﻨﺪ، ﮐﻪ ﻣﺸﺎرﮐﺖ ﻧﻈﺮی آﻧﻬﺎ را ﻣﺤﺪود ﻣ lﯽﮐﺮد. ﺑﻪ ﻃﻮر اﺳﺘﺜﻨﺎﯾﯽ، (2019) Lin and Hung, Suen,و (2020) al. et Suenﻧﻈﺮﯾﻪ ﭘﻨﺞ ﺑﺰرگ را ﺑﺎ ﺗﺮﮐﯿﺐ آن ﺑﺎ ﻧﻈﺮﯾﻪ ﭘﺮدازش اﻃﻼﻋﺎت اﺟﺘﻤﺎﻋﯽ و ﻧﻈﺮﯾﻪ ﺳﯿﮕﻨﺎل دﻫﯽ اﺟﺘﻤﺎﻋﯽ ﮔﺴﺘﺮش داد. ﺳﺎﯾﺮ ﻣﺪلlﻫﺎی ﺷﺨﺼﯿﺘﯽ ﺷﺎﻣﻞ ﭼﺎرﭼﻮب ﺷﺎﺧﺺ ﻧﻮع ﻣﺎﯾﺮز-ﺑﺮﯾﮕﺰ )ﻟﯽ و آن، 2020)و ﻫﮕﺰاﮐﻮ )ﺟﺎﯾﺎراﺗﻨﻪ و ﺟﺎﯾﺎﺗﯿﻠﮑﻪ، 2020)ﺑﻮد. اﮔﺮﭼﻪ ﻟﯽ و آن (2020)اﻧﺘﺨﺎب ﻧﻈﺮی ﺧﻮد را ﺗﻮﺿﯿﺢ و ﺗﻮﺟﯿﻪ ﮐﺮدﻧﺪ، ﻫﺮ
دو ﻣﻘﺎﻟﻪ ﺗﻼش ﮐﻤﯽ ﺑﺮای ﺗﻮﺳﻌﻪ ﻧﻈﺮﯾﻪ ﻫﺎی ﮐﺎرﺑﺮدی اﻧﺠﺎم دادﻧﺪ.

ﺑﺮای ﺳﺎﯾﺮ ﻧﻈﺮﯾﻪ ﻫﺎ، ﻟﻮﮐﻮواک و ﻫﻤﮑﺎران. (2017)از ﻣﺎﺗﺮﯾﺲ BCGﻃﺒﻘﻪ ﺑﻨﺪی ﻣﺤﺼﻮﻻت ﺷﺮﮐﺘﯽ ﺑﺮای ﻣﺮﺗﺐ ﮐﺮدن ﮐﺎرﮐﻨﺎن ﺑﺮ اﺳﺎس ﻋﻤﻠﮑﺮد ﺑﺪون ﺗﻮﺟﯿﻪ اﻧﻄﺒﺎق ﻣﺎﺗﺮﯾﺲ BCGدر دﺳﺘﻪ ﺑﻨﺪی ﻋﻤﻠﮑﺮد HRMاﺳﺘﻔﺎده ﮐﺮد. اﺑﻮﺑﮑﺮ، ﺑﻬﺮوش، رﺿﺎﭘﻮراﻗﺪام و ﯾﻠﺪﯾﺰ، (2019)ﻧﻈﺮﯾﻪ ﻣﺎﻟﮑﯿﺖ رواﻧﺸﻨﺎﺧﺘﯽ را ﺑﺎ ﻧﻈﺮﯾﻪ ﺗﺒﺎدل اﺟﺘﻤﺎﻋﯽ ادﻏﺎم ﮐﺮدﻧﺪ اﻣﺎ ﺳﻬﻢ ﻧﻈﺮی ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در ﻣﺪﯾﺮﯾﺖ داﻧﺶ ﺑﻪ ﺟﺎی ﺣﻮزه AI-HRM
داﺷﺘﻨﺪ زﯾﺮا اﯾﻦ ﻣﻘﺎﻟﻪ ﯾﮏ ﻣﻘﺎﻟﻪ روش ﺑﻮد ﮐﻪ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻋﻨﻮان روﺷﯽ در داﻧﺶ ﮐﺎرﮐﻨﺎن اﺳﺘﻔﺎده ﻣﯽ ﮐﺮد. ﭘﮋوﻫﺶ. ﺑﺎ اﯾﻦ وﺟﻮد، ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻣﺜﺎل ﺗﺸﻮﯾﻖ ﮐﻨﻨﺪه، راﺑﺮت و ﻫﻤﮑﺎران. (2020)ﺑﻪ ﻃﻮر
ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﻧﻈﺮﯾﻪ ﻋﺪاﻟﺖ ﺳﺎزﻣﺎﻧﯽ را ﺑﻪ رﺷﺘﻪ CSﻣﻌﺮﻓﯽ ﮐﺮد و اﯾﻦ ﻧﻈﺮﯾﻪ را ﺑﻪ ﭼﺎرﭼﻮب ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻋﺎدﻻﻧﻪ ﮔﺴﺘﺮش داد.

ﺑﻪ ﻃﻮر ﮐﻠﯽ، داﻣﻨﻪ CSدر ﺗﺤﻮﻻت ﻧﻈﺮی ﻧﺴﺒﺘﺎ ﺿﻌﯿﻒ ﺑﻮد. ﻓﻘﻂ ﺑﺮﺧﯽ از ﻣﺤﻘﻘﺎن ﻧﻈﺮﯾﻪ ﻫﺎی ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ را ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻨﺪ و ﺑﯿﺸﺘﺮ ﻧﻈﺮﯾﻪ ﻫﺎی ﮐﺎرﺑﺮدی در ﻃﺮح ﻫﺎی ﻣﻔﻬﻮﻣﯽ ﻧﺴﺒﺘﺎً ﮐﻠﯽ و ﺳﺎده ﺑﻮدﻧﺪ. اﯾﻦ ﺗﻌﺠﺐ آور ﻧﺒﻮد زﯾﺮا داﻣﻨﻪ CSﺑﻪ ﻃﻮر ﻣﻌﻤﻮل ﺑﯿﺸﺘﺮ ﺑﺮ ﻣﺸﺎرﮐﺖ ﻫﺎی ﻋﻤﻠﯽ ﻣﺘﻤﺮﮐﺰ ﺑﻮد. ﺑﺎ اﯾﻦ وﺟﻮد، ﺑﺎزﻧﻤﺎﯾﯽ ﮐﻢ ﻧﻈﺮﯾﻪlﻫﺎی HRMﺑﯿﺸﺘﺮ ﻧﮕﺮاﻧﯽlﻫﺎی ﻣﺤﻘﻘﺎن MEرا در ﻣﻮرد ﻧﺎﮐﺎﻓﯽ ﺑﻮدن ﭘﺎﯾﻪ داﻧﺶ
HRMاﺑﺰارﻫﺎی ﺗﻮﺳﻌﻪlﯾﺎﻓﺘﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﺄﯾﯿﺪ ﮐﺮد ،2019) ،(Cappelliو ﺑﻨﺎﺑﺮاﯾﻦ ﻣﻤﮑﻦ اﺳﺖ اﻋﺘﺒﺎر ﻣﻄﺎﻟﻌﺎت CSرا ﮐﺎﻫﺶ دﻫﺪ.

ﻧﻈﺮﯾﻪ ﻫﺎ در ﻣﻘﺎﻻت EO.ﻓﻘﻂ 12%از ﻣﻘﺎﻻت 3) = (n EOاز ﺗﺌﻮری ﻫﺎ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ )ﭘﯿﻮﺳﺖ را ﺑﺮای ﺗﻮاﺑﻊ ﺗﺤﺖ ﭘﻮﺷﺶ HRMﺑﺒﯿﻨﯿﺪ.( ﻣﺸﺎﺑﻪ ﺣﻮزه ،CSﺣﻮز lهﻫﺎی EOﻧﯿﺰ ﺑﯿﺸﺘﺮ ﺟﻨﺒﻪ ﻋﻤﻠﯽ داﺷﺘﻨﺪ و ﺗﻮﺟﻪ ﮐﻤﺘﺮی ﺑﻪ ﺗﻮﺳﻌﻪ ﻧﻈﺮی داﺷﺘﻨﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﮐﻮن ﺗﻮﮔﯿﺎﻧﯿﺲ و ﮐﻮﺳﯿﺎوﻟﻮ (1999)از ﻣﺪل ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﺗﺎﮐﺘﯿﮑﯽ ﺗﺤﺖ اﺳﺘﺮس (TADMUS)اﺳﺘﻔﺎده ﮐﺮدﻧﺪ، ﯾﻌﻨﯽ ﯾﮏ ﻣﺪل ﻧﻈﺮی ﺑﺮای درک ﺗﺼﻤﯿﻢ
ﮔﯿﺮی، ﻫﻤﮑﺎری و اﻧﻄﺒﺎق ﺗﯿﻢ ﺗﺤﺖ اﺳﺘﺮس. ﻫﺪف ﻧﻮﯾﺴﻨﺪﮔﺎن ﻃﺮاﺣﯽ ﯾﮏ اﺑﺰار ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺪون اﺳﺘﺮس ﺑﺮ اﺳﺎس ،TADMUSﺑﻪ ﺟﺎی ﮔﺴﺘﺮش ﻣﺮزﻫﺎی ﻧﻈﺮی ﻣﺪل ﺑﻮد. ﺑﻪ ﻫﻤﯿﻦ ﺗﺮﺗﯿﺐ، ﭼﺎﺗﻮرودی و ﻫﻤﮑﺎران. (2015)اﺑﺰار ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺧﻮد را ﺑﺮ اﺳﺎس ﻣﺪل ﻋﺮﺿﻪ ﻧﯿﺮوی ﮐﺎر ﻧﺴﻞ اول ﺑﺪون ﺗﻮﺳﻌﻪ ﺑﯿﺸﺘﺮ ﻣﺪل ﺳﺎﺧﺘﻨﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﺗﺎ آﻧﺠﺎ ﮐﻪ آﻧﻬﺎ ﺗﻮﺿﯿﺢ دادﻧﺪ، اﯾﻦ ﻣﺪل ﺑﻪ ﺷﺪت ﻣﺤﺪود
ﺑﻪ اﺳﺘﺨﺪام در زﻣﯿﻨﻪ ﻫﺎی ﻧﻈﺎﻣﯽ ﺑﻮد.

ﺑﺎ اﯾﻦ وﺟﻮد، ﺷﻤﺎ و ﻫﻤﮑﺎران. (2018)در ﺗﻮﺳﻌﻪ ﻧﻈﺮﯾﻪ ﻫﺎی ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ ﺗﻼش ﮐﺮد. آﻧﻬﺎ ﻧﻈﺮﯾﻪ ای ﺑﻪ ﻧﺎم ﻣﺪل اﯾﻤﻨﯽ ﭘﺬﯾﺮش رﺑﺎت (RASM)را ﺑﺮای درک راﺑﻄﻪ ﺑﯿﻦ اﯾﻤﻨﯽ درک ﺷﺪه ﻓﺮدی و اﺳﺘﻔﺎده از رﺑﺎت ﻫﺎ اﯾﺠﺎد ﮐﺮدﻧﺪ. RASMاﺳﺘﺪﻻل ﮐﺮد ﮐﻪ ﺷﻨﺎﺳﺎﯾﯽ ﺗﯿﻢ و اﻋﺘﻤﺎد در ﻣﻮرد رﺑﺎت ﻣﯽ ﺗﻮاﻧﺪ ﺑﺮ اﯾﻤﻨﯽ درک ﺷﺪه ﻣﺮﺗﺒﻂ ﺑﺎ ﮐﺎر ﻣﺸﺘﺮک ﺗﺄﺛﯿﺮ ﺑﮕﺬارد. ﻣﺘﺄﺳﻔﺎﻧﻪ، ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻣﺪل ﻗﯿﺎﺳﯽ و ﮐﻤﯽ، RASMاﻋﺘﺒﺎر
ﻧﻈﺮی ﮐﺎﻓﯽ از ﻧﻈﺮﯾ lﻪﻫﺎی ﻗﺒﻠﯽ ﻧﺪاﺷﺖ و ﻧﻮﯾﺴﻨﺪﮔﺎن از آزﻣﺎﯾ ﻫﺎﯾﯽ ﺑﺎ ﺗﻨﻬﺎ 30ﺷﺮﮐﺖlﮐﻨﻨﺪه ﺑﺮای اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺪل اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. ﺑﻨﺎﺑﺮاﯾﻦ، اﮔﺮﭼﻪ RASMﻣﯽ ﺗﻮاﻧﺪ ﺑﺮای ﺗﺤﻘﯿﻘﺎت ﻫﻤﮑﺎری ﻫﻮش ﻣﺼﻨﻮﻋﯽ
و اﻧﺴﺎن ﻣﻔﯿﺪ ﺑﺎﺷﺪ، اﯾﻦ ﻧﻈﺮﯾﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﺮای اﯾﺠﺎد اﻋﺘﺒﺎر ﻧﯿﺎز ﺑﻪ اﻋﺘﺒﺎر ﺑﯿﺸﺘﺮی داﺷﺘﻪ ﺑﺎﺷﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ارزﯾﺎﺑ lﯽﻫﺎی ﻓﻮق، ﻣ lﯽﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ ﺣﻮز lهﻫﺎی EOدر ﻣﺒﺎﻧﯽ ﻧﻈﺮی و ﺗﺤﻮﻻت دارای ﻣﺸﮑﻼت
ﻗﺎﺑ lﻞﺗﻮﺟﻬﯽ ﺑﻮدﻧﺪ.

ﻧﻈﺮﯾﻪ ﻫﺎ در ﻣﻘﺎﻻت ME.ﻓﻘﻂ 25درﺻﺪ از ﻣﻘﺎﻻت n) = 19 ( MEاز ﺗﺌﻮری ﻫﺎ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ )ﺑﻪ ﭘﯿﻮﺳﺖ ﺑﺮای ﺗﻮاﺑﻊ ﺗﺤﺖ ﭘﻮﺷﺶ HRMﻣﺮاﺟﻌﻪ ﮐﻨﯿﺪ.( اﯾﻦ ﻧﻈﺮﯾﻪ ﻫﺎ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﻧﻈﺮﯾﻪ ﻫﺎی دﯾﮕﺮ ﺣﻮزه ﻫﺎ ﻣﺘﻨﻮع ﺗﺮ ﻫﺴﺘﻨﺪ. ﻗﺎﺑﻞ ذﮐﺮ اﺳﺖ، ﭼﻬﺎر ﻣﻘﺎﻟﻪ، ﻧﻈﺮﯾ lﻪﻫﺎ ﯾﺎ ﺳﺎﺧﺘﺎرﻫﺎی ﻧﻈﺮی ﺧﻮد را اراﺋﻪ ﮐﺮدﻧﺪ و ﻣﺸﺎرﮐﺖlﻫﺎی ﻧﻈﺮی ﻗﺎﺑﻞlﺗﻮﺟﻬﯽ داﺷﺘﻨﺪ. (2018) Rust and Huangﺑﻪ ﻃﻮر ﻣﻔﻬﻮﻣﯽ ﻧﻈﺮﯾﻪ
ﺟﺎﯾﮕﺰﯾﻨﯽ ﺷﻐﻞ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺗﻮﺳﻌﻪ دادﻧﺪ ﮐﻪ ﯾﮏ ﻣﺪل ﭼﻬﺎر ﻣﺮﺣﻠﻪ ای را ﺑﺮای ﺟﺎﯾﮕﺰﯾﻨﯽ وﻇﺎﯾﻒ ﺷﻐﻠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺸﺎن داد. اﮔﺮﭼﻪ ﻧﻮﯾﺴﻨﺪﮔﺎن ﻧﻈﺮﯾﻪ ﭘﯿﺸﻨﻬﺎدی را ﺑﻪ ﺻﻮرت ﺗﺠﺮﺑﯽ ﺗﺄﯾﯿﺪ ﻧﮑﺮدﻧﺪ، اﻣﺎ ﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ ﺑﺮای ﻣﻔﺎﻫﯿﻢ ﺳﺎزﮔﺎر در ﻣﻘﺎﻟﻪ دﯾﮕﺮی اراﺋﻪ ﮐﺮدﻧﺪ )ﻫﻮاﻧﮓ و ﻫﻤﮑﺎران، 2019).ﺑﺎ ﻋﻼﯾﻖ ﻣﺸﺎﺑﻪ در راﺑﻂ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﺳﺎﻣﭙﺴﻮن (2021)ﯾﮏ ﭼﺎرﭼﻮب اﺗﻮﻣﺎﺳﯿﻮن ﮐﺎر ﺣﺮﻓﻪ ای را ﺑﺮای
ﺗﻮﺻﯿﻒ ﺗﺄﺛﯿﺮات ﺑﺎﻟﻘﻮه اﺗﻮﻣﺎﺳﯿﻮن ﺑﺮ ﺳﺮوﯾﺲ ﻫﺎی ﺣﺮﻓﻪ ای ﻣﺨﺘﻠﻒ ﺗﻮﺳﻌﻪ داد و ﭼﺎرﭼﻮب را ﺑﺎ داده ﻫﺎی ﺗﺠﺮﺑﯽ اﻋﺘﺒﺎر ﺳﻨﺠﯽ ﮐﺮد، و ﻓﻠﻤﯿﻨﮓ (2019)ﺑﻪ ﺻﻮرت ﻣﻔﻬﻮﻣﯽ ﭘﯿﺸﻨﻬﺎد داد.

9

Machine Translated by Google

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33 Pan Y.و Froese FJ

ﺳﺎﺧﺘﺎری ﺑﻪ ﻧﺎم "اﺗﻮﻣﺎﺳﯿﻮن ﻣﺤﺪود"، ﮐﻪ ﺑﻪ ﭘﺘﺎﻧﺴﯿﻞ ﻣﺤﺪود اﺗﻮﻣﺎﺳﯿﻮن ﺑﻪ دﻟﯿﻞ ﻣﺤﺪودﯾﺖ ﻫﺎی اﺟﺘﻤﺎﻋﯽ-اﻗﺘﺼﺎدی-ﺳﯿﺎﺳﯽ اﺷﺎره دارد. ﺑﻌﻼوه، ﺑﺎ ﺗﮑﯿﻪ ﺑﺮ ﻣﺸﺎﻫﺪات ﺗﺠﺮﺑﯽ، (2019b) Beaneﺳﺎﺧﺘﺎری ﺑﻪ
ﻧﺎم "ﯾﺎدﮔﯿﺮی ﺳﺎﯾﻪ" ﺳﺎﺧﺖ ﺗﺎ در رﻓﺘﺎرﻫﺎی ﯾﺎدﮔﯿﺮی ﻧﺎﻣﺸﺮوع ﻓﺮدی، زﻣﺎﻧﯽ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻓﺮﺻﺖ ﻫﺎی آﻣﻮزﺷﯽ را ﮐﺎﻫﺶ ﻣﯽ دﻫﺪ، ﺗﻮﺿﯿﺢ دﻫﺪ.
ﺷﺶ ﻣﻘﺎﻟﻪ از ﺳﺎﺧﺘﺎرﻫﺎی ﻧﻈﺮی ﻧﺴﺒﺘﺎً ﻋﻤﻮﻣﯽ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ )ﺑﺮای ﺟﺰﺋﯿﺎت ﺑﯿﺸﺘﺮ ﺑﻪ ﭘﯿﻮﺳﺖ ﻣﺮاﺟﻌﻪ ﮐﻨﯿﺪ.( دو ﻣﻮرد از آﻧﻬﺎ ﻣﺮزﻫﺎی ﺳﺎﺧﺘﺎرﻫﺎی ﮐﺎرﺑﺮدی را ﮔﺴﺘﺮش دادﻧﺪ. ﻫﺎﻟﻔﻮرد (2022)از ﻣﺠﻤﻮﻋ lﻪای از ﺳﺎﺧﺘﺎرﻫﺎی ﻗﺪرت و ﮐﻨﺘﺮل ﺑﺮای اﯾﺠﺎد اﺳﺘﺪﻻ lلﻫﺎی ﻣﻔﻬﻮﻣﯽ اﺳﺘﻔﺎده ﮐﺮد و ﺑﻪ درک ﺟﺪﯾﺪی از ﺳﺎﺧﺘﺎرﻫﺎی اﺳﺘﻔﺎده ﺷﺪه در ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮐﻤﮏ ﮐﺮد. ﺑﺎرت و ﻫﻤﮑﺎران (2021)ﻣﻔﻬﻮم "ﺗﻨﻈﯿﻢ"
Pickeringرا در ﻣﻄﺎﻟﻌﻪ ﺧﻮد در ﻣﻮرد ﻣﺮزﻫﺎی ﺷﻐﻠﯽ ﺑﻪ ﺷﮑﻞ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﮐﺎر ﺑﺮدﻧﺪ و ﮔﺴﺘﺮش دادﻧﺪ. ﺗﻨﻈﯿﻢ ﺑﻪ ﯾﮏ ﻓﺮآﯾﻨﺪ ﻧﻮﻇﻬﻮر و ﻣﻮﻟﺪ ﻣﻘﺎوﻣﺖ، ﺗﻄﺒﯿﻖ، و ﭘﯿﮑﺮﺑﻨﺪی ﻣﺠﺪد در ﻃﻮل اﻧﺘﺸﺎر ﺑﺎزﮔﺸﺘﯽ ﻓﻨﺎوری ﺟﺪﯾﺪ اﺷﺎره دارد، زﻣﺎﻧﯽ ﮐﻪ ﺑﺮﻧﺎﻣ lﻪﻫﺎ، ﻋﻼﯾﻖ و ﺷﯿﻮ lهﻫﺎی اﻧﺴﺎﻧﯽ ﺑﺎ ﻓﻨﺎوری درﮔﯿﺮ ﻣ lﯽﺷﻮﻧﺪ. دﯾﮕﺮان ﺗﻼش ﮐﻤﯽ در ﮔﺴﺘﺮش ﺳﺎﺧﺘﺎرﻫﺎی ﮐﺎرﺑﺮدی اﻧﺠﺎم دادﻧﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، راث و ﭘﺮاﻧﺴﻮن (1999)از
ﯾﮏ ﺳﺎزه در ﺗﺌﻮری ﺑﺎزی ﻫﺎ ﺑﻪ ﻋﻨﻮان ﭘﺎﯾﻪ ﻧﻈﺮی زﯾﺮﺑﻨﺎﯾﯽ ﺑﺮای ﻃﺮاﺣﯽ اﺑﺰار ﮐﺎرﮐﻨﺎن اﺳﺘﻔﺎده ﮐﺮدﻧﺪ، اﻣﺎ ﻫﺪف آﻧﻬﺎ ﮐﻤﮏ ﺑﻪ ﺗﻮﺳﻌﻪ ﺳﺎزه ﻧﺒﻮد.

ﺳﺎﯾﺮ ﻣﻘﺎﻻت از ﻧﻈﺮﯾﻪ ﻫﺎی ﺗﺜﺒﯿﺖ ﺷﺪه ﺑﻪ روﺷﯽ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﺗﺮ و ﭘﯿﭽﯿﺪه ﺗﺮ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ، اﮔﺮﭼﻪ ﺑﺮﺧﯽ ﻫﻨﻮز ﻣﻮﺿﻊ ﻧﺴﺒﺘﺎً ﻧﺎﻣﺸﺨﺼﯽ در اراﺋﻪ ﻣﺸﺎرﮐﺖ ﻫﺎی ﻧﻈﺮی داﺷﺘﻨﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻧﯿﻮﻟﻨﺪز (2020)ﻧﻈﺮﯾﻪ ﺳﻪ ﮔﺎﻧﻪ ﻓﻀﺎﯾﯽ ﻫﻨﺮی ﻟﻮﻓﻮر را ﺑﺎ ﻣﺸﺎرﮐﺖ ﻧﻈﺮی ﻧﺎﻣﺸﺨﺺ ﺑﻪ ﮐﺎر ﺑﺮد. ﻧﻈﺮﯾﻪ ﺳﻪ ﮔﺎﻧﻪ ﻓﻀﺎﯾﯽ اﻧﻮاع ﻣﺨﺘﻠﻒ ﻓﻀﺎﻫﺎی )ﻣﺎدی/اﺟﺘﻤﺎﻋﯽ( و ﺗﻌﺎﻣﻼت آﻧﻬﺎ را ﻣﻮرد ﺑﺤﺚ ﻗﺮار ﻣﯽ دﻫﺪ. ﻫﻤﭽﻨﯿﻦ
وﺟﻮد ﯾﮏ ﺳﻪ ﮔﺎﻧﻪ ﻓﻀﺎﯾﯽ ﻣﺘﺸﮑﻞ از ﺑﺎزﻧﻤﺎﯾﯽ ﻫﺎی اﻧﺘﺰاﻋﯽ از ﻓﻀﺎ )ﻓﻀﺎی ﺗﺼﻮر ﺷﺪه(، اﻋﻤﺎل ﻓﻀﺎﯾﯽ ﻣﻌﻤﻮﻟﯽ )ﻓﻀﺎی درک ﺷﺪه( و ﻓﻀﺎی ﺑﺎزﻧﻤﺎﯾﯽ ذﻫﻨﯽ )ﻓﻀﺎی زﻧﺪﮔﯽ( را اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ. ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ، Xuو ﻫﻤﮑﺎران. (2020)ﺳﯿﺴﺘﻢ ﺑﻪ ﻃﻮر آزﻣﻮدﻧﯽ ﺗﺌﻮری ﺗﻐﯿﯿﺮ ﺳﺎزﻣﺎﻧﯽ را ﺑﺎ ﺗﻮﺳﻌﻪ ﻧﻈﺮی ﻣﺒﻬﻢ ﺑﻪ ﮐﺎر ﺑﺮد. اﯾﻦ ﻧﻈﺮﯾﻪ اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺳﺎزﻣﺎن ﻫﺎ ﺑﺎﯾﺪ ﺗﻮاﻧﺎﯾﯽ ﺳﺎزﮔﺎری ﺑﺎ ﺗﻐﯿﯿﺮات ﻣﺴﺘﻤﺮ را ﺑﻪ روش ﻫﺎی
ﻣﺨﺘﻠﻒ ﺗﻮﺳﻌﻪ دﻫﻨﺪ.

در ﻣﻘﺎﺑﻞ، ﺑﺮﺧﯽ از ﻣﺤﻘﻘﺎن در درﺟﻪ اول از ﻃﺮﯾﻖ ﺳﻨﺘﺰﻫﺎی ﻧﻈﺮی، ﺗﺤﻮﻻت ﻧﻈﺮی ﻣﻬﻤﯽ را اﯾﺠﺎد ﮐﺮدﻧﺪ. ﻣﺎﮐﺎرﯾﻮس و ﻫﻤﮑﺎران ،(2020)ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺗﺌﻮری ﺳﯿﺴﺘﻢ ﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ را ﺑﺎ ﭼﺎرﭼﻮب ﺟﺎﻣﻌﻪ ﭘﺬﯾﺮی ﺳﺎزﻣﺎﻧﯽ ﯾﮑﭙﺎرﭼﻪ ﮐﺮد ﺗﺎ ﻣﺪﻟﯽ از ادﻏﺎم ﻫﻮش ﻣﺼﻨﻮﻋﯽ-ﮐﺎرﻣﻨﺪ را ﺗﻮﺳﻌﻪ دﻫﺪ، ﮐﻪ ﺑﺎ ﻣﻮﻓﻘﯿﺖ ﻣﺮزﻫﺎی ﻧﻈﺮی را ﮔﺴﺘﺮش داد. ﺗﺌﻮری ﺳﯿﺴﺘﻢlﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ ﺑﺮ ﺗﻌﺎﻣﻼت ﺑﯿﻦ ﻋﻮاﻣﻞ اﺟﺘﻤﺎﻋﯽ و
ﻓﻨﯽ در ﺗﺄﺛﯿﺮﮔﺬاری ﺑﺮ اﺳﺘﻔﺎده از ﻓﻨﺎوریlﻫﺎ ﺗﺄﮐﯿﺪ ﻣﯽlﮐﻨﺪ و ﭼﺎرﭼﻮب اﺟﺘﻤﺎﻋ lﯽﺳﺎزی ﻣ lﯽﺗﻮاﻧﺪ ﺑﻪ ﺗﻮﺿﯿﺢ ﻓﺮآﯾﻨﺪ ﭼﻨﯿﻦ ﺗﺄﺛﯿﺮات اﺟﺘﻤﺎﻋﯽ-ﻓﻨﯽ ﮐﻤﮏ ﮐﻨﺪ. ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ، ﮔﻮ و ﻫﻤﮑﺎران. (2019)ﻧﻈﺮﯾﻪ ﻋﻤﻠﮑﺮد- ﻧﮕﻬﺪاری (PM)رﻫﺒﺮی و ﻧﻈﺮﯾﻪ ﻫﻤﺰﻣﺎﻧﯽ رﺳﺎﻧﻪ را ادﻏﺎم ﮐﺮد. ﻧﻈﺮﯾﻪ PMاﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ ﮐﻪ ﻋﻤﻠﮑﺮد ﮐﺎرﮐﻨﺎن و ﺣﻔﻆ رواﺑﻂ ﮐﺎرﮐﻨﺎن دو ﺑﻌﺪ رﻓﺘﺎر رﻫﺒﺮان ﻫﺴﺘﻨﺪ. ﻧﻈﺮﯾﻪ ﻫﻤﺰﻣﺎﻧﯽ رﺳﺎﻧﻪ اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ ﮐﻪ
ﺗﻮاﻧﺎﯾﯽ رﺳﺎﻧﻪ ای ﻗﻮی ﺗﺮ، اﺛﺮﺑﺨﺸﯽ ارﺗﺒﺎط را ﺑﺎ اراﺋﻪ ﻫﻤﺰﻣﺎﻧﯽ اﻃﻼﻋﺎت اﻓﺰاﯾﺶ ﻣﯽ دﻫﺪ. ﻧﻮﯾﺴﻨﺪﮔﺎن اﺛﺮﺑﺨﺸﯽ ارﺗﺒﺎط ﮔﺮوﻫﯽ را از ﻫﻤﺰﻣﺎﻧﯽ رﺳﺎﻧﻪ ﺑﻪ ﻧﻈﺮﯾﻪ PMاﺿﺎﻓﻪ ﮐﺮدﻧﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﻧﯿﻮﻣﻦ و ﻫﻤﮑﺎران. (2020)از ﻧﻈﺮﯾﻪ ﻋﺪاﻟﺖ ﺳﺎزﻣﺎﻧﯽ ﺑﺎ ﺗﻤﺮﮐﺰ وﯾﮋه ﺑﺮ ﻋﺪاﻟﺖ روﯾﻪ ادراک ﺷﺪه اﺳﺘﻔﺎده ﮐﺮد. ﻧﻮﯾﺴﻨﺪﮔﺎن ﺑﺎ ﻧﺸﺎن دادن اﻫﻤﯿﺖ ﻣﺸﺎرﮐﺖ اﻧﺴﺎن در اﻓﺰاﯾﺶ ﻋﺪاﻟﺖ روﯾﻪ درک ﺷﺪه ﺑﻪ اﯾﻦ ﻧﻈﺮﯾﻪ ﮐﻤﮏ ﮐﺮدﻧﺪ. ﺑﻪ ﻃﻮر
ﮐﻠﯽ، ﻣﻘﺎﻻت MEدر ﺗﻮﺳﻌﻪ ﺗﺌﻮری در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﺳﺎﯾﺮﯾﻦ ﺑﻬﺘﺮ ﺑﻮدﻧﺪ، و ﻣﺎ در ﺑﺨﺶlﻫﺎی ﺑﻌﺪی ﺑﯿﺸﺘﺮ در ﻣﻮرد ﺳﻬﻢ ﺑﺎﻟﻘﻮه آﻧﻬﺎ در ﭘﯿﺸﺮﻓ ﻫﺎی ﻧﻈﺮی آﯾﻨﺪه ﺑﺤﺚ ﺧﻮاﻫﯿﻢ ﮐﺮد.

ﻧﻈﺮﯾﻪ ﻫﺎ در ﻣﻘﺎﻻت OT.ﺗﻨﻬﺎ 20درﺻﺪ از ﻣﻘﺎﻻت 7) = (n OTاز ﺗﺌﻮری ﻫﺎ اﺳﺘﻔﺎده ﻣﯽ ﮐﺮدﻧﺪ )ﺑﻪ ﭘﯿﻮﺳﺖ ﺑﺮای ﺗﻮاﺑﻊ ﺗﺤﺖ ﭘﻮﺷﺶ HRMﻣﺮاﺟﻌﻪ ﮐﻨﯿﺪ.( ﻗﺎﺑﻞ ﺗﻮﺟﻪ، ﺑﺎ ﻣﺸﺎﻫﺪات ﺗﺠﺮﺑﯽ، ﺗﻮﻣﯽ و ﻫﻤﮑﺎران. (2020)ﺗﺌﻮری ﺟﺪﯾﺪی ﺑﻪ ﻧﺎم ﮐﺎر ﺷﺎﯾﺴﺘﻪ از ﻃﺮﯾﻖ اﺗﻮﻣﺎﺳﯿﻮن اراﺋﻪ ﮐﺮد ﮐﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﺳﻪ ﻋﺎﻣﻞ، ﯾﻌﻨﯽ اﺛﺮﺑﺨﺸﯽ ﻫﻤﮑﺎری اﻧﺴﺎن و ﻣﺎﺷﯿﻦ، ﺷﺮاﯾﻂ ﮐﺎری و ﺳﻄﺢ ﺗﻮاﻧﻤﻨﺪی، ﺗﻮاﻧﺎﯾﯽ ﻫﻮش
ﻣﺼﻨﻮﻋﯽ ﺑﺮای اراﺋﻪ ﮐﺎر ﺷﺎﯾﺴﺘﻪ در آﯾﻨﺪه را ﺗﻌﯿﯿﻦ ﻣﯽ ﮐﻨﺪ.

ﺑﯿﺸﺘﺮ ﻣﻘﺎﻻت دﯾﮕﺮ ﺑﻪ ﺟﺎی ﺑﺴﻂ ﺗﺌﻮری ﻫﺎ، ﻋﻼﻗﻪ ﺑﯿﺸﺘﺮی ﺑﻪ ﮐﺎرﺑﺮد داﺷﺘﻨﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻟﯿﻨﺪن (2017)ﺑﻪ ﻃﻮر ﮐﻠﯽ ﺳﺎﺧﺘﺎر اﺟﺘﻤﺎﻋﯽ ﻧﻈﺮﯾﻪ ﻓﻨﺎوری را در ﻣﻄﺎﻟﻌﻪ اﮐﺘﺸﺎﻓﯽ ﺑﻪ ﮐﺎر ﺑﺮد. ﺳﺎﺧﺖ اﺟﺘﻤﺎﻋﯽ
ﻓﻨﺎوری اﺳﺘﺪﻻل ﻣ lﯽﮐﻨﺪ ﮐﻪ ﮐﻨ ﻫﺎی اﻧﺴﺎﻧﯽ ﻓﻨﺎوریlﻫﺎ را ﺷﮑﻞ ﻣ lﯽدﻫﻨﺪ، ﺑﻨﺎﺑﺮاﯾﻦ اﻧﺘﺸﺎر ﻓﻨﺎوری در زﻣﯿﻨ lﻪﻫﺎی اﺟﺘﻤﺎﻋﯽ آن ﺗﻌﺒﯿﻪ ﺷﺪه اﺳﺖ. ﺳﻮﺋﻦ، ﭼﻦ و ﻟﻮ (2019)اﺟﺘﻤﺎﻋﯽ را در ﻧﻈﺮﯾﻪ ﭘﺮدازش ﺷﮑﻞlﮔﯿﺮی،
ﻧﻈﺮﯾﻪ ﻏﻨﺎی رﺳﺎﻧﻪ و ﻧﻈﺮﯾﻪ راﺑﻂ اﺟﺘﻤﺎﻋﯽ ﺑﺮای ﺳﺎﺧﺘﻦ ﻓﺮﺿﯿﻪlﻫﺎ ﺑﻪ ﮐﺎر ﺑﺮدﻧﺪ. ﺑﺎ اﯾﻦ ﺣﺎل، ﻧﻮﯾﺴﻨﺪﮔﺎن ﺗﻮﺿﯿﺢ و ﺗﺮﮐﯿﺐ ﻧﺎﮐﺎﻓﯽ از اﯾﻦ ﻧﻈﺮﯾﻪ ﻫﺎ، ﺑﻪ وﯾﮋه ﺑﺮای ﻧﻈﺮﯾﻪ راﺑﻂ اﺟﺘﻤﺎﻋﯽ اراﺋﻪ ﮐﺮدﻧﺪ. ﺟﮑﺴﻮن و ﻫﻤﮑﺎران (2020)ﻧﻈﺮﯾﻪ ﻃﺒﻘﻪ ﺑﻨﺪی اﺟﺘﻤﺎﻋﯽ را ﺑﺎ ارﺟﺎع ﺧﺎص ﺑﻪ ﻣﺪل ﻣﺸﺘﺮک ﻫﻮﯾﺖ درون ﮔﺮوﻫﯽ اﻋﻤﺎل ﮐﺮد. اﮔﺮﭼﻪ ﻧﻮﯾﺴﻨﺪﮔﺎن وﺟﻮد ﻫﻮﯾﺖ ﮔﺮوﻫﯽ را در ﺗﻌﺎﻣﻼت ﻫﻮش ﻣﺼﻨﻮﻋﯽ و اﻧﺴﺎن ﺗﻮﺟﯿﻪ ﮐﺮدﻧﺪ، اﯾﻦ ﻣﻘﺎﻟﻪ
ﺗﻼ ﻫﺎی ﻣﺤﺪودی را ﺑﺮای ﮔﺴﺘﺮش ﺑﯿﺸﺘﺮ ﻧﻈﺮﯾﻪ اﻧﺠﺎم داد. ﻟﯽ (2018)ﻧﻈﺮﯾﻪ راﯾﺎﻧ lﻪﻫﺎی ﺑﺎزﯾﮕﺮان اﺟﺘﻤﺎﻋﯽ (CASA)را ﺑﺎ ﻣﺸﺎرﮐﺖlﻫﺎی ﻧﻈﺮی ﻧﺎﻣﺸﺨﺺ ﺑﻪ ﮐﺎر ﺑﺮد. اﯾﻦ ﻧﻈﺮﯾﻪ ﺑﯿﺎن ﻣﯽ ﮐﻨﺪ ﮐﻪ ﻣﺮدم راﯾﺎﻧﻪ ﻫﺎ را
ﺑﻪ ﻋﻨﻮان ﺑﺎزﯾﮕﺮان اﺟﺘﻤﺎﻋﯽ در ﻧﻈﺮ ﻣﯽ ﮔﯿﺮﻧﺪ، ﺑﻨﺎﺑﺮاﯾﻦ آﻧﻬﺎ در ﺗﻌﺎﻣﻼت ﺑﯿﻦ ﻓﺮدی ﻣﻨﻈﻢ ﺑﺮ اﺳﺎس ﻫﻤﺎن اﺻﻮل اﺟﺘﻤﺎﻋﯽ و رواﻧﺸﻨﺎﺧﺘﯽ ﺑﻪ راﯾﺎﻧﻪ ﻫﺎ ﭘﺎﺳﺦ ﻣﯽ دﻫﻨﺪ.

¨
،ﺑﺎ اﯾﻦ وﺟﻮد، ﺷﻮاﻫﺪی ﺑﺮای ﺗﻮﺳﻌﻪ ﻧﻈﺮی وﺟﻮد دارد. اوﺗﯿﻨﮓ و ﻣﺎﯾﺮ (2018)

ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺗﺌﻮری CASAرا ﺑﺎ ﻧﻈﺮﯾﻪ ﻋﺪاﻟﺖ ﺳﺎزﻣﺎﻧﯽ ادﻏﺎم

ﮐﺮد و ﻣﺮزﻫﺎی ﻧﻈﺮی CASAرا ﺑﺎ اﻋﺘﺒﺎر ﺑﺨﺸﯿﺪن ﺑﻪ ﻧﻈﺮﯾﻪ در زﻣﯿﻨ lﻪﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﻋﺪاﻟﺖ روﯾ lﻪای ﺗﺼﻤﯿﻢlﮔﯿﺮیlﻫﺎ ﮔﺴﺘﺮش داد. ﻋﻼوه ﺑﺮ اﯾﻦ، راﻧﺪل و ﻫﻤﮑﺎران. (2021)ﺳﺎﺧﺖ ﮐﺎر ﻣﺮزی ﯾﮑﭙﺎرﭼﻪ ﺑﺎ ﺗﺌﻮری ﺳﻔﺎرش ﺗﻮاﻓﻘﯽ. ﮐﺎر ﻣﺮزی ﺑﻪ ﺳﺎﺧﺘﻦ ﻣﺮزﻫﺎی ﺷﻐﻠﯽ اﺷﺎره دارد. دﺳﺘﻮر ﻣﺬاﮐﺮه ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺗﻐﯿﯿﺮات ﻣﻨﺠﺮ ﺑﻪ ﻣﺬاﮐﺮه ﻣﺠﺪد در ﻣﻮرد ﻧﻈﻢ ﻫﺎی اﺟﺘﻤﺎﻋﯽ ﻣﯽ ﺷﻮد. ﻧﻮﯾﺴﻨﺪﮔﺎن ﻣﻔﺎﻫﯿﻢ ﻣﺬاﮐﺮه ﻣﺠﺪد را در
ﮐﺎر ﻣﺮزی ﻣﻌﺮﻓﯽ ﮐﺮدﻧﺪ ﺗﺎ ﺑﺎزﺗﻮﻟﯿﺪ ﺣﺮﻓﻪ ای ﻫﺎ را ﭘﯿﺸﻨﻬﺎد ﮐﻨﻨﺪ. ﺑﻪ ﻃﻮر ﮐﻠﯽ، ﻣﻘﺎﻻت OTدر ﻣﺸﺎرﮐﺖ ﻫﺎی ﻧﻈﺮی ﻧﺴﺒﺘﺎ ﺿﻌﯿﻒ ﺑﻮدﻧﺪ، اﻣﺎ آﻧﻬﺎ ﻫﻤﭽﻨﺎن ﻧﻈﺮﯾﻪ ﻫﺎﯾﯽ ﺑﺎ ﭘﺘﺎﻧﺴﯿﻞ ﺑﺎﻻ را ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﺮدﻧﺪ.

3.3.ارزﯾﺎﺑﯽ روش

ﻣﻘﺎﻻت در رﺷﺘﻪ ﻫﺎی ﻣﺨﺘﻠﻒ از روش ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﺤﻘﯿﻖ ﭘﯿﺮوی ﻣﯽ ﮐﺮدﻧﺪ. اﮐﺜﺮ ﻣﻘﺎﻻت در رﺷﺘﻪ ﻫﺎی ﻓﻨﯽ از روش ﻫﺎی ﻣﺮﺳﻮم در زﻣﯿﻨﻪ ﻣﺪﯾﺮﯾﺖ اﺳﺘﻔﺎده ﻧﻤﯽ ﮐﺮدﻧﺪ، زﯾﺮا ﻫﺪف آﻧﻬﺎ ﺳﺎﺧﺖ اﺑﺰارﻫﺎی
ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻮد و روش آﻧﻬﺎ ﺑﻪ ﻓﺮآﯾﻨﺪ ﺗﻮﺳﻌﻪ ﺗﮑﻨﯿﮏ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺷﺎره داﺷﺖ. ارزﯾﺎﺑﯽ ﺗﮑﻨﯿﮏ ﻫﺎی ﻣﺨﺘﻠﻒ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻓﺮاﺗﺮ از ﻣﺤﺪوده اﯾﻦ ﺑﺮرﺳﯽ اﺳﺖ، ﺑﻨﺎﺑﺮاﯾﻦ ﻣﺎ ﻓﻘﻂ ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ ﺗﮑﻨﯿﮏ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ درﮔﯿﺮ را ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ. در ﻫﻤﯿﻦ ﺣﺎل، 13ﻣﻘﺎﻟﻪ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻋﻨﻮان روش ﺗﺤﻘﯿﻖ در ﻣﻄﺎﻟﻌﺎت HRMاﺳﺘﻔﺎده ﮐﺮدﻧﺪ. آﻧﻬﺎ ﻧﻤﻮﻧﻪ ﻫﺎی ارزﺷﻤﻨﺪی را ﺑﺮای ﻣﺤﻘﻘﯿﻦ آﯾﻨﺪه
اراﺋﻪ ﮐﺮدﻧﺪ. از آﻧﺠﺎﯾﯽ ﮐﻪ در ﻫﯿﭻ ﻣﻘﺎﻟﻪ ﻣﻔﻬﻮﻣﯽ از روش ﺧﺎﺻﯽ اﺳﺘﻔﺎده ﻧﺸﺪه اﺳﺖ، ﻣﺎ ﻓﻘﻂ در ﺑﺨﺶ ﻫﺎی ﺑﻌﺪی روش ﻫﺎ را در ﻣﻄﺎﻟﻌﺎت ﺗﺠﺮﺑﯽ ارزﯾﺎﺑﯽ ﺧﻮاﻫﯿﻢ ﮐﺮد.

روش ﻫﺎ در ﻣﻘﺎﻻت CS.در 41ﻣﻘﺎﻟﻪ ﺗﺠﺮﺑﯽ 34) = (n ٪82 ،CSﺳﯿﺴﺘﻢ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺗﻮﺳﻌﻪ دادﻧﺪ و از روش ﻫﺎی ﻣﺮﺳﻮم در ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ اﺳﺘﻔﺎده ﻧﮑﺮدﻧﺪ. رو ﻫﺎی آﻧﻬﺎ را ﺑﺎ ﺗﮑﻨﯿ ﻫﺎی
ﻣﻮرد اﺳﺘﻔﺎده و ﮐﯿﻔﯿﺖ دادهlﻫﺎ ارزﯾﺎﺑﯽ ﮐﺮدﯾﻢ. اﮔﺮﭼﻪ ﻣﻘﺎﯾﺴﻪ ﻫﻤﻪ ﺗﮑﻨﯿﮏ ﻫﺎ ﺑﺎ ﺟﺰﺋﯿﺎت ﻏﯿﺮﻣﻤﮑﻦ اﺳﺖ، زﯾﺮا ﻣﺤﻘﻘﺎن از ﻃﯿﻒ ﮔﺴﺘﺮده ای از ﺗﮑﻨﯿﮏ ﻫﺎ ﺑﺎ اﺻﻄﻼﺣﺎت ﻣﺨﺘﻠﻒ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ، ﺑﻪ ﻧﻈﺮ ﻣﯽ
رﺳﺪ اﺑﺰارﻫﺎی HRMﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺴﺒﺘﺎً دارای
10

Machine Translated by Google

FJ Froese وY. Pan

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

ﻃﺮاﺣ lﯽﻫﺎی ﻓﻨﯽ ﭘﯿﭽﯿﺪه، زﯾﺮا ﺣﺪاﻗﻞ ۶۲ﻣﻘﺎﻟﻪ از دو ﯾﺎ ﭼﻨﺪ ﺗﮑﻨﯿﮏ ﻧﺎ lمﮔﺬاری ﺷﺪه ﺑﺮای ﺳﺎﺧﺖ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺧﻮد اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. ﻣﺤﺒﻮب ﺗﺮﯾﻦ ﺗﮑﻨﯿﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ 18) = (nو ﺑﻪ دﻧﺒﺎل آن ﺧﻮﺷﻪ ﺑﻨﺪی
ﻓﺎزی 9) = (nو ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ 6) = (n (NLP)ﺑﻮد. ﺷﺒﮑﻪ ﻋﺼﺒﯽ، ﺧﻮﺷ lﻪﺑﻨﺪی ﻓﺎزی و NLPﻋﺒﺎراﺗﯽ ﮐﻠﯽ ﺑﻮدﻧﺪ ﮐﻪ ﺑﻪ ﺷﺎﺧﻪlﻫﺎی ﻣﺨﺘﻠﻒ اﻟﮕﻮرﯾﺘﻢlﻫﺎ ﺑﺎ ﻋﻤﻠﮑﺮدﻫﺎی ﻣﺸﺎﺑﻪ اﺷﺎره داﺷﺘﻨﺪ. ﺑﺮای ﮐﯿﻔﯿﺖ داد lهﻫﺎ، 19 ﻣﻘﺎﻟﻪ از دادهlﻫﺎی ﺛﺎﻧﻮﯾﻪ ﺑﺮای ﺗﻮﺳﻌﻪ اﺑﺰارﻫﺎ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ، ﮐﻪ در آﻧﻬﺎ ﺑﯿﺸﺘﺮ اﻧﺪازه داد lهﻫﺎی ﺑﺰرﮔﯽ داﺷﺘﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Benabderrahmaneو ﻫﻤﮑﺎران، 2018)ﺑﺎ ﺗﻨﻬﺎ ﻫﻔﺖ ﻣﻘﺎﻟﻪ دارای دادهlﻫﺎی ﮐﻤﺘﺮ از
10000ﻧﻤﻮﻧﻪ. ﻫﺸﺖ ﻣﻘﺎﻟﻪ اﺑﺰارﻫﺎﯾﯽ را ﺑﺎ آزﻣﺎﯾ ﻫﺎی ﺑﻼدرﻧﮓ ﯾﺎ ﻣﺸﺎﻫﺪات آزﻣﺎﯾﺸﮕﺎﻫﯽ ﺗﻮﺳﻌﻪ دادﻧﺪ و اﻃﻼﻋﺎت ﻣﺤﺪودی در ﻣﻮرد ﮐﯿﻔﯿﺖ داد lهﻫﺎ اراﺋﻪ ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﮐﺎرﻧﯿﺮو و ﻫﻤﮑﺎران، 2017).ﻫﻔﺖ
ﻣﻘﺎﻟﻪ از داده ﻫﺎی ﻧﻈﺮﺳﻨﺠﯽ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ،2020) ،Oliveira Goesاﻣﺎ ﺗﻨﻬﺎ دو ﻣﻘﺎﻟﻪ ﺑﯿﺶ از 1000ﻧﻤﻮﻧﻪ داﺷﺘﻨﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ اﻟﮕﻮرﯾﺘﻢlﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻌﻤﻮﻻً ﺑﻪ داد lهﻫﺎی آﻣﻮزﺷﯽ ﺑﺎ اﻧeﺪاDزه&ﺑﺰرگ ﻧﯿﺎز دارﻧﺪ، اﻧﺪازه دادهlﻫﺎی ﮐﻮﭼﮏ اﻋﺘﺒﺎر اﺑﺰارﻫﺎی ﺗﻮﺳﻌ lﻪﯾﺎﻓﺘﻪ را ﮐﺎﻫﺶ ﻣ lﯽدﻫﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، اﺣﺘﻤﺎﻻً ﺑﺎ ﻣﺤﺪودﯾﺖ داﻧﺶ داﻣﻨﻪ، اﻋﺘﺒﺎر ﻧﻈﺮﺳﻨﺠﯽ در ﺑﺮﺧﯽ از ﻣﻘﺎﻻت CSاز دﯾﺪﮔﺎه ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ ﻣﺸﮑﻞ
ﺳﺎز ﺑﻮد. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺧﺴﻼ و ﻫﻤﮑﺎران. (2009)ﺳﺆاﻻت ﻧﻈﺮﺳﻨﺠﯽ ﺧﻮد را ﺑﺪون اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﻘﯿﺎس ﻣﻨﺎﺳﺐ ﻃﺮاﺣﯽ ﮐﺮدﻧﺪ و ﻓﻘﻂ آﻟﻔﺎی ﮐﺮوﻧﺒﺎخ را ﺑﺮای ﺗﻮﺟﯿﻪ ﭘﺎﯾﺎﯾﯽ اﻧﺪازه ﮔﯿﺮی اراﺋﻪ ﮐﺮدﻧﺪ.

ﭼﻬﺎر ﻣﻘﺎﻟﻪ CSاز رو lشﻫﺎی ﻣﺮﺳﻮم ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ ﮐﻤﯽ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. ﻓﻘﻂ دوراﯾﺴﻮاﻣﯽ و ﻫﻤﮑﺎران. (2020)از ﭘﯿﻤﺎﯾﺶ ﮐﻤﯽ ﺑﺎ ﺣﺠﻢ داده ﮐﺎﻓﯽ )ﻧﻤﻮﻧﻪ ﺑﯿﺶ از 500)اﺳﺘﻔﺎده ﮐﺮدﻧﺪ، اﻣﺎ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ آﻧﻬﺎ ﻓﻘﻂ ﺑﺎ ﻧﺘﺎﯾﺞ ﻓﺮاواﻧﯽ-درﺻﺪ ﺗﻮﺻﯿﻔﯽ ﺑﻮد. دﯾﮕﺮان از روش ﻫﺎی ﺗﺠﺮﺑﯽ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺳﻮﺋﻦ و ﻫﻤﮑﺎران، 2020).ﺑﺎ اﯾﻦ ﺣﺎل، ﺗﻨﻬﺎ ﻫﯿﻨﺪز، راﺑﺮﺗﺰ و ﺟﻮﻧﺰ (2004)ﺑﯿﺶ از 100ﺷﺮﮐﺖ ﮐﻨﻨﺪه داﺷﺘﻨﺪ و ﻫﻮﭘﺮ و ﻫﻤﮑﺎران. (1998)ﻫﻤﭽﻨﯿﻦ ﻧﺘﺎﯾﺞ ﺗﻮﺻﯿﻔﯽ را ﮔﺰارش ﮐﺮد ﮐﻪ ﻧﺸﺎن دﻫﻨﺪه ﻣﺸﮑﻼت روش در اﻧﺪازه داده ﻫﺎ و دﻗﺖ آﻣﺎری اﺳﺖ. ﺳﻪ ﻣﻘﺎﻟﻪ CSﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﻪ ﻋﻨﻮان ﯾﮏ روش ﺗﺤﻘﯿﻘﺎﺗﯽ در ﻣﻄﺎﻟﻌﺎت
HRMﺗﺮوﯾﺞ ﮐﺮدﻧﺪ، از ﺟﻤﻠﻪ دو ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺮای ﭘﯿﺶlﺑﯿﻨﯽ رواﺑﻂ ﻏﯿﺮﺧﻄﯽ ﺑﺎ دادهlﻫﺎی ﻧﻈﺮﺳﻨﺠﯽ )اﺑﻮﺑﮑﺎر، ﺑﻬﺮوش، رﺿﺎﭘﻮراﻗﺪام، و ﯾﻠﺪﯾﺰ، 2013) ،Flesch & ،Valentina Dalla ،Possamai ،Oliveira De ؛2019
و ﺗﺮﮐﯿﺒﯽ از NLPو ﯾﮏ اﻟﮕﻮرﯾﺘﻢ ﺧﻮﺷ lﻪﺑﻨﺪی ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ ﺑﺎ داد lهﻫﺎی ﺛﺎﻧﻮﯾﻪ )ﭘﮋﯾﮏ-ﺑﺎخ و ﻫﻤﮑﺎران، 2020).در ﺣﺎﻟﯽ ﮐﻪ اﯾﻦ ﺳﻪ ﻣﻘﺎﻟﻪ ﻣﺤﻘﻘﺎن HRMرا ﺗﺸﻮﯾﻖ ﮐﺮدﻧﺪ ﺗﺎ از رو ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻬﺮه ﺑﺒﺮﻧﺪ، اﻧﺪازه
داد lهﻫﺎی آﻧﻬﺎ ﺑﺮای ﺗﺤﻠﯿﻞlﻫﺎی اﻟﮕﻮرﯾﺘﻤﯽ ﻧﺴﺒﺘﺎً ﮐﻮﭼﮏ ﺑﻮد )ﻧﻤﻮﻧﻪlﻫﺎی ﮐﻤﺘﺮ از ،10000)و اﻋﺘﺒﺎر روش ﮐﺎﻓﯽ ﻧﺪاﺷﺘﻨﺪ، ﮐﻪ ﻧﮕﺮاﻧﯽlﻫﺎی ﻣﺎ را در ﻣﻮرد اﻋﺘﺒﺎر روش اﻓﺰاﯾﺶ داد. ﺑﻪ ﻃﻮر ﮐﻠﯽ، ﺑﯿﺸﺘﺮ ﻣﻘﺎﻻت CSﺑﺮای ﺗﻮﺳﻌﻪ
ﻓﻨﯽ دارای اﻧﺪازه داده ﻫﺎی ﻧﺴﺒﺘﺎً ﻗﻮی اﻣﺎ ﮐﯿﻔﯿﺖ ﻧﻈﺮﺳﻨﺠﯽ ﺿﻌﯿﻒ ﺑﻮدﻧﺪ، در ﺣﺎﻟﯽ ﮐﻪ ﺳﺎﯾﺮ ﻣﻘﺎﻻت CSﺑﻪ ﻃﻮر ﮐﻠﯽ ﻣﻌﺎﯾﺐ روش ﺷﻨﺎﺧﺘﯽ را ﻧﺸﺎن دادﻧﺪ.

روش ﻫﺎ در ﻣﻘﺎﻻت EO.در 16ﻣﻘﺎﻟﻪ ﺗﺠﺮﺑﯽ 14) = (n ٪88 ،EOاﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺪون اﺳﺘﻔﺎده از روش ﻫﺎی ﻣﺮﺳﻮم ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ ﺗﻮﺳﻌﻪ دادﻧﺪ، ﺑﻨﺎﺑﺮاﯾﻦ ﻣﺎ آﻧﻬﺎ را ﻧﯿﺰ ﺑﺎ ﺗﮑﻨﯿﮏ ﻫﺎی اﺳﺘﻔﺎده ﺷﺪه
و ﮐﯿﻔﯿﺖ داده ارزﯾﺎﺑﯽ ﮐﺮدﯾﻢ. ﺑﺮای ﺗﮑﻨﯿ ﻫﺎ، ﭘﻨﺞ ﻣﻘﺎﻟﻪ EOﺑﻪ ﻧﺎم ﺗﮑﻨﯿﮏlﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده اﺷﺎره ﻧﮑﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Capraraو ﻫﻤﮑﺎران، 1998).دﯾﮕﺮان از ﺗﮑﻨﯿﮏ ﻫﺎی ﻣﺘﻨﻮﻋﯽ ﻣﺎﻧﻨﺪ ﺷﺒﮑﻪ ﻋﺼﺒﯽ )ﺑﻪ ﻋﻨﻮان
ﻣﺜﺎل، Shimomuraو ﻫﻤﮑﺎران، ،2013)ﺟﻨﮕﻞ ﺗﺼﺎدﻓﯽ 2021) ،Saar-Tsechansky & (Gevaو ﻏﯿﺮه اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. ﺑﺎ اﯾﻦ وﺟﻮد، ﻣﻘﺎﻻت EOﻫﯿﭻ اوﻟﻮﯾﺘﯽ ﺑﺮای ﻫﯿﭻ ﺗﮑﻨﯿﮏ ﺧﺎﺻﯽ ﻧﺸﺎن ﻧﺪادﻧﺪ. ﺑﺮای ﮐﯿﻔﯿﺖ دادهlﻫﺎ، ﻣﻘﺎﻻت EOاﻃﻼﻋﺎت ﻧﺎﮐﺎﻓﯽ داده را ﺑﺎ دادهlﻫﺎی ﺛﺎﻧﻮﯾﻪ ،9 = (nﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﮐﯿﻢ و ﻣﻬﺮوﺗﺮا، 2015)و داد lهﻫﺎی آزﻣﻮن زﻣﺎن واﻗﻌﯽ ،3 = (nﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺗﺮوو و ﻫﻤﮑﺎران، 2010)اراﺋﻪ ﮐﺮدﻧﺪ. ﻓﻘﻂ Geva
و (2021) Saar-Tsechanskyاﻃﻼﻋﺎت دﻗﯿﻘﯽ را ﺑﺮای داده ﻫﺎی ﺛﺎﻧﻮﯾﻪ ﻣﻮرد اﺳﺘﻔﺎده اراﺋﻪ ﮐﺮدﻧﺪ. در ﻫﻤﯿﻦ ﺣﺎل، دو ﻣﻘﺎﻟﻪ از داد lهﻫﺎی ﻧﻈﺮﺳﻨﺠﯽ ﺑﺎ اﻧﺪازه ﮐﻮﭼﮏ ﺑﺮای ﺗﻮﺳﻌﻪ اﺑﺰار اﺳﺘﻔﺎده ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل،
ﺷﯿﻤﻮﻣﻮرا و ﻫﻤﮑﺎران، ،2013)اﻣﺎ ﺗﻨﻬﺎ آزاده و زرﯾﻦ (2016)ﺷﻮاﻫﺪی ﻣﺒﻨﯽ ﺑﺮ اﻋﺘﺒﺎر اﻧﺪاز lهﮔﯿﺮی اراﺋﻪ ﮐﺮدﻧﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﺷﻤﺎ و ﻫﻤﮑﺎران. (2018)ﯾﮏ روش آزﻣﺎﯾﺸﯽ را ﺗﻨﻬﺎ ﺑﺎ 30ﺷﺮﮐ lﺖﮐﻨﻨﺪه اﻋﻤﺎل ﮐﺮد. در ﻧﺘﯿﺠﻪ،
ﮐﯿﻔﯿﺖ ﻧﺎﻣﻮﺟﻪ داده را ﺑﻪ ﻋﻨﻮان ﻣﺸﮑﻞ اﺻﻠﯽ روش ﺷﻨﺎﺧﺘﯽ در ﻣﻘﺎﻻت EOدر ﻧﻈﺮ ﮔﺮﻓﺘﯿﻢ.

روش ﻫﺎ در ﻣﻘﺎﻻت ME.در 53ﻣﻘﺎﻟﻪ ﺗﺠﺮﺑﯽ ،MEﺑﯿﺸﺘﺮ از رو ﻫﺎی ﻣﺮﺳﻮم در ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ 34 (ﻧﻔﺮ.( آﺷﮑﺎر ﻣﯽ ﺷﻮد ﮐﻪ ﻣﺤﻘﻘﺎن MEروش ﻫﺎی ﮐﻤﯽ را ﻣﯽ ﭘﺮﺳﺘﻨﺪ 28). = (nآﻧﻬﺎ در
درﺟﻪ اول داده ﻫﺎی ﮐﻤﯽ را از ﻣﻨﺎﺑﻊ ﺛﺎﻧﻮﯾﻪ ،14) = (nﻧﻈﺮﺳﻨﺠﯽ ،8) = (nو آزﻣﺎﯾﺶ 5) = (nﺟﻤﻊ آوری ﮐﺮدﻧﺪ. ﺑﺮای ﻣﻘﺎﻻﺗﯽ ﺑﺎ دادهlﻫﺎی ﺛﺎﻧﻮﯾﻪ، ﺗﻨﻬﺎ ﺳﻪ اﻧﺪازه داده ﺑﺰرگ ﺗﺎﯾﯿﺪ ﺷﺪه )ﻧﻤﻮﻧﻪlﻫﺎی ﺑﯿﺶ از )1000)ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻟﯽ و ﻫﻤﮑﺎران، 2020).دﯾﮕﺮان ﺟﺰﺋﯿﺎت داده ﻣﺎﻧﻨﺪ ﺳﺎﺧﺘﺎر ﯾﺎ اﻧﺪازه را ﮔﺰارش ﻧﮑﺮدﻧﺪ. ﺟﺎﻟﺐ ﺗﻮﺟﻪ اﺳﺖ ﮐﻪ ﺗﻤﺎم ﻣﻘﺎﻻت ﺑﺪون اﻃﻼﻋﺎت دﻗﯿﻖ داده ﻫﺎ ﺑﺮ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ در ﺳﻄﺢ ﮐﻼن، ﺑﻪ وﯾﮋه در ﻣﻮرد ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮏ ﻣﺘﻤﺮﮐﺰ ﺷﺪه اﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺑﺮگ و ﻫﻤﮑﺎران، 2018).ﻣﻘﺎﻻت ﻣﻄﺎﻟﻌﺎت ﺳﻄﺢ ﮐﻼن ﻧﯿﺰ از ﻣﻔﺮوﺿﺎت ﺳﺎده ﺳﺎزی ﺷﺪه در ﺳﺎﺧﺘﻤﺎن ﻫﺎی ﻣﺪل اﻗﺘﺼﺎدی رﻧﺞ ﻣﯽ ﺑﺮدﻧﺪ. ﺑﺮای ﻣﺜﺎل، در ﺣﺎﻟﯽ ﮐﻪ ﺷﻮاﻫﺪ
ﺗﺠﺮﺑﯽ ﺗﻔﺎو ﻫﺎی ﺻﻨﻌﺘﯽ و ﻣﻨﻄﻘ lﻪای را در ﭘﺬﯾﺮش رﺑﺎت ﻧﺸﺎن ﻣﯽlدﻫﻨﺪ )ﻣﺎﻧﻨﺪ Gentili ؛2020 ،Restrepo & Acemogluو ﻫﻤﮑﺎران، ،2020)ﺑﺮﺧﯽ از ﻣﺤﻘﻘﺎن ﻓﺮض ﮐﺮدﻧﺪ ﮐﻪ روﺑﺎ ﻫﺎ ﺑﻪ ﻃﻮر ﯾﮑﺴﺎن ﺑﺮ ﺗﻤﺎم
ﺻﻨﺎﯾﻊ و ﻣﻨﺎﻃﻖ ﻗﺒﻞ از ﺳﺎﺧﺖ ﻣﺪ lلﻫﺎی ﻣﻔﻬﻮﻣﯽ ﺗﺄﺛﯿﺮ ﻣ lﯽﮔﺬارﻧﺪ )ﻣﺎﻧﻨﺪ Leigh).و ﻫﻤﮑﺎران، 2020).ﺑﻨﺎﺑﺮاﯾﻦ، اﯾﻦ ﻣﻄﺎﻟﻌﺎت ﻣﻤﮑﻦ اﺳﺖ ﺷﺎﻣﻞ ﺳﻮﮔﯿﺮی وارﯾﺎﻧﺲ ﺑﺎﺷﺪ.

ﺑﺮای ﻣﻘﺎﻻﺗﯽ ﺑﺎ داده ﻫﺎی ﻧﻈﺮﺳﻨﺠﯽ، ﺗﻨﻬﺎ ﺳﻪ ﻣﻘﺎﻟﻪ دارای ﺣﺠﻢ داده ﻧﺴﺒﺘﺎً ﮐﻮﭼﮑﯽ ﺑﻮدﻧﺪ )ﻧﻤﻮﻧﻪ 200) )<ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، راﻣﭙﺮﺳﺎد، 2020).در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﻣﻘﺎﻻت ﺳﺎﯾﺮ رﺷﺘﻪlﻫﺎ، ﻣﻘﺎﻻت MEدر ﻣﻄﺎﻟﻌﺎت
ﭘﯿﻤﺎﯾﺸﯽ، ﻣﻌﻤﻮﻻً ﺑﺎ ﯾﮏ ﺳﺮی ﺗﮑﻨﯿ ﻫﺎی اﻋﺘﺒﺎر، دﻗﺖ روشlﺷﻨﺎﺧﺘﯽ ﻗﻮ lیﺗﺮی داﺷﺘﻨﺪ. ﺑﺎ اﯾﻦ ﺣﺎل، ﺑﺮﺧﯽ ﻫﻨﻮز ﻣﺸﮑﻼت روش ﺷﻨﺎﺧﺘﯽ را در اﻋﺘﺒﺎر اﻧﺪازه ﮔﯿﺮی ﻧﺸﺎن ﻣﯽ دﻫﻨﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﭼﻨﺪﯾﻦ ﻣﺤﻘﻖ از
ﻣﻘﯿﺎس ﯾﮑﺴﺎﻧﯽ ﺑﺮای اﻧﺪازه ﮔﯿﺮی ادراک ﮐﺎرﮐﻨﺎن از اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺑﺮوﮔﺎم و ﻫﺎر، ؛2020ﻟﯽ و ﻫﻤﮑﺎران، 2019).در ﺣﺎﻟﯽ ﮐﻪ ﺑﺮﺧﯽ اﯾﻦ ﻣﻌﯿﺎر را ﺑﻪ ﻋﻨﻮان آﮔﺎﻫﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ درک ﻣﯽlﮐﻨﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻟﯽ و ﻫﻤﮑﺎران، ،2019)ﻣﻮارد زﯾﺮﺑﻨﺎﯾﯽ ﻧﺸﺎن ﻣﯽlدﻫﺪ ﮐﻪ ﻣﻘﯿﺎس ﺗﻬﺪﯾﺪات ﻓﻨﺎوریlﻫﺎ را ارزﯾﺎﺑﯽ ﻣ lﯽﮐﻨﺪ )ﺑﺮوﮔﺎم و ﻫﺎر، 2020).ﺑﻨﺎﺑﺮاﯾﻦ، اﻧﺪازهlﮔﯿﺮی ﻧﺎﻣﻨﺎﺳﺐ »آﮔﺎﻫﯽ ﻫﻮش
ﻣﺼﻨﻮﻋﯽ« ﻣﯽlﺗﻮاﻧﺪ ﻣﻨﺠﺮ ﺑﻪ ﺗﻔﺴﯿﺮ ﻧﺎدرﺳﺖ از ﭘﺪﯾﺪ lهﻫﺎی ﺗﺠﺮﺑﯽ ﺷﻮد و در ﻧﺘﯿﺠﻪ ﻧﮕﺮاﻧﯽ ﻣﺎ را در ﻣﻮرد اﻋﺘﺒﺎر ﺧﺎرﺟﯽ اﻧﺪاز lهﮔﯿﺮی اﻓﺰاﯾﺶ دﻫﺪ. ﺑﺮای ﻣﻄﺎﻟﻌﺎت ﺗﺠﺮﺑﯽ، ﻣﺤﻘﻘﺎن ﺗﻤﺎﯾﻞ ﺑﻪ اﻧﺠﺎم »آزﻣﺎﯾﺶlﻫﺎی ﻣﯿﺪاﻧﯽ«
داﺷﺘﻨﺪ )ﻻﻣﺒﺮﺷﺖ و ﺗﺎﮐﺮ، ،2019)ﮐﻪ ﺑﻪ آزﻣﺎﯾ ﻫﺎی ﺻﺤﺮاﯾﯽ ﻏﯿﺮﻣﺘﻌﺎرف در ﻣﺤﯿ lﻂﻫﺎی ﺻﻨﻌﺘﯽ واﻗﻌﯽ اﺷﺎره داﺷﺖ )ﻣﺜﻼً، ﻻﻣﺒﺮﺷﺖ و ﺗﺎﮐﺮ، ؛2019وال و ﻫﻤﮑﺎران، 1992).ﻗﺎﺑﻞ ذﮐﺮ اﺳﺖ ﮐﻪ ﻻﻣﺒﺮﺷﺖ و ﺗﺎﮐﺮ
(2019)ﺑﯿﺶ از ﯾﮏ ﻣﯿﻠﯿﻮن داده را از ﻃﺮﯾﻖ "آزﻣﻮن ﻣﯿﺪاﻧﯽ" ﺧﻮد ﺗﻮﻟﯿﺪ ﮐﺮدﻧﺪ ﮐﻪ اﻧﺪازه داده ﺑﺴﯿﺎر ﺑﺰرﮔﯽ در آزﻣﺎﯾﺸﺎت ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ ﺑﻮد. ﻋﻼوه ﺑﺮ اﯾﻦ، ﻧﯿﻮﻣﻦ و ﻫﻤﮑﺎران. (2020)ﻫﻤﭽﻨﯿﻦ ﺑﯿﺶ از 2400ﻧﻤﻮﻧﻪ را ﺑﺎ
دورﻫﺎی ﻣﺘﻌﺪد آزﻣﺎﯾﺶ، ﺑﺎ داده ﻫﺎی ﺗﺮﮐﯿﺒﯽ از ﮐﺎرﻣﻨﺪ، ،MTurkو ﺷﺮﮐﺖ ﮐﻨﻨﺪﮔﺎن داﻧﺸﺠﻮ ﺟﻤﻊ آوری ﮐﺮد.

ﺷﺶ ﻣﻘﺎﻟﻪ ﮐﯿﻔﯽ MEاز روﯾﮑﺮدﻫﺎی ﻣﺘﻨﻮﻋﯽ از ﺟﻤﻠﻪ ﻣﺮدم ﻧﮕﺎری ،2019b) (Beane,ﻣﻄﺎﻟﻌﻪ ﻣﯿﺪاﻧﯽ ،2015) Orlikowski, & (Beaneﺗﺤﻠﯿﻞ ﻣﺤﺘﻮا 2020) al., et (Seeberو روش دﻟﻔﯽ 2020) al., et (Xu اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. دﯾﮕﺮان روش ﺧﺎﺻﯽ را ﺗﻮﺟﯿﻪ ﻧﮑﺮدﻧﺪ. ﺑﻪ ﺟﺰ ﻣﻄﺎﻟﻌﺎت ﺑﺎ ﻧﻈﺮﺳﻨﺠ lﯽﻫﺎی ﭘﺎﺳﺦ ﺑﺎز ﮐﻮﭼﮏ ،2020) al., et Xu 2020; al., et (Seeberاﮐﺜﺮ ﻣﻄﺎﻟﻌﺎت ﮐﯿﻔﯽ دارای ﻣﺜﻠﺚ ﺑﻨﺪی دادهlﻫﺎی ﺧﻮﺑﯽ از
ﻣﺼﺎﺣﺒ lﻪﻫﺎ، ﻣﺸﺎﻫﺪات ﺷﺨﺼﯽ و ﻣﻮاد ﺛﺎﻧﻮﯾﻪ ﺑﻮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ؛2012 ، al. et Barrettﺑﯿﻦ، 2019b).ﺑﺎ اﯾﻦ وﺟﻮد، آنlﻫﺎ ﺟﺰﺋﯿﺎت اﻃﻼﻋﺎﺗﯽ ﻧﺎﮐﺎﻓﯽ از ﻣﻮاد ﻏﯿﺮﻣﺼﺎﺣﺒﻪ اراﺋﻪ ﮐﺮدﻧﺪ.

ﻧﻪ ﻣﻘﺎﻟﻪ MEﺑﺮ ﺗﻮﺳﻌﻪ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺘﻤﺮﮐﺰ ﺷﺪه اﺳﺖ. اﮔﺮﭼﻪ ﻣﺤﻘﻘﺎن ﻫﯿﭻ ﺗﺮﺟﯿﺤﯽ ﺑﺮای ﺗﮑﻨﯿ ﻫﺎی ﺧﺎﺻﯽ ﻧﺸﺎن ﻧﺪادﻧﺪ، ﻫﻤﻪ آﻧﻬﺎ از داد lهﻫﺎی ﺛﺎﻧﻮﯾﻪ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ، از ﺟﻤﻠﻪ ﭼﻬﺎر داده ﺑﺎ ﺳﺎﺧﺘﺎر
داده ﻧﺎﻣﺸﺨﺺ )ﻣﺎﻧﻨﺪ آذرﯾﻞ و ﻫﻤﮑﺎران، ،2019)ﺳﻪ ﺑﺎ داد lهﻫﺎی ﻧﺴﺒﺘﺎً ﻧﺎﮐﺎﻓﯽ )ﻣﺎﻧﻨﺪ ﺑﺮوﻣﻮری و ﻫﻤﮑﺎران، ،2021)و دو ﺑﺎ داده ﻫﺎی ﮐﺎﻓﯽ ﺑﺮای ﺗﻮﺳﻌﻪ اﻟﮕﻮرﯾﺘﻢ ﻫﺎ )ﻟﯿﻮ و ﻫﻤﮑﺎران، ؛2020راث و ﭘﺮاﻧﺴﻮن، 10 1999).
ﻣﻘﺎﻟﻪ دﯾﮕﺮ روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ را در ﻣﻄﺎﻟﻌﺎت HRMﺗﺮوﯾﺞ ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻣﯿﻦ ﺑﺎﺷﯿﺎن، ﺑﺮاﯾﺖ و ﺑﺮد، 2010).آ lنﻫﺎ ﺗﻮاﻧﺎﯾﯽ ﺗﮑﻨﯿ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را در ﺗﺸﺨﯿﺺ اﻟﮕﻮﻫﺎ )ﻣﺎﻧﻨﺪ ﺳﺎﻣﺮز و ﮐﺎزال، ،2009)
ﮔﺮو lهﻫﺎی ﺧﻮﺷ lﻪای )ﻣﺎﻧﻨﺪ ﮐﺎرﺗﻦ و ﮐﺎﻣﯿﻨﮕﺰ، ،2013)ﯾﺎ ﭘﯿ ﺑﯿﻨﯽ اﻟﮕﻮﻫﺎی آﯾﻨﺪه )ﻣﺎﻧﻨﺪ اﺳﭙﯿﺴﺎک، ون در ﻻﮐﻦ، و دورﻧﻨﺒﺎل، 2019)ﻧﺸﺎن دادﻧﺪ. .( ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺎ ﭼﻬﺎر ﻣﻘﺎﻟﻪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ،2009) ،Casal &
Somersﭘﺲ از NLPﺑﺎ ﺳﻪ ﻣﻘﺎﻟﻪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Campionو ﻫﻤﮑﺎران، 2016)ﻣﺤﺒﻮب ﺗﺮﯾﻦ ﺗﮑﻨﯿﮏ ﺑﻮد . ﻣﺤﻘﻘﺎن ﺳﻌﯽ ﮐﺮدﻧﺪ ﺑﻪ ﺷﺪت از روش ﺟﺪﯾﺪ اﺳﺘﻔﺎده ﮐﻨﻨﺪ، اﻣﺎ

11

Machine Translated by Google

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33 Pan Y.و Froese FJ

ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﯿﺪ ﮐﻪ آﻧﻬﺎ از اﺳﺘﺎﻧﺪاردﻫﺎی ﻣﺘﻔﺎوﺗﯽ ﭘﯿﺮوی ﻣﯽ ﮐﺮدﻧﺪ، در درﺟﻪ اول ﺑﻪ دﻟﯿﻞ ﻓﻘﺪان ﯾﮏ ﻗﺮارداد ﮐﻠﯽ روش ﺷﻨﺎﺧﺘﯽ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، در ﺣﺎﻟﯽ ﮐﻪ (2020) Speerﺷﻮاﻫﺪی ﺑﺮای ﺣﻤﺎﯾﺖ از اﻋﺘﺒﺎر اﻧﺪازه ﮔﯿﺮی
روش NLPاراﺋﻪ ﮐﺮد، Prüferو (2020) Prüferاﻋﺘﺒﺎر روش ﻣﺸﺎﺑﻬﯽ را ﺣﺘﯽ ﺑﺎ روﯾﮑﺮد روش ﻣﺸﺎﺑﻪ اراﺋﻪ ﻧﮑﺮدﻧﺪ. ﻗﺎﺑﻞ ذﮐﺮ اﺳﺖ ﮐﻪ روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﺘﺎﻧﺴﯿﻞ ﻣﺜﻠ ﺳﺎزی دادهlﻫﺎ را ﺗﺸﻮﯾﻖ ﻣﯽlﮐﻨﺪ. اﮐﺜﺮ ﻣﻘﺎﻻت
ﺑﺎ روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ 7) = (nاز داد lهﻫﺎی ﺛﺎﻧﻮﯾﻪ از ﻣﻨﺎﺑﻊ ﻣﺘﻌﺪد ﺑﺎ ﺳﺎﺧﺘﺎر ﻧﺴﺒﺘﺎً ﭘﯿﭽﯿﺪه ﯾﺎ اﻧﺪازه ﺑﺰرگ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. ﺑﺮای ﻣﺜﺎل، Choudhuryو ﻫﻤﮑﺎران. (2021)از ﻣﺸﺎﻫﺪات ﻣﺨﺘﻠﻒ 1191ﮐﺎرﻣﻨﺪ ﺑﺮای ﺑﯿﺶ از
40ﻣﺎه اﺳﺘﻔﺎده ﮐﺮدﻧﺪ و Prüferو (2020) Prüferاز داده ﻫﺎی ﺑﯿﺶ از 7.7ﻣﯿﻠﯿﻮن آﮔﻬﯽ ﺷﻐﻠﯽ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ.

روش ﻫﺎ در ﻣﻘﺎﻻت OT.در 25ﻣﻘﺎﻟﻪ ﺗﺠﺮﺑﯽ ،OTاﮐﺜﺮ 20) = (nاز رو lشﻫﺎی ﻣﺮﺳﻮم در ﻋﻠﻮم اﺟﺘﻤﺎﻋﯽ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. ﻣﻄﺎﻟﻌﺎت ﮐﻤﯽ داده ﻫﺎ را از آزﻣﺎﯾﺶ 7 (ﻧﻔﺮ( و ﻧﻈﺮﺳﻨﺠﯽ 5 (ﻧﻔﺮ( ﺟﻤﻊ آوری ﮐﺮدﻧﺪ. ﻣﻄﺎﻟﻌﺎت ﺗﺠﺮﺑﯽ از رﺷﺘﻪ ﻫﺎی رواﻧﺸﻨﺎﺳﯽ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، واﯾﺘﺰ و ﻧﻮرﺗﻮن، ،2014)ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ )رﯾﭽﺴﺘﻮن و ﻫﻤﮑﺎران، 2010)و ﻋﻠﻮم اﻋﺼﺎب )ﮔﺮاﻧﻮﻟﻮ و ﻫﻤﮑﺎران، 2019)اﻧﺠﺎم ﺷﺪه اﺳﺖ . اﺣﺘﻤﺎﻻً ﺑﻪ دﻟﯿﻞ ﻗﺮاردادﻫﺎی
اﻧﻀﺒﺎﻃﯽ ﺧﻮد در اﻧﺠﺎم آزﻣﺎﯾ ﻫﺎ، اﮐﺜﺮ ﻣﻘﺎﻻت از رو ﻫﺎی ﻧﺴﺒﺘﺎً ﭘﯿﭽﯿﺪه ﺑﺎ آزﻣﺎﯾﺶlﻫﺎی ﻣﺘﻌﺪد ﺑﺮای ﺗﮑﺮار و ﺗﺄﯾﯿﺪ ﯾﺎﻓﺘ lﻪﻫﺎ اﺳﺘﻔﺎده ﻣﯽlﮐﻨﻨﺪ )ﻣﺎﻧﻨﺪ Granuloو ﻫﻤﮑﺎران، ،2019)ﺑﻪ اﺳﺘﺜﻨﺎی (2019) Lu and Chen,
Suen,و . (2018) Leeدر ﻧﺘﯿﺠﻪ، ﻣﻘﺎﻻت ﺑﺎ روشlﻫﺎی ﺗﺠﺮﺑﯽ ﺣﺠﻢ داده ﻧﺴﺒﺘﺎً زﯾﺎدی داﺷﺘﻨﺪ. ﻗﺎﺑﻞ ذﮐﺮ اﺳﺖ، ﺳﻪ ﻣﻘﺎﻟﻪ ﻓﻘﻂ ﺷﺮﮐﺖ ﮐﻨﻨﺪﮔﺎﻧﯽ از آﻣﺎزون MTurkداﺷﺘﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻟﯽ، 2018).ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ دﺷﻮاری ﮐﻨﺘﺮل ﺗﺼﺎدﻓﯽ ﺑﺎ روﯾﮑﺮد ،MTurkاﻋﺘﺒﺎر داده ﻫﺎ ﻣﻤﮑﻦ اﺳﺖ ﻣﺸﮑﻠﯽ ﺑﺮای ﮐﺎﻫﺶ اﻋﺘﺒﺎر روش ﺑﺎﺷﺪ. در ﻫﻤﯿﻦ ﺣﺎل، اﮐﺜﺮ ﻣﻘﺎﻻت ﺑﺎ ﺑﺮرﺳﯽ ﮐﻤﯽ از رﺷﺘﻪ ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ و ﻧﺴﺒﺘﺎً ﺗﻮﺻﯿﻔﯽ ﺑﻮدﻧﺪ )ﺑﻪ
ﻋﻨﻮان ﻣﺜﺎل، ﻋﺒﺪﷲ و ﻓﮑﯿﻪ، ،2020)ﺑﻪ اﺳﺘﺜﻨﺎی Esch Vanو ﻫﻤﮑﺎران. (2019).ﻣﻮﺿﻮع ﺗﻮﺻﯿﻔﯽ دو ﺷﺎﺧﺺ داﺷﺖ. اﺑﺘﺪا، ﻧﻮﯾﺴﻨﺪﮔﺎن از اﻧﺪاز lهﮔﯿﺮیlﻫﺎی ﻏﯿﺮﻗﺎﺑﻞ ﺗﻮﺟﯿﻪ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ و اﻋﺘﺒﺎر اﻧﺪاز lهﮔﯿﺮی ﻧﺎﮐﺎﻓﯽ اراﺋﻪ ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2018). ،Arheart & ،Alvarez ،Collado-Mesaدوم، آﻧﻬﺎ از روش ﻫﺎی آﻣﺎری ﻧﺴﺒﺘﺎً اﺑﺘﺪاﯾﯽ ﺑﺮای ﺗﻮﻟﯿﺪ ﻧﺘﺎﯾﺞ ﺗﻮﺻﯿﻔﯽ اﺳﺘﻔﺎده ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻋﺒﺪﷲ و ﻓﮑﯿﻪ، 2020).اﮔﺮﭼﻪ ﭼﻨﯿﻦ
"ﻣﻄﺎﻟﻌﻪ ﺗﻮﺻﯿﻔﯽ ﻣﺸﺎﻫﺪه Mesa (Collado "یاو ﻫﻤﮑﺎران، 2018)ﻣﻤﮑﻦ اﺳﺖ در رﺷﺘﻪ ﻫﺎی ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ ﻣﺮﺳﻮم ﺑﺎﺷﺪ، اﻣﺎ ﻣﺸﮑﻞ روش ﺷﻨﺎﺧﺘﯽ ﻫﻤﭽﻨﺎن ﭘﺎﯾﺎﯾﯽ ﻣﺤﺪود ﻣﻄﺎﻟﻌﺎت ﭘﯿﻤﺎﯾﺸﯽ در ﻣﻘﺎﻻت
OTرا ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﻨﺪ.

ﻫﺸﺖ ﻣﻘﺎﻟﻪ OTاز روشlﻫﺎی ﮐﯿﻔﯽ، از ﺟﻤﻠﻪ ﻣﺮدمlﻧﮕﺎری )ﺑﯿﺮﭼﻨﻞ، ؛2018راﻧﺪل و ﻫﻤﮑﺎران، ؛2021راﯾﺖ، ،2019)ﻧﻈﺮﯾﻪ زﻣﯿﻨ lﻪای، )ﺳﺎﻧﺪو و ﻫﻤﮑﺎران، ؛2020ﺗﻮوﻣﯽ و ﻫﻤﮑﺎران، 2020)و ﺳﺎﯾﺮ روﯾﮑﺮدﻫﺎی ﮐﯿﻔﯽ ﺑ lﯽﻧﺎم اﺳﺘﻔﺎده ﮐﺮدﻧﺪ. )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻟﯿﻨﺪن، 2017).اﮔﺮﭼﻪ ﺳﻪ ﻣﻄﺎﻟﻌﻪ ﻗﻮم ﻧﮕﺎری در ﻣﺜﻠﺚ ﺑﻨﺪی داده ﻫﺎ دارای ﻣﺰاﯾﺎﯾﯽ ﺑﻮدﻧﺪ، ﺳﺎﯾﺮ ﻣﻄﺎﻟﻌﺎت ﮐﯿﻔﯽ از ﻣﺸﮑﻼت روش رﻧﺞ ﻣﯽ ﺑﺮدﻧﺪ، از ﺟﻤﻠﻪ اﻧﺪازه داده ﻧﺎﮐﺎﻓﯽ )ﻧﻤﻮﻧﻪ
50) )<ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Tuomiو ﻫﻤﮑﺎران، 2020)و اﻃﻼﻋﺎت داده ﻫﺎی ﻧﺎﻣﺸﺨﺺ . 2020). al., et (Tubaroﻋﻼوه ﺑﺮ اﯾﻦ، ﭘﻨﺞ ﻣﻘﺎﻟﻪ OTاﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺪون اوﻟﻮﯾﺖ ﻫﺎی ﺗﮑﻨﯿﮑﯽ ﺗﻮﺳﻌﻪ دادﻧﺪ. ﻓﻘﻂ
ﭼﻨﮓ و ﻫﻤﮑﺎران (2020)از داده ﻫﺎی ﻧﺴﺒﺘﺎً ﺑﺰرگ ﺑﺎ ﺑﯿﺶ از 10000ﻧﻤﻮﻧﻪ اﺳﺘﻔﺎده ﮐﺮد.

دﯾﮕﺮان دادهlﻫﺎی ﻧﺴﺒﺘﺎً ﮐﻮﭼﮑﯽ ﺑﺮای ﺗﻮﺳﻌﻪ اﻟﮕﻮرﯾﺘﻢlﻫﺎ داﺷﺘﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﯾﺎن و ﻫﻤﮑﺎران، 2020)ﯾﺎ اﻃﻼﻋﺎت داد lهای ﻧﺎﻣﺸﺨﺺ ﻧﺸﺎن دادﻧﺪ )ﻣﺜﻼً، 2020). ،Schütte & Borup

4.ﺑﺤﺚ

اﯾﻦ ﺑﺮرﺳﯽ ﻧﺸﺎن ﻣ lﯽدﻫﺪ ﮐﻪ ﻋﻠﯿﺮﻏﻢ رﺷﺪ ﺳﺮﯾﻊ آن در ﺳﺎ lلﻫﺎی اﺧﯿﺮ، ﺣﻮزه AI-HRMﻫﻨﻮز در ﻣﺮاﺣﻞ اوﻟﯿﻪ اﺳﺖ. ﻣﯿﺪان اﺳﺖ
ﭘﺮاﮐﻨﺪه، ﺑﺎ ﻣﻄﺎﻟﻌﺎﺗﯽ از رﺷﺘﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﮐﻪ ﻣﻮﺿﻮﻋﺎت ﻣﺘﻨﻮﻋﯽ را ﭘﻮﺷﺶ ﻣﯽ دﻫﺪ. در ﺣﺎﻟﯽ ﮐﻪ ﻣﻘﺎﻻت CSو EOﺑﯿﺸﺘﺮ ﺑﺮ ﺗﻮﺳﻌﻪ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﺗﺴﻬﯿﻞ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺘﻤﺮﮐﺰ ﺑﻮدﻧﺪ، ﻣﻘﺎﻻت MEو OTﺑﯿﺸﺘﺮ ﺑﻪ ﻣﻮﺿﻮﻋﺎت ﮐﻠﯽ ﻣﺮﺑﻮط ﺑﻪ اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﺑﻪ وﯾﮋه در ﻣﻮﺿﻮﻋﺎت ﻣﺮﺗﺒﻂ ﺑﺎ از دﺳﺖ دادن ﺷﻐﻞ ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﯾﺎ ﺗﻐﯿﯿﺮات ﺷﻐﻠﯽ ﻋﻼﻗﻪ داﺷﺘﻨﺪ. ارزﯾﺎﺑﯽ اﻧﺘﻘﺎدی ﻣﺎ ﻧﺸﺎن
ﻣ lﯽدﻫﺪ ﮐﻪ ﻣﺤﻘﻘﺎن ﺑﺎﯾﺪ ﺑﻪ دﻗﺖ ﻧﻈﺮی و رو ﺷﻨﺎﺧﺘﯽ ﺗﻮﺟﻪ ﮐﻨﻨﺪ. از ﻧﻈﺮ ﺗﺌﻮری، ﻫﻤﻪ رﺷﺘ lﻪﻫﺎ در ﭘﯿﺸﺮﻓﺖlﻫﺎی ﻧﻈﺮی ﻧﺴﺒﺘﺎً ﺿﻌﯿﻒ ﺑﻮدﻧﺪ، ﮐﻪ ﻧﺸﺎن ﻣ lﯽدﻫﺪ رﺷﺘﻪ ﻓﻌﻠﯽ دﯾﺪﮔﺎهlﻣﺤﻮر و ﻋﻤﻞ ﻣﺤﻮر اﺳﺖ. ارزﯾﺎﺑﯽ
رو ﻫﺎ، اﻋﺘﺒﺎر داد lهﻫﺎ را ﺑﺎرزﺗﺮﯾﻦ دام رو ﺷﻨﺎﺧﺘﯽ ﺷﻨﺎﺳﺎﯾﯽ ﮐﺮد. ﻣﺎ ﻫﻤﭽﻨﯿﻦ ﺧﻮاﺳﺘﺎر روﯾﮑﺮدی دﻗﯿﻖlﺗﺮ و اﺳﺘﺎﻧﺪاردﺗﺮ ﺑﺮای رو ﻫﺎی ﺟﺪﯾﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﺴﺘﯿﻢ. ﺑﺮ اﺳﺎس ﺑﺮرﺳﯽ ادﺑﯿﺎت، ﻣﻮﺿﻮﻋﺎت ﮐﻠﯿﺪی را
ﻣﻮرد ﺑﺤﺚ ﻗﺮار ﻣ lﯽدﻫﯿﻢ، ﺗﻮﺻﯿﻪlﻫﺎی ﺧﺎﺻﯽ را ﺑﺮای ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه ﭘﯿﺸﻨﻬﺎد ﻣ lﯽﮐﻨﯿﻢ، و ﻣﻔﺎﻫﯿﻢ ﻧﻈﺮی و ﻣﺪﯾﺮﯾﺘﯽ را در اداﻣﻪ ﺗﻮﺿﯿﺢ ﻣﯽlدﻫﯿﻢ.

4.1.ﺧﻼﺻﻪ اﻧﺘﻘﺎدی و ﺗﻮﺻﯿﻪ ﻫﺎﯾﯽ ﺑﺮای ﺗﺤﻘﯿﻘﺎت آﺗﯽ

ﺗﻌﺮﯾﻒ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮرﺳﯽ ادﺑﯿﺎت ﺟﺎﻣﻊ ﻣﺎ ﯾﮏ ﺗﻌﺮﯾﻒ ﻣﺒﻬﻢ و ﮔﺎﻫﯽ ﻣﺘﻨﺎﻗﺾ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﻧﺸﺎن داد. اﯾﻦ ﻣﺸﮑﻞ ﺳﺎز اﺳﺖ زﯾﺮا ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ ارزﯾﺎﺑﯽ ﻫﺎی ﻧﺎدرﺳﺖ از ﺗﺄﺛﯿﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و/ﯾﺎ
ادﻏﺎم ﺑﯿﻦ رﺷﺘﻪ ای ﻧﺎﮐﺎﻓﯽ ﮐﻤﮏ ﮐﻨﺪ. اﺻﻄﻼح ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮔﺎﻫﯽ ﺑﻪ ﻓﻨﺎور lیﻫﺎﯾﯽ اﻃﻼق ﻣﯽlﺷﻮد ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺒﻮدﻧﺪ، ﮐﻪ وﯾﻠﮑﺎﮐﺲ (2020)آن را »رﺑﺎﯾﺶ ﻫﻮش ﻣﺼﻨﻮﻋﯽ« ﻧﺎﻣﯿﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Blanasو ﻫﻤﮑﺎران. (2019)از دﺳﺖ دادن ﺷﻐﻞ ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﺎﺷﯽ از "ﻓﻨﺎوری ﻫﺎی اﻃﻼﻋﺎﺗﯽ و ارﺗﺒﺎﻃﯽ، ﻧﺮم اﻓﺰارﻫﺎ و ﺑﻪ وﯾﮋه روﺑﺎت ﻫﺎی ﺻﻨﻌﺘﯽ" را ﺑﺮرﺳﯽ ﮐﺮد. ﺑﺎ اﯾﻦ ﺣﺎل، اﯾﻦ ﺗﻮﺻﯿﻒ ﻣﯽlﺗﻮاﻧﺪ ﺗﻘﺮﯾﺒﺎً ﻫﺮ ﭼﯿﺰی را
ﮐﻪ ﻣﺮﺑﻮط ﺑﻪ ﺑﺮﻧﺎﻣﻪlﻫﺎی راﯾﺎﻧﻪlای ﺑﺎﺷﺪ ﺷﺎﻣﻞ ﺷﻮد، ﺑﻨﺎﺑﺮاﯾﻦ اﯾﻦ ﺗﺤﻘﯿﻖ ﻣﻤﮑﻦ اﺳﺖ اﻏﺮاقlآﻣﯿﺰ ﯾﺎ ﺣﺘﯽ درک ﻧﺎدرﺳﺖ ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻌﺎﺻﺮ ﺑﺎﺷﺪ. ﺗﻨﻬﺎ 21درﺻﺪ n) = 39 (از ﻣﻘﺎﻻت ﺗﻌﺮﯾﻒ روﺷﻨﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ داﺷﺘﻨﺪ، ﻋﻤﺪﺗﺎً در ﺣﻮزه ﻫﺎی 26). = (n MEﺑﺮﺧﯽ دﯾﮕﺮ اﯾﻦ اﺻﻄﻼح را ﺑﺪﯾﻬﯽ ﻣ lﯽاﻧﮕﺎﺷﺘﻨﺪ و ﮔﺎﻫﯽ ﺑﺎﻋﺚ ﺳﺮدرﮔﻤﯽ ﻣﯽlﺷﺪﻧﺪ. ﻣﺤﻘﻘﺎن در رﺷﺘﻪlﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻤﺎﯾﻞ داﺷﺘﻨﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﻣﺘﻔﺎوت
ﺗﻮﺻﯿﻒ ﮐﻨﻨﺪ، ﮐﻪ اﯾﻦ اﻣﺮ دﺷﻮار lیﻫﺎی ﺳﻨﺘﺰ ﺑﯿ lﻦرﺷﺘ lﻪای را ﺗﻘﻮﯾﺖ ﮐﺮد. ﻣﺒﻬﻢ ﺑﻮدن ﺗﻌﺮﯾﻒ ﺑ lﻪوﯾﮋه ﺑﺮای ﻣﻘﺎﻻﺗﯽ ﮐﻪ ﺑﺮ ﻧﺘﺎﯾﺞ ﯾﺎ ﺗﺄﺛﯿﺮات ﮐﻠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺘﻤﺮﮐﺰ ﺷﺪهlاﻧﺪ، ﻣﺸﮑﻞlﺳﺎز ﺑﻮد، ﻫﻤﺎﻧﻄﻮر ﮐﻪ در Blanasو
ﻫﻤﮑﺎراﻧﺶ ﻣﺜﺎل زده ﺷﺪ. (2019).ﺟﺪول 5

ﺟﺪول 5ﻧﻤﻮﻧﻪ ﻫﺎی ﺧﻼﺻﻪ ای از اﺻﻄﻼﺣﺎت ﻣﺘﻨﻮع
ﻫﻮش ﻣﺼﻨﻮﻋﯽ.

12

Machine Translated by Google

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33 Pan Y.و Froese FJ

ﺧﻼﺻﻪ ای از ﺗﻐﯿﯿﺮات ﻣﺨﺘﻠﻒ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ را اراﺋﻪ ﻣﯽ دﻫﺪ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ را از اﺻﻄﻼﺣﺎت ﮔﺴﺘﺮده ﺑﻪ ﻣﺤﺪود و ﮐﺎرﺑﺮدﻫﺎی ﺧﺎص ﻃﺒﻘﻪ ﺑﻨﺪی ﻣﯽ ﮐﻨﺪ و ﻧﻤﻮﻧﻪ ﻫﺎﯾﯽ از اﺻﻄﻼﺣﺎت
ﮐﻠﯿﺪی را اراﺋﻪ ﻣﯽ دﻫﺪ. ﺑﯿﺸﺘﺮ اﺻﻄﻼﺣﺎت، ﻓﻨﺎور lیﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﻣﺮﺑﻮط ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﺴﺘﻨﺪ، اﻣﺎ ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد ﻧﯿﺴﺘﻨﺪ، و "رﺑﺎﯾﺶ ﻫﻮش ﻣﺼﻨﻮﻋﯽ" را ﺗﺄﯾﯿﺪ ﻣ lﯽﮐﻨﻨﺪ.

ﻫﺎ، ﭘﯿﺎﻣﺪﻫﺎ و ﺗﺄﺛﯿﺮات ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽlﺷﻮد 2020). (Willcocks,ﺑﻨﺎﺑﺮاﯾﻦ، ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه ﻧﯿﺎز ﺑﻪ

)وﯾﻠﮑﺎﮐﺲ، 2020).اﺧﺘﻼط ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﻣﻔﺎﻫﯿﻢ دﯾﮕﺮ ﻣﺎﻧﻊ از دﺳﺘﯿﺎﺑﯽ ﺑﻪ درک دﻗﯿﻖ از ﭘﯿﺸﺮﻓ
درک ﻣﺮزﻫﺎی اﯾﻦ ﻣﻔﻬﻮم ﻫﻨﮕﺎم ﺗﺤﻘﯿﻖ در ﻣﻮرد ﻫﻮش ﻣﺼﻨﻮﻋﯽ دارد.

در ﭘﺎﺳﺦ، ﻣﺎ ﯾﮏ ﺗﻌﺮﯾﻒ واﺣﺪ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮ اﺳﺎس اﺳﺘﺪﻻل اﺑﺪاﻋﯽ ادﺑﯿﺎت ﻣﻮﺟﻮد ﭘﯿﺸﻨﻬﺎد ﻣﯽlﮐﻨﯿﻢ، ﯾﻌﻨﯽ از ﺗﺮﮐﯿﺐ 39ﺗﻌﺮﯾﻒ ﻣﺘﻨﺎﻗﺾ اﺳﺘﺨﺮاج ﺷﺪه اﺳﺖ. ﭘﺲ از ﻣﺸﺎﻫﺪه دﻗﯿﻖ، ﻣﻘﺎﯾﺴﻪ
و ﺗﺮﮐﯿﺐ ﺗﻌﺎرﯾﻒ ﻗﺒﻠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻣﺎ اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻋﻠﯿﺮﻏﻢ ﺗﻐﯿﯿﺮات، ﭼﻨﺪﯾﻦ وﯾﮋﮔﯽ ﮐﻠﯿﺪی ﻣﺸﺘﺮک دارد، ﯾﻌﻨﯽ ﺗﻮاﻧﺎﯾﯽ ﻫﺎی 1)ﯾﺎدﮔﯿﺮی، 2)ﺗﻔﺴﯿﺮ ﻣﺤﯿﻂ، 3)ﻋﻤﻠﯿﺎت ﻣﺴﺘﻘﻞ، و 4)ﺗﻘﻠﯿﺪ از ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ اﻧﺴﺎن. /ﺣﻞ ﺗﮑﺎﻟﯿﻒ ﺷﻨﺎﺧﺘﯽ )ﻟﻄﻔﺎً ﺑﺮای ﺟﺰﺋﯿﺎت ﺑﯿﺸﺘﺮ ﺑﻪ ﭘﯿﻮﺳﺖ Bﻣﺮاﺟﻌﻪ ﮐﻨﯿﺪ .( ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﻪ ﻋﻨﻮان اﺑﺰارﻫﺎی ﻣﺼﻨﻮﻋﯽ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﻣﯽ ﺗﻮاﻧﻨﺪ
ﺑﻪ ﻃﻮر ﺧﻮدﮐﺎر ﺗﺠﺮﺑﻪ را ﺟﻤﻊ آوری ﮐﻨﻨﺪ )ﯾﻌﻨﯽ ﻣﺤﯿﻂ ﻫﺎی ﻋﯿﻨﯽ را درک ﮐﻨﻨﺪ( و داﺋﻤﺎً از ﺗﺠﺮﺑﯿﺎت ﮔﺬﺷﺘﻪ ﺑﺮای اﻧﺠﺎم وﻇﺎﯾﻒ ﺷﻨﺎﺧﺘﯽ ﺑﯿﺎﻣﻮزﻧﺪ. اول، "اﺑﺰارﻫﺎی ﻣﺼﻨﻮﻋﯽ" ﺷﺎﻣﻞ ﻣﺼﻨﻮﻋﺎت ﻣﺎدی )ﻣﺜﻼً رﺑﺎ ﻫﺎ(
و ﻏﯿﺮ ﻣﺎدی )ﻣﺜﻼً ﺳﯿﺴﺘ lﻢﻫﺎی ﻓﻨﺎوری اﻃﻼﻋﺎت( ﻣ lﯽﺷﻮد، ﻫﻤﺎﻧﻄﻮر ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ ﺑﻪ اﻧﻮاع ﻣﺨﺘﻠﻒ اﺑﺰارﻫﺎی ﻣﺼﻨﻮﻋﯽ، از ﺟﻤﻠﻪ ﺳﯿﺴﺘ lﻢﻫﺎ اﺷﺎره داﺷﺖ )ﻣﺜﻼً، ﻣﺎﮐﺎرﯾﻮس و ﻫﻤﮑﺎران، . 2020)اﻟﮕﻮرﯾﺘﻢ ﻫﺎ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ،2017) ،Bryan & Rechtروﺑﺎت ﻫﺎ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ،2014) ،Norton & Waytzو ﺑﯿﺸﺘﺮ. دوم، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﯾﺪ اﯾﻦ ﺗﻮاﻧﺎﯾﯽ را داﺷﺘﻪ ﺑﺎﺷﺪ ﮐﻪ ﺑﺎ ﮐﻤﺘﺮﯾﻦ ﻣﺪاﺧﻠﻪ اﻧﺴﺎن ﺑﻪ ﺻﻮرت ﺧﻮدﮐﺎر ﻋﻤﻞ ﮐﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2020). ،Restrepo & Acemogluﺳﻮم، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﯾﺪ ﺗﻮاﻧﺎﯾﯽ ﺟﻤﻊ آوری ﺗﺠﺮﺑﻪ از ﻃﺮﯾﻖ ﺗﻔﺴﯿﺮ و ﺗﻌﺎﻣﻞ ﺑﺎ ﻣﺤﯿﻂ ﻫﺎ ﯾﺎ زﻣﯿﻨﻪ ﻫﺎ، ﻣﻌﻤﻮﻻً ﺑﻪ ﺷﮑﻞ
داده ﻫﺎی ﺑﺪون ﺳﺎﺧﺘﺎر را داﺷﺘﻪ ﺑﺎﺷﺪ )ﻣﺎﻧﻨﺪ داﻟﻨﺒﺮگ، 2018).ﭼﻬﺎرم، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﯾﺪ ﺗﻮاﻧﺎﯾﯽ ﯾﺎدﮔﯿﺮی از ﺗﺠﺮﺑﻪ را داﺷﺘﻪ ﺑﺎﺷﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﭘﺮﻧﺘﯿﺲ، دوﻣﯿﻨﯿﮏ ﻟﻮﭘﺲ، و واﻧﮓ، 2019):ﯾﺎدﮔﯿﺮی وﯾﮋﮔﯽ ﮐﻠﯿﺪی در ﺗﻤﺎﯾﺰ ﻫﻮش ﻣﺼﻨﻮﻋﯽ از ﺳﺎﯾﺮ ﻓﻨﺎور lیﻫﺎی ﻣﺴﺘﻘﻞ ﻣﺎﻧﻨﺪ راﯾﺎﻧﻪlﻫﺎی ﺷﺨﺼﯽ اﺳﺖ. در ﻧﻬﺎﯾﺖ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﯾﺪ ﻫﻮش اﻧﺴﺎن را ﺗﻘﻠﯿﺪ ﮐﻨﺪ و ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺘﻮاﻧﺪ وﻇﺎﯾﻒ ﺷﻨﺎﺧﺘﯽ را ﮐﻪ ﻣﻌﻤﻮﻻً ﺑﻪ اﻧﺴﺎن
ﻧﺴﺒﺖ داده ﻣﯽ ﺷﻮد، ﻣﺎﻧﻨﺪ ﺗﺼﻤﯿﻢ ﮔﯿﺮی اﻧﺠﺎم دﻫﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2020). ،Prüfer & Prüfer

ﻣﻮﺿﻮﻋﺎت در ﺗﺤﻘﯿﻘﺎت AI-HRM.ﺑﺮرﺳﯽ ادﺑﯿﺎت ﻧﺸﺎنlدﻫﻨﺪه ﻓﻘﺪان ﺳﻨﺘﺰ ﺑﯿ lﻦرﺷﺘﻪlای در زﻣﯿﻨﻪ AI-HRMاﺳﺖ، اﮔﺮﭼﻪ ﺑﺮﺧﯽ از ﮐﺎﻧﻮنlﻫﺎ و ﯾﺎﻓﺘ lﻪﻫﺎی ﺛﺎﺑﺖ در رﺷﺘ lﻪﻫﺎی ﻣﺨﺘﻠﻒ وﺟﻮد داﺷﺖ. ﺗﺮﮐﯿﺐ ﻧﺎﮐﺎﻓﯽ ﺑﻪ وﯾﮋه ﺑﯿﻦ رﺷﺘﻪ ﻫﺎی ﻓﻨﯽ ﺗﺮ )ﯾﻌﻨﯽ CSو EO)و رﺷﺘﻪ ﻫﺎی ﻓﻨﯽ ﮐﻤﺘﺮ )ﯾﻌﻨﯽ MEو OT)ﻗﺎﺑﻞ ﺗﻮﺟﻪ اﺳﺖ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، در ﺣﺎﻟﯽ ﮐﻪ رﺷﺘﻪ ﻫﺎی ﻓﻨﯽ ﺑﯿﺸﺘﺮ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ زﯾﺎدی را ﺑﺮای ﺣﻤﺎﯾﺖ از HRMاراﺋﻪ ﻣﯽ ﮐﺮدﻧﺪ، رﺷﺘﻪ ﻫﺎی ﻓﻨﯽ ﮐﻤﺘﺮ ﺗﻮﺟﻪ ﻣﺤﺪودی ﺑﻪ اﺛﺮﺑﺨﺸﯽ اﺑﺰارﻫﺎی ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ در زﻣﯿﻨﻪ ﻫﺎی ﻣﺪﯾﺮﯾﺘﯽ واﻗﻌﯽ داﺷﺘﻨﺪ. ﻣﺎ ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه را ﺑﺮای ﺗﻘﻮﯾﺖ ﯾﮑﭙﺎرﭼﮕﯽ ﺑﯿﻦ رﺷﺘﻪ ای ﺑﺎ
ﺗﻤﺮﮐﺰ ﺑﺮ ﻣﻮﺿﻮﻋﺎت ﺑﺎﻟﻘﻮه زﯾﺮ ﺗﺸﻮﯾﻖ ﻣﯽ ﮐﻨﯿﻢ.

اوﻻً، ﻣﺤﻘﻘﺎن ﻣﯽ ﺗﻮاﻧﻨﺪ در اﻋﺘﺒﺎر ﺳﻨﺠﯽ ﺑﯿﻦ رﺷﺘﻪ ای اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮐﻤﮏ ﮐﻨﻨﺪ. ﺑﺴﯿﺎری از اﺑﺰارﻫﺎ ﻋﻤﻠﮑﺮدﻫﺎی ﻣﺸﺎﺑﻬﯽ را ﺑﺎ ﻃﺮاﺣﯽ ﻫﺎی ﻣﺨﺘﻠﻒ اراﺋﻪ ﻣﯽ دﻫﻨﺪ، ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺗﺮﮐﯿﺐ ﻫﺎی ﻣﺘﻔﺎوﺗﯽ از ﺗﮑﻨﯿﮏ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﻣﺘﻐﯿﺮﻫﺎی ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ، اﻣﺎ اﻋﺘﺒﺎرﺳﻨﺠﯽ دﻗﯿﻖ را ﻧﺎدﯾﺪه ﻣﯽ ﮔﯿﺮﻧﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، اﮔﺮﭼﻪ 27ﻣﻘﺎﻟﻪ از
ﺣﻮزه ﻫﺎی EO ،CSو MEاﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮای ﮐﺎرﮐﻨﺎن ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺗﻮﺳﻌﻪ دادﻧﺪ، ﺑﺤﺚ ﻣﺤﺪودی در ﻣﻮرد اﺛﺮﺑﺨﺸﯽ، ﮐﺎراﯾﯽ و اﻋﺘﺒﺎر اﯾﻦ اﺑﺰارﻫﺎی ﮐﺎرﮐﻨﺎن از دﯾﺪﮔﺎه ﻣﺪﯾﺮﯾﺘﯽ وﺟﻮد داﺷﺖ. ﻣﺤﻘﻘﺎن ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ داﻧﺶ ﻧﺎﮐﺎﻓﯽ HRMدر زﻣﯿﻨﻪ ﻫﺎی ﻓﻨﯽ، ﺑﻪ وﯾﮋه ﻣﺴﺌﻮل اﻋﺘﺒﺎر ﺳﻨﺠﯽ ﻣﺪﯾﺮﯾﺘﯽ آﯾﻨﺪه ﺧﻮاﻫﻨﺪ ﺑﻮد. ﻋﻼوه ﺑﺮ اﯾﻦ، اﮔﺮﭼﻪ ﺑﺴﯿﺎری از ﺗﻮﺳﻌﻪ دﻫﻨﺪﮔﺎن اﺑﺰار اﻋﺘﺒﺎر ﺳﻨﺠﯽ ﻓﻨﯽ را در ﻣﻘﺎﻻت
ﺧﻮد اﻧﺠﺎم دادﻧﺪ، ﻋﺪم ﻣﻘﺎﯾﺴﻪ ﺑﯿﻦ اﺑﺰارﻫﺎی ﻣﺨﺘﻠﻒ ﺣﺎﮐﯽ از ﺑﯽ اﻋﺘﺒﺎر ﺑﻮدن اﺑﺰارﻫﺎی ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ، ﺣﺘﯽ از دﯾﺪﮔﺎه ﻓﻨﯽ اﺳﺖ. ﯾﮏ اﻋﺘﺒﺎر اﺑﺰار ﺟﺎﻣﻊ و ﻣﺘﻘﺎﻋﺪﮐﻨﻨﺪه ﻧﯿﺎز ﺑﻪ ﺷﻮاﻫﺪی از ارزﯾﺎﺑﯽlﻫﺎی ﻓﻨﯽ و ﻣﺪﯾﺮﯾﺘﯽ دارد و ﺑﻨﺎﺑﺮاﯾﻦ ﻧﯿﺎز ﺑﻪ ﻫﻤﮑﺎریlﻫﺎی ﺑﯿﻦ رﺷﺘﻪlای ﺑﺮای اراﺋﻪ ﯾﮏ ﺳﺮی ﻣﻄﺎﻟﻌﺎت دارد. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺳﻮﺋﻦ، ﻫﺎﻧﮓ و ﻟﯿﻦ (2019)اﺑﺰاری را ﺑﺮای رﺗﺒﻪ ﺑﻨﺪی ﻣﺼﺎﺣﺒﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻮﺳﻌﻪ دادﻧﺪ و از
ﻧﻈﺮ ﻓﻨﯽ اﻋﺘﺒﺎر ﺳﻨﺠﯽ ﮐﺮدﻧﺪ و ﭘﺲ از آن اﻋﺘﺒﺎر ﺳﻨﺠﯽ ﻣﺪﯾﺮﯾﺘﯽ از ﺳﻮﺋﻦ، ﭼﻦ، و ﻟﻮ (2019)و ﺳﻮﺋﻦ و ﻫﻤﮑﺎران. ،(2020)ﮐﻪ ﺑﻪ ﺗﺮﺗﯿﺐ، اﻧﺼﺎف و اﺛﺮﺑﺨﺸﯽ درک ﺷﺪه اﺑﺰار را ﺛﺎﺑﺖ ﮐﺮدﻧﺪ. روﻧﺪ اﻋﺘﺒﺎر آﻧﻬﺎ در
رﺷﺘﻪ ﻫﺎی CSو رواﻧﺸﻨﺎﺳﯽ ﻧﻤﻮﻧﻪ ارزﺷﻤﻨﺪی را ﺑﺮای ﻣﺤﻘﻘﺎن آﯾﻨﺪه اراﺋﻪ ﮐﺮد.

دوم، ﻣﺤﻘﻘﺎن ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ ﺑﺤﺚ دﻗﯿﻖ ﺗﺮ و ﻓﺮاﮔﯿﺮﺗﺮ در ﻣﻮرد ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ و آﯾﻨﺪه ﮐﺎر ﮐﻤﮏ ﮐﻨﻨﺪ. ﺣﻮز lهﻫﺎی CSو OTدر ﻣﻮﺿﻮﻋﺎت ﻣﺮﺑﻮط ﺑﻪ از دﺳﺖ دادن ﺷﻐﻞ ﻣﺮﺗﺒﻂ
ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﺣﻮزهlﻫﺎی MEﺧﻮ ﺑﯿﻦlﺗﺮ ﺑﻮدﻧﺪ.
ﺟﺎﻟﺐ ﺗﻮﺟﻪ اﺳﺖ ﮐﻪ ﺑﯿﺸﺘﺮ ﻣﻘﺎﻻت ﺑﺪﺑﯿﻨﺎﻧﻪ MEﻣﻄﺎﻟﻌﺎﺗﯽ در ﺳﻄﺢ ﮐﻼن اﻧﺠﺎم داده ﺑﻮدﻧﺪ، در ﺣﺎﻟﯽ ﮐﻪ ﻣﻘﺎﻻت ﺧﻮش ﺑﯿﻨﺎﻧﻪ ﺗﺮ در CSو OTﺑﺮ ﺗﺤﻠﯿﻞ ﻫﺎی ﺳﻄﺢ ﻣﺘﻮﺳﻂ ﯾﺎ ﺧﺮد ﻣﺘﻤﺮﮐﺰ ﺑﻮدﻧﺪ. اﯾﻦ اﻟﮕﻮ ﮐﺎﺳﺘﯽlﻫﺎی اﺣﺘﻤﺎﻟﯽ را در ﺑﺤﺚ ﻓﻌﻠﯽ رواﺑﻂ ﺷﻐﻠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و اﻧﺴﺎن ﻧﺸﺎن ﻣﯽlدﻫﺪ، ﯾﻌﻨﯽ ﺗﺄﺛﯿﺮات اﻏﺮا lقآﻣﯿﺰ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، زﯾﺮا ﻣﻄﺎﻟﻌﺎت در ﺳﻄﺢ ﮐﻼن ﻣ lﯽﺗﻮاﻧﺪ ﺷﺎﻣﻞ اﺛﺮاﺗﯽ ﺑﺎﺷﺪ ﮐﻪ ﻗﺎﺑﻞ
اﻧﺘﺴﺎب ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﯿﺴﺘﻨﺪ. در ﺣﺎﻟﯽ ﮐﻪ ﺑﺴﯿﺎری از ﻣﺤﻘﻘﺎن اﻫﻤﯿﺖ ﻋﻮاﻣﻞ اﺟﺘﻤﺎﻋﯽ و ﺳﯿﺎﺳﯽ در اﻧﺘﺸﺎر ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﻣﻮرد ﺑﺤﺚ ﻗﺮار داده اﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻓﻠﻤﯿﻨﮓ، ،2019)ﻣﻬﻢ اﺳﺖ ﮐﻪ
ﺑﯿﻨﺶ ﻫﺎی ﺳﻄﺢ ﺧﺮد را در ﻣﻮرد ﺗﺄﺛﯿﺮات اﺟﺘﻤﺎﻋﯽ و ﻓﻨﯽ ﯾﮑﭙﺎرﭼﻪ در ﻣﻄﺎﻟﻌﺎت آﯾﻨﺪه رواﺑﻂ ﺷﻐﻠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻟﺤﺎظ ﮐﻨﯿﻢ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﺑﺤﺚ ﻫﺎی ﺳﻄﺢ ﺧﺮد در ﻣﻮرد ﺑﯿﮑﺎری ﻧﺎﺷﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ
زﻣﯿﻨﻪ ﻫﺎی ﺧﺎص، ﺑﻪ وﯾﮋه در ﺑﺨﺶ ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ ﻣﺤﺪود ﺷﺪ. ﻣﺎ ﺧﻮاﺳﺘﺎر ﺗﺤﻘﯿﻘﺎت ﺑﯿﺸﺘﺮ در زﻣﯿﻨﻪ ﻫﺎی دﯾﮕﺮ ﺑﺮای اراﺋﻪ ﺗﺼﻮﯾﺮ ﺟﺎﻣﻊ ﺗﺮ ﻫﺴﺘﯿﻢ.

ﻧﻈﺮﯾﻪ ﻫﺎ در ﺗﺤﻘﯿﻘﺎت AI-HRM.ﺑﺮرﺳﯽ ﻓﻮق ﯾﮏ روﻧﺪ ﮐﻠﯽ از ﻣﺒﺎﻧﯽ ﻧﻈﺮی ﺗﻮﺳﻌﻪ ﻧﯿﺎﻓﺘﻪ در زﻣﯿﻨﻪ HRM AIرا ﻧﺸﺎن ﻣﯽ دﻫﺪ. ﮐﻤﺘﺮ از ﯾﮏ ﭼﻬﺎرم ﻣﻄﺎﻟﻌﺎت از ﻧﻈﺮﯾﻪ ﻫﺎی ﻣﺤﮑﻢ ﺑﺮای ﺳﺎﺧﺘﻦ ﺗﺤﻘﯿﻘﺎت ﺧﻮد اﺳﺘﻔﺎده ﮐﺮدﻧﺪ و ﺑﺴﯿﺎری از ﻣﻔﺎﻫﯿﻢ ﻧﻈﺮی ﻧﺴﺒﺘﺎً ﺳﻄﺤﯽ ﺑﻮدﻧﺪ. رﺷﺘﻪlﻫﺎی ﻓﻨﯽ ﺑﯿﺸﺘﺮ، ﻣﺎﻧﻨﺪ ،CSﻣﻌﻤﻮﻻً ﺑﻪ ﺟﺎی ﺗﻮﺳﻌﻪ ﻧﻈﺮﯾﻪlﻫﺎ، ﺑﺎ واﮐﻨﺶ ﺑﻪ ﭘﺪﯾﺪهlﻫﺎی ﻋﻤﻠﯽ ﮐﻤﮏ ﻣﯽlﮐﻨﻨﺪ. ﺑﺎ اﯾﻦ وﺟﻮد، ﻣﺎ ﻫﻨﻮز ﺑﺨﺶ
ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ از ﻣﻄﺎﻟﻌﺎت ﺑﺎ ﻣﺒﺎﻧﯽ ﻧﻈﺮی ﺿﻌﯿﻒ را ﺷﻨﺎﺳﺎﯾﯽ ﮐﺮدﯾﻢ، ﺣﺘﯽ در رﺷﺘ lﻪﻫﺎی ﮐﻤﺘﺮ ﻓﻨﯽ، ﮐﻪ ﻧﺸﺎ lندﻫﻨﺪه درﺧﻮاﺳﺖ ﻓﻮری ﺑﺮای ﮐﺎرﺑﺮدﻫﺎ و ﻣﺸﺎرﮐﺖlﻫﺎی ﻧﻈﺮی آﯾﻨﺪه اﺳﺖ. ﺑﻨﺎﺑﺮاﯾﻦ، ﺗﻮﺻﯿﻪ ﻫﺎی زﯾﺮ
را اراﺋﻪ ﻣﯽ دﻫﯿﻢ.

اول، ﻫﻤﮑﺎری ﻣﯿﺎن رﺷﺘﻪlای ﻣ lﯽﺗﻮاﻧﺪ ﭘﺎﯾ lﻪﻫﺎی ﻧﻈﺮی را در رﺷﺘ lﻪﻫﺎی ﻓﻨ lﯽﺗﺮ ﺗﻘﻮﯾﺖ ﮐﻨﺪ. اﮔﺮﭼﻪ ﺗﺤﻘﯿﻘﺎت ﻣﺒﺘﻨﯽ ﺑﺮ ﻋﻤﻠﯽ ﻣﻤﮑﻦ اﺳﺖ ﯾﮏ ﻗﺮارداد در رﺷﺘﻪlﻫﺎی ﻓﻨﯽ ﺑﺎﺷﺪ، داﻧﺶ ﻧﺎﮐﺎﻓﯽ ﺗﻮﺳﻌﻪlدﻫﻨﺪﮔﺎن HRMﺑﺎﻋﺚ ﮐﺎﺳﺘ lﯽﻫﺎی ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣ lﯽﺷﻮد 2019). ،(Cappelliﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻓﻦ و ﻫﻤﮑﺎران. (2012)ﺑﺮای ﺗﻌﯿﯿﻦ ﻣﺘﻐﯿﺮﻫﺎی ورودی آﻧﻬﺎ در ﻃﻮل ﺗﻮﺳﻌﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ
ﭘﯿ ﺑﯿﻨﯽ ﮔﺮدش ﻣﺎﻟﯽ، ﺑﻪ ﺟﺎی ادﺑﯿﺎت ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﻪ داد lهﻫﺎی ﻣﻮﺟﻮد ﺗﮑﯿﻪ ﮐﺮد. ﺑﺎ اﯾﻦ ﺣﺎل، روﯾﮑﺮد ﺗﻮﺻﯿﻔﯽ ﻗﺎﺑﻠﯿﺖ اﻃﻤﯿﻨﺎن و ﻗﺎﺑﻠﯿﺖ ﻋﻤﻮﻣﯽ اﺑﺰار ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻮﺳﻌ lﻪﯾﺎﻓﺘﻪ را ﮐﺎﻫﺶ داد:
ﻣﺘﻐﯿﺮﻫﺎی ﮔﻨﺠﺎﻧﺪه ﺷﺪه ﻣﯽlﺗﻮاﻧﻨﺪ ﻧﺎﻗﺺ، ﻣﺒﺘﻨﯽ ﺑﺮ زﻣﯿﻨﻪ و ﺣﺘﯽ ﻣﻐﺮﺿﺎﻧﻪ ﺑﺪون ﺗﻮﺟﯿﻪ ﻧﻈﺮی ﺑﺎﺷﻨﺪ. ﻣﺤﻘﻘﺎن ﻣﺪﯾﺮﯾﺖ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ رﺷﺘﻪ ﻫﺎی ﻓﻨﯽ ﮐﻤﮏ ﮐﻨﻨﺪ ﺗﺎ ﺑﺎ اراﺋﻪ دﯾﺪﮔﺎه ﻫﺎی ﻧﻈﺮی HRMﺑﯿﺸﺘﺮ، ﭼﻨﯿﻦ ﻧﺎﮐﺎرآﻣﺪی را ﮐﺎﻫﺶ دﻫﻨﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﺑﺴﯿﺎری از ﺳﺎﺧﺘﺎرﻫﺎی ﻣﺪﯾﺮﯾﺘﯽ ﻧﺴﺒﺘﺎً اﻧﺘﺰاﻋﯽ ﻫﺴﺘﻨﺪ، ﮐﻪ ﭘﺘﺎﻧﺴﯿﻞ آﻧﻬﺎ را ﺑﺮای ﺑﻬﺮه ﻣﻨﺪی از ﭘﯿﺸﺮﻓﺖ ﻫﺎی ﻓﻨﯽ ﮐﺎﻫﺶ ﻣﯽ دﻫﺪ. در ﭘﺎﺳﺦ ﺑﻪ اﯾﻦ ﻣﻮﺿﻮع، ﻣﺤﻘﻘﺎن
HRMﻣﯽ ﺗﻮاﻧﻨﺪ ﺳﺎﺧﺘﺎرﻫﺎی ﻓﻌﻠﯽ را ﺑﺎ ﭘﺮاﮐﺴﯽ ﻫﺎی ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه ﺗﻮﺳﻌﻪ دﻫﻨﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻣﺤﻘﻘﺎن ﻣﯽ ﺗﻮاﻧﻨﺪ ﻃﺒﻘﻪ ﺑﻨﺪی ﻣﻬﺎرت ﻫﺎی ﺗﻄﺒﯿﻘﯽ را ﺑﺮای ﮐﺎﻫﺶ ﻣﻮاﻧﻊ ﻧﻈﺮی در اﻧﺪازه ﮔﯿﺮی ﺗﺄﺛﯿﺮات ﻫﻮش
ﻣﺼﻨﻮﻋﯽ )ﻓﺮاﻧﮏ و ﻫﻤﮑﺎران، 2019)ﯾﺎ ارزﯾﺎﺑﯽ ﻫﺎی ﮐﺎرﮐﻨﺎن ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﯾﺠﺎد ﮐﻨﻨﺪ.

دوم، ﻣﺤﻘﻘﺎن ﻣﯽlﺗﻮاﻧﻨﺪ ﻧﻈﺮﯾ lﻪﻫﺎی ﺟﺪﯾﺪ ﺗﻮﺳﻌ lﻪﯾﺎﻓﺘﻪ را ﺑ lﻪﻃﻮر ﺗﺠﺮﺑﯽ آزﻣﺎﯾﺶ و ﮔﺴﺘﺮش دﻫﻨﺪ. ﺑﺮرﺳﯽ ﻣﺎ ﭼﻬﺎر ﻧﻈﺮﯾﻪ ﺟﺪﯾﺪ ﭘﯿﺪا ﮐﺮد: ﺣﺮﻓﻪ ای

13

Machine Translated by Google

FJ Froese وY. Pan

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

ﭼﺎرﭼﻮب اﺗﻮﻣﺎﺳﯿﻮن وﻇﯿﻔﻪ )ﺳﺎﻣﭙﺴﻮن، ؛2021)ﻣﺪل اﯾﻤﻨﯽ ﭘﺬﯾﺮش روﺑﺎت ؛2018) al., et (Youﻧﻈﺮﯾﻪ ﺟﺎﯾﮕﺰﯾﻨﯽ ﺷﻐﻞ ﻫﻮش ﻣﺼﻨﻮﻋﯽ )ﻫﻮاﻧﮓ و رﺳﺖ، ؛2018)و ﮐﺎر ﺷﺎﯾﺴﺘﻪ از ﻃﺮﯾﻖ ﻣﺪل اﺗﻮﻣﺎﺳﯿﻮن
)ﺗﻮﻣﯽ و ﻫﻤﮑﺎران، ؛2020)و ﻫﻤﭽﻨﯿﻦ دو ﺳﺎﺧﺘﺎر ﺟﺪﯾﺪ: اﺗﻮﻣﺎﺳﯿﻮن ﻣﺤﺪود )ﻓﻠﻤﯿﻨﮓ، 2019)و ﯾﺎدﮔﯿﺮی ﺳﺎﯾﻪ 2019b). (Beane,ﺗﺌﻮری ﻫﺎی ﺟﺪﯾﺪ ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ ﺑﻪ ﻃﻮر ﺧﺎص ﺑﺮای ﺗﺤﻘﯿﻘﺎت AI-HRMﺑﻮدﻧﺪ،
ﺑﻨﺎﺑﺮاﯾﻦ ﭘﺘﺎﻧﺴﯿﻞ زﯾﺎدی ﺑﺮای ﮐﻤﮏ ﺑﻪ اﯾﻦ زﻣﯿﻨﻪ دارﻧﺪ. ﺑﺎ اﯾﻦ ﺣﺎل، ﻧﻈﺮﯾ lﻪﻫﺎی ﺟﺪﯾﺪ ﺑﺮای ﺗﺎﯾﯿﺪ و ﺗﺜﺒﯿﺖ ﺑﻪ ﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ ﺑﯿﺸﺘﺮی ﻧﯿﺎز دارﻧﺪ. ﺑﻨﺎﺑﺮاﯾﻦ، ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ اﻋﺘﺒﺎر ﺗﺌﻮری ﮐﻤﮏ ﮐﻨﺪ.

در اﯾﻨﺠﺎ، ﻧﻈﺮﯾﻪ ﺟﺎﯾﮕﺰﯾﻨﯽ ﺷﻐﻞ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﻪ ﻋﻨﻮان ﻧﻤﻮﻧﻪ ای ﺑﺮای ﻣﺸﺎرﮐﺖ ﻫﺎی ﻧﻈﺮی آﯾﻨﺪه ﻣﻮرد ﺑﺤﺚ ﻗﺮار ﻣﯽ دﻫﯿﻢ. ﺑﺮ اﺳﺎس اﯾﻦ ﻧﻈﺮﯾﻪ )ﻫﻮاﻧﮓ و رﺳﺖ، ،2018)اﻧﺴﺎن ﻫﺎ دارای ﻫﻮش ﻣﮑﺎﻧﯿﮑﯽ، ﺗﺤﻠﯿﻠﯽ، ﺷﻬﻮدی و ﻫﻤﺪﻟﯽ ﺑﺮای اﻧﺠﺎم اﻧﻮاع ﻣﺨﺘﻠﻒ وﻇﺎﯾﻒ در ﯾﮏ ﻣﻮﻗﻌﯿﺖ ﺷﻐﻠﯽ ﺧﺎص ﻫﺴﺘﻨﺪ. ﺟﺎﯾﮕﺰﯾﻨﯽ اﻧﺴﺎن ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ دﻟﯿﻞ ﺗﻮاﻧﺎﯾﯽ ﻣﺤﺪود ﻫﻮش ﻣﺼﻨﻮﻋﯽ از ﮐﺎرﻫﺎی ﻣﮑﺎﻧﯿﮑﯽ ﺗﺎ
ﮐﺎرﻫﺎی ﻫﻤﺪﻻﻧﻪ اﺗﻔﺎق ﻣﯽ اﻓﺘﺪ، ﺑﻨﺎﺑﺮاﯾﻦ زﻣﺎن ﻣﯽ ﺑﺮد ﺗﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺟﺎﯾﮕﺰﯾﻦ ﯾﮏ ﮐﺎر ﮐﺎﻣﻞ ﺷﻮد. اﯾﻦ ﺗﺌﻮری ﯾﮏ ﻃﺒﻘﻪ ﺑﻨﺪی ﻣﻔﻬﻮﻣﯽ از وﻇﺎﯾﻒ ﺷﻐﻠﯽ اراﺋﻪ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺗﺤﺖ ﺗﺄﺛﯿﺮ ﻓﻨﺎوری ﻫﺎی ﭘﯿﺸﺮﻓﺘﻪ ﺑﻪ ﻣﺮزﻫﺎی ﭘﻮﯾﺎی ﺷﻐﻠﯽ ﺑﺴﯿﺎر ﻣﺮﺗﺒﻂ اﺳﺖ. ﺑﺎ اﯾﻦ ﺣﺎل، ﺳﺎﺧﺘﺎرﻫﺎی ﻧﺴﺒﺘﺎ ﻣﺒﻬﻢ و ﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ ﮐﺎﻓﯽ دارد. ﺑﻨﺎﺑﺮاﯾﻦ، ﻣﺎ ﺳﻪ ﻣﺴﯿﺮ ﺑﺎﻟﻘﻮه را ﺑﺮای ﺗﻮﺳﻌﻪ ﺑﯿﺸﺘﺮ ﻧﻈﺮﯾﻪ ﻣﺜﺎل ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﻨﯿﻢ. اوﻻً، ﻣﺤﻘﻘﺎن آﯾﻨﺪه ﻣ lﯽﺗﻮاﻧﻨﺪ ﺳﺎﺧﺘﺎرﻫﺎی ﺟﺪﯾﺪ را ﺑﺎ اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﻘﯿﺎسlﻫﺎی اﻧﺪاز lهﮔﯿﺮی ﺟﺪﯾﺪ ﯾﺎ اﺳﺘﻘﺮاض داﻧﺶ از ﻣﻄﺎﻟﻌﺎت ﻗﺒﻠﯽ، ادﻏﺎم ﮐﻨﻨﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، اﮔﺮﭼﻪ ﻫﻮاﻧﮓ و روﺳﺖ (2018)ﺟﺰﺋﯿﺎت ﺗﺠﺮﺑﯽ ﻫﻮش
ﻫﻤﺪﻻﻧﻪ را ﺑﺮای ﺗﻌﯿﯿﻦ ﻣﺮز ﺳﺎﺧﺘﺎری واﺿﺢ اراﺋﻪ ﻧﮑﺮدﻧﺪ، ﺑﻪ دﻟﯿﻞ ﻧﺰدﯾﮑﯽ ﻧﻈﺮی ﺑﯿﻦ ﻫﻮش ﻫﻤﺪﻻﻧﻪ و ﺑﺮﺧﯽ دﯾﮕﺮ ﮐﻪ ﺗﻌﯿﯿﻦ ﺷﺪه اﺳﺖ، اﻋﺘﺒﺎرﺳﻨﺠﯽ داﻣﻨﻪ اﻧﺪازهlﮔﯿﺮیlﻫﺎ ﺑﺮ اﺳﺎس داﻧﺶ ﻗﺒﻠﯽ اﻣﮑﺎنlﭘﺬﯾﺮ اﺳﺖ.
ﺳﺎزه ﻫﺎ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻫﻮش ﻫﯿﺠﺎﻧﯽ.( دوم، ﻣﺤﻘﻘﺎن ﻣﯽ ﺗﻮاﻧﻨﺪ ﻗﺎﺑﻠﯿﺖ اﻃﻤﯿﻨﺎن و ﺳﻮدﻣﻨﺪی ﻧﻈﺮی را ﺑﺎ اﯾﺠﺎد ﺟﺰﺋﯿﺎت ﻧﻈﺮﯾﻪ اﻓﺰاﯾﺶ دﻫﻨﺪ. ﺑﺮای ﻣﺜﺎل، ﻃﺒﻘ lﻪﺑﻨﺪی ﻣﻔﻬﻮﻣﯽ ﻓﻌﻠﯽ وﻇﺎﯾﻒ ﺷﻐﻠﯽ ﻧﺴﺒﺘﺎً ﺳﺎده اﺳﺖ، ﮐﻪ ﭘﺘﺎﻧﺴﯿﻞ اﺳﺘﻔﺎده از ﻧﻈﺮﯾﻪ را در زﻣﯿﻨ lﻪﻫﺎی ﺗﺠﺮﺑﯽ ﻣﺨﺘﻠﻒ ﻣﺤﺪود ﻣ lﯽﮐﻨﺪ. اﮔﺮ ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه ﯾﮏ ﻃﺒﻘﻪ ﺑﻨﺪی ﺟﺎﻣﻊ ﺗﺮی اﯾﺠﺎد ﮐﻨﺪ، ﺑﺮای زﻣﯿﻨﻪ AI-HRMﻣﻔﯿﺪ ﺧﻮاﻫﺪ ﺑﻮد. ﺳﻮم، ﻣﺎ اﻋﺘﺒﺎر ﺗﺠﺮﺑﯽ
رواﺑﻂ و ﻣﻔﺮوﺿﺎت ﻧﻈﺮی ﭘﯿﺸﻨﻬﺎدی را ﻣﯽ ﻃﻠﺒﯿﻢ. در ﺣﺎﻟﯽ ﮐﻪ ﺗﺌﻮری اﺻﻠﯽ اﺳﺘﺪﻻل ﻣﯽlﮐﻨﺪ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻓﻌﻠﯽ ﺟﺎﯾﮕﺰﯾﻦ وﻇﺎﯾﻒ ﺗﺤﻠﯿﻠﯽ و ﺷﻬﻮدی ﻣﯽlﺷﻮد، ﻣﻄﺎﻟﻌﺎت آﯾﻨﺪه ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ اراﺋﻪ ﺗﺤﻘﯿﻘﺎت و ﺗﻮﺿﯿﺤﺎت ﮐﺎﻣﻞ درﺑﺎره ﻧﺤﻮه اﻧﺠﺎم ﺟﺎﯾﮕﺰﯾﻨﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﻋﻮاﻣﻞ ﻣﺮﺗﺒﻂ، ﺑﻪ ﺗﻤﺎﯾﺰ ﺳﺮﻋﺖlﻫﺎ و اﻟﮕﻮﻫﺎی ﻣﺨﺘﻠﻒ ﺟﺎﯾﮕﺰﯾﻨﯽ ﮐﻤﮏ ﮐﻨﺪ. ﺑﻪ ﺟﺎی آزﻣﻮن ﻫﺎی ﺗﺠﺮﺑﯽ ﺳﺎده اﯾﻦ ﻧﻈﺮﯾﻪ، ﭼﻨﯿﻦ
ﻣﻄﺎﻟﻌﺎﺗﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ ﻣﺮز را ﮔﺴﺘﺮش دﻫﺪ و ﻣﻨﻄﻖ زﯾﺮﺑﻨﺎﯾﯽ آن را اﻓﺰاﯾﺶ دﻫﺪ.

ﺳﻮم، ﻣﺤﻘﻘﺎن ﻣﯽ ﺗﻮاﻧﻨﺪ در ﺗﺮﮐﯿﺐ ﻧﻈﺮﯾﻪ ﻫﺎی ﻣﻮﺟﻮد ﮐﻤ¨ﮏ ﮐﻨﻨﺪ. ﺟﺪول 6ﻣﺤﺒﻮب ﺗﺮﯾﻦ ﻧﻈﺮﯾﻪ ﻫﺎ را در ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ ﻧﺸﺎن ﻣﯽ دﻫﺪ. ﻣﺎ ﻧﻈﺮﯾﻪ CASAو ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘﻢ ﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ را ﺑﻪ وﯾﮋه اﭼﻣﻨﯿﺪﻦوارﻣﮐﻨ lﯽﻨﮐﺪﻨﻨهﺪﯾ.ﺎﻓﺗﺌﺘﯿﻮرﻢیAﺳSﯿAﺴCﺘ).ﻢ8lﻫﺎ1ی20ﻓﻨr,ﯽi-eاaﺟﺘMﻤﺎﻋ&ﯽgﺑnﺮiﺑttﻬﯿOﻨ ;ﻪ0lﺳﺎ2ز0ی2 ,ﻣl.ﺸaﺘtﺮeکusﺳiﯿarﺴﺘkﻢalﻫﺎ(Mﭘیﯿﻓﻨﺸﻨﯽﻬﺎوداﺟﻣﺘﯽlﻤﮐﺎﻨﻋﺪﯽﮐﻪﺳاﺎﻧزﻣﺴﺎﺎﻧنlﯽﻫﺗﺎﻤﻓﺮﻨﮐﺎﺰوردایردراوﺑ اﻪlﻋﺳﻨﺘﻮﺪاﻻن ﺑلﺎزﻣﯾﮕ lﯽﺮﮐاﻨنﺪ اﮐﺟﻪﺘﺗﻤﻌﺎﺎﻋﻣﯽﻼ درت ﺑکﯿ ﻣﻦﯽlﺳﮐﯿﻨﻨﺴﺪﺘ،ﻢlﻫ ﺎﻤﺎی lنﻓﻃﻨﻮرﯽ-اﮐﻪﺟﺘدﻤرﺎﻋﻣﻮﯽرﺗدﺄﺛاﻧﯿﺮاﺴﺗﺎﯽ lن ﺑﻫﺮﺎ ﻧیﺘﺎﯾدﯾﺞﮕﺮ
ﻓﻨﺎوری دارد. ﺑﻪ دﻟﯿﻞ ﺗﺄﮐﯿﺪ آﻧﻬﺎ ﺑﺮ ﺟﻨﺒ lﻪﻫﺎی اﺟﺘﻤﺎﻋﯽ ﻓﻨﺎوری، ﻣﺎ ﭘﯿﺸﻨﻬﺎد ﻣﯽlﮐﻨﯿﻢ ﮐﻪ اﯾﻦ دو ﻧﻈﺮﯾﻪ، ﮐﻪ از رﺷﺘﻪlﻫﺎی ﻣﺨﺘﻠﻒ ﻫﺴﺘﻨﺪ، ﻣ lﯽﺗﻮاﻧﻨﺪ ﺑﻪ ﻣﺤﻘﻘﺎن HRMﮐﻤﮏ ﮐﻨﻨﺪ ﺗﺎ درک ﺑﻬﺘﺮی از ﻫﻮش ﻣﺼﻨﻮﻋﯽ
از ﻃﺮﯾﻖ ﻟﻨﺰﻫﺎی ﻣﺪﯾﺮﯾﺘﯽ و اﺟﺘﻤﺎﻋﯽ ﺑﻪ دﺳﺖ آورﻧﺪ.

ﻫﺮ دو ﻧﻈﺮﯾﻪ ﻧﺴﺒﺘﺎً ﮔﺴﺘﺮده ﻫﺴﺘﻨﺪ، ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ ﺷﮑﺎف ﻫﺎی ﻧﻈﺮی ﻗﺎﺑﻞ ﺗﻮﺟﻪ و ﭘﺘﺎﻧﺴﯿﻞ ﺑﺎﻻﯾﯽ ﺑﺮای ﺳﻨﺘﺰ ﻧﻈﺮی آﯾﻨﺪه ﻣﯽ ﺷﻮد. ﻣﺤﻘﻘﺎن ﻣﯽ ﺗﻮاﻧﻨﺪ اﯾﻦ ﻧﻈﺮﯾﻪ ﻫﺎ را ﺑﺎ ادﻏﺎم آﻧﻬﺎ ﺑﺎ ﺳﺎﯾﺮ ﺗﺌﻮری ﻫﺎی ﻣﺪﯾﺮﯾﺖ ﺗﺜﺒﯿﺖ ﺷﺪه ﮔﺴﺘﺮش دﻫﻨﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘ lﻢﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ ﺑ lﻪوﯾﮋه ﺑﺮای ﻣﺴﺎﺋﻞ اﺟﺮای ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻨﺎﺳﺐ اﺳﺖ. ﻣﺎﮐﺎرﯾﻮس و ﻫﻤﮑﺎران (2020)ﻧﻤﻮﻧﻪ ای از ﺗﺮﮐﯿﺐ ﻧﻈﺮی ﺑﺎ ﭼﺎرﭼﻮب ﺟﺎﻣﻌﻪ ﭘﺬﯾﺮی ﺳﺎزﻣﺎﻧﯽ در ﺗﺤﻘﯿﻘﺎت ادﻏﺎم ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﮐﺎرﮐﻨﺎن اراﺋﻪ ﮐﺮد. در اﯾﻨﺠﺎ، ﻣﺎ ﺑﯿﺸﺘﺮ دو ﻧﻈﺮﯾﻪ ﺳﺎزﮔﺎر ﺑﺎ ﭘﺘﺎﻧﺴﯿﻞ ﺑﺎﻻ ﺑﺮای ادﻏﺎم ﻧﻈﺮی آﯾﻨﺪه ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﻨﯿﻢ. اوﻻً، ﻧﻈﺮﯾﻪlﻫﺎی اﻧﺘﺸﺎر ﻓﻨﺎوری در زﻣﯿﻨﻪ ﺳﯿﺴﺘ lﻢﻫﺎی اﻃﻼﻋﺎﺗﯽ ﺑﺮای ﮔﺴﺘﺮش ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘ lﻢﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ اﻣﯿﺪوارﮐﻨﻨﺪه ﻫﺴﺘﻨﺪ. در ﺣﺎﻟﯽ ﮐﻪ اﯾﻦ ﻧﻈﺮﯾﻪ ﺑﺮ ﺳﯿﺴﺘ lﻢﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ ﺗﺄﮐﯿﺪ ﻣ lﯽﮐﻨﺪ، ﻫﻨﻮز ﻣﺸﺨﺺ ﻧﯿﺴﺖ ﮐﻪ ﭼﻪ ﭼﯿﺰی اﯾﻦ
ﺳﯿﺴﺘ lﻢﻫﺎ را ﺗﺸﮑﯿﻞ ﻣ lﯽدﻫﻨﺪ. ﭼﻨﺪﯾﻦ ﺗﺌﻮری اﻧﺘﺸﺎر ﻓﻨﺎوری ﺗﺜﺒﯿﺖ ﺷﺪه ﻣﯽlﺗﻮاﻧﻨﺪ ﻋﺪﺳﯽ ﻧﻈﺮی را ﺑﻪ اﺟﺰای ﺳﯿﺴﺘ lﻢﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ اراﺋﻪ دﻫﻨﺪ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻣﺪل ﻓﻨﺎوری-ﺳﺎزﻣﺎن-ﻣﺤﯿﻂ (TOE)اﻧﺘﺸﺎر
ﻓﻨﺎوری ﺷﺎﻣﻞ ﺟﺎﻣﻊ اﺳﺖ

14

Machine Translated by Google

FJ Froese وY. Pan

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

ﻣﺘﻐﯿﺮﻫﺎﯾﯽ از ﺳﯿﺴﺘ lﻢﻫﺎی ﻣﺨﺘﻠﻒ ﻓﻦlآوری، ﺳﺎزﻣﺎﻧﯽ و ﻣﺤﯿﻄﯽ ﮐﻪ ﺑﺮ ﭘﯿﺎد lهﺳﺎزی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﺄﺛﯿﺮ ﻣﯽlﮔﺬارﻧﺪ 2021). Ye, & Hu, Liu, Froese, (Pan,ﺑﺎ ادﻏﺎم ﻣﺪل ،TOEﻣﺤﻘﻘﺎن آﯾﻨﺪه ﻣﯽ ﺗﻮاﻧﻨﺪ اﻋﺘﺒﺎر

ﺑﯿﻨﯽ ﻣﻮﻓﻘﯿﺖ ﻓﻨﺎوری ﺟﺪﯾﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻧﮕﻮﯾﻦ و ﻣﺎﻟﯿﮏ،

و ﻗﺎﺑﻠﯿﺖ اﻃﻤﯿﻨﺎن ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘﻢ ﻫﺎی اﺟﺘﻤﺎﻋﯽ-ﻓﻨﯽ را اﻓﺰاﯾﺶ دﻫﻨﺪ. ﻫﻤﭽﻨﯿﻦ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ ﻣﺪل ﻣﻮﻓﻘﯿﺖ ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎﺗﯽ ﺑﺮای ﭘﯿ
2021)ﺑﺎ ﮐﻤﮏ ﺑﻪ ﺷﻨﺎﺳﺎﯾﯽ ﻋﻮاﻣﻞ ﻣﺆﺛﺮ اﺟﺘﻤﺎﻋﯽ-ﻓﻨﯽ ﻣﻮﻓﻘﯿﺖ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺳﺎزﮔﺎر ﺑﺎﺷﺪ.

ﻋﻼوه ﺑﺮ اﯾﻦ، ﺑﻪ ﻧﻈﺮ ﻣ lﯽرﺳﺪ ﮐﻪ ﻧﻈﺮﯾﺎت روانlﺷﻨﺎﺧﺘﯽ در ﺗﻌﺎﻣﻞ اﻧﺴﺎﻧﯽ ﺑﺎ ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘ lﻢﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ، ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻌﺎﻣﻼت ﻧﺸﺎنlداد lهﺷﺪه ﺑﯿﻦ ﺳﯿﺴﺘ lﻢﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ و ﺗﻠﻔﯿﻖ رواﺑﻂ اﻧﺴﺎن و
راﯾﺎﻧﻪ، ﺑﻪ ﺧﻮﺑﯽ ﻣﻄﺎﺑﻘﺖ دارﻧﺪ. ﺑﻪ ﻃﻮر ﺧﺎص، ﻣﺎ ﻧﻈﺮﯾﻪ ﺗﺒﺎدل اﺟﺘﻤﺎﻋﯽ را ﺑﻪ ﻋﻨﻮان ﮐﺎﻧﺪﯾﺪای ﺳﻨﺘﺰ ﻧﻈﺮی ﺑﺎﻟﻘﻮه ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﻨﯿﻢ. ﻧﻈﺮﯾﻪ ﺗﺒﺎدل اﺟﺘﻤﺎﻋﯽ اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺗﻌﺎﻣﻼت اﺟﺘﻤﺎﻋﯽ ﺑﯿﻦ اﻓﺮاد از ﻃﺮﯾﻖ ﻫﻨﺠﺎرﻫﺎی ﻣﺘﻘﺎﺑﻞ ﻣﻨﺠﺮ ﺑﻪ ﻧﺘﺎﯾﺞ اﺟﺘﻤﺎﻋﯽ ﯾﺎ اﻗﺘﺼﺎدی ﺑﺮای ﻫﺮ ﯾﮏ از ﻃﺮﻓﯿﻦ ﻣﯽ ﺷﻮد. ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺟﺎﯾﮕﺰﯾﻦ ﯾﮑﯽ از ﻃﺮﻓﯿﻦ ﻣﯽ ﺷﻮد ﯾﺎ ﻣﯿﺎﻧﺠﯽ ﺗﺒﺎدل اﺳﺖ، ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘﻢ ﻫﺎی اﺟﺘﻤﺎﻋﯽ-ﻓﻨﯽ ﺑﺎ ﻧﻈﺮﯾﻪ ﺗﺒﺎدل اﺟﺘﻤﺎﻋﯽ ﻫﻤﭙﻮﺷﺎﻧﯽ دارد. ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ ﻗﺒﻼً ﺗﺄﺛﯿﺮات و ﻧﺘﺎﯾﺞ ﺗﻌﺎﻣﻼت اﺟﺘﻤﺎﻋﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺮ اﺳﺎس ﻧﻈﺮﯾﻪ ﺗﺒﺎدل اﺟﺘﻤﺎﻋﯽ ﻣﻮرد ﺑﺤﺚ ﻗﺮار داده اﺳﺖ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻣﺎﻟﯿﮏ و ﻫﻤﮑﺎران، ؛2020ﻣﺎﻟﯿﮏ و ﻫﻤﮑﺎران، 2021).در ﺣﺎﻟﯽ ﮐﻪ دﯾﺪﮔﺎهlﻫﺎی ﺗﺒﺎدل اﺟﺘﻤﺎﻋﯽ ﺑﺮ ﻧﺘﺎﯾﺞ اﺟﺘﻤﺎﻋﯽ ﺗﺄﮐﯿﺪ دارﻧﺪ و ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘﻢlﻫﺎی ﻓﻨﯽ-اﺟﺘﻤﺎﻋﯽ ﺗﻤﺮﮐﺰ ﺑﯿﺸﺘﺮی ﺑﺮ ﻧﺘﺎﯾﺞ ﻓﻨﯽ
ﻣ lﯽﮔﺬارد، ﯾﮏ ﭼﺎرﭼﻮب ﯾﮑﭙﺎرﭼﻪ از ﻫﺮ دو ﻟﻨﺰ ﻧﻈﺮی ﻣﻤﮑﻦ اﺳﺖ ﺗﺼﻮﯾﺮ ﺟﺎﻣﻊlﺗﺮی از ﻧﺤﻮه ﺗﺄﺛﯿﺮﮔﺬاری ﺗﻌﺎﻣﻠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﮐﺎرﮐﻨﺎن ﺑﺮ ﻧﺘﺎﯾﺞ ﺳﺎزﻣﺎﻧﯽ اراﺋﻪ دﻫﺪ.

روش ﻫﺎ در ﺗﺤﻘﯿﻖ AI-HRM.ﺑﺮرﺳﯽ ادﺑﯿﺎت ﻣﺎ ﻧﺸﺎن داد ﮐﻪ در ﺣﺎﻟﯽ ﮐﻪ ﻣﻘﺎﻻت رﺷﺘ lﻪﻫﺎی ﻣﺨﺘﻠﻒ از ﮐﺎﺳﺘ lﯽﻫﺎی رو lشﺷﻨﺎﺧﺘﯽ ﻣﺘﻔﺎوﺗﯽ رﻧﺞ ﻣ lﯽﺑﺮﻧﺪ، ﻣﺸﮑﻞ ﮐﯿﻔﯿﺖ داد lهﻫﺎ را ﺑﻪ اﺷﺘﺮاک ﻣﯽlﮔﺬارﻧﺪ. اول، اﻋﺘﺒﺎر اﻧﺪازه ﮔﯿﺮی اﻏﻠﺐ ﺑﺮای داده ﻫﺎی ﻧﻈﺮﺳﻨﺠﯽ در ﻫﻤﻪ رﺷﺘﻪ ﻫﺎ، از ﺟﻤﻠﻪ ﺑﺮﺧﯽ از ﻣﻘﺎﻻت MEﮐﺎﻓﯽ ﻧﺒﻮد. دوم، ﺗﻮﺟﯿﻪ ﮐﯿﻔﯿﺖ داده ﻫﺎ اﻏﻠﺐ ﺑﺮای داده ﻫﺎی ﺛﺎﻧﻮﯾﻪ، ﺑﻪ وﯾﮋه در ﻣﻘﺎﻻت EOو MEﮐﺎﻓﯽ
ﻧﺒﻮد. ﺑﺮای رﺳﯿﺪﮔﯽ ﺑﻪ ﻣﺤﺪودﯾﺖ ﻫﺎی روش ﺷﻨﺎﺧﺘﯽ، ﺗﻮﺻﯿﻪ ﻫﺎی زﯾﺮ را ﺑﺮای ﺗﺤﻘﯿﻘﺎت آﺗﯽ اراﺋﻪ ﻣﯽ ﮐﻨﯿﻢ.

اول، ﻣﺎ ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه را ﺑﺮای اﻓﺰاﯾﺶ اﻋﺘﺒﺎر داده ﻫﺎ ﺗﺸﻮﯾﻖ ﻣﯽ ﮐﻨﯿﻢ. ﺑﺮای داده ﻫﺎی ﺛﺎﻧﻮﯾﻪ، اﻃﻼﻋﺎت ﺷﻔﺎف ﺑﻪ راﺣﺘﯽ ﻣﯽ ﺗﻮاﻧﺪ ﮐﯿﻔﯿﺖ داده ﻫﺎ را اﻓﺰاﯾﺶ داده و ﺗﻮﺟﯿﻪ ﮐﻨﺪ. ﺑﺮای داده ﻫﺎی ﻧﻈﺮﺳﻨﺠﯽ،
ﮐﯿﻔﯿﺖ ﺑﻪ ﮐﯿﻔﯿﺖ ﻃﺮاﺣﯽ ﯾﮏ ﻧﻈﺮﺳﻨﺠﯽ ﺑﺴﺘﮕﯽ دارد و روش ﻫﺎی اﻋﺘﺒﺎر ﺑﻪ ﺗﻮﺟﯿﻪ ﮐﯿﻔﯿﺖ ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ. ﯾﮏ ﻧﻈﺮﺳﻨﺠﯽ ﺑﺎ ﮐﯿﻔﯿﺖ ﺧﻮب از اﻧﺪازه ﮔﯿﺮی ﻫﺎﯾﯽ ﺑﺎ ﺗﻮﺟﯿﻬﺎت ﻧﻈﺮی ﺷﺮوع ﻣﯽ ﺷﻮد. ﻋﻼوه ﺑﺮ اﯾﻦ،
ﺑﺮای ﮔﺮﻓﺘﻦ ادراﮐﺎت ﻓﺮدی، ﺑﻬﺘﺮ اﺳﺖ ﺑﻪ ﺟﺎی اﺳﺘﻔﺎده از ﻣﻮارد ﻣﻨﻔﺮد، از ﻣﻘﯿﺎس ﻫﺎی اﻧﺪازه ﮔﯿﺮی ﺑﺮای ﺳﺎزه ﻫﺎ اﺳﺘﻔﺎده ﺷﻮد 2018). al., et (Collado-Mesaﺑﺮای اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﻘﯿﺎ lسﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده، ﻣﺤﻘﻘﺎن ﺑﺎﯾﺪ ﯾﮏ ﺳﺮی اﻋﺘﺒﺎر اﻧﺪازهlﮔﯿﺮی را ﺑﺮرﺳﯽ ﮐﻨﻨﺪ، ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، اﻋﺘﺒﺎر ﻫﻤﮕﺮا و اﻋﺘﺒﺎر ﺗﻤﺎﯾﺰ. ﺑﺮای داده ﻫﺎی ﻣﻘﻄﻌﯽ، ﺗﻼش ﺑﯿﺸﺘﺮی ﺑﺮای ﮐﻨﺘﺮل و ﺣﺬف وارﯾﺎﻧﺲ ﻫﺎی روش راﯾﺞ ﻣﻮرد ﻧﯿﺎز اﺳﺖ. اﮔﺮﭼﻪ

ﺷﻨﺎﺧﺘﯽ ﮐﺎﻓﯽ از ﺗﺤﻘﯿﻘﺎت ﭘﯿﻤﺎﯾﺸﯽ ﻧﺪارﻧﺪ. ﻣﺎ ﺑﺮ اﯾﻦ ﺑﺎورﯾﻢ

ﻓﺮآﯾﻨﺪ ﻓﻮق ﻣﻤﮑﻦ اﺳﺖ ﺑﺮای ﺑﺴﯿﺎری از ﻣﺤﻘﻘﺎن ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ آﺷﻨﺎ ﺑﺎﺷﺪ، اﻣﺎ ﺑﺮرﺳﯽ ﻧﺸﺎن داد ﮐﻪ ﻣﺤﻘﻘﺎن در ﺳﺎﯾﺮ رﺷﺘ lﻪﻫﺎ داﻧﺶ رو
ﮐﻪ ﻫﻤﮑﺎر lیﻫﺎی ﺑﯿﻦ رﺷﺘ lﻪای ﻣﯽlﺗﻮاﻧﺪ ﺑﺮای ﺣﻮزه ﮐﻠﯽ AI-HRMﻣﻔﯿﺪ ﺑﺎﺷﺪ.

دوم، ﻣﺤﻘﻘﺎن آﯾﻨﺪه را ﺗﺸﻮﯾﻖ ﻣ lﯽﮐﻨﯿﻢ ﮐﻪ از ﻣﻘﺎﻻﺗﯽ ﮐﻪ رو ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺗﺮوﯾﺞ ﻣﯽlﮐﻨﻨﺪ ﺑﯿﺎﻣﻮزﻧﺪ. ﻣﺸﮑﻞ اﻋﺘﺒﺎر داده ﻫﺎ دﺷﻮاری ﺟﻤﻊ آوری داده ﻫﺎی ﺑﺎ ﮐﯿﻔﯿﺖ ﺑﺎﻻ در ﻣﻄﺎﻟﻌﺎت AI-HRMرا
ﻧﺸﺎن داد. ﺗﮑﻨﯿ ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺤﻠﯿﻞ دادهlﻫﺎ، ﺑﻪlوﯾﮋه ﺑﺮای دادهlﻫﺎی ﭘﯿﭽﯿﺪه، ﺑﻬﺘﺮ از ﺗﮑﻨﯿﮏlﻫﺎی آﻣﺎری ﺳﻨﺘﯽ ﻋﻤﻞ ﻣ lﯽﮐﻨﻨﺪ Oliveira (Deو ﻫﻤﮑﺎران، 2013).ﺑﻨﺎﺑﺮاﯾﻦ، آﻧﻬﺎ ﺑﻪ ﻣﺤﻘﻘﺎن اﺟﺎزه ﻣﯽ
دﻫﻨﺪ از داده ﻫﺎی ﻣﻨﺎﺑﻊ ﻏﯿﺮ ﻣﺘﻌﺎرف اﺳﺘﻔﺎده ﮐﻨﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، 2020). ،Prüfer & Prüferﺑﻨﺎﺑﺮاﯾﻦ، آﻧﻬﺎ ﭘﺘﺎﻧﺴﯿﻞ زﯾﺎدی در ﺗﺴﻬﯿﻞ ﻣﻄﺎﻟﻌﺎت آﯾﻨﺪه HRMﺑﺎ ﮐﺎﻫﺶ ﻣﺤﺪودﯾﺖ ﻫﺎی داده ﻫﺎ دارﻧﺪ. در
ﻣﻘﺎﯾﺴﻪ ﺑﺎ رو ﻫﺎی ﺳﻨﺘ lﯽﺗﺮ، رو ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ دﻟﯿﻞ ﻓﻘﺪان داﻧﺶ ﻓﻨﯽ در ﻣﻮرد ادﻏﺎم رو ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﻧﺎﺗﻮاﻧﯽ ﻓﻨﯽ در درک ﺗﮑﻨﯿ ﻫﺎ، ﺑﺮای ﻣﺤﻘﻘﺎن HRMدﺷﻮار اﺳﺖ. اﮔﺮﭼﻪ
ﻣﻘﺎﻻت اﺳﺘﺎﻧﺪاردﻫﺎی ﻣﺘﻔﺎوﺗﯽ را ﭘﺬﯾﺮﻓﺘﻨﺪ، اﻣﺎ ﻫﻤﭽﻨﺎن ﺑﯿﻨﺸﯽ در ﻣﻮرد "داﻧﺶ ﭼﮕﻮﻧﻪ" ﺑﺮای ﮐﻤﮏ ﺑﻪ ﻣﺤﻘﻘﺎن آﯾﻨﺪه در اﺳﺘﻔﺎده از روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ اراﺋﻪ ﮐﺮدﻧﺪ. ﻣﺎ اﯾﻦ ﺑﯿﻨﺶ ﻫﺎ را ﺗﺮﮐﯿﺐ ﻣﯽ ﮐﻨﯿﻢ و
ﻣﺤﻘﻘﺎن آﯾﻨﺪه را ﺗﺸﻮﯾﻖ ﻣﯽ ﮐﻨﯿﻢ ﺗﺎ روﯾﮑﺮد زﯾﺮ را در ﻧﻈﺮ ﺑﮕﯿﺮﻧﺪ.

ﻫﺪف روﯾﮑﺮد ﭘﯿﺸﻨﻬﺎدی ﻣﺎ اراﺋﻪ راﻫﻨﻤﺎﯾﯽ ﻫﺎی اﺳﺎﺳﯽ و ﮐﻠﯽ ﺑﺮای اﺳﺘﻔﺎده از روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﺟﺎی اراﺋﻪ ﻗﻮاﻧﯿﻦ ﺛﺎﺑﺖ اﺳﺖ. ﻣﻬﻤﺘﺮ از ﻫﻤﻪ، ﭘﯿﻮﻧﺪ ﺑﺎ ﻧﻈﺮﯾﻪ و ﺷﻔﺎﻓﯿﺖ ﻓﺮآﯾﻨﺪ دو اﺻﻞ اﺳﺎﺳﯽ در اﺳﺘﻔﺎده از روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﺴﺘﻨﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Choudhuryو ﻫﻤﮑﺎران، 2009). ،Casal & Somers ؛2021اوﻟﯿﻦ ﻗﺪم در اﺳﺘﻔﺎده از روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﺗﻮﺟﯿﻪ ﺗﮑﻨﯿﮏ)ﻫﺎی( اﻧﺘﺨﺎب ﺷﺪه
ﺑﺎ ﺗﻮﺿﯿﺢ ارﺗﺒﺎط ﺑﯿﻦ وﯾﮋﮔﯽ ﻫﺎی ﻓﻨﯽ و ﻫﺪف ﺗﺤﻘﯿﻖ اﺳﺖ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﻪ دﻟﯿﻞ ﺗﻮاﻧﺎﯾﯽ ﻗﻮی آن در ﺗﺸﺨﯿﺺ اﻟﮕﻮ از داده ﻫﺎی ﺑﺪون ﺳﺎﺧﺘﺎر، ﺑﺎ ﻣﻄﺎﻟﻌﺎت اﮐﺘﺸﺎﻓﯽ ﺳﺎزﮔﺎر اﺳﺖ. ﺑﺎ اﯾﻦ ﺣﺎل، ﺑﺮای ﻣﻄﺎﻟﻌﺎت آزﻣﻮن ﻋﻠﯽ ﻣﻨﺎﺳﺐ ﻧﯿﺴﺖ زﯾﺮا ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺷﺎﻣﻞ ﻫﯿﭻ راﺑﻄﻪ ﺧﻄﯽ ﻧﯿﺴﺖ 2009). Casal, & (Somersﻣﺮﺣﻠﻪ دوم آﻣﺎد lهﺳﺎزی دادهlﻫﺎ اﺳﺖ ﮐﻪ ﺷﺎﻣﻞ اﻧﺘﺨﺎب ﻣﺘﻐﯿﺮ ﻧﺎﺷﯽ از ﺗﺌﻮر lیﻫﺎ، ﭘﺮدازش داد lهﻫﺎ و ﺗﻘﺴﯿ lﻢﺑﻨﺪی داد lهﻫﺎ ﺑﺮای آﻣﻮزش و اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺖ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Choudhuryو ﻫﻤﮑﺎران، 2021).

ﻣﺮﺣﻠﻪ ﺳﻮم ﺷﺎﻣﻞ ﺳﺎﺧﺖ ﻣﺪل و اﻋﺘﺒﺎرﺳﻨﺠﯽ ﺑﺎ اﺳﺘﻔﺎده از اﻋﺘﺒﺎرﺳﻨﺠﯽ ﻣﺘﻘﺎﻃﻊ ﭼﻨﺪ ﺑﺮاﺑﺮی )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﮐﻤﭙﯿﻮن و ﻫﻤﮑﺎران، ،2019)ﺑﺮرﺳﯽ اﻋﺘﺒﺎر اﻧﺪازهlﮔﯿﺮی در ﺻﻮرت اﻣﮑﺎن )ﻣﺜﻼً اﺳﭙﯿﺮ، ،2020)و
ﻣﻘﺎﯾﺴﻪ ﺑﺎ رو ﻫﺎی ﺳﻨﺘﯽ )ﻣﺎﻧﻨﺪ اﺑﻮﺑﮑﺮ و ﻫﻤﮑﺎران ( اﺳﺖ . 2019). al.,آﺧﺮﯾﻦ ﻣﺮﺣﻠﻪ، ﺗﻔﺴﯿﺮ ﺻﺤﯿﺢ ﻧﺘﺎﯾﺞ ﺑﺮ اﺳﺎس داﻧﺶ ﻧﻈﺮی اﺳﺖ )ﭼﻮدوری و ﻫﻤﮑﺎران، 2021).

4.2.ﻣﻔﺎﻫﯿﻢ ﺑﺮای ﺗﺤﻘﯿﻖ
ﺑﺮرﺳﯽ ﻣﺎ ﮐﻤﮏ ﻫﺎی زﯾﺎدی ﺑﻪ ﺗﺤﻘﯿﻘﺎت HRMﻣﯽ ﮐﻨﺪ. اﺑﺘﺪا، ﻣﺎ ﯾﮏ ﻧﻤﺎی ﮐﻠﯽ ﻣﯿﺎن رﺷﺘﻪ ای از ﺗﺤﻘﯿﻘﺎت AI-HRMاراﺋﻪ ﻣﯽ دﻫﯿﻢ. ﺑﺮای زﻣﯿﻨﻪ ،AI-HRMﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ ﺑﻪ دﻟﯿﻞ ﻓﻘﺪان ﺳﻨﺘﺰ ﺑﯿﻦ رﺷﺘﻪ ای از ﺑﺎزﺗﺎب ﻧﺎﮐﺎﻓﯽ رﻧﺞ ﻣﯽ ﺑﺮد. ﻫﻤﺎﻧﻄﻮر ﮐﻪ ﺳﯿﺒﺮ و ﻫﻤﮑﺎران. (2020)اﻇﻬﺎر داﺷﺖ: "ﻣﺎ آﻧﭽﻪ را ﮐﻪ ﻧﻤﯽ داﻧﯿﻢ ﻧﻤﯽ داﻧﯿﻢ". ﺑﺮرﺳﯽ ﻣﺎ ﺑﺎ ﺗﺮﮐﯿﺐ ادﺑﯿﺎت ﺑﯿﻦ رﺷﺘﻪ ای ﭘﺮاﮐﻨﺪه از دﯾﺪﮔﺎه ﻣﻮﺿﻮع، ﻧﻈﺮﯾﻪ و
روش ﺑﻪ اﯾﻦ زﻣﯿﻨﻪ ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ. ﻣﺎ ﻫﻤﭽﻨﯿﻦ ﭘﯿﺸﻨﻬﺎداﺗﯽ را ﺑﺮای ﭘﺎﺳﺨﮕﻮﯾﯽ ﺑﻪ ﮐﺎﺳﺘﯽ ﻫﺎی ادﺑﯿﺎت ﻣﻮﺟﻮد ﺑﻪ ﻣﺤﻘﻘﺎن اراﺋﻪ ﻣﯽ ﮐﻨﯿﻢ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻣﺎ ﺷﮑﺎ lفﻫﺎی ادﺑﯿﺎت را ﺷﻨﺎﺳﺎﯾﯽ ﻣ lﯽﮐﻨﯿﻢ و ﻣﻮﺿﻮﻋﺎت ﺧﺎﺻﯽ را ﭘﯿﺸﻨﻬﺎد ﻣ lﯽﮐﻨﯿﻢ ﮐﻪ ﻣﺴﺘﺤﻖ ﺗﻮﺟﻪ ﺗﺤﻘﯿﻘﺎت ﺑﯿﺸﺘﺮ اﺳﺖ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﻣﺎ ﯾﮏ ﺗﻌﺮﯾﻒ ﺑﯿﻦ رﺷﺘ lﻪای از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ادﻏﺎم ﻣﻨﺎﻃﻖ ﺟﺪا ﺷﺪه ﭘﯿﺸﻨﻬﺎد ﻣ lﯽﮐﻨﯿﻢ. ﺗﻌﺮﯾﻒ ﭘﯿﺸﻨﻬﺎدی ﻣﯽlﺗﻮاﻧﺪ ﺑﻪ

ﻫﺎی ﻣﺎ ﺑﺮای ﻣﺤﻘﻘﺎن و ﻣﺘﺨﺼﺼﺎن آﯾﻨﺪه در درک ﻣﺮزﻫﺎی ﻣﻮﺿﻮع، اراﺋﻪ ﺗﺤﻘﯿﻘﺎت ﺑﺎ

ﻣﺤﻘﻘﯿﻦ ﮐﻤﮏ ﮐﻨﺪ ﺗﺎ ﻣﺮزﻫﺎی ﺗﺤﻘﯿﻘﺎت ﻣﻮﺟﻮد و آﯾﻨﺪه را در زﻣﯿﻨ lﻪﻫﺎی ﻣﺨﺘﻠﻒ ﺷﻨﺎﺳﺎﯾﯽ و ﺷﻨﺎﺳﺎﯾﯽ ﮐﻨﻨﺪ. ﺑﻨﺎﺑﺮاﯾﻦ، ﺗﻼ
ﮐﯿﻔﯿﺖ ﺑﺎﻻ و ﺗﺴﻬﯿﻞ اﺟﺮای ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺻﻨﻌﺖ ﻣﻔﯿﺪ ﺧﻮاﻫﺪ ﺑﻮد.

دوم، ﻣﺎ ﺑﺎ ارزﯾﺎﺑﯽ اﻧﺘﻘﺎدی ﻣﺒﺎﻧﯽ ﻧﻈﺮی ادﺑﯿﺎت ﻣﻮﺟﻮد و ﺗﺸﺮﯾﺢ ﻣﺴﯿﺮﻫﺎﯾﯽ ﺑﺮای ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه ﺑﻪ ادﺑﯿﺎت ﮐﻤﮏ ﻣﯽ ﮐﻨﯿﻢ. ﺑﺮرﺳﯽ ﻣﺎ ﻧﺸﺎن ﻣ lﯽدﻫﺪ ﮐﻪ ﺑﯿﺸﺘﺮ ﻣﻄﺎﻟﻌﺎت ﻗﺒﻠﯽ، ﺻﺮفlﻧﻈﺮ از رﺷﺘﻪ، در
ﭘﯿﺸﺮﻓﺖlﻫﺎی ﻧﻈﺮی ﻧﺴﺒﺘﺎً ﺿﻌﯿﻒ ﺑﻮدﻧﺪ. ﻓﻘﻂ 21%از ﻣﻘﺎﻻت از ﻧﻈﺮﯾﻪ ﻫﺎ اﺳﺘﻔﺎده ﻣﯽ ﮐﺮدﻧﺪ )ﺑﻪ ﺿﻤﯿﻤﻪ ﻣﺮاﺟﻌﻪ ﮐﻨﯿﺪ(، و ﺑﺴﯿﺎری از آﻧﻬﺎ از ﻧﻈﺮﯾﻪ ﻫﺎ ﻧﺴﺒﺘﺎً ﺳﻄﺤﯽ اﺳﺘﻔﺎده ﻣﯽ ﮐﺮدﻧﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Faliagkaو ﻫﻤﮑﺎران، 2014).ﺑﺮای اﻓﺰاﯾﺶ ﺗﺄﺛﯿﺮ و ﺗﻌﻤﯿﻢ ﭘﺬﯾﺮی ﭘﮋوﻫﺶ، داﺷﺘﻦ ﯾﮏ ﻣﺒﺎﻧﯽ ﻧﻈﺮی ﻣﻬﻢ اﺳﺖ. ﻣﺎ ﺳﻪ اﺳﺘﺮاﺗﮋی را ﺑﺮای ادﻏﺎم ﻧﻈﺮﯾﻪ در ﺗﺤﻘﯿﻘﺎت AI-HRMﺗﺮﺳﯿﻢ ﻣﯽ ﮐﻨﯿﻢ. اوﻻً، داﻧﺶ ﭘﮋوﻫﺎن
در رﺷﺘﻪ ﻫﺎی ﻣﺪﯾﺮﯾﺘﯽ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﺎ ﻓﻨﯽ ﻫﻤﮑﺎری ﮐﻨﻨﺪ

15

ﻣﺤﻘﻘﯿﻦ و ﺳﺎﺧﺘﺎرﻫﺎ ﯾﺎ ﭼﺎرﭼﻮبlﻫﺎی ﻧﻈﺮی ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﻧﯿﺎزﻫﺎی ﻃﺮاﺣﯽ ﻓﻨﯽ ﺗﻮﻟﯿﺪ ﻣ lﯽﮐﻨﻨﺪ، ﺑﻨﺎﺑﺮاﯾﻦ ﺟﺎﻣﻌﻪ ﮐﻠﯽ AI-HRMﻣﯽlﺗﻮاﻧﺪ از ﻧﻈﺮﯾ lﻪﻫﺎی ﻗﺎﺑﻞ ﺗﻌﻤﯿﻢ ﺑﻬﺮ lهﻣﻨﺪ ﺷﻮد.

دوم، ﻣﺤﻘﻘﺎن ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ ﺑﺴﻂ و آزﻣﺎﯾﺶ ﺗﺠﺮﺑﯽ ﻧﻈﺮﯾﻪlﻫﺎی ﺟﺪﯾﺪ، ﻧﻈﺮﯾﻪlﻫﺎﯾﯽ را ﺑ lﻪﻃﻮر ﺧﺎص ﺑﺮای ﺗﺤﻘﯿﻘﺎت AI-HRMﺑﺴﺎزﻧﺪ. ﻣﺎ ﭼﻬﺎر ﻧﻈﺮﯾﻪ ﺟﺪﯾﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﺳﺎﻣﭙﺴﻮن، 2021)و دو ﺳﺎﺧﺘﺎر
ﺟﺪﯾﺪ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻓﻠﻤﯿﻨﮓ، 2019)را در ﻣﻘﺎﻻت ﺑﺮرﺳﯽ ﺷﺪه ﺧﻮد ﻣﻌﺮﻓﯽ ﮐﺮدﯾﻢ و از ﻧﻈﺮﯾﻪ (2018) Rust and Huangﺑﻪ ﻋﻨﻮان ﻣﺜﺎﻟﯽ ﺑﺮای ﻧﺸﺎن دادن ﭘﺘﺎﻧﺴﯿﻞ ﻣﺸﺎرﮐﺖ ﻫﺎی ﻧﻈﺮی آﯾﻨﺪه اﺳﺘﻔﺎده ﮐﺮدﯾﻢ. . در ﻧﻬﺎﯾﺖ، ﻣﺤﻘﻘﺎن ﻣﯽ ﺗﻮاﻧﻨﺪ ﻧﻈﺮﯾﻪ ﻫﺎی ﻣﻮﺟﻮد را ﺑﺎ ﺗﺤﻘﯿﻘﺎت AI-HRMﺗﻨﻈﯿﻢ ﮐﻨﻨﺪ. ﻣﺎ ﭘﻨﺞ ﻧﻈﺮﯾﻪ ﻣﺤﺒﻮب را ﺷﻨﺎﺳﺎﯾﯽ ﮐﺮدﯾﻢ )ﺑﻪ ﺟﺪول 6ﻣﺮاﺟﻌﻪ ﮐﻨﯿﺪ( و دو ﻧﻈﺮﯾﻪ ﻣﺤﺒﻮب دﯾﮕﺮ ﺑﺎ ﭘﺘﺎﻧﺴﯿﻞ ﺑﺎﻻ
ﺑﺮای ﺗﻮﺳﻌﻪ ﻧﻈﺮی ﭘﯿﺸﻨﻬﺎد ﮐﺮدﯾﻢ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﻟﯽ، ؛2018ﻣﺎﮐﺎرﯾﻮس و ﻫﻤﮑﺎران، 2020).

ﺳﻮم، ﻣﺎ ﺑﺎ ارزﯾﺎﺑﯽ اﻧﺘﻘﺎدی روشlﻫﺎ در ادﺑﯿﺎت ﻗﺒﻠﯽ ﺑﻪ درک ﺑﻬﺘﺮ دﻗﺖ رو lشﺷﻨﺎﺧﺘﯽ ﮐﻤﮏ ﻣ lﯽﮐﻨﯿﻢ. ﻣﺎ ﭘﯿﺸﻨﻬﺎداﺗﯽ را ﺑﺮای ﺗﺤﻘﯿﻘﺎت آﯾﻨﺪه اراﺋﻪ ﻣﯽ دﻫﯿﻢ ﺗﺎ از دام ﻫﺎی راﯾﺞ ﺟﻠﻮﮔﯿﺮی ﮐﻨﯿﻢ و اﻣﯿﺪوارﯾﻢ ﻣﺤﻘﻘﺎن آﯾﻨﺪه )ﻣﺪﯾﺮﯾﺖ( را ﺗﺸﻮﯾﻖ ﮐﻨﯿﻢ ﺗﺎ روش ﻫﺎی ﺗﺤﻘﯿﻖ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﻪ ﮐﺎر ﮔﯿﺮﻧﺪ. ارزﯾﺎﺑﯽ ﻣﺎ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ اﻋﺘﺒﺎر داده ﻫﺎ در ﺗﺤﻘﯿﻘﺎت AI-HRMﻣﺸﮑﻞ ﺳﺎز اﺳﺖ. ﻣﺎ ﻫﻤﭽﻨﯿﻦ اﺳﺘﺮاﺗﮋی ﻫﺎﯾﯽ
را ﺑﺮای اﻓﺰاﯾﺶ دﻗﺖ روش ﺷﻨﺎﺧﺘﯽ ﺑﺎ اﻓﺰاﯾﺶ اﻋﺘﺒﺎر اﻧﺪازه ﮔﯿﺮی و ﻣﻌﺮﻓﯽ روش AIﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﻨﯿﻢ. ﻣﺎ ﺑﯿﺸﺘﺮ ﯾﮏ روﯾﮑﺮد ﮐﻠﯽ ﺑﺮای ﭘﯿﺎد lهﺳﺎزی رو ﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﻄﺎﻟﻌﺎت ﻣﺪﯾﺮﯾﺖ آﯾﻨﺪه ﺑﺮ
اﺳﺎس ﻣﻘﺎﻻت روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻗﺒﻠﯽ ﭘﯿﺸﻨﻬﺎد و ﺗﻮﺿﯿﺢ ﻣ lﯽدﻫﯿﻢ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، Choudhuryو ﻫﻤﮑﺎران، Minbashian ؛2021و ﻫﻤﮑﺎران، 2010).

4.3.ﻣﻔﺎﻫﯿﻢ ﺑﺮای ﺗﻤﺮﯾﻦ

ﺗﺤﻘﯿﻖ دارای ﭼﻨﺪﯾﻦ ﻣﻔﻬﻮم ﮐﺎرﺑﺮدی اﺳﺖ. اول، ﻣﺎ دﺳﺘﺮﺳﯽ ﺳﺮﯾﻌﯽ را ﺑﺮای ﺗﻮﺳﻌﻪ دﻫﻨﺪﮔﺎن ﻓﻨﺎوری اﻃﻼﻋﺎت، ﻣﺘﺨﺼﺼﺎن ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ و ﻣﺪﯾﺮان ﻓﺮاﻫﻢ ﻣﯽ ﮐﻨﯿﻢ ﺗﺎ ﺑﻪ راﺣﺘﯽ داﻧﺶ ﻣﺮﺑﻮط ﺑﻪ ﻋﻼﯾﻖ
ﺧﻮد را در ﻣﻮﺿﻮع ﮔﺴﺘﺮده AI-HRMﺑﻪ دﺳﺖ آورﻧﺪ. ادﺑﯿﺎت ﭘﺮاﮐﻨﺪه و ﺗﻌﺮﯾﻒ ﻓﺎزی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺎﻧﻊ ورود ﻧﺴﺒﺘﺎً ﺑﺎﻻﯾﯽ را ﺑﺮای اﻓﺮاد ﻏﯿﺮﻣﺘﺨﺼﺺ ﺑﺮای ﮐﺴﺐ داﻧﺶ AI-HRMاﯾﺠﺎد ﻣﯽ ﮐﻨﺪ. از آﻧﺠﺎﯾﯽ ﮐﻪ ﺑﺮرﺳﯽ ﻣﺎ ﻃﯿﻒ ﮔﺴﺘﺮد lهای از ﻣﻄﺎﻟﻌﺎت را ﭘﻮﺷﺶ ﻣ lﯽدﻫﺪ و ﻣﻮﺿﻮﻋﺎت اﺻﻠﯽ را در اﯾﻦ زﻣﯿﻨﻪ ﺧﻼﺻﻪ ﻣﯽlﮐﻨﺪ، ﺧﻮاﻧﻨﺪﮔﺎن ﺻﻨﻌﺖ ﻣﯽlﺗﻮاﻧﻨﺪ ﺑﺮای ﺗﺮﺳﯿﻢ ﺗﺼﻮﯾﺮی ﺟﺎﻣﻊ از روﻧﺪﻫﺎی ﻓﻌﻠﯽ و اﺗﺨﺎذ ﺗﺼﻤﯿﻢlﻫﺎی
اﺳﺘﺮاﺗﮋﯾﮏ ﺑﺮ اﺳﺎس آن، ﺑﻪ ﻣﻘﺎﻟﻪ ﻣﺎ اﻋﺘﻤﺎد ﮐﻨﻨﺪ.

دوم، ﺗﻮﺻﯿﻪ ﻣ lﯽﮐﻨﯿﻢ ﮐﻪ ﺳﺮﻣﺎﯾﻪlﮔﺬاران ﻫﻨﮕﺎم ﺗﺼﻤﯿ lﻢﮔﯿﺮی ﺑﺮای ﺳﺮﻣﺎﯾ lﻪﮔﺬاری ﺳﺮﻣﺎﯾﻪ اﻧﺴﺎﻧﯽ و ﭘﻮﻟﯽ در ﯾﮏ ﭘﺮوژه ﺟﺪﯾﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺣﺘﯿﺎط ﮐﻨﻨﺪ.
ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﻮﺿﻮﻋﺎت ﻧﺎﻣﺘﻌﺎدل ﺗﻮﺳﻌﻪ اﺑﺰار ﻫﻮش ﻣﺼﻨﻮﻋﯽ و اﻋﺘﺒﺎر ﺳﻨﺠﯽ اﺑﺰار، ﺑﺴﯿﺎری از اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ ﻣﻤﮑﻦ اﺳﺖ ﻣﻮﺛﺮ ﯾﺎ ﻣﻔﯿﺪ ﻧﺒﺎﺷﻨﺪ.
ﺻﻨﻌﺘﯽ ﺷﺪن ﮐﻢ اﺣﺘﻤﺎﻟﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ ﻣﻤﮑﻦ اﺳﺖ ﻧﺸﺎن دﻫﻨﺪه ﺑﺎزده ﭘﺎﯾﯿﻦ ﺳﺮﻣﺎﯾﻪ ﮔﺬاری ﺑﺎﺷﺪ، ﺣﺪاﻗﻞ در ﮐﻮﺗﺎه ﻣﺪت. ﺑﻨﺎﺑﺮاﯾﻦ، ﺑﺮای ﺷﺮﮐ ﻫﺎﯾﯽ ﮐﻪ ﻣﯽlﺧﻮاﻫﻨﺪ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ
ﺑﺮای ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﺨﺮﻧﺪ، ﻣﻤﮑﻦ اﺳﺖ ﻫﻮﺷﻤﻨﺪاﻧﻪ ﺑﺎﺷﺪ ﮐﻪ ﻓﻘﻂ روی اﺑﺰارﻫﺎی ﻧﺴﺒﺘﺎً ﺑﺎﻟﻎ ﺳﺮﻣﺎﯾﻪlﮔﺬاری ﮐﻨﻨﺪ، ﻣﺎﻧﻨﺪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﺳﺘﺨﺪام، ﮐﻪ ﻗﺒﻼً ﺗﺄﯾﯿﺪﯾ lﻪﻫﺎی داﻧﺸﮕﺎﻫﯽ را داﺷﺖ. از ﻃﺮف دﯾﮕﺮ،
ﺷﺮﮐﺖ ﻫﺎ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻃﻮر ﻣﺸﺘﺮک اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺎ ﻫﻤﮑﺎری ﮐﺎرﺷﻨﺎﺳﺎن ﻫﻮش ﻣﺼﻨﻮﻋﯽ و HRMﺗﻮﺳﻌﻪ دﻫﻨﺪ.

ﺳﻮم، ﺗﻮﺳﻌﻪ دﻫﻨﺪﮔﺎن ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎﯾﺪ ﻃﺮاﺣﯽ اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻓﻌﻠﯽ را ﮐﻪ ﻓﺎﻗﺪ ﭘﺸﺘﯿﺒﺎﻧﯽ از داﻧﺶ ﻣﺪﯾﺮﯾﺖ ﻫﺴﺘﻨﺪ، ﺑﺎزﺑﯿﻨﯽ ﮐﻨﻨﺪ. ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﺗﻮﺳﻌﻪ دﻫﻨﺪﮔﺎن داﻧﺶ HRMﮐﺎﻓﯽ ﻧﺪارﻧﺪ،
ﻃﺮاﺣﯽ ﮐﺎرﺑﺮدی اﺑﺰارﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻤﮑﻦ اﺳﺖ ﺑﯽ اﺛﺮ ﺑﺎﺷﺪ ﯾﺎ ﺣﺘﯽ ﻣﺸﮑﻼﺗﯽ را ﺑﺮای HRMاﯾﺠﺎد ﮐﻨﺪ. در ﻧﺘﯿﺠﻪ، ﻃﺮاﺣﯽ ﻓﻌﻠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻤﮑﻦ اﺳﺖ ﺗﻤﺎﯾﻞ ﺳﺎزﻣﺎ lنﻫﺎ ﺑﻪ اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﮐﺎﻫﺶ دﻫﺪ، ﮐﻪ ﺑﻪ ﻧﻮﺑﻪ ﺧﻮد ﺗﻮﺳﻌﻪ ﻓﻨﯽ ﺑﻠﻨﺪﻣﺪت ﻓﻨﺎوری ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﻪ دﻟﯿﻞ ﻋﺪم ﺻﻨﻌﺘﯽlﺳﺎزی
و ﺳﺮﻣﺎﯾﻪlﮔﺬاری ﻣﺤﺪود ﻣﯽlﮐﻨﺪ، اﮔﺮﭼﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﺘﺎﻧﺴﯿﻞ زﯾﺎدی ﺑﺮای ﺷﮑﻞlدﻫﯽ ﺑﻪ HRMو آﯾﻨﺪه دارد. ﮐﺎر ﮐﺮدن

ﻫﯿﭻ ﯾﮏ.

ﺑﯿﺎﻧﯿﻪ ﻧﻮﯾﺴﻨﺪه

اﻋﻼﻣﯿﻪ ﻫﺎی ﻣﻨﺎﻓﻊ رﻗﺎﺑﺘﯽ

ﻣﻨﺎﺑﻊ ﻣﺎﻟﯽ

اﯾﻦ ﺗﺤﻘﯿﻖ ﻫﯿﭻ ﮐﻤﮏ ﻣﺎﻟﯽ ﺧﺎﺻﯽ از ﺳﺎزﻣﺎن ﻫﺎی ﺗﺄﻣﯿﻦ ﻣﺎﻟﯽ در ﺑﺨﺶ ﻫﺎی ﻋﻤﻮﻣﯽ، ﺗﺠﺎری ﯾﺎ ﻏﯿﺮ اﻧﺘﻔﺎﻋﯽ درﯾﺎﻓﺖ ﻧﮑﺮد.

ﯾﻮان ﭘﺎن اوﻟﯿﻦ ﻧﻮﯾﺴﻨﺪه اﯾﻦ ﻧﺴﺨﻪ اﺳﺖ. او ﻣﺴﺌﻮل ﻣﻔﻬﻮم ﺳﺎزی، روش ﺷﻨﺎﺳﯽ، ﻧﮕﻬﺪاری داده ﻫﺎ، ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ رﺳﻤﯽ، ﻧﻮﺷﺘﻦ ﭘﯿﺶ ﻧﻮﯾﺲ ﻫﺎی اﺻﻠﯽ و اﺻﻼح ﺷﺪه ﺑﻮد.

Froese Jintae Fabianﻧﻮﯾﺴﻨﺪه دوم و ﻣﺘﻨﺎﻇﺮ اﯾﻦ ﻧﺴﺨﻪ اﺳﺖ. او ﻣﺴﺌﻮل ﻧﻈﺎرت ﺑﻮد و ﮐﻤﮏ ﻣﯽ ﮐﺮد
ﻣﻔﻬﻮم ﺳﺎزی، روش ﺷﻨﺎﺳﯽ، ﺑﺮرﺳﯽ، ﺑﺎزﻧﮕﺮی و وﯾﺮاﯾﺶ ﻧﺴﺨﻪ ﺧﻄﯽ.

ﺿﻤﯿﻤﻪ اﻟﻒ. ﻧﻈﺮﯾﻪ ﻫﺎ و ﺳﺎزه ﻫﺎی ﻧﻈﺮی در ﺗﺤﻘﯿﻘﺎت ﻗﺒﻠﯽ

،&CSJaAybautibllaekaerوeﻫtnﻤﮑaﺎrراyaن،Jaﺗ9ﺠ1ﺮﺑ0ﯽ2ﺗﺠlaﺮﺑsﯽkKahoوgﻫiaﻤlﮑaﺎرFاون،ﻫﻤ9ﮑﺎ0را0ن2،ﺗﺠﺮ4ﺑ1ﯽ20ﺗgﺠinﺮlﺑhﯽ2K0ocو20
ﻫﻤﮑﺎران، 2021ﺗﺠﺮﺑﯽ 20 ،Ahn & Lee

¨

ﻋﻤﻮﻣﯽ اﺳﺘﺨﺪام اﺳﺘﺨﺪام اﺳﺘﺨﺪام اﺳﺘﺨﺪام اﺳﺘﺨﺪام

ﻧﻈﺮﯾﻪ ﻣﺎﻟﮑﯿﺖ رواﻧﺸﻨﺎﺧﺘﯽ، ﻧﻈﺮﯾﻪ ﺗﺒﺎدل اﺟﺘﻤﺎﻋﯽ ﭘﻨﺞ ﺑﺰرگ )ﻓﻘﻂ از ﯾﮏ ﺑﻌﺪ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد(

،HEXACOﯾﻌﻨﯽ ﻣﺪل ﺷﺨﺼﯿﺘﯽ ﺷﺒﯿﻪ ﺑﻪ ﭘﻨﺞ ﺑﺰرگ ﺑﺎ ﺷﺶ ﻋﺎﻣﻞ ﻣﺪل ﻧﯿﺎزﻫﺎی ﻣﺰﻟﻮ، ﻓﺮوش ﻣﺪل رﻓﺘﺎری ،(MBTI) Indicator
Myers-Briggs-type- Five Bigﯾﻌﻨﯽ ﻣﺪل ﺷﺨﺼﯿﺘﯽ ﺑﺎ 16ﻧﻮع ﺷﺨﺼﯿﺖ

)اداﻣﻪ در ﺻﻔﺤﻪ ﺑﻌﺪ(

16

ﻣﻨﺒﻊ

ﻟﻮﮐﻮواک و ﻫﻤﮑﺎران، 2017راﺑﺮت و

ﻣﻄﺎﻟﻌﻪ
ﻃﺒﯿﻌﺖ

ﺗﺠﺮﺑﯽ

ﺗﻮاﺑﻊ HRM

ﮐﺎراﯾﯽ

ﺗﺌﻮری

ﻣﺎﺗﺮﯾﺲ BCG

ﻫﻤﮑﺎران، 2020ﺳﻮﺋﻦ، ﻫﻮﻧﮓ و
ﻟﯿﻦ، 2019ﺳﻮﺋﻦ و ﻫﻤﮑﺎران،
ﻫﻤﮑﺎران، و2020 EO Chaturvedi Kossiavelou، 1999 و2005 Kontogiannis

ﺷﻤﺎ و ﻫﻤﮑﺎران، 2018

Choudhury ﻫﻤﮑﺎران، وME Barrett
ﻫﻤﮑﺎران، و2012 Beane، 2019b 2018 ﻫﻤﮑﺎران، و2020 Dekker Rust، 2018 Lawler & Elliot.2906،
al.، 2019 Holford، 2022 Huang &
et Gu 2019 ،Fleming 2017 ﻣﺎﮐﺎرﯾﻮس و ﻫﻤﮑﺎران، 2020ﻣﯿﻨﺒﺎﺷﯿﺎن
و ﻫﻤﮑﺎران، 2010ﻧﯿﻮﻟﻨﺪز، 2020ﻧﯿﻮﻣﻦ
و ﻫﻤﮑﺎران، 2020راث و ﭘﺮاﻧﺴﻮن، 1999ﺳﺎﻣﭙﺴﻮن، 2021اﺳﭙﯿﺴﺎک و ﻫﻤﮑﺎران، 2019وال و ﻫﻤﮑﺎران، 1992
وال و ﻫﻤﮑﺎران، 1992ژو و . 2020
ﻫﻤﮑﺎران، 2020ﻟﯽ، 2018ﻟﯿﻨﺪن، 2017
اوﺗﯿﻨﮓ و ﻣﺎﯾﺮ، 2018راﻧﺪل و ﻫﻤﮑﺎران، 2021ﺳﻮﺋﻦ، ﭼﻦ، و ﻟﻮ، 2019

¨

ﺗﻮوﻣﯽ و ﻫﻤﮑﺎران، 2020

ﻣﻔﻬﻮﻣﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﻣﻔﻬﻮﻣﯽ ﻣﻔﻬﻮﻣﯽ
ﺗﺠﺮﺑﯽ

ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ
ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﻣﻔﻬﻮﻣﯽ ﺗﺠﺮﺑﯽ ﻣﻔﻬﻮﻣﯽ ﻣﻔﻬﻮﻣﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﻣﻔﻬﻮﻣﯽ ﺗﺠﺮﺑﯽ ﻣﻔﻬﻮﻣﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ ﺗﺠﺮﺑﯽ
ﺗﺠﺮﺑﯽ

ﻋﻤﻮﻣﯽ اﺳﺘﺨﺪام اﺳﺘﺨﺪام
اﺳﺘﺨﺪام
رﻓﺎه ﮐﺎرﮐﻨﺎن

رﻓﺎه ﮐﺎرﮐﻨﺎن

ﻋﻤﻮﻣﯽ
آﻣﻮزش ﮐﺎراﯾﯽ
ﻋﻤﻮﻣﯽ ﻋﻤﻮﻣﯽ
ﮐﺎراﯾﯽ
ﻋﻤﻮﻣﯽ ﻋﻤﻮﻣﯽ ﮐﺎراﯾﯽ
ﺣﺠﻢ ﻣﻌﺎﻣﻼت
ﻋﻤﻮﻣﯽ ﮐﺎراﯾﯽ ﮐﺎراﯾﯽ ﮐﺎراﯾﯽ
ﭘﺮﺳﻨﻞ ﻋﻤﻮﻣﯽ
ﮐﺎراﯾﯽ ﮐﺎراﯾﯽ
ﻋﻤﻮﻣﯽ ﻋﻤﻮﻣﯽ
ﻋﻤﻮﻣﯽ ﻋﻤﻮﻣﯽ ﻋﻤﻮﻣﯽ ﮐﺎراﯾﯽ
اﺳﺘﺨﺪام

ﻋﻤﻮﻣﯽ

ﻧﻈﺮﯾﻪ ﻋﺪاﻟﺖ ﺳﺎزﻣﺎﻧﯽ ﻧﻈﺮﯾﻪ ﭘﺮدازش اﻃﻼﻋﺎت اﺟﺘﻤﺎﻋﯽ، ﭘﻨﺞ ﺑﺰرگ ﻧﻈﺮﯾﻪ ﺳﯿﮕﻨﺎل دﻫﯽ اﺟﺘﻤﺎﻋﯽ، ﭘﻨﺞ ﺑﺰرگ
ﻣﺪل ﻋﺮﺿﻪ ﻧﯿﺮوی ﮐﺎر ﻧﺴﻞ اول
ﻣﺪل ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﺗﺎﮐﺘﯿﮑﯽ ﺗﺤﺖ اﺳﺘﺮس (TADMUS).

)ﺧﻮد ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ( ﻣﺪل اﯾﻤﻨﯽ ﭘﺬﯾﺮش رﺑﺎت (RASM)

)ﺳﺎزه ﻋﻤﻮﻣﯽ( ﻣﻔﻬﻮم ﺗﻨﻈﯿﻢ Pickering
)ﺧﻮد ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ( ﺳﺎﺧﺘﺎر "ﯾﺎدﮔﯿﺮی ﺳﺎﯾﻪ."
)ﺳﺎزه ﻋﻤﻮﻣﯽ( ﭼﺎرﭼﻮب ﺗﺼﻤﯿﻢ ﮔﯿﺮی، ﺳﺎزه ﻫﺎی ﺳﺮﻣﺎﯾﻪ اﻧﺴﺎﻧﯽ
)ﺳﺎزه ﻋﻤﻮﻣﯽ( ﺳﺎزه ﻣﻨﺎﻓﻊ ﺷﺨﺼﯽ اﻗﺘﺼﺎدی
ﺳﺎﺧﺘﺎر "اﺗﻮﻣﺎﺳﯿﻮن ﻣﺤﺪود" )ﺧﻮد ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ.( ﻧﻈﺮﯾﻪ ﺣﻔﻆ ﻋﻤﻠﮑﺮد رﻫﺒﺮی، ﻧﻈﺮﯾﻪ ﻫﻤﺰﻣﺎﻧﯽ رﺳﺎﻧﻪ )ﺳﺎزه ﻋﻤﻮﻣﯽ( ﺳﺎزه ﻫﺎی اﺧﺘﯿﺎر و ﮐﻨﺘﺮل
ﻧﻈﺮﯾﻪ )ﺧﻮد ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ( ﺟﺎﯾﮕﺰﯾﻨﯽ ﺷﻐﻞ ﻫﻮش ﻣﺼﻨﻮﻋﯽ
ﺗﺌﻮری ﺗﺼﻤﯿﻢ ﮔﯿﺮی رﻓﺘﺎر
)ﺳﺎزه ﻋﻤﻮﻣﯽ( ﺳﺎﺧﺘﺎرﻫﺎی دﯾﺪﮔﺎه ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﻨﺒﻊ
ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘﻢ ﻫﺎی اﺟﺘﻤﺎﻋﯽ و ﻓﻨﯽ، ﭼﺎرﭼﻮب ﺟﺎﻣﻌﻪ ﭘﺬﯾﺮی ﺳﺎزﻣﺎﻧﯽ
ﭘﻨﺞ ﺑﺰرگ ﻧﻈﺮﯾﻪ ﺳﻪ ﮔﺎﻧﻪ ﻓﻀﺎﯾﯽ ﻫﺎﻧﺮی ﻟﻮﻓﻮر
ﻧﻈﺮﯾﻪ ﻋﺪاﻟﺖ ﺳﺎزﻣﺎﻧﯽ
)ﺳﺎزه ﻋﻤﻮﻣﯽ( ﻧﻈﺮﯾﻪ ﺑﺎزی: ﻣﻔﻬﻮم ﺗﻄﺒﯿﻖ دو ﻃﺮﻓﻪ
ﭼﺎرﭼﻮب اﺗﻮﻣﺎﺳﯿﻮن ﮐﺎر ﺣﺮﻓﻪ ای )ﺧﻮد ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ.(
ﭘﻨﺞ ﺑﺰرگ
ﻧﻈﺮﯾﻪ ﺳﯿﺴﺘﻢ ﻫﺎی اﺟﺘﻤﺎﻋﯽ و ﻓﻨﯽ
ﻧﻈﺮﯾﻪ ﺗﻐﯿﯿﺮ ﺳﺎزﻣﺎﻧﯽ
ﻧﻈﺮﯾﻪ ﻃﺒﻘﻪ ﺑﻨﺪی اﺟﺘﻤﺎﻋﯽ
ﻧﻈﺮﯾﻪ راﯾﺎﻧﻪlﻫﺎ ﺑﺎزﯾﮕﺮان اﺟﺘﻤﺎﻋﯽ ﻫﺴﺘﻨﺪ (CASA)
ﺳﺎﺧﺖ اﺟﺘﻤﺎﻋﯽ ﻓﻨﺎوری
ﺗﺌﻮری راﯾﺎﻧﻪlﻫﺎ ﺑﺎزﯾﮕﺮان اﺟﺘﻤﺎﻋﯽ ﻫﺴﺘﻨﺪ ،(CASA)ﻧﻈﺮﯾﻪ ﻋﺪاﻟﺖ ﺳﺎزﻣﺎﻧﯽ
ﻧﻈﻢ ﻣﺬاﮐﺮه ﺷﺪه و ﻧﻈﺮﯾﻪ ﻣﺮز ﻧﻈﺮﯾﻪ ﭘﺮدازش اﻃﻼﻋﺎت اﺟﺘﻤﺎﻋﯽ، ﻧﻈﺮﯾﻪ ﻏﻨﺎی رﺳﺎﻧﻪ، ﻧﻈﺮﯾﻪ راﺑﻂ اﺟﺘﻤﺎﻋﯽ
)ﺧﻮد ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ( ﮐﺎر ﺷﺎﯾﺴﺘﻪ از ﻃﺮﯾﻖ ﻣﺪل اﺗﻮﻣﺎﺳﯿﻮن

ﺿﻤﯿﻤﻪ B.ﺗﻌﺎرﯾﻒ ﻗﺒﻠﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و ﺗﻐﯿﯿﺮات آن

ﻣﻨﺒﻊ
& Restrepo، 2020
Acemoglu
& Restrepo، 2020b
Acemoglu
ﺑﺎرت و ﻫﻤﮑﺎران، 2012 1995 ،Benders ﺑﺮگ و ﻫﻤﮑﺎران، 2018

ﺑﺮوﻣﻮری و ﻫﻤﮑﺎران، 2021

ﻫﻮش ﻣﺼﻨﻮﻋﯽ )و اﻧﻮاع آن( ﺑﻪ…
رﺑﺎت ﺻﻨﻌﺘﯽ ﮐﻪ ﯾﮏ ﻣﺎﺷﯿﻦ ﮐﻨﺘﺮل ﺧﻮدﮐﺎر، ﻗﺎﺑﻞ ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﻣﺠﺪد و ﭼﻨﺪ ﻣﻨﻈﻮره اﺳﺖ.

ﻣﺎﺷﯿﻦlﻫﺎ ﯾﺎ ﻋﻮاﻣﻞ ﻫﻮﺷﻤﻨﺪ ﮐﻪ ﻣﺎﺷﯿﻦlﻫﺎ، ﻧﺮمlاﻓﺰارﻫﺎ ﯾﺎ اﻟﮕﻮرﯾﺘ lﻢﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺎ ﺷﻨﺎﺧﺖ و ﭘﺎﺳﺨﮕﻮﯾﯽ ﺑﻪ ﻣﺤﯿﻂ ﺧﻮد
ﻫﻮﺷﻤﻨﺪاﻧﻪ ﻋﻤﻞ ﻣ lﯽﮐﻨﻨﺪ.
دﺳﺘﮕﺎﻫﯽ ﺧﻮدﮐﺎر ﮐﻪ ﻋﻤﻠﮑﺮدﻫﺎﯾﯽ را ﮐﻪ ﻣﻌﻤﻮﻻً ﺑﻪ اﻧﺴﺎن ﯾﺎ ﻣﺎﺷﯿﻨﯽ ﺑﻪ ﺷﮑﻞ اﻧﺴﺎن ﻧﺴﺒﺖ داده ﻣﯽ ﺷﻮد اﻧﺠﺎم ﻣﯽ دﻫﺪ.

رﺑﺎت ﺻﻨﻌﺘﯽ ﮐﻪ ﯾﮏ ﻣﺎﺷﯿﻦ ﮐﻨﺘﺮل ﺧﻮدﮐﺎر، ﻗﺎﺑﻞ ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﻣﺠﺪد، ﭼﻨﺪ ﻣﻨﻈﻮره و دﺳﺘﮑﺎری ﺑﺎ ﭼﻨﺪﯾﻦ درﺟﻪ آزادی
اﺳﺖ. رﺑﺎت، ﮐﻪ ﺗﺮﮐﯿﺒﯽ از راﯾﺎﻧﻪ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ، داده ﻫﺎی ﺑﺰرگ و دﯾﺠﯿﺘﺎﻟﯽ ﮐﺮدن اﻃﻼﻋﺎت، ﺷﺒﮑﻪ ﻫﺎ، ﺣﺴﮕﺮﻫﺎ و ﺳﺮووﻫﺎ
اﺳﺖ ﮐﻪ در ادﺑﯿﺎت ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻋﺼﺮ ﻣﺎﺷﯿﻦ ﺟﺪﯾﺪ ﺗﺎﮐﯿﺪ ﺷﺪه اﺳﺖ، ﮐﻪ ﻫﺪف آن ﺑﻬﺮه ﺑﺮداری از داده ﻫﺎ ﺑﺮای اﯾﺠﺎد ﯾﮏ ﻣﺪﻟﯽ از ﻓﺮآﯾﻨﺪی ﮐﻪ اﻧﺴﺎن ﻧﻤﯽ ﺗﻮاﻧﺪ آن را ﺑﻪ ﮔﻮﻧﻪ ای دﯾﮕﺮ ﺗﻮﺻﯿﻒ ﮐﻨﺪ و ﺗﻮاﻧﺎﯾﯽ
ﯾﺎدﮔﯿﺮی ﺗﻔﺴﯿﺮ رﻓﺘﺎر اﻧﺴﺎﻧﯽ را دارد.

وﯾﮋﮔﯽ ﺗﻌﺮﯾﻒ ﺷﺪه

ﻋﻤﻠﯿﺎت ﺧﻮدﻣﺨﺘﺎر

ﻣﺤﯿﻂ ﺗﻔﺴﯿﺮ

ﻋﻤﻠﮑﺮد ﺧﻮدﻣﺨﺘﺎر، ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻋﻤﻠﯿﺎت ﺧﻮدﻣﺨﺘﺎر

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﻔﺴﯿﺮ

ﭼﻨﮓ و ﻫﻤﮑﺎران، 2020

Choudhuryو ﻫﻤﮑﺎران، 2020

داﻟﻨﺒﺮگ، 2018

ﯾﮏ اﺻﻄﻼح ﮐﻠﯽ ﮐﻪ ﺑﻪ اﺳﺘﻔﺎده از راﯾﺎﻧﻪ ﺑﺮای ﻣﺪل ﺳﺎزی رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ ﺑﺎ ﺣﺪاﻗﻞ دﺧﺎﻟﺖ اﻧﺴﺎن دﻻﻟﺖ دارد.
ﺗﻮاﻧﺎﯾﯽ ﯾﮏ ﻣﺎﺷﯿﻦ ﺑﺮای ﺗﻘﻠﯿﺪ رﻓﺘﺎر ﻫﻮﺷﻤﻨﺪ، در وﺿﻌﯿﺖ ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ ﻓﻌﻠﯽ ﺧﻮد، ﺑﻪ ﺷﮑﻞ ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ اﺳﺖ، ﮐﻪ در آن ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎ ﯾﺎدﮔﯿﺮی ﺧﻮد را در ﻃﻮل زﻣﺎن ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻞ، از ﻃﺮﯾﻖ ﺑﺮﻧﺎﻣ lﻪﻫﺎﯾﯽ ﮐﻪ از دادهlﻫﺎی
ﻣﺸﺎﻫﺪ lهای اﺿﺎﻓﯽ و اﻃﻼﻋﺎت ﺣﺎﺻﻞ از ﺗﻌﺎﻣﻼت دﻧﯿﺎی واﻗﻌﯽ اﺳﺘﻔﺎده ﻣﯽlﮐﻨﻨﺪ، ﺑﻬﺒﻮد ﻣﯽlﺑﺨﺸﻨﺪ.

ﻫﺮ وﺳﯿﻠﻪ ای ﮐﻪ ﻣﺤﯿﻂ ﺧﻮد را درک ﻣﯽ ﮐﻨﺪ و اﻗﺪاﻣﺎﺗﯽ اﻧﺠﺎم ﻣﯽ دﻫﺪ ﮐﻪ ﺷﺎﻧﺲ ﻣﻮﻓﻘﯿﺖ ﺧﻮد را در ﯾﮏ ﻫﺪف ﺑﻪ
ﺣﺪاﮐﺜﺮ ﻣﯽ رﺳﺎﻧﺪ. ﯾﺎد ﻣﯽ ﮔﯿﺮد ﮐﻪ ﭼﮕﻮﻧﻪ ﺑﺎ ﺗﮑﻨﯿﮏ ﻫﺎی ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﮐﻨﺪ.

ﻋﻤﻠﮑﺮد ﺧﻮدﻣﺨﺘﺎر، ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﺮﺟﻤﻪ، ﻋﻤﻠﮑﺮد ﺧﻮدﻣﺨﺘﺎر، ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﻔﺴﯿﺮ

دﮐﺮ و ﻫﻤﮑﺎران، 2017

ﻫﺎی ﭘﯿﺸﺮﻓﺘﻪ ﺑﺎ

ﻫﺎ، ﻣﺎﺷﯿ lﻦﻫﺎﯾﯽ ﮐﻪ ﻣ lﯽﺗﻮاﻧﻨﺪ در دﻧﯿﺎی ﻓﯿﺰﯾﮑﯽ ﺣﺮﮐﺖ ﮐﻨﻨﺪ و ﺑﺎ آن ﺗﻌﺎﻣﻞ داﺷﺘﻪ ﺑﺎﺷﻨﺪ، ﺑ lﻪوﯾﮋه رﺑﺎ

رﺑﺎ

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﻔﺴﯿﺮ

اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘ lﻢﻫﺎی ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ.
)اداﻣﻪ در ﺻﻔﺤﻪ ﺑﻌﺪ(

17

ﻓﻠﻤﯿﻨﮓ، 2019

ﮔﺮوﺗﺰﻣﺎﺧﺮ، ﭘﺎراداﯾﺲ،
و ﻟﯽ، 2020

ﮐﻪ ﻧﯿﺎزی ﺑﻪ وﻇﺎﯾﻔﯽ ﺑﺮای ﭘﯿﺮوی از ﯾﮏ ﭘﺮوﺗﮑﻞ ﮐﺎﻣﻼً ﺗﻌﺮﯾﻒ ﺷﺪه ﻧﺪارﻧﺪ، و "cobots"ﮐﻪ روﺑﺎت ﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ
ﺑﺮای ﺗﻌﺎﻣﻞ ﺑﺎ اﻧﺴﺎن ﻃﺮاﺣﯽ ﺷﺪه اﻧﺪ.
اﻟﮕﻮرﯾﺘ lﻢﻫﺎی راﯾﺎﻧ lﻪای ﺑﺴﯿﺎر ﭘﯿﺸﺮﻓﺘﻪ ﮐﻪ ﻧﻪ ﺗﻨﻬﺎ ﺗﻮاﻧﺎﯾ lﯽﻫﺎی اﻧﺴﺎن را ﺗﻘﻠﯿﺪ ﻣ lﯽﮐﻨﻨﺪ )ﻣﺜﻼً ﺑﺎز ﮐﺮدن در(، ﺑﻠﮑﻪ ﻧﻮﻋﯽ ﺑﺎزﺗﺎ lبﭘﺬﯾﺮی
ﺷﺒﯿﻪ ﺑﻪ ﺷﺨﺺ را در ﺣﯿﻦ اﻧﺠﺎم اﯾﻦ ﮐﺎر ﻧﺸﺎن ﻣﯽlدﻫﻨﺪ )ﻣﺜﻼً ﻗﻀﺎوت در ﻣﻮرد زﻣﺎن و ﻧﺤﻮه ﺑﺎز ﺷﺪن درب ﺑﻪ ﺷﯿﻮ lهای ﻣﻮدﺑﺎﻧﻪ.(

ﺳﯿﺴﺘﻢlﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻗﺪرﺗﻤﻨﺪ و ﻋﻤﻮﻣﯽ ﮐﻪ ﻣ lﯽﺗﻮان آ lنﻫﺎ را از ﻧﻈﺮ ﺷﻨﺎﺧﺘﯽ ﻣﻌﺎدل اﻧﺴﺎن در ﻧﻈﺮ ﮔﺮﻓﺖ.

ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

Hammershøj، 2019

ﻫﻮاﻧﮓ و ﻫﻤﮑﺎران، 2019
ﺟﻮﻧﮓ و ﻟﯿﻢ، 2020

ﮐﻮﻧﺘﻮﮔﯿﺎﻧﯿﺲ و ﮐﻮﺳﯿﺎوﻟﻮ، 1999

ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻤﺮﮐﺰ را از ﺳﯿﺴﺘ lﻢﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ ﻗﺎﻧﻮن، ﮐﻪ در آن ﻗﻮاﻧﯿﻦ ﻣﺴﺘﻘﯿﻤﺎً ﺑﺮﻧﺎﻣ lﻪرﯾﺰی ﻣﯽlﺷﻮﻧﺪ، ﺑﻪ ﺳﯿﺴﺘ lﻢﻫﺎی ﺗﺸﺨﯿﺺ اﻟﮕﻮی آﻣﺎری ﺗﻐﯿﯿﺮ داده اﺳﺖ، ﮐﻪ در آن ﻣﺎﺷﯿﻦ اﻟﮕﻮﻫﺎ را از ﻣﺠﻤﻮﻋﻪ داد lهﻫﺎ ﯾﺎد ﻣﯽlﮔﯿﺮد. ﻧﻮع دوم ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻧﻮع ﭘﯿﭽﯿﺪ lهﺗﺮی
از ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﺗﻨﻬﺎﯾﯽ ﻗﺎدر ﺑﻪ ﭘﯿ lﺶﺑﯿﻨﯽ اﺳﺖ.

ﻓﻨﺎوری ﻫﺎﯾﯽ ﮐﻪ ﻫﻮش اﻧﺴﺎﻧﯽ را ﺗﻘﻠﯿﺪ ﻣﯽ ﮐﻨﻨﺪ )ﯾﺎ ﺣﺘﯽ از آن ﭘﯿﺸﯽ ﻣﯽ ﮔﯿﺮﻧﺪ.(
رﺑﺎت ﺻﻨﻌﺘﯽ ﮐﻪ ﺑﻪ ﻃﻮر ﺧﻮدﮐﺎر ﮐﻨﺘﺮل ﻣﯽ ﺷﻮد، ﻗﺎﺑﻞ ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﻣﺠﺪد، دﺳﺘﮑﺎری ﮐﻨﻨﺪه ﭼﻨﺪ ﻣﻨﻈﻮره ﻗﺎﺑﻞ ﺑﺮﻧﺎﻣﻪ رﯾﺰی در ﺳﻪ ﯾﺎ
ﭼﻨﺪ ﻣﺤﻮر ﺑﺮای اﺳﺘﻔﺎده در ﺑﺮﻧﺎﻣﻪ ﻫﺎی اﺗﻮﻣﺎﺳﯿﻮن ﺻﻨﻌﺘﯽ.

»ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎرﯾﮏ« ﮐﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ وﻇﺎﯾﻒ ﺧﺎص، ﺑﻪ وﯾﮋه از ﺟﻤﻠﻪ 1)ﻃﯿﻒ وﺳﯿﻌﯽ از ﺳﯿﺴﺘ lﻢﻫﺎ ﯾﺎ ﻋﻮاﻣﻞ ﻧﺮمlاﻓﺰاری ﻣﺒﺘﻨﯽ ﺑﺮ داﻧﺶ، ﺑﺮاﺑﺮ ﯾﺎ ﻓﺮاﺗﺮ از ﻫﻮش اﻧﺴﺎﻧﯽ اﺳﺖ. 2)اﺷﯿﺎء ﺳﺎﺧﺖ و ﺳﺎز ﻫﻮﺷﻤﻨﺪ، ﯾﻌﻨﯽ ﻣﻨﺎﺑﻊ ﺳﺎﺧﺖ و ﺳﺎز )ﻣﺜﻼً ﻣﺎﺷﯿﻦ آﻻت، اﺑﺰارﻫﺎ و ﻏﯿﺮه( ﮐﻪ ﺑﺎ ﺗﻘﻮﯾﺖ آﻧﻬﺎ ﺑﺎ ﺗﻮاﻧﺎﯾﯽ ﻫﺎی ﺣﺴﯽ، ﭘﺮدازﺷﯽ و ارﺗﺒﺎﻃﯽ ﻫﻮﺷﻤﻨﺪ ﺳﺎﺧﺘﻪ ﻣﯽ ﺷﻮﻧﺪ، ﺑﻪ ﻃﻮری ﮐﻪ آﻧﻬﺎ اﺳﺘﻘﻼل و آﮔﺎﻫﯽ
داﺷﺘﻪ ﺑﺎﺷﻨﺪ و ﺑﺘﻮاﻧﻨﺪ ﺑﺎ ﻣﺠﺎورت ﺗﻌﺎﻣﻞ داﺷﺘﻪ ﺑﺎﺷﻨﺪ. ﺗﺎ اﻣﮑﺎن ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﺑﻬﺘﺮ ﻓﺮاﻫﻢ ﺷﻮد.

ﯾﺎدﮔﯿﺮی، ﻋﻤﻠﯿﺎت ﻣﺴﺘﻘﻞ

ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ ﻋﻤﻠﯿﺎت ﺧﻮدﻣﺨﺘﺎر

ﻣﺤﯿﻂ ﺗﻔﺴﯿﺮ، ﻋﻤﻠﯿﺎت ﻣﺴﺘﻘﻞ، ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻻوﻟﺮ و اﻟﯿﻮت، 1996

2018 ﻟﯽ،

ﺳﯿﺴﺘﻢ ﺧﺒﺮه، ﯾﻌﻨﯽ ﯾﮏ ﺑﺮﻧﺎﻣﻪ ﮐﺎﻣﭙﯿﻮﺗﺮی ﮐﻪ ﺗﻼش ﻣ lﯽﮐﻨﺪ داﻧﺶ و اﻣﮑﺎﻧﺎت ﺗﺼﻤﯿﻢlﮔﯿﺮی ﯾﮏ ﻣﺘﺨﺼﺺ اﻧﺴﺎﻧﯽ را ﺑﻪ ﻣﻨﻈﻮر اﻧﺠﺎم وﻇﯿﻔ lﻪای ﮐﻪ ﻧﯿﺎز ﺑﻪ ﺗﺨﺼﺺ اﻧﺴﺎﻧﯽ دارد، ﻣﺠﺴﻢ ﮐﻨﺪ. اﯾﻦ اﺳﺘﺪﻻل اﻧﺘﺰاﻋﯽ ﺧﺎص و ﺗﻮاﻧﺎﯾﯽ ﻫﺎی ﺣﻞ ﻣﺴﺌﻠﻪ اﻧﺴﺎن ﻫﺎ را ﺗﮑﺮار ﻣﯽ
ﮐﻨﺪ.

ﯾﮏ ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﺎﺗﯽ ﮐﻪ ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻞ ﺑﺮ اﺳﺎس ﻣﺪل ﻫﺎی آﻣﺎری ﯾﺎ ﻗﻮاﻧﯿﻦ ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﺑﺪون دﺧﺎﻟﺖ ﺻﺮﯾﺢ اﻧﺴﺎن ﺗﺼﻤﯿﻢ
ﮔﯿﺮی ﻣﯽ ﮐﻨﺪ.

ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻋﻤﻠﮑﺮد ﺧﻮدﻣﺨﺘﺎر، ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻟﯽ و ﻫﻤﮑﺎران، 2019

ﻣﺎﮐﺎرﯾﻮس و ﻫﻤﮑﺎران، 2020

ﺷﺒﯿ lﻪﺳﺎزی ﻓﺮآﯾﻨﺪﻫﺎی ﻫﻮش اﻧﺴﺎﻧﯽ ﮐﻪ ﺑﻪ ﺳﯿﺴﺘﻢlﻫﺎی راﯾﺎﻧﻪlای اﺟﺎزه ﻣﯽlدﻫﺪ ﺗﺎ ﺑﻪ ﻃﻮر ﺧﻮدﮐﺎر از ﺗﺠﺮﺑﻪ ﺑﯿﺎﻣﻮزﻧﺪ و ﮐﺎرﻫﺎﯾﯽ ﺷﺒﯿﻪ
اﻧﺴﺎن را ﺑﺮای ﺑﻬﺒﻮد ﮐﺎراﯾﯽ وﻇﺎﯾﻒ روزاﻧﻪ اﻧﺠﺎم دﻫﻨﺪ.

ﻟﯿﻨﮕﻤﻮﻧﺖ و اﻟﮑﺴﯿﻮ، اﺗﻮﻣﺎﺳﯿﻮن ، 2020ﻓﻨﺎوری ﮐﻪ ﺗﻮﺳﻂ آن ﯾﮏ ﻓﺮآﯾﻨﺪ ﯾﺎ روﯾﻪ ﺑﺎ ﺣﺪاﻗﻞ ﮐﻤﮏ اﻧﺴﺎﻧﯽ ﺗﻮاﻧﺎﯾﯽ ﯾﮏ ﺳﯿﺴﺘﻢ ﺑﺮای ﺗﻔﺴﯿﺮ ﺻﺤﯿﺢ داده ﻫﺎی ﺧﺎرﺟﯽ، ﯾﺎدﮔﯿﺮی از اﯾﻦ داده ﻫﺎ، و اﺳﺘﻔﺎده از اﯾﻦ آﻣﻮﺧﺘﻪ ﻫﺎ
ﺑﺮای دﺳﺘﯿﺎﺑﯽ ﺑﻪ اﻫﺪاف و وﻇﺎﯾﻒ ﺧﺎص از ﻃﺮﯾﻖ ﺳﺎزﮔﺎری اﻧﻌﻄﺎف ﭘﺬﯾﺮ، ﭼﻨﯿﻦ ﺳﯿﺴﺘﻢ ﻫﺎﯾﯽ ﺑﺎﯾﺪ ﺣﺲ، درک، ﻋﻤﻞ، و ﯾﺎدﮔﯿﺮی را
ﺗﻘﻠﯿﺪ ﮐﻨﻨﺪ. .

ﯾﺎدﮔﯿﺮی، ﻋﻤﻠﯿﺎت ﻣﺴﺘﻘﻞ،
ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻋﻤﻠﯿﺎت ﺧﻮدﻣﺨﺘﺎر

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﺮﺟﻤﻪ،
ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

اوه و ﻫﻤﮑﺎران، 2019

ﭘﺘﺮﺳﻦ، 2019

ﭘﺮﻧﺘﯿﺲ و ﻫﻤﮑﺎران، 2019

ﺗﻮاﻧﺎﯾﯽ ﺳﯿﺴﺘﻢ ﻫﺎی ﮐﺎﻣﭙﯿﻮﺗﺮی ﺑﺮای اﻧﺠﺎم وﻇﺎﯾﻔﯽ ﮐﻪ ﻣﻌﻤﻮﻻً ﺑﻪ ﺳﻄﻮح ﻫﻮش اﻧﺴﺎﻧﯽ ﻧﯿﺎز دارﻧﺪ.

ﺳﯿﺴﺘ lﻢﻫﺎی راﯾﺎﻧ lﻪای ﮐﻪ وﻇﺎﯾﻔﯽ را اﻧﺠﺎم ﻣﯽlدﻫﻨﺪ ﮐﻪ ﻣﻌﻤﻮﻻً ﺑﻪ ﻫﻮش اﻧﺴﺎﻧﯽ ﻧﯿﺎز دارﻧﺪ، ﻣﺎﻧﻨﺪ ادراک ﺑﺼﺮی، ﺗﺸﺨﯿﺺ ﮔﻔﺘﺎر،
ﺗﺼﻤﯿﻢlﮔﯿﺮی ﯾﺎ ﺗﺮﺟﻤﻪ. ﺗﻮاﻧﺎﯾﯽ ﯾﮏ ﺳﯿﺴﺘﻢ ﺑﺮای ﺗﻔﺴﯿﺮ ﺻﺤﯿﺢ داده ﻫﺎی ﺧﺎرﺟﯽ، ﯾﺎدﮔﯿﺮی از ﭼﻨﯿﻦ داده ﻫﺎ و اﺳﺘﻔﺎده از آن ﯾﺎدﮔﯿﺮی ﻫﺎ ﺑﺮای دﺳﺘﯿﺎﺑﯽ ﺑﻪ اﻫﺪاف و وﻇﺎﯾﻒ ﺧﺎص از ﻃﺮﯾﻖ ﺳﺎزﮔﺎری اﻧﻌﻄﺎف ﭘﺬﯾﺮ، ﺷﺎﻣﻞ ﺷﺶ ﺑﻌﺪ: اﺳﺘﻘﻼل، ﺗﻮاﻧﺎﯾﯽ ﯾﺎدﮔﯿﺮی، واﮐﻨﺶ ﭘﺬﯾﺮی، ﺗﻮاﻧﺎﯾﯽ
ﻫﻤﮑﺎری، ﺗﻌﺎﻣﻞ اﻧﺴﺎن ﻣﺎﻧﻨﺪ و ﺷﺨﺼﯿﺖ.

ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﺮﺟﻤﻪ، ﻋﻤﻠﯿﺎت ﺧﻮدﻣﺨﺘﺎر

Prüfer & Prüfer، 2020

ﻣﻔﻬﻮﻣﯽ ﮔﺴﺘﺮده ﮐﻪ در آن اﻟﮕﻮرﯾﺘ lﻢﻫﺎ و ﻣﺎﺷﯿ lﻦﻫﺎ ﮐﺎرﮐﺮدﻫﺎی ﺷﻨﺎﺧﺘﯽ ﯾﺎدﮔﯿﺮی و ﺣﻞ ﻣﺴﺌﻠﻪ را ﺗﻘﻠﯿﺪ ﻣ lﯽﮐﻨﻨﺪ، ﺑﻨﺎﺑﺮاﯾﻦ ﻣ lﯽﺗﻮاﻧﻨﺪ

ﯾﺎدﮔﯿﺮی، ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﺧﻮد را ﺑﺎ ﻣﻮﻗﻌﯿ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻄﺒﯿﻖ دﻫﻨﺪ و وﻇﺎﯾﻒ را ﺑ lﻪﮔﻮﻧ lﻪای اﻧﺠﺎم دﻫﻨﺪ ﮐﻪ ﻣﺎ ﻫﻮﺷﻤﻨﺪاﻧﻪ ﯾﺎ ﻫﻮﺷﻤﻨﺪاﻧﻪ ﺑﺪاﻧﯿﻢ.

رﺷﺖ و ﺑﺮاﯾﺎن، 2017

ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ، ﮐﻪ ﺑﻪ اﻟﮕﻮرﯾﺘ lﻢﻫﺎﯾﯽ اﺷﺎره دارد ﮐﻪ ﻣ lﯽﺗﻮاﻧﻨﺪ از داد lهﻫﺎی ﺟﺪﯾﺪ ﯾﺎد ﺑﮕﯿﺮﻧﺪ و ﭘﯿ ﺑﯿﻨﯽ ﮐﻨﻨﺪ. ﺑﻪ ﯾﮏ ﺑﺮﻧﺎﻣﻪ ﮐﺎﻣﭙﯿﻮﺗﺮی

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﻔﺴﯿﺮ

راﺑﺮت و ﻫﻤﮑﺎران، 2020

ﺳﺎﻣﭙﺴﻮن، 2021

ﺳﯿﺒﺮ و ﻫﻤﮑﺎران، 2020

ﮔﻔﺘﻪ ﻣﯽ ﺷﻮد ﮐﻪ از ﺗﺠﺮﺑﻪ Eﺑﺎ ﺗﻮﺟﻪ ﺑﻪ دﺳﺘﻪ ای از وﻇﺎﯾﻒ Tو ﻋﻤﻠﮑﺮد Pﯾﺎد ﻣﯽ ﮔﯿﺮد اﮔﺮ ﻋﻤﻠﮑﺮد آن در وﻇﺎﯾﻒ ،Tﻫﻤﺎﻧﻄﻮر ﮐﻪ ﺑﺎ
Pاﻧﺪازه ﮔﯿﺮی ﻣﯽ ﺷﻮد، ﺑﺎ ﺗﺠﺮﺑﻪ Eﺑﻬﺒﻮد ﯾﺎﺑﺪ.

ﺳﯿﺴﺘ lﻢﻫﺎی راﯾﺎﻧﻪlای ﮐﻪ ﻣ lﯽﺗﻮاﻧﻨﺪ ﻣﺤﯿﻂ ﺧﻮد را در زﻣﺎن واﻗﻌﯽ ﺣﺲ ﮐﻨﻨﺪ، اﺳﺘﺪﻻل ﮐﻨﻨﺪ و ﺑﻪ آن ﭘﺎﺳﺦ دﻫﻨﺪ، اﻏﻠﺐ ﺑﺎ ﻫﻮش
اﻧﺴﺎنlﻣﺎﻧﻨﺪ. اﺗﻮﻣﺎﺳﯿﻮن، ﮐﻪ ﺑﺎ آن وﻇﺎﯾﻒ اﻃﻼﻋﺎﺗﯽ و ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﺑﻪ ﻃﻮر ﺟﺰﺋﯽ ﯾﺎ ﮐﺎﻣﻞ ﺗﻮﺳﻂ راﯾﺎﻧﻪ اﻧﺠﺎم ﻣﯽ ﺷﻮد و ﻧﯿﺎز ﺑﻪ ﺗﻼش اﻧﺴﺎن را
ﮐﺎﻫﺶ ﻣﯽ دﻫﺪ.
ﺗﻮاﻧﺎﯾﯽ ﯾﮏ ﻣﺎﺷﯿﻦ ﯾﺎ ﮐﺎﻣﭙﯿﻮﺗﺮ ﺑﺮای ﺗﻘﻠﯿﺪ از رﻓﺘﺎر ﯾﺎ اﻓﮑﺎر ﻫﻮﺷﻤﻨﺪ اﻧﺴﺎن. اﮔﺮﭼﻪ ﻧﺤﻮه رﻓﺘﺎر ﯾﺎ ﺗﻔﮑﺮ اﯾﻦ دﺳﺘﮕﺎه ﻣﻮرد ﺑﺤﺚ اﺳﺖ: ﯾﮏ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﺄﺛﯿﺮﮔﺬار ﯾﺎد ﻣﯽlﮔﯿﺮد ﮐﻪ ﺳﯿﮕﻨﺎلlﻫﺎی اﺣﺴﺎﺳﯽ اﻧﺴﺎ lنﻫﺎ را ﺗﺮﮐﯿﺐ و درک ﮐﻨﺪ، اﻣﺎ ﯾﮏ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻨﻄﻘﯽ ﻫﻤﯿﺸﻪ ﺗﺼﻤﯿ lﻢﮔﯿﺮی ﺧﻮد را ﺑﺮ اﺳﺎس ﺑﻬﯿﻨ lﻪﺳﺎزی اﻫﺪاﻓﺶ اﺳﺘﻮار ﻣﯽlﮐﻨﺪ ﺗﺎ ﻋﻮاﻣﻞ اﺟﺘﻤﺎﻋﯽ ﯾﺎ اﺣﺴﺎﺳﯽ. ﺗﺤﻘﯿﻘﺎت ﻫﻮش
ﻣﺼﻨﻮﻋﯽ ﻫﻨﻮز ﻓﻨﺎور lیﻫﺎﯾﯽ را ﺗﻮﻟﯿﺪ ﻧﮑﺮده اﺳﺖ ﮐﻪ ﺗﻮاﻧﺎﯾﯽ ﺗﻔﮑﺮ اﻧﺘﻘﺎدی و ﺣﻞ ﻣﺴﺌﻠﻪ را ﺑﺎ ﺗﻮاﻧﺎﯾﯽlﻫﺎی اﻧﺴﺎﻧﯽ داﺷﺘﻪ ﺑﺎﺷﺪ، اﻣﺎ
ﭘﯿﺸﺮﻓﺖlﻫﺎﯾﯽ در ﺟﻬﺖ اﯾﻦ اﻫﺪاف در ﺣﺎل اﻧﺠﺎم اﺳﺖ.

ﻣﺤﯿﻂ ﺗﻔﺴﯿﺮی، ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻋﻤﻠﯿﺎت ﺧﻮدﻣﺨﺘﺎر

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﺮﺟﻤﻪ،
ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

Somers & Casal، 2009

اﺳﭙﯿﺴﺎک و ﻫﻤﮑﺎران، 2019

ﺷﺒﮑﻪlﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ، ﮐﻪ اﻟﮕﻮرﯾﺘﻢlﻫﺎی ﺗﺸﺨﯿﺺ اﻟﮕﻮ ﻫﺴﺘﻨﺪ ﮐﻪ وﯾﮋﮔ lﯽﻫﺎی ﺑﺮﺟﺴﺘﻪ را از ﻣﺠﻤﻮﻋﻪlای از ورودیlﻫﺎ ﮔﺮﻓﺘﻪ و آﻧﻬﺎ
را ﺑﻪ ﺧﺮوﺟﯽlﻫﺎ ﺗﺮﺳﯿﻢ ﻣ lﯽﮐﻨﻨﺪ. ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ، ﮐﻪ ﯾﮏ ﻓﺮآﯾﻨﺪ ﻣﺤﺎﺳﺒﺎﺗﯽ ﺧﻮدﮐﺎر ﺑﺮای »ﯾﺎدﮔﯿﺮی« اﻟﮕﻮﻫﺎی داد lهﻫﺎی ﺣﺎﺻﻞ از ﺗﺠﺮﺑ lﻪﻫﺎی ﻣﮑﺮر ﺑﺮای ﺑﻬﺒﻮد ﻋﻤﻠﮑﺮد
در ﮐﺎرﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﭘﯿﺶlﺑﯿﻨﯽ اﺳﺖ.

ﻣﺤﯿﻂ ﯾﺎدﮔﯿﺮی، ﺗﺮﺟﻤﻪ، ﻋﻤﻠﯿﺎت ﺧﻮدﻣﺨﺘﺎر

ﯾﺎ9د1ﮔﯿ0ﺮ2ی,،nﺗiﻮLاﻧﺎﯾ& ,ﯽngﺷﻨuﺎﺧHﺘ,ﯽSuenﺷﺎﺧﻪ ای از ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ ﮐﻪ ﺑﻪ دﻧﺒﺎل ﺗﻮﻟﯿﺪ ﻣﺎﺷﯿﻦ ﻫﺎی ﻫﻮﺷﻤﻨﺪ ﭘﺎﺳﺨﮕﻮ ﻫﺴﺘﻨﺪ
ﺑﻪ ﺷﯿﻮه ای ﺷﺒﯿﻪ ﺑﻪ ﻫﻮش اﻧﺴﺎن. ﻫﺪف آن ﮔﺴﺘﺮش و ﺗﻘﻮﯾﺖ اﻧﺴﺎن اﺳﺖ

)اداﻣﻪ در ﺻﻔﺤﻪ ﺑﻌﺪ(

18

ﻣﻨﺒﻊ

ﺳﻮﺋﻦ، ﭼﻦ و ﻟﻮ، 2019ﺳﻮﺋﻦ و
ﻫﻤﮑﺎران، 2020

ﺗﺎﻣﺒﻪ و ﻫﻤﮑﺎران، 2019

ون اش و ﻫﻤﮑﺎران، 2019

واﯾﺘﺰ و ﻧﻮرﺗﻮن، 2014

وﯾﻠﮑﺎﮐﺲ، 2020

ﺧﻮ و ﻫﻤﮑﺎران، 2020

ﻫﻮش ﻣﺼﻨﻮﻋﯽ )و اﻧﻮاع آن( ﺑﻪ…

ﻇﺮﻓﯿﺖ و ﮐﺎراﯾﯽ ﺑﺸﺮ در وﻇﺎﯾﻒ ﺑﺎزﺳﺎزی ﻃﺒﯿﻌﺖ، ﺑﺎ ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ ﺑﻪ ﻋﻨﻮان روﯾﮑﺮد اﺻﻠﯽ ﺑﺮای دﺳﺘﯿﺎﺑﯽ ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ.

ﺳﯿﺴﺘﻢ ﻫﺎی ﻫﻮﺷﻤﻨﺪی ﮐﻪ ﺑﻪ ﻋﻨﻮان اﻧﺴﺎن در ﯾﮏ ﺣﻮزه ﺧﺎص ﻋﻤﻞ ﻣﯽ ﮐﻨﻨﺪ و اﺳﺘﺪﻻل ﻣﯽ ﮐﻨﻨﺪ.
ﺷﺎﺧﻪ ای از ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ ﮐﻪ ﺑﻪ دﻧﺒﺎل ﻧﻮع ﺟﺪﯾﺪی از ﻣﺎﺷﯿﻦ ﻫﺎی ﻫﻮﺷﻤﻨﺪ ﺷﺒﯿﻪ ﺑﻪ ﻫﻮش اﻧﺴﺎن اﺳﺖ.

دﺳﺘﻪ وﺳﯿﻌﯽ از ﻓﻨﺎور lیﻫﺎ ﮐﻪ ﺑﻪ راﯾﺎﻧﻪ اﺟﺎزه ﻣ lﯽدﻫﺪ ﮐﺎرﻫﺎﯾﯽ را اﻧﺠﺎم دﻫﺪ ﮐﻪ ﻣﻌﻤﻮﻻً ﺑﻪ ﺷﻨﺎﺧﺖ اﻧﺴﺎﻧﯽ ﻧﯿﺎز دارد، از ﺟﻤﻠﻪ ﺗﺼﻤﯿﻢlﮔﯿﺮی.

ﻫﺮ ﻋﺎﻣﻞ ﻫﻮﺷﻤﻨﺪی )ﻣﺜﻼً دﺳﺘﮕﺎه( ﮐﻪ ﺑﯿﻦ ﻣﺤﯿﻂ ﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻤﺎﯾﺰ ﻗﺎﺋﻞ ﻣﯽ ﺷﻮد و ﻣﯽ ﺗﻮاﻧﺪ ﺑﺮای اﻓﺰاﯾﺶ ﻣﻮﻓﻘﯿﺖ در دﺳﺘﯿﺎﺑﯽ ﺑﻪ
اﻫﺪاف از ﭘﯿﺶ ﺗﻌﯿﯿﻦ ﺷﺪه، اﻗﺪاﻣﯽ اﻧﺠﺎم دﻫﺪ.

رﺑﺎت، ﯾﮏ ﻣﻮﺟﻮد ﻣﺼﻨﻮﻋﯽ ﻫﻮﺷﻤﻨﺪ، ﮐﻪ ﻣﻌﻤﻮﻻً از ﻓﻠﺰ ﺳﺎﺧﺘﻪ ﺷﺪه و ﺑﻪ ﻧﻮﻋﯽ ﺷﺒﯿﻪ اﻧﺴﺎن ﯾﺎ ﺣﯿﻮان دﯾﮕﺮ اﺳﺖ.

)ﺗﮑﻨﻮﻟﻮژی( ﮐﻪ ﺑﻪ دﻧﺒﺎل وادار ﮐﺮدن راﯾﺎﻧﻪ ﻫﺎ ﺑﻪ اﻧﺠﺎم اﻧﻮاع ﮐﺎرﻫﺎﯾﯽ اﺳﺖ ﮐﻪ ذﻫﻦ ﻣﯽ ﺗﻮاﻧﺪ اﻧﺠﺎم دﻫﺪ. اﻣﺮوزه اﺻﻄﻼح ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﻏﻠﺐ زﻣﺎﻧﯽ اﺳﺘﻔﺎده ﻣ lﯽﺷﻮد ﮐﻪ ﯾﮏ ﻣﺎﺷﯿﻦ ﻋﻤﻠﮑﺮدﻫﺎی ﺷﻨﺎﺧﺘﯽ و ﺳﺎﯾﺮ ﻋﻤﻠﮑﺮدﻫﺎﯾﯽ را ﮐﻪ اﻧﺴﺎن ﺑﺎ ذﻫﻦ اﻧﺴﺎن ﻣﺮﺗﺒﻂ ﻣ lﯽﮐﻨﺪ، ﺗﻘﻠﯿﺪ ﻣ lﯽﮐﻨﺪ، ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، ﯾﺎدﮔﯿﺮی، ﺣﻞ ﻣﺴﺌﻠﻪ، ﺑﯿﻨﺎﯾﯽ، ﭘﯿ lﺶﺑﯿﻨﯽ و
ارﺗﺒﺎط.
رﺑﺎت ﻫﺎی ﺧﺪﻣﺎﺗﯽ ﮐﻪ ﺗﻮاﻧﺎﯾﯽ اﻧﺠﺎم وﻇﺎﯾﻒ ﻣﻌﻨﺎدار ﻣﻮرد ﻧﻈﺮ را ﺑﺴﺘﻪ ﺑﻪ وﺿﻌﯿﺖ ﻓﻌﻠﯽ و ﺣﺲ ﮐﺮدن ﺑﺪون دﺧﺎﻟﺖ اﻧﺴﺎن دارﻧﺪ.

وﯾﮋﮔﯽ ﺗﻌﺮﯾﻒ ﺷﺪه

ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻣﺤﯿﻂ ﺗﻔﺴﯿﺮ

ﯾﺎدﮔﯿﺮی، ﺗﻮاﻧﺎﯾﯽ ﺷﻨﺎﺧﺘﯽ

ﻣﺤﯿﻂ ﺗﻔﺴﯿﺮ، ﻋﻤﻠﯿﺎت ﻣﺴﺘﻘﻞ

ﻣﻨﺎﺑﻊ

ﺟﺎﻣﻌﻪ، 25-35. ،13(1)

243-266.

1448-1466.

1553-1573.

ﻋﺒﺪﷲ، ر.، و ﻓﮑﯿﻪ، ب. (2020).ادراک ﮐﺎرﮐﻨﺎن ﻣﺮاﻗﺒﺖ ﻫﺎی ﺑﻬﺪاﺷﺘﯽ از اﺳﺘﻔﺎده از ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی ﻫﻮش ﻣﺼﻨﻮﻋﯽ: ﻣﻄﺎﻟﻌﻪ ﭘﯿﻤﺎﯾﺸﯽ. ﻣﺠﻠﻪ اﯾﻨﺘﺮﻧﺘﯽ ﭘﺰﺷﮑﯽ
ﺗﺤﻘﯿﻖ، 22(5).ﻣﺎده e17620.
اﺑﻮﺑﮑﺮ، ع.م.، ﺑﻬﺮوش، ای.، رﺿﺎﭘﻮراﻗﺪام، ح.، و ﯾﻠﺪﯾﺰ، س.ب (2019).اﺳﺘﻔﺎده از ﺗﮑﻨﯿﮏ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ رﻓﺘﺎر ﭘﻨﻬﺎن داﻧﺶ
ﻣﺠﻠﻪ ﺑﯿﻦ اﻟﻤﻠﻠﯽ ﻣﺪﯾﺮﯾﺖ اﻃﻼﻋﺎت، 45-57. ،49
(2020). P. Restrepo, & D., Acemoglu,رﺑﺎت ﻫﺎ و ﻣﺸﺎﻏﻞ: ﺷﻮاﻫﺪی از ﺑﺎزار ﮐﺎر اﯾﺎﻻت ﻣﺘﺤﺪه ﻣﺠﻠﻪ اﻗﺘﺼﺎد ﺳﯿﺎﺳﯽ، 2188-2244. ،(6) 128
(2020b). P. Restrepo, & D., Acemoglu,ﻧﻮع اﺷﺘﺒﺎه ﻫﻮش ﻣﺼﻨﻮﻋﯽ؟ ﻫﻮش ﻣﺼﻨﻮﻋﯽ و آﯾﻨﺪه ﺗﻘﺎﺿﺎی ﻧﯿﺮوی ﮐﺎر ﻣﺠﻠﻪ ﮐﻤﺒﺮﯾﺞ ﻣﻨﺎﻃﻖ، اﻗﺘﺼﺎد و

آﻧﺎﻧﺪرﺟﺎن، م. (1381).ﭘﺮوﻓﺎﯾﻞ اﺳﺘﻔﺎده از وب در ﻣﺤﻞ ﮐﺎر: ﯾﮏ روﯾﮑﺮد ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺒﺘﻨﯽ ﺑﺮ رﻓﺘﺎر ﻣﺠﻠﻪ ﺳﯿﺴﺘﻢ ﻫﺎی اﻃﻼﻋﺎت ﻣﺪﯾﺮﯾﺖ، ،19(1)

(2015). DH Autor,ﭼﺮا ﻫﻨﻮز اﯾﻦ ﻫﻤﻪ ﺷﻐﻞ وﺟﻮد دارد؟ ﺗﺎرﯾﺨﭽﻪ و آﯾﻨﺪه اﺗﻮﻣﺎﺳﯿﻮن ﻣﺤﻞ ﮐﺎر ﻣﺠﻠﻪ ﭼﺸﻢ اﻧﺪاز اﻗﺘﺼﺎدی، 3-30. ،(3) 29 آزاده، ا.، و زرﯾﻦ، م. (1395).ﭼﺎرﭼﻮﺑﯽ ﻫﻮﺷﻤﻨﺪ ﺑﺮای ارزﯾﺎﺑﯽ ﺑﻬﺮهlوری و ﺗﺤﻠﯿﻞ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ از ﻣﻬﻨﺪﺳﯽ ﺗﺎبlآوری، اﻧﮕﯿﺰﺷﯽ
ﻋﻮاﻣﻞ، HSEو دﯾﺪﮔﺎه ﻫﺎی ارﮔﻮﻧﻮﻣﯽ. ﻋﻠﻮم اﯾﻤﻨﯽ، 55-71. ،89
آزرﯾﻞ، دی.، ﻓﯿﮕﯿﻦ، ﭘ lﯽد lیدی، و ﻣﺎﻧﺪﻟﺒﺎوم، ا. Erlang-S: (2019).ﻣﺪل ﻣﺒﺘﻨﯽ ﺑﺮ داده از ﺳﺮورﻫﺎ در ﺷﺒﮑﻪ ﻫﺎی ﺻﻒ. ﻋﻠﻢ ﻣﺪﯾﺮﯾﺖ، 4607-4635. ،(10) 65
ﺑﺎرت، ام.، اوﺑﻮرن، ای.، اورﻟﯿﮑﻮﻓﺴﮑﯽ، دﺑﻠﯿﻮ ﺟﯽ، و ﯾﺘﺲ، ﺟﯽ. (2012).ﭘﯿﮑﺮﺑﻨﺪی ﻣﺠﺪد رواﺑﻂ ﻣﺮزی: ﻧﻮآوری ﻫﺎی رﺑﺎﺗﯿﮏ در ﮐﺎر داروﺳﺎزی ﻋﻠﻢ ﺳﺎزﻣﺎن، ،23(5)

ﺑﺎرو، اس.، و داوﻧﭙﻮرت، (2019). THاﻓﺮاد و ﻣﺎﺷﯿﻦlﻫﺎ: ﺷﺮﮐﺎی ﻧﻮآوری ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ اﺳﻠﻮن 22-28. ،(4) 60 ،MIT ،III ،JJ ،Bartholdiو (1990). KL ،McCroanﺑﺮﻧﺎﻣﻪ رﯾﺰی ﻣﺼﺎﺣﺒﻪ ﺑﺮای ﻧﻤﺎﯾﺸﮕﺎه ﮐﺎر. ﺗﺤﻘﯿﻖ در ﻋﻤﻠﯿﺎت، 951-960. ،(6) 38
(2019a). M. Beane,آﻣﻮزش ﮐﺎر ﺑﺎ ﻣﺎﺷﯿﻦ ﻫﺎی ﻫﻮﺷﻤﻨﺪ ﺑﺮرﺳﯽ ﮐﺴﺐ و ﮐﺎر ﻫﺎروارد، 140-148. ،(5) 97
(2019b). M. Beane,ﯾﺎدﮔﯿﺮی ﺳﺎﯾﻪ: اﯾﺠﺎد ﻣﻬﺎرت ﺟﺮاﺣﯽ رﺑﺎﺗﯿﮏ در ﺻﻮرت ﺗﺎﯾﯿﺪ ﺑﻪ ﻣﻌﻨﺎی ﺷﮑﺴﺖ اﺳﺖ. ﻓﺼﻠﻨﺎﻣﻪ ﻋﻠﻮم اداری، 87-123. ،(1) 64
ﺑﯿﻦ، ام.، و اورﻟﯿﮑﻮﻓﺴﮑﯽ، (2015). WJرﺑﺎت ﭼﻪ ﺗﻔﺎوﺗﯽ دارد؟ ﺗﺼﻮﯾﺐ ﻣﻮاد ﻫﻤﺎﻫﻨﮕﯽ ﺗﻮزﯾﻊ ﺷﺪه. ﻋﻠﻢ ﺳﺎزﻣﺎن، ،26(6)

(2018). M. Lamolle, & N., Mellouli, S., Benabderrahmane,در ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﭘﯿﺶlﺑﯿﻨﯽlﮐﻨﻨﺪه دادهlﻫﺎی ﺷﻐﻠﯽ ﻋﻈﯿﻢ رﻓﺘﺎری ﺑﺎ اﺳﺘﻔﺎده از ﺧﻮﺷﻪlﺑﻨﺪی ﺗﻌﺒﯿﻪlﺷﺪه و ﻋﻮد ﻋﻤﯿﻖ
ﺷﺒﮑﻪ ﻫﺎی ﻋﺼﺒﯽ. ﺳﯿﺴﺘﻢ ﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ داﻧﺶ، 95-113. ،151
(1995). J. Benders,رﺑﺎت ﻫﺎ: ﻣﻮﻫﺒﺘﯽ ﺑﺮای اﻓﺮاد ﺷﺎﻏﻞ؟ اﻃﻼﻋﺎت و ﻣﺪﯾﺮﯾﺖ، 343-350. ،(6) 28
ﺑﺮگ، ،A.ﺑﺎﻓﯽ، ،EFو (2018). LF ،Zannaآﯾﺎ ﺑﺎﯾﺪ از اﻧﻘﻼب روﺑﺎت ﻫﺎ ﺑﺘﺮﺳﯿﻢ؟ )ﭘﺎﺳﺦ ﺻﺤﯿﺢ ﺑﻠﻪ اﺳﺖ.( ﻣﺠﻠﻪ اﻗﺘﺼﺎد ﭘﻮﻟﯽ، 117-148. ،97
(2018). T. Birtchnell,ﮔﻮش دادن ﺑﺪون ﮔﻮش: ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﺴﺘﺮﯾﻨﮓ ﺻﺪا ﮐﻼن داده و ﺟﺎﻣﻌﻪ، 1-16. ،5(2)
(2019). SY ،Lee & ،G. ،Gancia ،S. ،Blanasﭼﻪ ﮐﺴﯽ از ﻣﺎﺷﯿﻦ ﻫﺎ ﻣﯽ ﺗﺮﺳﺪ؟ ﺳﯿﺎﺳﺖ اﻗﺘﺼﺎدی، 627-690. ،(100) 34
ﺑﻼس، ﺟﯽ (2019).ﺗﺒﻌﯿﺾ ﺗﺒﻠﯿﻐﺎﺗﯽ اﻟﮕﻮرﯾﺘﻤﯽ ﺑﺮرﺳﯽ ﺣﻘﻮق داﻧﺸﮕﺎه ﻧﻮرث وﺳﺘﺮن، 415-468. ،(2) 114
(2019). CM DesRoches, & JD, Halamka, KD, Mandl, MH, Bernstein, TJ, Kaptchuk, C., Blease,ﻫﻮش ﻣﺼﻨﻮﻋﯽ و آﯾﻨﺪه ﻣﺮاﻗﺒﺖ ﻫﺎی اوﻟﯿﻪ: ﻣﻄﺎﻟﻌﻪ ﮐﯿﻔﯽ اﮐﺘﺸﺎﻓﯽ ﻧﻈﺮات ﭘﺰﺷﮑﺎن ﻋﻤﻮﻣﯽ اﻧﮕﻠﺴﺘﺎن. ﻣﺠﻠﻪ ﺗﺤﻘﯿﻘﺎت اﯾﻨﺘﺮﻧﺘﯽ ﭘﺰﺷﮑﯽ، 21(3).ﻣﺎده e12802.
(2020). ECM Schütte, & D., Borup,در ﺟﺴﺘﺠﻮی ﺷﻐﻞ: ﭘﯿﺶ ﺑﯿﻨﯽ رﺷﺪ اﺷﺘﻐﺎل ﺑﺎ اﺳﺘﻔﺎده از ﺗﺮﻧﺪﻫﺎی ﮔﻮﮔﻞ. ﻣﺠﻠﻪ ﮐﺴﺐ و ﮐﺎر و آﻣﺎر اﻗﺘﺼﺎدی، 1-15.
(2018). M. Mezzanzanica, & F., Mercorio, M., Cesarini, R., Boselli,ﻃﺒﻘﻪ ﺑﻨﺪی آﮔﻬﯽ ﻫﺎی اﺳﺘﺨﺪام آﻧﻼﯾﻦ از ﻃﺮﯾﻖ ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ. ﮐﺎﻣﭙﯿﻮﺗﺮ ﻧﺴﻞ آﯾﻨﺪه
ﺳﯿﺴﺘﻢ ﻫﺎ، 319-328. ،86
ﺑﺮوﻣﻮری، اس.، ﻫﻨﮑﻞ، ،APآﯾﺮن، دی.، و اورووی، وی. (2021).اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ اﺳﺘﺮس ﻋﺎﻣﻞ ﺧﺪﻣﺎت از اﻟﮕﻮﻫﺎی اﺣﺴﺎﺳﯽ در ﺗﻌﺎﻣﻼت ﺧﺪﻣﺎﺗﯽ ﻣﺠﻠﻪ ﺧﺪﻣﺎت
ﻣﺪﯾﺮﯾﺖ، 581-611. ،(4) 32
ﺑﺮوﮔﺎم، دی، و ﻫﺎر، ﺟﯽ (2020).اﺧﺘﻼل ﻓﻨﺎوری و اﺷﺘﻐﺎل: ﺗﺄﺛﯿﺮ ﺑﺮ ﻧﺎاﻣﻨﯽ ﺷﻐﻠﯽ و اﻫﺪاف ﺗﺮک ﺷﻐﻞ: ﯾﮏ ﻣﻄﺎﻟﻌﻪ ﭼﻨﺪ ﮐﺸﻮری.
ﭘﯿﺶ ﺑﯿﻨﯽ ﻓﻨﺎوری و ﺗﺤﻮل اﺟﺘﻤﺎﻋﯽ، 161.ﻣﺎده 120276.

˜ '

41-46.

ﺑﺎﮐﯿﻨﮕﻬﺎم، ام (2012).ﺗﻮﺳﻌﻪ رﻫﺒﺮی در ﻋﺼﺮ اﻟﮕﻮرﯾﺘﻢ. ﺑﺮرﺳﯽ ﮐﺴﺐ و ﮐﺎر ﻫﺎروارد، 86-94. ،90(6) ﭘ،ﯿA.ﺶ، ﺑoﯿﻨhaﯽCﻓ-ﻨﺎzوaرíیD ،و. ﺗEﺤ،ﻮaلinاﺟmﺘaﻤﺎCﻋوﯽ.،(125012.0)ﻣ.ﺎJد،هTorrent-Sellensﻓﻦ آوری ﻫﺎی اﺗﻮﻣﺎﺳﯿﻮن: اﺛﺮات ﺑﻠﻨﺪ ﻣﺪت ﺑﺮای ﺷﺮﮐﺖ ﻫﺎی ﺻﻨﻌﺘﯽ اﺳﭙﺎﻧﯿﺎﯾﯽ
119828.
(2016). MH ،Reider & ،ED ،Campion ،MA ،Campion ،MC ،Campionﺑﺮرﺳﯽ اوﻟﯿﻪ در ﻣﻮرد اﻣﺘﯿﺎزدﻫﯽ ﮐﺎﻣﭙﯿﻮﺗﺮی ﻣﻘﺎﻻت ﻧﺎﻣﺰد ﺑﺮای اﻧﺘﺨﺎب ﭘﺮﺳﻨﻞ.
ﻣﺠﻠﻪ رواﻧﺸﻨﺎﺳﯽ ﮐﺎرﺑﺮدی، 958-975. ،(7) 101
(2019). P. ،Cappelliروﯾﮑﺮد ﺷﻤﺎ ﺑﺮای اﺳﺘﺨﺪام اﺷﺘﺒﺎه اﺳﺖ: ﺑﺮون ﺳﭙﺎری و اﻟﮕﻮرﯾﺘﻢ اﻓﺮاد ﻣﻮرد ﻧﯿﺎز ﺷﻤﺎ را ﺑﻪ دﺳﺖ ﻧﻤﯽ آورﻧﺪ. ﺑﺮرﺳﯽ ﮐﺴﺐ و ﮐﺎر ﻫﺎروارد، 47-57. ،(3) 97
(1998). M. Fischetti, & D., Vigo, P., Toth, A., Caprara,ﻣﺪل ﺳﺎزی و ﺣﻞ ﻣﺸﮑﻞ ﻓﻬﺮﺳﺖ ﺑﻨﺪی ﺧﺪﻣﻪ. ﺗﺤﻘﯿﻖ در ﻋﻤﻠﯿﺎت، 820-830. ،(6) 46
(2017). P. Novais, & J., Neves, A., Pimenta, D., Carneiro,ﯾﮏ ﻣﻌﻤﺎری ﭼﻨﺪ وﺟﻬﯽ ﺑﺮای ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻏﯿﺮ ﻧﻔﻮذی ﻋﻤﻠﮑﺮد در ﻣﺤﻞ ﮐﺎر. ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎی ﻋﺼﺒﯽ، ،231

(2013). JN ،Cummings & ،AM ،Cartonﺗﺄﺛﯿﺮ ﻧﻮع زﯾﺮﮔﺮوه و ﺧﺼﻮﺻﯿﺎت ﭘﯿﮑﺮﺑﻨﺪی زﯾﺮﮔﺮوه ﺑﺮ ﻋﻤﻠﮑﺮد ﺗﯿﻢ ﮐﺎری ﻣﺠﻠﻪ ﮐﺎرﺑﺮدی
رواﻧﺸﻨﺎﺳﯽ، 732-758. ،(5) 98
(2005). R. Ayer, & D., Dolk, S., Mehta, A., Chaturvedi,ﺷﺒﯿﻪ ﺳﺎزی ﻣﺒﺘﻨﯽ ﺑﺮ ﻋﺎﻣﻞ ﺑﺮای آزﻣﺎﯾﺶ ﻣﺤﺎﺳﺒﺎﺗﯽ: ﺗﻮﺳﻌﻪ ﺑﺎزار ﮐﺎر ﻣﺼﻨﻮﻋﯽ ﻣﺠﻠﻪ اروﭘﺎﯾﯽ ﺗﺤﻘﯿﻘﺎت ﻋﻤﻠﯿﺎﺗﯽ، 694-716. ،(3) 166

19

Machine Translated by Google

FJ Froese وY. Pan

655-6'82.

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

(2020). SW ،Law & ،SH ،Lai ،ZP ،Sin ،PH ،Ng ،AS ،Chengﺳﯿﺴﺘﻢ ﻣﺪﯾﺮﯾﺖ ﺻﺪﻣﺎت ﻧﺎﺷﯽ از ﮐﺎر (SWIM):ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻧﺎﺗﻮاﻧﯽ ﮐﺎر
ﻣﺪﯾﺮﯾﺖ. ﻣﺠﻠﻪ ﺗﻮاﻧﺒﺨﺸﯽ ﺷﻐﻠﯽ، 354-361. ،30
(2021). MG ،Endres & ،RT ،Allen ،P. ،Choudhuryﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ ﺑﺮای ﮐﺸﻒ اﻟﮕﻮ در ﺗﺤﻘﯿﻘﺎت ﻣﺪﯾﺮﯾﺖ ﻣﺠﻠﻪ ﻣﺪﯾﺮﯾﺖ اﺳﺘﺮاﺗﮋﯾﮏ، 30-57. ،(1) 42 (2020). R. Agarwal, & E., Starr, P., Choudhury,ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ و ﻣﮑﻤﻞ ﻫﺎی ﺳﺮﻣﺎﯾﻪ اﻧﺴﺎﻧﯽ: ﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ در ﻣﻮرد ﮐﺎﻫﺶ ﺗﻌﺼﺐ راﻫﺒﺮدی
ﻣﺠﻠﻪ ﻣﺪﯾﺮﯾﺖ، 1381-1411. ،41(8) (2018). K. ،Arheart & ،E. ،Alvarez ،F. ،Collado-Mesaﻧﻘﺶ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در رادﯾﻮﻟﻮژی ﺗﺸﺨﯿﺼﯽ: ﺑﺮرﺳﯽ در ﯾﮏ ﺑﺮﻧﺎﻣﻪ آﻣﻮزﺷﯽ دﺳﺘﯿﺎری رادﯾﻮﻟﻮژی
ﻣﺠﻠﻪ ﮐﺎﻟﺞ آﻣﺮﯾﮑﺎﯾﯽ رادﯾﻮﻟﻮژی، 1753-1757. ،(12) 15
،KG ،Corleyو (2011). DA ،Gioiaﺗﺌﻮری ﺳﺎﺧﺘﻤﺎن در ﻣﻮرد ﺳﺎﺧﺘﻤﺎن ﺗﺌﻮری: ﻣﺸﺎرﮐﺖ ﻧﻈﺮی ﭼﯿﺴﺖ؟ ﺑﺮرﺳﯽ آﮐﺎدﻣﯽ ﻣﺪﯾﺮﯾﺖ، 12-32. ،(1) 36
داﻟﻨﺒﺮگ، دی ﺟﯽ (2018).ﺟﻠﻮﮔﯿﺮی از ﺗﺒﻌﯿﺾ در ﻫﺪف ﮔﯿﺮی ﺧﻮدﮐﺎر آﮔﻬﯽ ﻫﺎی ﺷﻐﻠﯽ. ﺑﺮرﺳﯽ ﺣﻘﻮق و اﻣﻨﯿﺖ راﯾﺎﻧﻪ، 615-627. ،(3) 34 (2013). CA ،Flesch & ،LV ،Valentina Dalla ،O. ،Possamai ،MA ،Oliveira Deﻣﺪل ﺳﺎزی راﺑﻄﻪ رﻫﺒﺮی-ﻋﻤﻠﮑﺮد ﭘﺮوژه: ﺗﺎﺑﻊ ﻣﺒﻨﺎی ﺷﻌﺎﻋﯽ، ﮔﺎوﺳﯽ
و روش ﻫﺎی ﮐﺮﯾﺠﯿﻨﮓ ﺑﻪ ﻋﻨﻮان ﺟﺎﯾﮕﺰﯾﻨﯽ ﺑﺮای رﮔﺮﺳﯿﻮن ﺧﻄﯽ. ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی، 272-280. ،(1) 40
دﮐﺮ، اف.، ﺳﺎﻟﻮﻣﻮن، آ.، و وال، ﺟﯽ وی دی (2017).ﺗﺮس از روﺑﺎت ﻫﺎ در ﻣﺤﻞ ﮐﺎر: ﻧﻘﺶ ﻣﻨﺎﻓﻊ ﺷﺨﺼﯽ اﻗﺘﺼﺎدی ﺑﺮرﺳﯽ اﺟﺘﻤﺎﻋﯽ و اﻗﺘﺼﺎدی، 539-562. ،(3) 15
دﻟﻔﺎﻧﺘﯽ، ا.، و ﻓﺮی، ﺑﯽ. (2021).اﺗﻮﻣﺎﺳﯿﻮن ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ اﻧﺴﺎﻧﯽ ﯾﺎ آﯾﻨﺪه ﮐﺎر از ﻃﺮﯾﻖ ﭘﺘﻨﺖ ﻫﺎی آﻣﺎزون دﯾﺪه ﻣﯽ ﺷﻮد. ﻋﻠﻢ، ﻓﻨﺎوری و ارزش ﻫﺎی اﻧﺴﺎﻧﯽ، ،46(3)

دﻟﮕﺎدو-ﮔﻮﻣﺰ، دی، آﮔﻮادو، دی، ﻟﻮﭘﺰ-ﮐﺎﺳﺘﺮوﻣﻦ، ﺟﯽ.، ﺳﺎﻧﺘﺎﮐﺮوز، ﺳﯽ، و آرت اﯾﺲ رودرﯾﮕﺰ، آ. (2011).ﺑﻬﺒﻮد ﭘﯿ lﺶﺑﯿﻨﯽ ﻋﻤﻠﮑﺮد ﻓﺮوش ﺑﺎ اﺳﺘﻔﺎده از ﻣﺎﺷﯿﻦlﻫﺎی ﺑﺮدار ﭘﺸﺘﯿﺒﺎﻧﯽ ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی، 5129-5132. ،(5) 38

(2020). K. ،Bodner & ،C. ،Blease ،PM ،Doraiswamyﻫﻮش ﻣﺼﻨﻮﻋﯽ و آﯾﻨﺪه رواﻧﭙﺰﺷﮑﯽ: ﺑﯿﻨﺶ از ﯾﮏ ﻧﻈﺮﺳﻨﺠﯽ ﺟﻬﺎﻧﯽ ﭘﺰﺷﮑﺎن ﻫﻮش ﻣﺼﻨﻮﻋﯽ در
ﻃﺐ، 102.ﻣﺎده 101753.
(2014). G. Tzimas, & A., Tsakalidis, S., Sioutas, M., Rigou, I., Karydis, L., Iliadis, E., Faliagka,رﺗﺒﻪ ﺑﻨﺪی ﺛﺎﺑﺖ آﻧﻼﯾﻦ در اﺳﺘﺨﺪام اﻟﮑﺘﺮوﻧﯿﮑﯽ: ﺟﺴﺘﺠﻮی ﺣﻘﯿﻘﺖ در ﭘﺸﺖ ﯾﮏ
CVﺧﻮش ﻓﺮم ﺑﺮرﺳﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ، 515-528. ،(3) 42 (2012). SH ،Chang & ،TY ،Chan ،PS ،Fan ،CY ،Fanاﺳﺘﻔﺎده از داده ﮐﺎوی ﺗﺮﮐﯿﺒﯽ و ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﺧﻮﺷﻪlﺑﻨﺪی ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ ﺑﺮای ﭘﯿﺶlﺑﯿﻨﯽ ﻧﺮخ ﮔﺮدش ﻣﺎﻟﯽ ﺑﺮای ﻓﻨﺎوری
ﺣﺮﻓﻪ ای ﻫﺎ. ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی، 8844-8851. ،(10) 39
(2020). A. Binda, & E., Coli, F., Chiarello, G., Fantoni, S., Fareri,ﺗﺨﻤﯿﻦ ﺗﺎﺛﯿﺮ ﺻﻨﻌﺖ 4.0ﺑﺮ ﭘﺮوﻓﺎﯾﻞ ﻫﺎی ﺷﻐﻠﯽ و ﻣﻬﺎرت ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺘﻦ ﮐﺎوی. ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎ در ﺻﻨﻌﺖ، 118.

103222. ﻣﺎده

(4)، 62-73.

ﻓﻠﻤﯿﻨﮓ، ﭘﯽ (2019).رﺑﺎ lتﻫﺎ و ﻣﻄﺎﻟﻌﺎت ﺳﺎزﻣﺎﻧﯽ: ﭼﺮا روﺑﺎتlﻫﺎ ﻧﻤ lﯽﺧﻮاﻫﻨﺪ ﺷﻐﻞ ﺷﻤﺎ را ﺑﺪزدﻧﺪ؟ ﻣﻄﺎﻟﻌﺎت ﺳﺎزﻣﺎﻧﯽ، 23-38. ،(1) 40
ﻓﻮﻧﺘﯿﻦ، ﺗﯽ، ﻣﮏ ﮐﺎرﺗﯽ، ﺑﯽ، و ﺻﺎﻟﺢ، ﺗﯽ (2019).ﺳﺎﺧﺘﻦ ﻓﻨﺎوری ﺳﺎزﻣﺎﻧﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺰرﮔﺘﺮﯾﻦ ﭼﺎﻟﺶ ﻧﯿﺴﺖ، ﻓﺮﻫﻨﮓ اﺳﺖ. ﺑﺮرﺳﯽ ﮐﺴﺐ و ﮐﺎر ﻫﺎروارد، 97

ﻓﺮاﻧﮏ، ام آر، اﺗﻮر، دی.، ﺑﺴﻦ، ﺟﯽ، ﺑﺮﯾﻨﺠﻮﻟﻔﺴﻮن، ای.، ﺳﺒﺮﯾﻦ، ام.، دﻣﯿﻨﮓ، دی ﺟﯽ، …راﻫﻮان، آی. (2019).ﺑﻪ ﺳﻮی درک ﺗﺄﺛﯿﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﻧﯿﺮوی ﮐﺎر ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎﻻت آﮐﺎدﻣﯽ ﻣﻠﯽ ﻋﻠﻮم، 6531-6539. ،116(14)

ﮔﺎرﺳﯿﺎ-آروﯾﻮ، ﺟﯽ، و اوﺳﮑﺎ، آ (2019).ﮐﻤﮏ ﻫﺎی ﮐﻼن داده ﺑﻪ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ: ﯾﮏ ﺑﺮرﺳﯽ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﻣﺠﻠﻪ ﺑﯿﻦ اﻟﻤﻠﻠﯽ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ

ﻣﺪﯾﺮﯾﺖ، )1–26آﻧﻼﯾﻦ.(

' 30 (1)، 127-144.

120323. ﻣﺎده161.

(1-2)، 151-181.

اﺧﻼق ﺗﺠﺎری، 141-157. ،176

،T. ،Gevaو (2021). M. ،Saar-Tsechanskyﭼﻪ ﮐﺴﯽ ﺗﺼﻤﯿﻢ ﮔﯿﺮﻧﺪه ﺑﻬﺘﺮی اﺳﺖ؟ رﺗﺒﻪ ﺑﻨﺪی ﺧﺒﺮﮔﺎن ﻣﺒﺘﻨﯽ ﺑﺮ داده ﺗﺤﺖ ﮐﯿﻔﯿﺖ ﻣﺸﺎﻫﺪه ﻧﺸﺪه. ﻣﺪﯾﺮﯾﺖ ﺗﻮﻟﯿﺪ و ﻋﻤﻠﯿﺎت،

،ASDO ،Goesو (2020). RCL ،Oliveira Deﻓﺮآﯾﻨﺪی ﺑﺮای ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻫﻮش ﻣﺤﺎﺳﺒﺎﺗﯽ: روﯾﮑﺮدی ﺑﺎ اﺳﺘﻔﺎده از اﻟﻒ
ﺗﺮﮐﯿﺒﯽ از ﻃﺒﻘﻪ ﺑﻨﺪی ﮐﻨﻨﺪه ﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ ﻗﺎﻧﻮن و اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﯾﺎدﮔﯿﺮی ﻧﻈﺎرت ﺷﺪه دﺳﺘﺮﺳﯽ 39403-39419. ،8 ،IEEE
ﮔﺮاﻧﻮﻟﻮ، آ.، ﻓﻮﮐﺲ، ﺳﯽ، و ﭘﻮﻧﺘﻮﻧﯽ، اس. (2019).واﮐﻨﺶ ﻫﺎی رواﻧﯽ ﺑﻪ ﺟﺎﯾﮕﺰﯾﻨﯽ ﺷﻐﻞ اﻧﺴﺎن در ﻣﻘﺎﺑﻞ رﺑﺎﺗﯿﮏ ﻃﺒﯿﻌﺖ رﻓﺘﺎر اﻧﺴﺎن، 1062-1069. ،(10) 3
ﮔﺮوﺗﺰﻣﺎﭼﺮ، آر.، ﭘﺎرادﯾﺲ، دی، و ﻟﯽ، (2020). KBﭘﯿﺶ ﺑﯿﻨﯽ ﺟﺎﺑﺠﺎﯾﯽ ﺷﺪﯾﺪ ﻧﯿﺮوی ﮐﺎر: ﻧﻈﺮﺳﻨﺠﯽ از ﻣﺘﺨﺼﺼﺎن ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﯿﺶ ﺑﯿﻨﯽ ﻓﻨﺎوری و ﺗﻐﯿﯿﺮات اﺟﺘﻤﺎﻋﯽ،

(2019). J. Wu, & C., Liang, Q., Zheng, S., Deng, D., Gu,ﺗﺄﺛﯿﺮات ﺳﯿﺴﺘﻢ داﻧﺶ ﺳﻼﻣﺖ ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﻮرد در ﻣﺪﯾﺮﯾﺖ ﺑﯿﻤﺎرﺳﺘﺎن: ﻧﻘﺶ ﻣﯿﺎﻧﺠﯽ ﮔﺮوه
اﺛﺮﺑﺨﺸﯽ. اﻃﻼﻋﺎت و ﻣﺪﯾﺮﯾﺖ، 56(8).ﻣﺎده 103162.
(2019). A. ،Kaplan & ،M. ،Haenleinﺗﺎرﯾﺨﭽﻪ ﻣﺨﺘﺼﺮی از ﻫﻮش ﻣﺼﻨﻮﻋﯽ: در ﻣﻮرد ﮔﺬﺷﺘﻪ، ﺣﺎل و آﯾﻨﺪه ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﮐﺎﻟﯿﻔﺮﻧﯿﺎ، 61
(4)، 5-14.
(2019). LG ،Hammershøjﺗﻘﺴﯿﻢ ﮐﺎر ﺟﺪﯾﺪ ﺑﯿﻦ اﻧﺴﺎن و ﻣﺎﺷﯿﻦ و ﭘﯿﺎﻣﺪﻫﺎی آﻣﻮزﺷﯽ آن. ﻓﻨﺎوری در ﺟﺎﻣﻌﻪ، 59.ﻣﺎده 101142.
(2004). H. ،Jones & ،TL ،Roberts ،PJ ،Hindsاﺻﻼً ﮐﺎر ﮐﯿﺴﺖ؟ ﻣﻄﺎﻟﻌﻪ ﺗﻌﺎﻣﻞ اﻧﺴﺎن و رﺑﺎت در ﯾﮏ ﮐﺎر ﻣﺸﺘﺮک ﺗﻌﺎﻣﻞ اﻧﺴﺎن ﺑﺎ ﮐﺎﻣﭙﯿﻮﺗﺮ، 19

(1993). M. Padberg, & KL, Hoffman,ﺣﻞ ﻣﺸﮑﻼت ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﺧﺪﻣﻪ ﻫﻮاﭘﯿﻤﺎﯾﯽ ﺗﻮﺳﻂ ﺷﻌﺒﻪ و ﺑﺮش. ﻋﻠﻢ ﻣﺪﯾﺮﯾﺖ، 657-682. ،(6) 39
(2005). A. Holder,ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﭘﺮﺳﻨﻞ ﻧﯿﺮوی درﯾﺎﯾﯽ و ﭘﺎرﺗﯿﺸﻦ ﺑﻬﯿﻨﻪ. ﺗﺤﻘﯿﻖ در ﻋﻤﻠﯿﺎت، 77-89. ،(1) 53 ﻫﺎﻟﻔﻮرد، (2022). WDﯾﮏ ﺗﺤﻘﯿﻖ اﺧﻼﻗﯽ در ﻣﻮرد ﺗﺄﺛﯿﺮ اﺗﻮﻣﺎﺳﯿﻮن ﮐﺎﺑﯿﻦ ﺧﻠﺒﺎن ﺑﺮ ﻣﺴﺌﻮﻟﯿﺖlﻫﺎی ﺧﻠﺒﺎﻧﺎن ﺧﻄﻮط ﻫﻮاﯾﯽ: ﻧﺎﻫﻤﺎﻫﻨﮕﯽ ﯾﺎ ﮐﻨﺘﺮل ﻣﻌﻨﺎدار؟ ﻣﺠﻠﻪ از
(1998). J. Liebowitz, & RA, Kilmer, TP, Galvin, RS, Hooper,اﺳﺘﻔﺎده از ﺳﯿﺴﺘﻢ ﺧﺒﺮه در ﻓﺮآﯾﻨﺪ اﻧﺘﺨﺎب ﭘﺮﺳﻨﻞ ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی، ،14(4)

425-432.

61 (4)، 43-65.

120202. ﻣﺎده159.

¨

(2019). V. ،Maksimovic & ،R. ،Rust ،MH ،Huangاﻗﺘﺼﺎد اﺣﺴﺎس: ﻣﺪﯾﺮﯾﺖ در ﻧﺴﻞ ﺑﻌﺪی ﻫﻮش ﻣﺼﻨﻮﻋﯽ (AI).ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﮐﺎﻟﯿﻔﺮﻧﯿﺎ،

(2018). RT Rust, & MH, Huang,ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺧﺪﻣﺖ ﻣﺠﻠﻪ ﭘﮋوﻫﺶ ﺧﺪﻣﺎت، 155-172. ،(2) 21
ﺟﮑﺴﻮن، ﺟﯽ ﺳﯽ، ﮐﺎﺳﺘﻠﻮ، ن.، و ﮔﺮی، ک. (2020).آﯾﺎ اﻓﺰاﯾﺶ ﻧﯿﺮوی ﮐﺎر روﺑﺎت ﻫﺎ ﻣﯽ ﺗﻮاﻧﺪ اﻧﺴﺎن ﻫﺎ را ﮐﻤﺘﺮ ﺗﻌﺼﺐ ﮐﻨﺪ؟ رواﻧﺸﻨﺎس آﻣﺮﯾﮑﺎﯾﯽ، 969-982. ،(7) 75 (2020). B. ،Jayatilleke & ،M. ،Jayaratneﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺨﺼﯿﺖ ﺑﺎ اﺳﺘﻔﺎده از ﭘﺎﺳﺦ ﺑﻪ ﺳﻮاﻻت ﻣﺼﺎﺣﺒﻪ ﭘﺎﯾﺎن ﺑﺎز دﺳﺘﺮﺳﯽ 115345–115355. ،8 ،IEEE
ﺟﻮﻧﮓ، ﺟﯽ اچ، و ﻟﯿﻢ، دی ﺟﯽ (2020).روﺑﺎ lتﻫﺎی ﺻﻨﻌﺘﯽ، رﺷﺪ اﺷﺘﻐﺎل و ﻫﺰﯾﻨﻪ ﻧﯿﺮوی ﮐﺎر: ﯾﮏ ﺗﺤﻠﯿﻞ ﻣﻌﺎدﻟﻪ ﻫﻤﺰﻣﺎن ﭘﯿﺶ ﺑﯿﻨﯽ ﻓﻨﺎوری و ﺗﻐﯿﯿﺮات اﺟﺘﻤﺎﻋﯽ،

(2009). MT Chu, & T., Goonesekera, R., Khosla,ﺟﺪا ﮐﺮدن ﮔﻨﺪم از ﮐﺎه: ﯾﮏ ﺳﯿﺴﺘﻢ اﺳﺘﺨﺪام و ﻣﻌﯿﺎر ﻓﺮوش ﻫﻮﺷﻤﻨﺪ. ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ
ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی، 3017-3027. ،(2) 36
ﮐﯿﻢ، ﮐﯽ، و ﻣﻬﺮوﺗﺮا، اس. (2015).ﯾﮏ روﯾﮑﺮد ﺑﺮﻧﺎﻣﻪlرﯾﺰی ﻋﺪد ﺻﺤﯿﺢ ﺗﺼﺎدﻓﯽ دو ﻣﺮﺣﻠﻪlای ﺑﺮای ﮐﺎرﮐﻨﺎن ﯾﮑﭙﺎرﭼﻪ و زﻣﺎ lنﺑﻨﺪی ﺑﺎ ﮐﺎرﺑﺮد در ﻣﺪﯾﺮﯾﺖ ﭘﺮﺳﺘﺎر.
ﺗﺤﻘﯿﻖ در ﻋﻤﻠﯿﺎت، 1431-1451. ،63(6)
(2017). S. Lee, & K., Kim, YJ, Kim,اﻓﺰاﯾﺶ ﺑﯿﮑﺎری ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ و ﭘﯿﺎﻣﺪﻫﺎی آن ﺑﺮ ﭼﺸﻢ اﻧﺪاز اﻗﺘﺼﺎد ﮐﻼن آﯾﻨﺪه آﺗﯽ، 1-9. ،87

647–661.

106463.

1-16.

ﮐﻮﭼﻠﯿﻨﮓ، آ.، رﯾﺎزی، اس.، وﻧﺮ، ام ﺳﯽ، و ﺳﯿﻤﺒﮏ، ک. (2021).ﺑﺴﯿﺎر دﻗﯿﻖ، اﻣﺎ ﻫﻤﭽﻨﺎن ﺗﺒﻌﯿﺾ آﻣﯿﺰ: ارزﯾﺎﺑﯽ ﻋﺎدﻻﻧﻪ ﺗﺤﻠﯿﻞ وﯾﺪﺋﻮﯾﯽ اﻟﮕﻮرﯾﺘﻤﯽ در زﻣﯿﻨﻪ اﺳﺘﺨﺪام. ﻣﻬﻨﺪﺳﯽ ﺳﯿﺴﺘﻢ ﻫﺎی ﮐﺴﺐ و ﮐﺎر و اﻃﻼﻋﺎت، 39-54. ،(1) 63

،T. ،Kontogiannisو (1999). Z. ،Kossiavelouاﺳﺘﺮس و ﻋﻤﻠﮑﺮد ﺗﯿﻤﯽ: اﺻﻮل و ﭼﺎﻟﺶ ﻫﺎ ﺑﺮای ﮐﻤﮏ ﻫﺎی ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﻫﻮﺷﻤﻨﺪ ﻋﻠﻮم اﯾﻤﻨﯽ، 103-128. ،(3) 33
(1994). SA Zenios, & TJ, Thompson, M.Ç., Pinar, IA, Krass,ﻣﺪل ﺷﺒﮑﻪ ای ﺑﺮای ﺑﻪ ﺣﺪاﮐﺜﺮ رﺳﺎﻧﺪن آﻣﺎدﮔﯽ ﭘﺮﺳﻨﻞ ﻧﯿﺮوی درﯾﺎﯾﯽ و راه ﺣﻞ آن ﻋﻠﻮم ﻣﺪﯾﺮﯾﺖ، ،40(5)

ﻻﻣﺒﺮﺷﺖ، ا.، و ﺗﺎﮐﺮ، ﺳﯽ (2019).ﺗﻌﺼﺐ اﻟﮕﻮرﯾﺘﻤﯽ؟ ﻣﻄﺎﻟﻌﻪ ﺗﺠﺮﺑﯽ ﺗﺒﻌﯿﺾ آﺷﮑﺎر ﻣﺒﺘﻨﯽ ﺑﺮ ﺟﻨﺴﯿﺖ در ﻧﻤﺎﯾﺶ ﺗﺒﻠﯿﻐﺎت ﺷﻐﻠﯽ ﭘﺎﯾﻪ ﻣﺪﯾﺮﯾﺖ
65 (7)، 2966-2981. ﻋﻠﻢ،
(1996). R. Elliot, & JJ, Lawler,ﻫﻮش ﻣﺼﻨﻮﻋﯽ در HRM:ﻣﻄﺎﻟﻌﻪ ﺗﺠﺮﺑﯽ ﯾﮏ ﺳﯿﺴﺘﻢ ﺧﺒﺮه ﻣﺠﻠﻪ ﻣﺪﯾﺮﯾﺖ، 85-111. ،(1) 22 (2020). C. Ahn, & D., Lee,ﺑﻬﯿﻨﻪ ﺳﺎزی ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺻﻨﻌﺘﯽ ﺑﺮ اﺳﺎس ﻣﻬﺎرت ﻫﺎ و وﯾﮋﮔﯽ ﻫﺎ. 144. Engineering, Industrial & Computersﻣﻘﺎﻟﻪ
ﻟﯽ، ام ﮐﯽ (2018).درک درک ﺗﺼﻤﯿﻤﺎت اﻟﮕﻮرﯾﺘﻤﯽ: اﻧﺼﺎف، اﻋﺘﻤﺎد و اﺣﺴﺎﺳﺎت در ﭘﺎﺳﺦ ﺑﻪ ﻣﺪﯾﺮﯾﺖ اﻟﮕﻮرﯾﺘﻤﯽ ﮐﻼن داده و ﺟﺎﻣﻌﻪ، ،5(1)

،I. ،Wildhaber ،S. ،Schafheitle ،A. ،Weibel ،C. ،Schank ،T. ،Busch ،U. ،Leicht-Deobaldو (2019). G. ،Kasperﭼﺎﻟﺶ ﻫﺎی ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﻣﺒﺘﻨﯽ ﺑﺮ اﻟﮕﻮرﯾﺘﻢ ﺑﺮای
ﺻﺪاﻗﺖ ﺷﺨﺼﯽ ﻣﺠﻠﻪ اﺧﻼق ﺗﺠﺎری، 377-392. ،(2) 160
ﻟﻮی، اف (2018).ﮐﺎﻣﭙﯿﻮﺗﺮ و ﭘﻮﭘﻮﻟﯿﺴﻢ: ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻣﺸﺎﻏﻞ و ﺳﯿﺎﺳﺖ در ﮐﻮﺗﺎه ﻣﺪت ﺑﺮرﺳﯽ ﺳﯿﺎﺳﺖ اﻗﺘﺼﺎدی آﮐﺴﻔﻮرد، 393-417. ،(3) 34

20

Machine Translated by Google

FJ Froese وY. Pan

1443-1466.

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

ﻟﯽ، ﺟﯽ (2019).ﯾﮏ ﻣﺪل ﯾﮑﭙﺎرﭼﻪ از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺗﻮاﺑﻊ ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺠﻤﻮﻋﻪ ﺧﺸﻦ و ﺷﻌﺎﻋﯽ ﺑﺮای ﻫﺸﺪار اوﻟﯿﻪ ﺑﺤﺮان ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺳﺎزﻣﺎﻧﯽ. ﻣﺠﻠﻪ ﺑﯿﻦ اﻟﻤﻠﻠﯽ
ﺳﯿﺴﺘﻢ ﻫﺎی ﻓﺎزی، 2462-2471. ،(8) 21
،MA ،Bonn ،JJ ،Liو (2019). BH ،Yeﻫﻮش ﻣﺼﻨﻮﻋﯽ و آﮔﺎﻫﯽ رﺑﺎﺗﯿﮏ ﮐﺎرﮐﻨﺎن ﻫﺘﻞ و ﺗﺄﺛﯿﺮ آن ﺑﺮ ﻗﺼﺪ ﮔﺮدش ﻣﺎﻟﯽ: ﻧﻘﺶ ﻫﺎی ﺗﻌﺪﯾﻞ ﮐﻨﻨﺪه
ﺣﻤﺎﯾﺖ ﺳﺎزﻣﺎﻧﯽ درک ﺷﺪه و ﺟﻮ رواﻧﯽ رﻗﺎﺑﺘﯽ ﻣﺪﯾﺮﯾﺖ ﮔﺮدﺷﮕﺮی، 172-181. ،73
،L. ،Zhang ،W. ،Xu ،Z. ،Liو (2014). RY ،Lauﯾﮏ روش وب ﮐﺎوی ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﺴﺘﯽ ﺷﻨﺎﺳﯽ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﺮخ ﺑﯿﮑﺎری. ﺳﯿﺴﺘﻢ ﻫﺎی ﭘﺸﺘﯿﺒﺎﻧﯽ ﺗﺼﻤﯿﻢ، 114-122. ،66
(2011). TC Ye, & YC, Wu, SJ, Wang, WT, Lin,ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﺗﺠﺮﺑﯽ ﺑﺮ ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﺑﺮﻧﺎﻣﻪ آﻣﻮزﺷﯽ ﺷﺮﮐﺖ ﺧﻮدروﺳﺎزی ﺑﺎ ﺗﮑﻨﯿﮏ ﻫﺎی داده ﮐﺎوی ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی، 5841-5850. ،(5) 38
ﻟﯿﻨﺪن، ﺳﯽ ﺟﯽ (2017).دﻫ lﻪﻫﺎ اﺗﻮﻣﺎﺳﯿﻮن در اﺗﺎق ﺧﺒﺮ: ﭼﺮا ﻫﻨﻮز ﻣﺸﺎﻏﻞ زﯾﺎدی در روزﻧﺎﻣ lﻪﻧﮕﺎری وﺟﻮد دارد؟ روزﻧﺎﻣﻪ ﻧﮕﺎری دﯾﺠﯿﺘﺎل، 123-140. ،5(2) ،DN ،Lingmontو (2020). A. ،Alexiouﺗﺄﺛﯿﺮ اﺣﺘﻤﺎﻟﯽ آﮔﺎﻫﯽ از ﻓﻨﺎوری ﺧﻮدﮐﺎرﺳﺎزی ﺷﻐﻞ ﺑﺮ ﻧﺎاﻣﻨﯽ ﺷﻐﻠﯽ ادراک ﺷﺪه: ﺑﺮرﺳﯽ ﻧﻘﺶ ﺗﻌﺪﯾﻞ ﮐﻨﻨﺪه
ﻓﺮﻫﻨﮓ ﺳﺎزﻣﺎﻧﯽ. ﭘﯿﺶ ﺑﯿﻨﯽ ﻓﻨﺎوری و ﺗﺤﻮل اﺟﺘﻤﺎﻋﯽ، 161.ﻣﺎده 120302.
ﻟﯿﻮ، ی.، ﭘﻨﺖ، ﺟﯽ، و ﺷﻨﮓ، (2020). ORﭘﯿﺶ ﺑﯿﻨﯽ رﻗﺎﺑﺖ در ﺑﺎزار ﮐﺎر: اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﺑﯿﻦ ﺷﺮﮐﺘﯽ و ﻣﻬﺎرت ﻫﺎی ﮐﺎرﮐﻨﺎن ﺗﺤﻘﯿﻘﺎت ﺳﯿﺴﺘﻢ ﻫﺎی اﻃﻼﻋﺎﺗﯽ، ،31(4)

(2017). B. Đorovi´c, & M., Popovi´c, D., Pamuˇcar, V., Lukovac,ﻣﺪل ﻧﻤﻮﻧﻪ ﮐﺎرﻫﺎ ﺑﺮای ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ: روﯾﮑﺮدی ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺪ lلﺳﺎزی ﻋﺼﺒﯽ ﻓﺎزی و اﻟﮕﻮرﯾﺘﻢ ﺑﺎزﭘﺨﺖ ﺷﺒﯿﻪlﺳﺎزی ﺷﺪه. ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی،
90، 318-331.
(2020). AK ،Fox & ،JD ،Fox ،D. ،Mukherjee ،EE ،Makariusﻇﻬﻮر ﺑﺎ ﻣﺎﺷﯿﻦlﻫﺎ: ﭼﺎرﭼﻮﺑﯽ اﺟﺘﻤﺎﻋﯽ-ﺗﮑﻨﯿﮑﯽ ﺑﺮای وارد ﮐﺮدن ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ

1077-1082.

ﺳﺎزﻣﺎن. ﻣﺠﻠﻪ ﺗﺤﻘﯿﻘﺎت ﺑﺎزرﮔﺎﻧﯽ، 262-273. ،120
ﻣﺎﻟﯿﮏ، آ.، ﺑﻮدوار، ﭘﯽ، ﭘﺎﺗﻞ، ﺳﯽ، و ﺳﺮﯾﮑﺎﻧﺚ، (2020). NRﺑﺎﺷﺪ ﮐﻪ رﺑﺎت ﻫﺎ ﺑﺎ ﺷﻤﺎ ﺑﺎﺷﻨﺪ! اراﺋﻪ ﻣﻘﺮون ﺑﻪ ﺻﺮﻓﻪ ﺑﻮدن ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ و ﺗﺠﺮﺑﯿﺎت ﻓﺮدی ﮐﺎرﮐﻨﺎن در ﯾﮏ MNE.ﻣﺠﻠﻪ ﺑﯿﻦ اﻟﻤﻠﻠﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ، 1-31.

(2021). NR ،Srikanth & ،P. ،Budhwar ،MT ،Silva De ،A. ،Malikارﺗﻘﺎی ﺗﺠﺮﺑﻪ اﺳﺘﻌﺪادﻫﺎ از ﻃﺮﯾﻖ ﺑﻪ اﺷﺘﺮاک ﮔﺬاری داﻧﺶ ﻧﻮآوراﻧﻪ ﺑﺎ واﺳﻄﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ:
ﺷﻮاﻫﺪی از ﯾﮏ ﺷﺮﮐﺖ ﭼﻨﺪﻣﻠﯿﺘﯽ IT.ﻣﺠﻠﻪ ﻣﺪﯾﺮﯾﺖ ﺑﯿﻦ اﻟﻤﻠﻞ، 27(4).ﻣﺎده 100871.
(2019). MA ،Mazurowskiﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎﻋﺚ اﺧﺘﻼل ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در ﻧﯿﺮوی ﮐﺎر رادﯾﻮﻟﻮژی ﺷﻮد. ﻣﺠﻠﻪ ﮐﺎﻟﺞ آﻣﺮﯾﮑﺎﯾﯽ رادﯾﻮﻟﻮژی، ،16(8)

MP ،McCauley-Bellو (1992). AB ،Badiruﯾﮏ ﻣﺪل زﺑﺎﻧﺸﻨﺎﺳﯽ ﻓﺎزی ﺑﺮای ارزﯾﺎﺑﯽ ﺧﻄﺮ آﺳﯿﺐ ﻧﺎﺷﯽ از ﺷﻐﻞ ﮐﺎﻣﭙﯿﻮﺗﺮ و ﻣﻬﻨﺪﺳﯽ ﺻﻨﺎﯾﻊ، 209-212. ،(1-4) 23 ﻣﯿﻦ ﺑﺎﺷﯿﺎن، ا.، ﺑﺮاﯾﺖ، ﺟﯽ، و ﭘﺮﻧﺪه، ک.د (2010).ﻣﻘﺎﯾﺴﻪ ﺷﺒﮑﻪ ﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ و رﮔﺮﺳﯿﻮن ﭼﻨﺪﮔﺎﻧﻪ در زﻣﯿﻨﻪ ﺗﺤﻘﯿﻖ ﺷﺨﺼﯿﺖ و

ﻋﻤﻠﮑﺮد ﮐﺎری روﺷﻬﺎی ﺗﺤﻘﯿﻖ ﺳﺎزﻣﺎﻧﯽ، 540-561. ،13(3)
ﺑﯿﻨﯽ ﻣﺪت اﻗﺎﻣﺖ در ﻣﯿﺎن ﮐﺎرﮐﻨﺎن ﻣﺮاﻗﺒﺖlﻫﺎی ﺑﻬﺪاﺷﺘﯽ در ﺟﻮاﻣﻊ ﻣﺤﺮوم آﻓﺮﯾﻘﺎی ﺟﻨﻮﺑﯽ. ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﺮای ﺳﻼﻣﺖ، 16(1).ﻣﺎده 68.

(2018). N. Tshuma, & JA, Yun, TN, Doan, S., Moyo,ﮐﺎرﺑﺮد ﻣﺪ lلﻫﺎی ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ در ﭘﯿ

ﻧﯿﻮﻟﻨﺪز، ﺟﯽ. (2020).ﻧﻈﺎرت اﻟﮕﻮرﯾﺘﻤﯽ در اﻗﺘﺼﺎد ﮔﯿﮓ: ﺳﺎزﻣﺎﻧﺪﻫﯽ ﮐﺎر از ﻃﺮﯾﻖ ﻓﻀﺎی ﺗﺼﻮر ﺷﺪه ﻟﻔﺒﻮری. ﻣﻄﺎﻟﻌﺎت ﺳﺎزﻣﺎﻧﯽ، 1-19.
ﻧﯿﻮﻣﻦ، د lیﺗﯽ، ﻓﺴﺖ، ﻧﯿﻮﺟﺮﺳﯽ، و ﻫﺎرﻣﻮن، د lیﺟﯽ (2020).زﻣﺎﻧﯽ ﮐﻪ ﺣﺬف ﺳﻮﮔﯿﺮی ﻣﻨﺼﻔﺎﻧﻪ ﻧﯿﺴﺖ: ﺗﻘﻠﯿﻞ ﮔﺮاﯾﯽ اﻟﮕﻮرﯾﺘﻤﯽ و ﻋﺪاﻟﺖ روﯾﻪ ای در ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﻫﺎی ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ.
رﻓﺘﺎر ﺳﺎزﻣﺎﻧﯽ و ﻓﺮآﯾﻨﺪﻫﺎی ﺗﺼﻤﯿﻢ ﮔﯿﺮی اﻧﺴﺎﻧﯽ، 149-167. ،160 ﻧﮕﻮﯾﻦ، ،TMو ﻣﺎﻟﯿﮏ، (2021). A.ﯾﮏ ﻣﻄﺎﻟﻌﻪ ﻣﺘﻘﺎﻃﻊ دو ﻣﻮﺟﯽ در ﻣﻮرد ﮐﯿﻔﯿﺖ ﺧﺪﻣﺎت ﻫﻮش ﻣﺼﻨﻮﻋﯽ: اﺛﺮات ﺗﻌﺪﯾﻞ ﮐﻨﻨﺪه ﺳﻄﺢ ﺷﻐﻞ و ﻧﻘﺶ ﺷﻐﻠﯽ. ﻣﺠﻠﻪ ﻣﺪﯾﺮﯾﺖ ﺑﺮﯾﺘﺎﻧﯿﺎ، )1-17آﻧﻼﯾﻦ.( https://doi.org/10.1111/1467-8551.12540
ﻧﯿﻠﺴﻮن، ﻧﯿﻮﺟﺮﺳﯽ (2010).ﺗﻼش ﺑﺮای ﻫﻮش ﻣﺼﻨﻮﻋﯽ: ﺗﺎرﯾﺨﭽﻪ اﯾﺪه ﻫﺎ و دﺳﺘﺎوردﻫﺎ ﻧﯿﻮﯾﻮرک، اﯾﺎﻻت ﻣﺘﺤﺪه آﻣﺮﯾﮑﺎ: اﻧﺘﺸﺎرات داﻧﺸﮕﺎه ﮐﻤﺒﺮﯾﺞ. اوه، اس.، ﮐﯿﻢ، ﺟﯽ اچ، ﭼﻮی، اس دﺑﻠﯿﻮ، ﻟﯽ، اچ ﺟﯽ، ﻫﻮﻧﮓ، ﺟﯽ.، و ﮐﻮون، (2019). SHاﻋﺘﻤﺎد ﭘﺰﺷﮏ ﺑﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ: ﻧﻈﺮﺳﻨﺠﯽ آﻧﻼﯾﻦ ﺗﻠﻔﻦ ﻫﻤﺮاه ﻣﺠﻠﻪ ﭘﺰﺷﮑﯽ

ﭘﮋوﻫﺶ اﯾﻨﺘﺮﻧﺘﯽ، 21(3).ﻣﺎده e12422. ¨ ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎ در رﻓﺘﺎر اﻧﺴﺎن، 27-39. ،89

SK ،Ottingو (2018). GW ،Maierاﻫﻤﯿﺖ ﻋﺪاﻟﺖ روﯾﻪ ای در ﺗﻌﺎﻣﻼت اﻧﺴﺎن و ﻣﺎﺷﯿﻦ: ﺳﯿﺴﺘﻢ ﻫﺎی ﻫﻮﺷﻤﻨﺪ ﺑﻪ ﻋﻨﻮان ﻋﻮاﻣﻞ ﺗﺼﻤﯿﻢ ﮔﯿﺮی ﺟﺪﯾﺪ در ﺳﺎزﻣﺎن ﻫﺎ

(2021). M. Ye, & Y., Hu, N., Liu, F., Froese, Y., Pan,ﭘﺬﯾﺮش ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﺳﺘﺨﺪام ﮐﺎرﮐﻨﺎن: ﺗﺄﺛﯿﺮ ﻋﻮاﻣﻞ زﻣﯿﻨﻪ ای ﻣﺠﻠﻪ ﺑﯿﻦ اﻟﻤﻠﻠﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ، )1-23آﻧﻼﯾﻦ.(

416-431.

اﻗﺘﺼﺎد، 651-672. ،(3) 55

ﭘﻣﮋﯾﺠﻠﻪﮏ-ﺑﺑﯿﺎخﻦ،ااﻟمﻤ.ﻠ،ﻠ ﺑﯽﺮﺗﻣﻮﻧﺪﯾﺴﺮﯾﻞ،ﺖﺗ اﯽ.ﻃ،ﻼﻣﻋﺎﯿﺴت،ﮑﻮ،،0ا5م.، و ﮐﺮﺳﺘﯿﭻ، ز. (2020).آﮔﻬﯽ ﻫﺎی اﺳﺘﺨﺪاﻣﯽ ﻣﺘﻦ ﮐﺎوی ﺻﻨﻌﺖ 4.0. ˇ ﭘﺘﺮﺳﻦ، ال. (2019).ﭼﺮا ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﮐﺎر داﻧﺶ ﭘﯿﭽﯿﺪه را ﭘﯿﺸﯽ ﻧﻤﯽ ﮔﯿﺮد؟ ﮐﺎر، اﺷﺘﻐﺎل و ﺟﺎﻣﻌﻪ، 1058-1067. ،(6) 33
(2020). P. Prüfer, & J., Prüfer,ﻋﻠﻢ داده ﺑﺮای ﺗﺤﻘﯿﻘﺎت ﮐﺎرآﻓﺮﯾﻨﯽ: ﻣﻄﺎﻟﻌﻪ ﭘﻮﯾﺎﯾﯽ ﺗﻘﺎﺿﺎ ﺑﺮای ﻣﻬﺎرت ﻫﺎی ﮐﺎرآﻓﺮﯾﻨﯽ در ﻫﻠﻨﺪ ﮐﺴﺐ و ﮐﺎر ﮐﻮﭼﮏ

(2004). G. Yu, & JF, Bard, X., Qi,ﺑﺮﻧﺎﻣﻪ رﯾﺰی ﮐﻼس ﺑﺮای آﻣﻮزش ﺧﻠﺒﺎﻧﯽ. ﺗﺤﻘﯿﻖ در ﻋﻤﻠﯿﺎت، 148-162. ،(1) 52
راﻣﭙﺮﺳﺎد، ﺟﯽ (2020).رﺑﺎت ﺷﻐﻞ ﺷﻤﺎ را ﺧﻮاﻫﺪ ﮔﺮﻓﺖ: ﻧﻮآوری ﺑﺮای ﻋﺼﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ. ﻣﺠﻠﻪ ﺗﺤﻘﯿﻘﺎت ﺑﺎزرﮔﺎﻧﯽ، 68-74. ،116

دﻫﻨﺪ؟ ﻣﯽ ﺷﮑﻞ را ﺟﺪﯾﺪ ﺗﯿﻤﯽ رواﺑﻂ و ﺗﺠﺮﺑﻪ ﭼﮕﻮﻧﻪRandell, R., Greenhalgh, J., Hindmarsh, J., Honey, S., Pearman, A., Alvarado, N., & Dowding, D. (2021).
ﺗﻘﺴﯿﻢ ﮐﺎر در ﺟﺮاﺣﯽ ﺑﻪ ﮐﻤﮏ رﺑﺎت؟ ﺗﺤﻘﯿﻖ واﻗﻊ ﮔﺮاﯾﺎﻧﻪ ﺳﻼﻣﺘﯽ، 250-268. ،(2) 25
رﺷﺖ، ام.، و ﺑﺮاﯾﺎن، (2017). RNﻫﻮش ﻣﺼﻨﻮﻋﯽ: ﺗﻬﺪﯾﺪ ﯾﺎ ﻣﻮﻫﺒﺖ ﺑﺮای رادﯾﻮﻟﻮژﯾﺴﺖ ﻫﺎ؟ ﻣﺠﻠﻪ ﮐﺎﻟﺞ آﻣﺮﯾﮑﺎﯾﯽ رادﯾﻮﻟﻮژی، 1476-1480. ،(11) 14 (2010). LR Kavoussi, & S., Marshall, J., Cadeddu, C., Sideman, MJ, Schwartz, L., Richstone,ﻣﻌﯿﺎرﻫﺎی ﭼﺸﻢ ﺑﻪ ﻋﻨﻮان ﯾﮏ ارزﯾﺎﺑﯽ ﻋﯿﻨﯽ از ﻣﻬﺎرت ﺟﺮاﺣﯽ ﺳﺎﻟﻨﺎﻣﻪ از
252 (1)، 177-182. ﺟﺮاﺣﯽ،
راﺑﺮت، ال ﭘﯽ، ﭘﯿﺮس، ﺳﯽ، ﻣﺎرﮐﯿﺰ، ال.، ﮐﯿﻢ، اس.، و آﻻﺣﻤﺪ، آر. (2020).ﻃﺮاﺣﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻨﺼﻔﺎﻧﻪ ﺑﺮای ﻣﺪﯾﺮﯾﺖ ﮐﺎرﮐﻨﺎن در ﺳﺎزﻣﺎن ﻫﺎ: ﺑﺮرﺳﯽ، ﻧﻘﺪ و دﺳﺘﻮر ﮐﺎر ﻃﺮاﺣﯽ
ﺗﻌﺎﻣﻞ اﻧﺴﺎن ﺑﺎ ﮐﺎﻣﭙﯿﻮﺗﺮ، )1-31آﻧﻼﯾﻦ.( (1999). E. Peranson, & AE, Roth,ﻃﺮاﺣﯽ ﻣﺠﺪد ﺑﺎزار ﺗﻄﺒﯿﻖ ﺑﺮای ﭘﺰﺷﮑﺎن آﻣﺮﯾﮑﺎﯾﯽ: ﺑﺮﺧﯽ از ﺟﻨﺒﻪ ﻫﺎی ﻣﻬﻨﺪﺳﯽ ﻃﺮاﺣﯽ اﻗﺘﺼﺎدی اﻗﺘﺼﺎد آﻣﺮﯾﮑﺎ
ﺑﺮرﺳﯽ، 748-780. ،(4) 89
ﺳﺎﻣﭙﺴﻮن، (2021). SEﯾﮏ ﭼﺎرﭼﻮب اﺳﺘﺮاﺗﮋﯾﮏ ﺑﺮای اﺗﻮﻣﺎﺳﯿﻮن وﻇﺎﯾﻒ در ﺧﺪﻣﺎت ﺣﺮﻓﻪ ای ﻣﺠﻠﻪ ﭘﮋوﻫﺶ ﺧﺪﻣﺎت، 122-140. ،(1) 24
… ،AD ،Bedoya ،W. ،Ratliff ،J. ،Sperling ،N. ،Brajer ،AL ،Lin ،S. ،Sandhuﺳﻨﺪاک، (2020). MPادﻏﺎم ﯾﮏ ﺳﯿﺴﺘﻢ ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ در ﺟﺮﯾﺎن ﮐﺎر ﺑﺎﻟﯿﻨﯽ:
ﻣﻄﺎﻟﻌﻪ ﮐﯿﻔﯽ. ﻣﺠﻠﻪ ﺗﺤﻘﯿﻘﺎت اﯾﻨﺘﺮﻧﺘﯽ ﭘﺰﺷﮑﯽ، 22(11).ﻣﺎده e22421. (2020). G. Schwabe, … A., Elkins, GJ, Vreede, De T., Vreede, de RO, Briggs, E., Bittner, I., Seeber,ﻣﺎﺷﯿﻦ ﻫﺎ ﺑﻪ ﻋﻨﻮان ﻫﻢ ﺗﯿﻤﯽ: دﺳﺘﻮر ﮐﺎر ﺗﺤﻘﯿﻘﺎﺗﯽ در ﻣﻮرد ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﯿﻢ
ﻫﻤﮑﺎری اﻃﻼﻋﺎت و ﻣﺪﯾﺮﯾﺖ، 57(2).ﻣﺎده 103174. ﻓﺮﺳﺘﻨﺪه، ،ML ،Broekman ،WB ،Gormley ،HH ،Dasenbrock ،AV ،Karhade ،O. ،Arnaout ،JTو اﺳﻤﯿﺖ، (2018). TRﻫﻮش ﻃﺒﯿﻌﯽ و ﻣﺼﻨﻮﻋﯽ در
ﺟﺮاﺣﯽ ﻣﻐﺰ و اﻋﺼﺎب: ﯾﮏ ﻣﺮور ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﺟﺮاﺣﯽ ﻣﻐﺰ و اﻋﺼﺎب، 181-192. ،(2) 83
،F. ،Akasaka ،T. ،Tateyama ،K. ،Kimita ،Y. ،Shimomuraو (2013). Y. ،Nemotoروﺷﯽ ﺑﺮای ارزﯾﺎﺑﯽ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ﺑﺮای ﺗﺤﻘﻖ PSSﻫﺎی ﺑﺎ ﮐﯿﻔﯿﺖ ﺑﺎﻻ. ﺳﺎﻟﻨﺎﻣﻪ - CIRP
ﻓﻨﺎوری ﺳﺎﺧﺖ، 471-474. ،(1) 62 ﺳﺎﻣﺮز، ام ﺟﯽ و ﮐﺎﺳﺎل، ﺟﯽ ﺳﯽ (2009).اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﻣﺪل ﺳﺎزی ﻏﯿﺮﺧﻄﯽ: ﻣﻮرد رﺿﺎﯾﺖ ﺷﻐﻠﯽ -راﺑﻄﻪ ﻋﻤﻠﮑﺮد ﺷﻐﻠﯽ
روش ﻫﺎی ﺗﺤﻘﯿﻖ ﺳﺎزﻣﺎﻧﯽ، 403-417. ،(3) 12
(2020). AB ،Speerاﻣﺘﯿﺎزدﻫﯽ ﻋﻤﻠﮑﺮد ﺷﻐﻠﯽ در ﺳﻄﺢ ﺑﻌﺪ از ﻧﻈﺮات رواﯾﯽ: اﻋﺘﺒﺎر و ﻗﺎﺑﻠﯿﺖ ﺗﻌﻤﯿﻢ در ﻫﻨﮕﺎم اﺳﺘﻔﺎده از ﭘﺮدازش زﺑﺎن ﻃﺒﯿﻌﯽ.
روﺷﻬﺎی ﺗﺤﻘﯿﻖ ﺳﺎزﻣﺎﻧﯽ، 1-23.
اﺳﭙﯿﺴﺎک، ،BRون در ﻟﯿﮑﻦ، ،PAو (2019). BM ،Doornenbalﯾﺎﻓﺘﻦ ﺳﻮﺧﺖ ﻣﻨﺎﺳﺐ ﺑﺮای ﻣﻮﺗﻮر ﺗﺤﻠﯿﻠﯽ: ﮔﺴﺘﺮش ﭘﺎراداﯾﻢ وﯾﮋﮔﯽ رﻫﺒﺮ از ﻃﺮﯾﻖ ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻦ؟ ﻓﺼﻠﻨﺎﻣﻪ رﻫﺒﺮی، 417-426. ،(4) 30

(2019). SH ،Lu & ،MYC ،Chen ،HY ،Suenآﯾﺎ اﺳﺘﻔﺎده از ﻫﻤﺰﻣﺎﻧﯽ و ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﺼﺎﺣﺒﻪ ﻫﺎی وﯾﺪﯾﻮﯾﯽ ﺑﺮ رﺗﺒﻪ ﺑﻨﺪی ﻣﺼﺎﺣﺒﻪ و ﻧﮕﺮش ﻣﺘﻘﺎﺿﯿﺎن ﺗﺄﺛﯿﺮ ﻣﯽ ﮔﺬارد؟
ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎ در رﻓﺘﺎر اﻧﺴﺎن، 93-101. ،98 (2019). CL ،Lin & ،KE ،Hung ،HY ،Suenﺗﺸﺨﯿﺺ ﺷﺨﺼﯿﺖ ﺧﻮدﮐﺎر ﻣﺒﺘﻨﯽ ﺑﺮ TensorFlowﮐﻪ در ﻣﺼﺎﺣﺒ lﻪﻫﺎی وﯾﺪﯾﻮﯾﯽ ﻧﺎﻫﻤﺰﻣﺎن اﺳﺘﻔﺎده ﻣﯽlﺷﻮد. ،7 ،Access IEEE
61018–61023.
(2020). CL ،Lin & ،KE ،Hung ،HY ،Suenﻋﺎﻣﻞ ﻣﺼﺎﺣﺒﻪ وﯾﺪﯾﻮﯾﯽ ﻫﻮﺷﻤﻨﺪ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﻬﺎرت ﻫﺎی ارﺗﺒﺎﻃﯽ و وﯾﮋﮔﯽ ﻫﺎی ﺷﺨﺼﯿﺘﯽ درک ﺷﺪه اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد. اﻧﺴﺎن ﻣﺤﻮری ﻣﺤﺎﺳﺒﺎت و ﻋﻠﻮم اﻃﻼﻋﺎت، ،10ﻣﻘﺎﻟﻪ 3.

ﺳﺎﺗﻮن، ،RIو اﺳﺘﺎو، (1995). BMﭼﻪ ﻧﻈﺮﯾﻪ ای ﻧﯿﺴﺖ. ﻓﺼﻠﻨﺎﻣﻪ ﻋﻠﻮم اداری، 371-384. ،(3) 40 ﺗﺎﻣﺒﻪ، ﭘﯽ، ﮐﺎﭘﻠﯽ، ﭘﯽ، و ﯾﺎﮐﻮﺑﻮﯾﭻ، وی (2019).ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ: ﭼﺎﻟﺶ ﻫﺎ و ﻣﺴﯿﺮی رو ﺑﻪ ﺟﻠﻮ ﻣﺪﯾﺮﯾﺖ ﮐﺎﻟﯿﻔﺮﻧﯿﺎ
ﺑﺮرﺳﯽ، 15-42. ،(4) 61

21

Machine Translated by Google

FJ Froese وY. Pan

ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ 100924 (2023) 33

ﺗﺮوو، ک.، ﭘﺎﻟﻤﺮوث، ال.، و ﮐﻮﯾﻮو، اچ (2010).ارزﯾﺎﺑﯽ ﻣﻬﺎرت اﭘﺮاﺗﻮرﻫﺎی اﻧﺴﺎﻧﯽ در ﻣﺎﺷﯿ lﻦﻫﺎی ﮐﺎر ﺳﯿﺎر ﻧﯿﻤﻪ ﺧﻮدﮐﺎر. ﻣﻌﺎﻣﻼت IEEEدر اﺗﻮﻣﺎﺳﯿﻮن
ﻋﻠﻮم و ﻣﻬﻨﺪﺳﯽ، 133-142. ،(1) 7
(2003). P. ،Smart & ،D. ،Denyer ،D. ،Tranfieldﺑﻪ ﺳﻮی روش ﺷﻨﺎﺳﯽ ﺑﺮای ﺗﻮﺳﻌﻪ داﻧﺶ ﻣﺪﯾﺮﯾﺖ ﻣﺒﺘﻨﯽ ﺑﺮ ﺷﻮاﻫﺪ ﺑﺎ اﺳﺘﻔﺎده از ﺑﺮرﺳﯽ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ.
ﻣﺠﻠﻪ ﻣﺪﯾﺮﯾﺖ ﺑﺮﯾﺘﺎﻧﯿﺎ، 207-222. ،(3) 14 (2020). M. Coville, & AA, Casilli, P., Tubaro,ﻣﺮﺑﯽ، ﺗﺎﯾﯿﺪ ﮐﻨﻨﺪه، ﻣﻘﻠﺪ: ﺳﻪ روﺷﯽ ﮐﻪ ﮐﺎرﮔﺮان ﭘﻠﺖ ﻓﺮم اﻧﺴﺎﻧﯽ از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﺸﺘﯿﺒﺎﻧﯽ ﻣﯽ ﮐﻨﻨﺪ. ﺑﺰرگ
داده ﻫﺎ و ﺟﺎﻣﻌﻪ، 1-12. ،(1) 7
(2005). CT Shih, & SL, Chen, C., Huang, KY, Tung,اﺳﺘﺨﺮاج ﻧﮕﺮش ﻫﺎی ﺷﻐﻠﯽ ﻧﺴﻞ Xersﺗﻮﺳﻂ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ و درﺧﺖ ﺗﺼﻤﯿﻢ -ﺷﻮاﻫﺪ ﺗﺠﺮﺑﯽ
در ﺗﺎﯾﻮان. ﺳﯿﺴﺘﻢ ﻫﺎی ﺧﺒﺮه ﺑﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎی ﮐﺎرﺑﺮدی، 783-794. ،(4) 29

102978.

155-175.

(3)، 353-362.

347-363.

434-444.

(2020). G. ،Lee & ،G. ،Miller ،EC ،Ling ،I. ،Tussyadiah ،A. ،)=XTuomiﮐﺎر_ﮔﺮدﺷﮕﺮی( y=(sdg8)در ﺣﺎﻟﯽ ﮐﻪ y=درﺳﺖ: ﺧﻮدﮐﺎر (x).ﺳﺎﻟﻨﺎﻣﻪ ﺗﺤﻘﯿﻘﺎت ﮔﺮدﺷﮕﺮی، 84.ﻣﻘﺎﻟﻪ (2000). E. Housos, & C., Valouxis,ﺗﮑﻨﯿﮏlﻫﺎی ﺑﻬﯿﻨ lﻪﺳﺎزی ﺗﺮﮐﯿﺒﯽ ﺑﺮای ﺗﻌﯿﯿﻦ ﺷﯿﻔﺖ ﮐﺎری و اﺳﺘﺮاﺣﺖ ﭘﺮﺳﻨﻞ ﭘﺮﺳﺘﺎری. ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﭘﺰﺷﮑﯽ، ،20(2)
(2019). J. ،Ferolie & ،JS ،Black ،P. ،Esch Vanاﺳﺘﺨﺪام ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎزارﯾﺎﺑﯽ: ﻣﺮﺣﻠﻪ ﺑﻌﺪی در درﺧﻮاﺳﺖ و اﻧﺘﺨﺎب ﺷﻐﻞ. ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎ در رﻓﺘﺎر اﻧﺴﺎن، 215-222. ،90
(2016). M. ،Greenwood & ،C. ،Voegtlinﻣﺴﺌﻮﻟﯿﺖ اﺟﺘﻤﺎﻋﯽ ﺷﺮﮐﺖ و ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ: ﺑﺮرﺳﯽ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ و ﺗﺤﻠﯿﻞ ﻣﻔﻬﻮﻣﯽ ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ اﻧﺴﺎﻧﯽ ، 181-197. ،(3) 26
(2017). J. ،Wajcmanاﺗﻮﻣﺎﺳﯿﻮن: آﯾﺎ اﯾﻦ ﺑﺎر واﻗﻌﺎً ﻣﺘﻔﺎوت اﺳﺖ؟ ﻣﺠﻠﻪ ﺟﺎﻣﻌﻪ ﺷﻨﺎﺳﯽ ﺑﺮﯾﺘﺎﻧﯿﺎ، 119-127. ،(1) 68
(1992). K. Davids, & PR, Jackson, TD, Wall,ﻃﺮاﺣﯽ ﮐﺎر اﭘﺮاﺗﻮر و ﻋﻤﻠﮑﺮد ﺳﯿﺴﺘﻢ رﺑﺎﺗﯿﮏ: ﯾﮏ ﻣﻄﺎﻟﻌﻪ ﻣﯿﺪاﻧﯽ ﺑ lﯽﻧﻈﯿﺮ ﻣﺠﻠﻪ رواﻧﺸﻨﺎﺳﯽ ﮐﺎرﺑﺮدی، 77

(2020). C. Vas, & A., Bali, P., Waring,اﻧﻘﻼب ﺻﻨﻌﺘﯽ ﭼﻬﺎرم و ﺗﻨﻈﯿﻢ ﺑﺎزار ﮐﺎر در ﺳﻨﮕﺎﭘﻮر. ﺑﺮرﺳﯽ رواﺑﻂ اﻗﺘﺼﺎدی و ﮐﺎر، ،31(3)

(2014). MI ،Norton & ،A. ،Waytzرﺑﺎت ﺳﭙﺎری و ﺑﺮون ﺳﭙﺎری: ﮐﺎرﮔﺮان رﺑﺎت، ﺑﺮﯾﺘﺎﻧﯿﺎﯾﯽ، ﭼﯿﻨﯽ و آﻟﻤﺎﻧﯽ ﺑﺮای ﻣﺸﺎﻏﻞ ﻓﮑﺮی و ﻧﻪ اﺣﺴﺎﺳﯽ ﻫﺴﺘﻨﺪ. ﻋﺎﻃﻔﻪ، ،14(2)
وﯾﻠﮑﺎﮐﺲ، ال. (2020).روﺑﻮ آﺧﺮاﻟﺰﻣﺎن ﻟﻐﻮ ﺷﺪ؟ ﭼﺎرﭼﻮب ﻣﺠﺪد ﺑﺤﺚ اﺗﻮﻣﺎﺳﯿﻮن و آﯾﻨﺪه ﮐﺎر. ﻣﺠﻠﻪ ﻓﻨﺎوری اﻃﻼﻋﺎت، 286-302. ،(4) 35 وﯾﻠﺴﻮن، اچ ﺟﯽ، داﮔﺮﺗﯽ، ﭘﯽ، و ﺑﯿﺎﻧﺰﯾﻨﻮ، ن. (2017).ﻣﺸﺎﻏﻠﯽ ﮐﻪ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﯾﺠﺎد ﺧﻮاﻫﺪ ﮐﺮد. ﺑﺮرﺳﯽ ﻣﺪﯾﺮﯾﺖ اﺳﻠﻮن 14-16. ،(4) 58 ،MIT
راﯾﺖ، ﺟﯽ (2019).روﺑﺎت ﻫﺎ در ﻣﻘﺎﺑﻞ ﻣﻬﺎﺟﺮان؟ ﭘﯿﮑﺮﺑﻨﺪی ﻣﺠﺪد آﯾﻨﺪه ﻣﺮاﻗﺒﺖ از ﺳﺎﻟﻤﻨﺪان ﻧﻬﺎدی ژاﭘﻨﯽ. ﻣﻄﺎﻟﻌﺎت آﺳﯿﺎﯾﯽ اﻧﺘﻘﺎدی، 331-354. ،(3) 51 (2019). H. Zhu, & H., Xiong, J., Yang, Z., Yu, H., Xu,ﺗﺤﻠﯿﻞ ﺟﺮﯾﺎن اﺳﺘﻌﺪاد ﭘﻮﯾﺎ ﺑﺎ ﻣﺪلlﺳﺎزی ﭘﯿﺶlﺑﯿﻨﯽ ﺗﻮاﻟﯽ ﻋﻤﯿﻖ ﺗﺮاﮐﻨﺶ ﻫﺎی IEEEروی داﻧﺶ و داده ﻫﺎ
31 (10)، 1926-1939. ﻣﻬﻨﺪﺳﯽ،
(2020). M. Ashton, & J., Stienmetz, S., Xu,ﭼﮕﻮﻧﻪ رﺑﺎت ﻫﺎی ﺧﺪﻣﺎﺗﯽ رﻫﺒﺮی را در ﻣﺪﯾﺮﯾﺖ ﻫﺘﻞ ﺑﺎزﺗﻌﺮﯾﻒ ﺧﻮاﻫﻨﺪ ﮐﺮد؟ روﯾﮑﺮد دﻟﻔﯽ ﻣﺠﻠﻪ ﺑﯿﻦ اﻟﻤﻠﻠﯽ ﻣﻌﺎﺻﺮ
ﻣﺪﯾﺮﯾﺖ ﻫﺘﻠﺪاری، 2217-2237. ،(6) 32 ،W. ،Chou ،YT ،Yeh ،TW ،Chien ،YH ،Yanو (2020). SC ،Hsingﺑﺮﻧﺎﻣﻪ ای ﺑﺮای ﻃﺒﻘﻪ ﺑﻨﺪی ﺑﯿﻤﺎری ﻫﺎی رواﻧﯽ ﺷﺨﺼﯽ در ﻣﺤﻞ ﮐﺎر ﺑﺎ اﺳﺘﻔﺎده از آﻣﺎر ﻣﻨﺎﺳﺐ و ﮐﺎﻧﻮﻟﻮﺷﻦ
ﺷﺒﮑﻪ ﻫﺎی ﻋﺼﺒﯽ: ﻣﻄﺎﻟﻌﻪ ﮐﻤﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻧﻈﺮﺳﻨﺠﯽ mHealth JMIRو (7). 8 ،uHealthﻣﺎده e17857.
ﺷﻤﺎ، اس.، ﮐﯿﻢ، ﺟﯽ اچ، ﻟﯽ، اس.، ﮐﺎﻣﺎت، وی، و راﺑﺮت، ال ﭘﯽ، ﺟﻮﻧﯿﻮر (2018).اﻓﺰاﯾﺶ اﯾﻤﻨﯽ درک ﺷﺪه در ﺳﺎﺧﺖ و ﺳﺎز ﻣﺸﺘﺮک اﻧﺴﺎن و رﺑﺎت ﺑﺎ اﺳﺘﻔﺎده از ﻣﺠﺎزی ﻓﺮاﮔﯿﺮ
ﻣﺤﯿﻂ ﻫﺎ اﺗﻮﻣﺎﺳﯿﻮن در ﺳﺎﺧﺖ و ﺳﺎز، 161-170. ،96
ﯾﻮﻫﻮﻧﮓ، دی، و ﺷﯿﺎﻫﯽ، دﺑﻠﯿﻮ (2020).روﺗﯿﻦ ﺳﺎزی ﻣﺤﺘﻮای ﮐﺎر، ﺗﻐﯿﯿﺮات ﺗﮑﻨﻮﻟﻮژﯾﮑﯽ و ﮔﺮدش ﻧﯿﺮوی ﮐﺎر: ﺷﻮاﻫﺪی از ﭼﯿﻦ رواﺑﻂ اﻗﺘﺼﺎدی و ﮐﺎر
ﺑﺮرﺳﯽ، 324-346. ،(3) 31

22