[论文解读] An Automated Compatibility Prediction Engine using DISC Theory Based Classification and Neural Networks

Chandrasekaran Anirudh Bhardwaj, Megha Mishra+1 more|arXiv (Cornell University)|Sep 2, 2017

Mental Health Research Topics参考文献 9被引用 6

一句话总结

本文提出了一种自动化兼容性预测引擎，利用DISC理论进行人格分类，并训练多层感知器神经网络以预测新入职员工与其指定主管之间的心理兼容性。该模型通过既定的数据处理流程处理人格特征，实现自适应学习以实现精确的兼容性索引，其有效性通过在组织环境中实现的原型系统得到验证。

ABSTRACT

Traditionally psychometric tests were used for profiling incoming workers. These methods use DISC profiling method to classify people into distinct personality types, which are further used to predict if a person may be a possible fit to the organizational culture. This concept is taken further by introducing a novel technique to predict if a particular pair of an incoming worker and the manager being assigned are compatible at a psychological scale. This is done using multilayer perceptron neural network which can be adaptively trained to showcase the true nature of the compatibility index. The proposed prototype model is used to quantify the relevant attributes, use them to train the prediction engine, and to define the data pipeline required for it.

研究动机与目标

• 开发一种自动化系统，利用人格画像预测员工与主管之间的心理兼容性。
• 将DISC理论作为组织环境中个体人格类型分类的基础。
• 设计一种可训练的神经网络模型，基于人格特征量化兼容性。
• 建立可扩展的数据处理流程，用于收集、处理和训练人格与兼容性数据。

提出的方法

• 使用DISC理论框架对个体的人格特质进行分类，将其归入四种类型之一：支配型（Dominance）、影响型（Influence）、稳健型（Steadiness）或遵从型（Compliance）。
• 将人格档案编码为数值特征向量，以表示行为维度，并作为机器学习模型的输入。
• 使用带标签的兼容性数据训练多层感知器（MLP）神经网络，以学习人格档案与兼容性结果之间的映射关系。
• 通过反向传播实现自适应训练，以最小化预测误差，并随时间推移提高准确性。
• 定义数据处理流程，以标准化现实世界部署中的数据收集、预处理和模型训练。
• 通过在模拟组织环境中实现的原型系统对系统进行验证，证明其可行性与性能。

实验结果

研究问题

• RQ1 基于DISC的人格分类能否有效表征个体行为特征，以用于组织兼容性预测？
• RQ2 多层感知器神经网络在基于人格档案的基础上，能否准确预测员工与主管之间的兼容性？
• RQ3 自适应训练对兼容性预测模型的性能与泛化能力有何影响？
• RQ4 如何设计可扩展的数据处理流程，以支持HR系统中实时或批量的兼容性预测？

主要发现

• 所提出的模型成功将DISC人格类型映射为适合神经网络处理的数值特征。
• 多层感知器在带标签的训练数据上表现出有效的兼容性模式学习能力。
• 通过反向传播实现的自适应训练在多次迭代中提升了模型的准确性。
• 原型实现证实了将DISC理论与神经网络结合用于组织兼容性预测的可行性。
• 所定义的数据处理流程实现了数据处理的一致性，支持预测引擎的可重现性与可扩展性。
• 该系统在兼容性预测方面实现了可衡量的性能，其有效性已在ICRTESM-2017原型中得到验证，并发表于《国际工程、技术、科学与研究杂志》。