Μοντέλα πρόβλεψης απόδοσης ανθρώπινου δυναμικού

Abstract

The issue of human resource performance has been of great concern to the Greek public administration in recent years. In this research proposal, an attempt is made to predict performance by estimating the suitability of an employee for the position he holds, based on measurable criteria related to his/her qualifications and the specific job analysis. The key research question is whether the prediction of suitability of an employee for a job position and consequently the prediction of his/her performance could be based on artificial intelligence practices and machine learning models. The innovative objectives of this dissertation are: i) The evaluation of candidates, through a tool based on artificial intelligence for selection of candidates for recruitment, possible reallocation in the organization, placement of suitable employees in the appropriate job position or promotion to authority positions, ii) expression of the opinion of public sector employees regarding the factors that influence their evaluation, for selection and promotion, iii) The creation of an integrated framework with structural equations models for the evaluation parameters regarding the suitability of human resources for selection and promotion in authority positions and the appraisal evaluation parameters, iv) The creation of an evaluation model, which will be connected with the possibility of predicting the performance of employees, exploiting their qualifications and matching the appropriate person to the appropriate position. The interdisciplinarity of the dissertation, with the contribution of the sciences of administration, informatics and statistics is unquestionable and creates new perspectives for the future regarding the issues of human resources management. The selected parameters-criteria are related to the criteria used by the Supreme Council for Civil Personnel Selection (ASEP) for recruitment or promotion. Two questionnaires were conducted to civil servants to collect quantitative and qualitative data. Through a linear model, a total evaluation score was calculated based on the qualifications of the employees. Quantitative research through exploratory and confirmatory factor analyses and structural equations, highlighted the importance of formal qualifications for the evaluation of a candidate for recruitment or for promotion to authority positions as well as for performance evaluation. Many significant and positive correlations were found between formal qualifications and performance abilities, as well as between formal qualifications and experience-training, and finally, between formal qualifications and evaluation. In the next stage, from a large number of available classification algorithms, some of them were selected for the supervised machine learning experiments conducted, based on the criteria of forecasting performance, explainability of the produced model and academic recognition. The two machine learning approaches of the present dissertation, as part of a two-phase testing process, i.e. to predict the suitability of a candidate for a job and to predict the appropriate position for each candidate, according to the available qualifications and job descriptions, revealed as the most appropriate the tree models (REPtree and J48), as they showed the highest prediction accuracy compared to the other algorithms applied. The final proposed tree machine learning model is based on the J48 algorithm, which provides a reliable tool to support the human resource decision-making system for predicting human resource performance, by assessing candidates’ suitability for selection, placement/allocation (horizontal placement) and promotion to authority positions (vertical placement), so that the appropriate people are placed in the appropriate positions. From the attributes (qualifications) used in the machine learning experiments, the most important were the total score of each candidate, in combination to the requirements of the job analysis, as well as the previous experience in authority positions. The proposed model can be the basis for the development of a new automated system for the evaluation of human resources based on machine learning, supporting the relative procedures in the context of a holistic management of the human factor.

Το ζήτημα της απόδοσης του ανθρώπινου δυναμικού έχει απασχολήσει τα τελευταία χρόνια σημαντικά την ελληνική δημόσια διοίκηση. Στην παρούσα ερευνητική πρόταση γίνεται προσπάθεια πρόβλεψης της απόδοσης μέσω πρόβλεψης της καταλληλότητας ενός υπαλλήλου για τη θέση που κατέχει, με βάση μετρήσιμα κριτήρια που σχετίζονται με τα προσόντα του και την ανάλυση της συγκεκριμένης θέσης εργασίας. Το βασικό ερευνητικό ερώτημα είναι εάν η πρόβλεψη της καταλληλότητας ενός υπαλλήλου για μια θέση εργασίας και κατά επέκταση η πρόβλεψη της απόδοσής του, θα μπορούσε να γίνει με πρακτικές τεχνητής νοημοσύνης και μοντέλα μηχανικής μάθησης. Οι καινοτόμοι στόχοι της παρούσας διδακτορικής διατριβής είναι: i) Η αξιολόγηση των υποψηφίων, μέσω ενός εργαλείου που στηρίζεται στην τεχνητή νοημοσύνη για επιλογή υποψηφίων για πρόσληψη, πιθανή ανακατανομή, τοποθέτηση των κατάλληλων υπαλλήλων στην κατάλληλη θέση εργασίας ή προαγωγή σε θέσεις ευθύνης, ii) Η έκφραση της γνώμης των εργαζομένων του δημόσιου τομέα ως προς τους παράγοντες που επηρεάζουν την αξιολόγησή τους, για επιλογή και προαγωγή, iii) Η δημιουργία ενός ολοκληρωμένου πλαισίου με μοντέλα δομικών εξισώσεων, για τους παράγοντες αξιολόγησης της καταλληλότητας του ανθρώπινου δυναμικού για επιλογή και προαγωγή σε θέσεις ευθύνης και τα κριτήρια αξιολόγησης της απόδοσης, iv) Η δημιουργία ενός μοντέλου αξιολόγησης, που θα συνδέεται με τη δυνατότητα πρόβλεψης της απόδοσης των εργαζομένων, αξιοποιώντας τα προσόντα τους και αντιστοιχίζοντας τον κατάλληλο άνθρωπο με την κατάλληλη θέση. Η διεπιστημονικότητα της διατριβής, με τη συνδρομή των επιστημών της διοίκησης, της πληροφορικής και της στατιστικής είναι αδιαμφισβήτητη και δημιουργεί νέες προοπτικές για το μέλλον ως προς τη διαχείριση του ανθρώπινου παράγοντα.Οι παράμετροι-κριτήρια που επιλέχθηκαν, σχετίζονται με τα κριτήρια του Ανώτατου Συμβουλίου Επιλογής Προσωπικού (ΑΣΕΠ) για πρόσληψη ή προαγωγή σε θέσεις ευθύνης. Χρησιμοποιήθηκαν δύο ερωτηματολόγια για την συλλογή ποσοτικών και ποιοτικών δεδομένων από υφιστάμενους δημόσιους υπαλλήλους. Μέσω ενός γραμμικού μοντέλου διαμορφώθηκε ένα συνολικό σκορ αξιολόγησης με βάση τα προσόντα των υπαλλήλων. Η ποσοτική έρευνα μέσω διερευνητικών και επιβεβαιωτικών παραγοντικών αναλύσεων και μοντέλων δομικών εξισώσεων, ανέδειξε τη σημαντικότητα των τυπικών προσόντων για την αξιολόγηση ενός υποψηφίου για πρόσληψη ή προαγωγή σε θέσεις ευθύνης καθώς και για αξιολόγηση της απόδοσής του. Διαπιστώθηκαν σημαντικές θετικές συσχετίσεις μεταξύ των τυπικών προσόντων και των δεξιοτήτων που αφορούν στην απόδοση, μεταξύ των τυπικών προσόντων και της εμπειρίας-επιμόρφωσης και τέλος μεταξύ των τυπικών προσόντων και της αξιολόγησης. Στo επόμενo στάδιο, από μια μεγάλη ομάδα διαθέσιμων αλγορίθμων ταξινόμησης επιλέχθηκαν κάποιοι από αυτούς, για τα πειράματα εποπτευόμενης μηχανικής μάθησης που πραγματοποιήθηκαν, με βάση τα κριτήρια της πρόβλεψης απόδοσης, της εύκολης επεξήγησης των μοντέλων που διαμορφώνονται και της ακαδημαϊκής αναγνώρισης. Οι δύο προσεγγίσεις μηχανικής μάθησης της παρούσας διατριβής, στα πλαίσια μιας διαδικασίας δοκιμών δύο φάσεων, για την πρόβλεψη της καταλληλότητας ενός υποψηφίου για μία θέση εργασίας και για την πρόβλεψη της κατάλληλης θέσης για κάθε υποψήφιο, σύμφωνα με τα διαθέσιμα προσόντα και τις περιγραφές των θέσεων εργασίας, ανέδειξαν ως καταλληλότερα τα δενδρικά μοντέλα (REPtree και J48), δεδομένου ότι παρουσίασαν την υψηλότερη ακρίβεια πρόβλεψης, συγκριτικά με τους λοιπούς αλγορίθμους που εφαρμόστηκαν. Το τελικό προτεινόμενο δενδρικό μοντέλο μηχανικής μάθησης βασίζεται στον αλγόριθμο J48, ο οποίος παρέχει ένα αξιόπιστο εργαλείο υποστήριξης του συστήματος αποφάσεων για την πρόβλεψη της απόδοσης του ανθρώπινου δυναμικού, μέσω αξιολόγησης της καταλληλότητας του προσωπικού για επιλογή, τοποθέτηση (οριζόντια) και προαγωγή σε θέσεις ευθύνης (κάθετη τοποθέτηση), έτσι ώστε να τοποθετούνται οι κατάλληλοι άνθρωποι στις κατάλληλες θέσεις. Από τα χαρακτηριστικά που χρησιμοποιήθηκαν στα πειράματα μηχανικής μάθησης, τα πιο σημαντικά αναδείχθηκαν η συνολική βαθμολογία κάθε υποψηφίου, σε συνδυασμό με τις απαιτήσεις της ανάλυσης της θέσης, καθώς και η προϋπηρεσία σε θέσεις ευθύνης. Το προτεινόμενο μοντέλο δύναται να αποτελέσει τη βάση για ανάπτυξη ενός νέου αυτοματοποιημένου συστήματος αξιολόγησης του ανθρώπινου δυναμικού με βάση τη μηχανική μάθηση, υποστηρίζοντας τις σχετικές διαδικασίες στα πλαίσια μιας ολιστικής διαχείρισης του ανθρώπινου παράγοντα.