[论文解读] Mapping the Landscape of AI-Driven Human Resource Management: A Social Network Analysis of Research Collaboration

Mehrdad Maghsoudi, Motahareh Kamrani Shahri+2 more|arXiv (Cornell University)|Aug 18, 2023

AI and HR TechnologiesBusiness, Management and Accounting被引用 3

一句话总结

本研究通过合作作者网络的社会网络分析（SNA），绘制了人工智能驱动的人力资源管理（AI-HRM）的全球研究版图。通过对102,296名作者和287,799次合作进行分析，识别出四个核心研究主题——系统识别与控制、人力资源分析、用于预测的机器学习，以及人工智能驱动的决策制定——并揭示了不同地区和机构的合作社区，突出了关键贡献者及AI-HRM研究中的新兴趋势。

ABSTRACT

As artificial intelligence (AI) transforms human resource management (HRM), understanding the research landscape becomes crucial for both academics and practitioners. While existing studies examine isolated aspects of AI in HRM, a comprehensive analysis of collaboration patterns and emerging themes remains lacking. This research employs social network analysis (SNA) to examine the co-authorship network within AI applications in HRM research, providing insights into collaboration dynamics and identifying key research directions. Through analysis of centrality measures and application of the TOPSIS method, the study identifies influential authors, institutions, and emerging research themes. Analysis of 102,296 authors and 287,799 collaborations reveals distinct communities focusing on specific aspects of AI-HRM across regions. The findings identify four primary research themes: AI for System Identification and Control, focusing on workforce planning and adaptive management; HR Analytics and Performance Management, emphasizing data-driven decision making; Machine Learning for Classification and Prediction, addressing talent acquisition and retention; and AI-Driven HR Decision-Making, exploring strategic planning and unbiased evaluation systems. The country co-authorship network analysis uncovers three main communities: Global HR Applications, HRM in the Middle East and Asia, and Global Integration of AI in HRM, reflecting shared regional challenges. Institutional collaboration patterns indicate five distinct communities, from established Asian AI research centers to emerging research hubs in developing economies.

研究动机与目标

• 通过合作模式，绘制人工智能驱动的人力资源管理（AI-HRM）研究版图的演变。
• 利用网络分析，识别AI-HRM研究中具有影响力的作者、机构及新兴研究主题。
• 揭示塑造AI-HRM研究的区域与机构合作社区。
• 全面概述AI-HRM文献中主题聚类的地理与机构分布。
• 通过数据驱动的网络制图，支持学术界与从业者对AI-HRM研究趋势的理解。

提出的方法

• 基于AI-HRM研究中的102,296名作者和287,799次合作，构建了合作作者网络。
• 应用社会网络分析（SNA）计算中心性度量（度数、中介度、特征向量），以识别具有影响力的作者和机构。
• 采用TOPSIS方法，基于多种中心性标准对作者和机构进行排名。
• 对国家层面和机构层面的合作作者网络进行社区检测，以识别合作聚类。
• 通过出版物关键词与内容的主题分析，将研究划分为四个主要聚类：系统识别、人力资源分析、用于预测的机器学习，以及人工智能驱动的人力资源决策制定。
• 可视化并解释网络结构，以揭示AI-HRM研究中区域与机构的研究动态。

实验结果

研究问题

• RQ1 基于关键词共现与合作模式，人工智能驱动的人力资源管理中的主导研究主题是什么？
• RQ2 在网络中心性测量下，AI-HRM研究中最具影响力的作者与机构是谁？
• RQ3 合作网络在不同区域如何组织？哪些区域研究社区浮现？
• RQ4 机构间合作模式是怎样的？它们如何反映全球研究枢纽与新兴研究中心？
• RQ5 TOPSIS方法对作者与机构的排名与传统中心性度量相比，如何识别关键贡献者？

主要发现

• 识别出四个主要研究主题：人工智能用于系统识别与控制（如人力资源规划）、人力资源分析与绩效管理（数据驱动决策）、用于分类与预测的机器学习（人才获取/保留）、以及人工智能驱动的人力资源决策制定（战略规划与公平性）。
• 国家合作作者网络揭示了三个主要社区：全球人力资源应用、中东与亚洲的人力资源管理，以及人工智能在人力资源管理中的全球整合，反映出区域特定的研究重点。
• 机构合作模式识别出五个不同的社区，涵盖从成熟的亚洲人工智能研究中心到发展中国家新兴研究枢纽。
• 中心性分析识别出具有高中介度与特征向量中心性的关键作者与机构，表明其在知识传播中的核心作用。
• TOPSIS方法成功整合多种中心性指标，对具有影响力的作者与机构进行排名，提供了一个稳健的排名框架。
• 本研究揭示了一个日益增长但地理分布不均的合作研究格局，呈现出强大的区域聚类，且跨大陆整合有限。