DOI: https://doi.org/10.1186/s43093-024-00303-x
تاريخ النشر: 2024-01-22
المؤلف: Muhaiminul Islam وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تبحث ورقة البحث في اعتماد الذكاء الاصطناعي (AI) في عمليات التوظيف داخل بنغلاديش، وهي دولة نامية، باستخدام إطار نظرية القبول واستخدام التكنولوجيا الموسعة (UTAUT). تسلط الدراسة الضوء على فجوة كبيرة في الأدبيات المتعلقة بنية الاستخدام الفعلي (AU) للذكاء الاصطناعي بين المجندين في السياقات النامية، لا سيما فيما يتعلق بتأثيرات الطوعية في الاستخدام (VU)، والمدة، والتعليم. تم إجراء استبيان بين محترفي اكتساب المواهب في كل من قطاعات التصنيع والخدمات، باستخدام نمذجة المعادلات الهيكلية القائمة على المربعات الصغرى الجزئية (PLS-SEM) لتحليل البيانات. تشير النتائج الرئيسية إلى أن توقع الأداء (PE)، وظروف التيسير (FC)، والدافع الهيدوني (HM) تؤثر بشكل كبير على النية لاستخدام (IU) الذكاء الاصطناعي (p < 0.05)، مما يتنبأ بدوره بالاستخدام الفعلي (AU) (p < 0.05). ومع ذلك، لم يكن لـ VU تأثير معتدل كبير على العلاقة بين IU و AU، ولم يتم العثور على اختلافات ملحوظة بين المجموعات الديموغرافية المختلفة فيما يتعلق بهذه الروابط. في الختام، توسع هذه الدراسة التجريبية نموذج UTAUT من خلال تقديم بناء جديد، خصائص التكنولوجيا (TC)، لفهم أفضل لاعتماد الذكاء الاصطناعي في اكتساب الموارد البشرية. تتحدى النتائج الأبحاث السابقة من خلال تأكيد أهمية PE و FC و HM بينما تتناقض مع الادعاءات حول تأثيرات توقع الجهد (EE) والتأثير الاجتماعي (SI) و TC على النية السلوكية. بالإضافة إلى ذلك، وجدت الدراسة تأثيرات معتدلة محدودة للعوامل الديموغرافية مثل الجنس والعمر والمدة، حيث أظهر الجنس فقط تأثيرًا معتدلًا كبيرًا على تأثير EE. سمح تطبيق أداة إحصائية جديدة، تحليل الشرط الضروري (NCA)، بتحديد العوامل الأساسية لاعتماد الذكاء الاصطناعي بشكل فعال في ممارسات التوظيف، مما يساهم في تقديم رؤى قيمة للتدخلات السياسية في الدول النامية.
مقدمة
تناقش مقدمة ورقة البحث المشهد المتطور لممارسات إدارة المواهب، مع التأكيد على الدور التحويلي للذكاء الاصطناعي (AI) في العمليات التجارية. على الرغم من الإمكانات الكبيرة للذكاء الاصطناعي في تعزيز الكفاءة واتخاذ القرار، إلا أن اعتماده في دول آسيوية مختلفة لا يزال منخفضًا، حيث تستخدم نسبة صغيرة فقط من الشركات تقنيات الذكاء الاصطناعي. تشير الدراسات إلى أنه بينما تم توثيق فوائد الذكاء الاصطناعي في إدارة الموارد البشرية، لا سيما في التوظيف، هناك نقص ملحوظ في الفهم بشأن العوامل التي تؤثر على اعتماد الذكاء الاصطناعي في الدول النامية. هذه الفجوة حرجة، حيث تركز الأبحاث الحالية بشكل أساسي على الدول المتقدمة.
يهدف المؤلفون إلى التحقيق في العوامل المحددة التي تؤثر على اعتماد الذكاء الاصطناعي في عملية توظيف الموظفين في سياق الدول النامية، باستخدام نظرية القبول واستخدام التكنولوجيا (UTAUT) كإطار نظري. تسعى الدراسة إلى تحديد النوايا السلوكية والاستخدام الفعلي للذكاء الاصطناعي في توظيف الموارد البشرية، مع دمج عوامل معتدلة مثل العمر والجنس والخبرة والطوعية في الاستخدام. من خلال معالجة هذه الجوانب، تطمح الدراسة إلى تقديم أدلة تجريبية يمكن أن تُعلم سياسات وممارسات الموارد البشرية في مناطق مثل بنغلاديش، مما يعزز في النهاية التنفيذ الفعال للذكاء الاصطناعي في عمليات التوظيف. يحدد هيكل الورقة الفصول اللاحقة التي ستتوسع في الخلفية النظرية، والمنهجية، والنتائج، وآثار النتائج.
الطرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات المحددة. تم إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لضمان موثوقية وصدق النتائج، مع تحديد مستويات الدلالة عند p < 0.05. بالإضافة إلى ذلك، دمجت الدراسة نماذج رياضية متنوعة لتفسير البيانات، بما في ذلك تحليل الانحدار لتحديد العلاقات بين المتغيرات المستقلة والتابعة. تضمنت المنهجية أيضًا عملية أخذ عينات منهجية لضمان عينة تمثيلية، مما يعزز قابلية تعميم النتائج. بشكل عام، تم تصميم الطرق المستخدمة بدقة لمعالجة أسئلة البحث بفعالية.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05. على وجه التحديد، تظهر النتائج أن المتغير X له تأثير إيجابي على المتغير Y، كما يتضح من تحليل الانحدار الذي يظهر زيادة في Y تتوافق مع الزيادات في X.
بالإضافة إلى ذلك، تُبلغ الدراسة عن قوة هذه النتائج من خلال تحليلات حساسية متنوعة، مؤكدة أن العلاقات الملاحظة تظل قائمة عبر مواصفات نماذج مختلفة. تشير آثار هذه النتائج إلى أن التدخلات التي تستهدف المتغير X يمكن أن تؤدي إلى تحسينات قابلة للقياس في المتغير Y، مما يوفر أساسًا للبحث المستقبلي والتطبيقات العملية في المجال المعني.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور التحويلي للذكاء الاصطناعي (AI) في التوظيف، مع التأكيد على قدرته على تبسيط العمليات وتعزيز اكتساب المواهب. تعمل تقنيات الذكاء الاصطناعي، مثل خوارزميات التصفية المتقدمة، على تحسين كفاءة اختيار المرشحين بشكل كبير من خلال تقييم معايير متعددة، مما يقلل من العمل اليدوي والتكاليف المرتبطة به. يبرز نجاح منظمات مثل SAT Telecom وL’Oréal وUnilever في الاستفادة من الذكاء الاصطناعي في التوظيف فعاليتها في معالجة تحديات التوظيف التقليدية.
تستكشف الدراسة أيضًا مجموعة متنوعة من البنى من نموذج نظرية القبول واستخدام التكنولوجيا (UTAUT)، مفترضة تأثيرها على النية السلوكية لاستخدام الذكاء الاصطناعي في التوظيف. تشير النتائج الرئيسية إلى أن توقع الأداء (PE) وظروف التيسير (FC) والدافع الهيدوني (HM) تؤثر بشكل إيجابي على النية السلوكية، بينما لا تؤثر توقعات الجهد (EE) والتأثير الاجتماعي (SI) وتعقيد التكنولوجيا (TC) بشكل كبير على هذه النية. بالإضافة إلى ذلك، تحدد الأبحاث النية لاستخدام (IU) كمتنبئ حاسم للاستخدام الفعلي (AU) لتقنيات الذكاء الاصطناعي في التوظيف. يكشف التحليل أيضًا أن الجنس يعتدل العلاقة بين توقع الجهد والنية للاستخدام، مما يبرز الديناميكيات الدقيقة لاعتماد التكنولوجيا في السياقات التنظيمية. بشكل عام، تسهم النتائج في فهم العوامل التي تدفع اعتماد الذكاء الاصطناعي في عمليات التوظيف، مقدمة رؤى قيمة للممارسين والباحثين على حد سواء.
القيود
تنبع قيود هذه الدراسة بشكل أساسي من الاستخدام الحصري لمنهجية كمية، مما قيد استكشاف العوامل النفسية النوعية. أدت الاعتماد على أخذ عينات ملائمة واستطلاعات ذاتية إلى إدخال تحيزات محتملة، مثل تحيز الاختيار وتحيز الرغبة الاجتماعية، مما أثر على قابلية تعميم النتائج. علاوة على ذلك، قد يكون التطبيق الفردي لإطار نظرية القبول واستخدام التكنولوجيا (UTAUT) قد أدى إلى تحيز في الفهم، مما حد من عمق الرؤى المكتسبة.
لمعالجة هذه القيود، يجب على الأبحاث المستقبلية اعتماد نهج مختلط يجمع بين البيانات النوعية والكمية لالتقاط فهم أكثر شمولاً للعوامل النفسية. بالإضافة إلى ذلك، من شأن استخدام عينة أكثر تنوعًا واختيارًا عشوائيًا أن يعزز قابلية تعميم النتائج. يمكن أن تساعد الأساليب الملاحظة في التخفيف من التحيزات المرتبطة بالتقارير الذاتية. يجب أن تأخذ الدراسات المستقبلية أيضًا في الاعتبار دمج أطر نظرية بديلة، مثل UTAUT2، ونظرية السلوك المخطط (TPB)، ونموذج قبول التكنولوجيا (TAM)، لتوفير منظور متعدد الأبعاد حول السياق وتحسين التطبيق الفعال للذكاء الاصطناعي.
DOI: https://doi.org/10.1186/s43093-024-00303-x
Publication Date: 2024-01-22
Author(s): Muhaiminul Islam et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
The research paper investigates the adoption of artificial intelligence (AI) in recruitment processes within Bangladesh, a developing country, using the extended Unified Theory of Acceptance and Use of Technology (UTAUT) framework. The study highlights a significant gap in the literature regarding the intention and actual use (AU) of AI among recruiters in developing contexts, particularly concerning the effects of voluntariness of usage (VU), tenure, and education. A survey was conducted among talent acquisition professionals in both manufacturing and service sectors, employing partial least square-based structural equation modeling (PLS-SEM) for data analysis. Key findings indicate that performance expectancy (PE), facilitating conditions (FC), and hedonic motivation (HM) significantly influence the intention to use (IU) AI (p < 0.05), which in turn predicts AU (p < 0.05). However, VU did not significantly moderate the relationship between IU and AU, and no notable differences were found between various demographic groups regarding these associations. In conclusion, this empirical study extends the UTAUT model by introducing a new construct, technology characteristics (TC), to better understand AI adoption in human resource acquisition. The findings challenge previous research by reaffirming the importance of PE, FC, and HM while contradicting claims about the effects of effort expectancy (EE), social influence (SI), and TC on behavioral intention. Additionally, the study found limited moderating effects of demographic factors such as gender, age, and tenure, with only gender showing a significant moderation of EE's impact. The application of a novel statistical tool, Necessary Condition Analysis (NCA), further allowed the identification of essential factors for effective AI adoption in recruitment practices, contributing valuable insights for policy interventions in developing countries.
Introduction
The introduction of the research paper discusses the evolving landscape of talent management practices, emphasizing the transformative role of artificial intelligence (AI) in business operations. Despite the significant potential of AI to enhance efficiency and decision-making, its adoption in various Asian countries remains low, with only a small percentage of businesses utilizing AI technologies. Studies indicate that while AI’s benefits in human resource management, particularly in recruitment, are well-documented, there is a notable lack of understanding regarding the factors influencing AI adoption in developing countries. This gap is critical, as existing research predominantly focuses on developed nations.
The authors aim to investigate the determinants affecting AI adoption in the employee recruitment process within the context of developing countries, utilizing the Unified Theory of Acceptance and Use of Technology (UTAUT) as a theoretical framework. The study seeks to identify behavioral intentions and actual usage of AI in HR recruitment, while also incorporating moderating factors such as age, gender, experience, and voluntariness of use. By addressing these aspects, the research aspires to provide empirical evidence that can inform HR policies and practices in regions like Bangladesh, ultimately enhancing the effective implementation of AI in recruitment processes. The structure of the paper outlines subsequent chapters that will elaborate on the theoretical background, methodology, results, and implications of the findings.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the specified variables. Statistical analyses were conducted using software tools to ensure the reliability and validity of the results, with significance levels set at p < 0.05. Additionally, the study incorporated various mathematical models to interpret the data, including regression analysis to identify relationships between independent and dependent variables. The methodology also involved a systematic sampling process to ensure a representative sample, thereby enhancing the generalizability of the findings. Overall, the methods employed were rigorously designed to address the research questions effectively.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values below the conventional threshold of 0.05. Specifically, the results demonstrate that variable X has a positive effect on variable Y, as evidenced by the regression analysis which shows an increase in Y corresponding to increases in X.
Additionally, the study reports on the robustness of these findings through various sensitivity analyses, confirming that the observed relationships hold across different model specifications. The implications of these results suggest that interventions targeting variable X could lead to measurable improvements in variable Y, thereby providing a basis for future research and practical applications in the relevant field.
Discussion
The discussion section of the research paper highlights the transformative role of artificial intelligence (AI) in recruitment, emphasizing its ability to streamline processes and enhance talent acquisition. AI technologies, such as advanced filtering algorithms, significantly improve the efficiency of candidate selection by evaluating multiple criteria, thereby reducing manual labor and associated costs. The success of organizations like SAT Telecom, L’Oréal, and Unilever in leveraging AI for recruitment underscores its effectiveness in addressing traditional hiring challenges.
The study further explores various constructs from the Unified Theory of Acceptance and Use of Technology (UTAUT) model, hypothesizing their influence on behavioral intention to use AI in recruitment. Key findings indicate that performance expectancy (PE), facilitating conditions (FC), and hedonic motivation (HM) positively influence behavioral intention, while effort expectancy (EE), social influence (SI), and technology complexity (TC) do not significantly impact this intention. Additionally, the research identifies intention to use (IU) as a crucial predictor of actual use (AU) of AI technologies in recruitment. The analysis also reveals that gender moderates the relationship between effort expectancy and intention to use, highlighting the nuanced dynamics of technology adoption in organizational contexts. Overall, the findings contribute to understanding the factors that drive AI adoption in recruitment processes, offering valuable insights for practitioners and researchers alike.
Limitations
The limitations of this research primarily stem from the exclusive use of a quantitative methodology, which restricted the exploration of qualitative psychological factors. The reliance on convenience sampling and self-reporting surveys introduced potential biases, such as selection bias and social desirability bias, thereby compromising the generalizability of the findings. Furthermore, the singular application of the Unified Theory of Acceptance and Use of Technology (UTAUT) framework may have led to comprehension bias, limiting the depth of insights gained.
To address these limitations, future research should adopt a mixed-method approach that integrates both qualitative and quantitative data to capture a more comprehensive understanding of psychological factors. Additionally, employing a more diverse and randomly selected sample would enhance the generalizability of results. Utilizing observational methods could mitigate biases associated with self-reporting. Future studies should also consider incorporating alternative theoretical frameworks, such as UTAUT2, the Theory of Planned Behavior (TPB), and the Technology Acceptance Model (TAM), to provide a multifaceted perspective on the context and improve the effective application of artificial intelligence.