التنبؤ بقرارات التوظيف باستخدام التعلم الآلي: أسلوب يتسم بالشفافية والعدالة لإدراة الموارد البشرية
DOI:
https://doi.org/10.65405/bb84r647الكلمات المفتاحية:
إدارة الموارد البشرية ، التنبؤ بقرارات التوظيف، تعلم الآلة، الذكاء الاصطناعي القابل للتفسيرالملخص
تستكشف هذه الدراسة كيف يمكن للتعلم الآلي أن يساعد في التنبؤ بقرارات التوظيف في إدارة الموارد البشرية (HRM). حيث قمنا باختبار أربعة خوارزميات تصنيف مختلفة—وهي: الانحدار اللوجستي (Logistic Regression)، وشجرة القرار (Decision Tree)، والغابة العشوائية (Random Forest)، وXGBoost—باستخدام مجموعة بيانات توظيف من منصة كاجل (Kaggle). وإلى جانب مجرد التنبؤ بمن سيتم توظيفه، ركز بحثنا أيضًا على جعل أنظمة الذكاء الاصطناعي هذه قابلة للفهم (الذكاء الاصطناعي القابل للتفسير، أو XAI) وعادلة. وتظهر نتائجنا أن نماذج التعلم الآلي المتقدمة، لا سيما أساليب التجميع (Ensemble Methods)، قدمت أداءً أفضل من النماذج الأكثر بساطة. والأهم من ذلك، أن عملنا على قابلية التفسير والعدالة يعالج قيودًا جوهرية كانت موجودة في الأبحاث السابقة، مما يمهد الطريق لاستخدام ذكاء اصطناعي أكثر مسؤولية في مجال التوظيف.
التنزيلات
المراجع
[1] S. M. Lundberg and S. I. Lee, (2017) “A Unified Approach to Interpreting Model Predictions,” in
Advances in Neural Information Processing Systems (NeurIPS), vol. 30.
[2] F. Pedregosa et al., (2011) “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning
Research, vol. 12, pp. 2825–2830.
[3] L. Breiman, (2001) “Random Forests,” Machine Learning, vol. 45, no. 1, pp. 5–32.
[4] T. Chen and C. Guestrin, (2016) “XGBoost: A Scalable Tree Boosting System,” in Proc. 22nd ACM
SIGKDD Int. Conf. Knowledge Discovery and Data Mining (KDD), pp.785–794.
[5] G. Zhang, (2025) “Explainable Artificial Intelligence in the Talent Recruitment Process,” Cogent
Business & Management,.
[6] S. M. U. Dadaboyev, (2025) “Role of Artificial Intelligence in Employee Recruitment,” Discover
Artificial Intelligence.
[7] S. Fabeyo, (2025) “Explainable AI in Employment Decision-Making: A Systematic Review of
Transparency Methods in Hiring Algorithms,” Issues in Information Systems,.
[8] C. Malin et al. (2025), “Rejected by an AI? Comparing Job Applicants’ Fairness Perceptions of Artificial
Intelligence and Humans in Personnel Selection,”.
[9] D. F. Mujtaba and N. R. Mahapatra (2024), “Fairness in AI-Driven Recruitment: Challenges, Metrics,
Methods, and Future Directions”.
[10] Alnnale, T. (2026). Predictive Governance in Digital Enterprises: An LSTM-Enhanced Deep Learning Framework for Economic Optimization of IT Incident Management Using Enriched Process Logs. Al-Farooq Journal of Sciences, 2(3), 86-113.
[11] A. Fabris et al., (2023) “Fairness and Bias in Algorithmic Hiring: A Multidisciplinary Survey,”.
[12] R.H. Elghanuni, M. B. Swidan2, A. A. Diaf, A. A. Elhoni, (2026) “Evaluating the Impact of PCA-Based Dimensionality Reduction on Bitcoin Transaction Forecasting: A Comparative Study of XGBoost, LSTM, and GNN”, LOUJAS, Volume 2-Issue 1 -2026-Pages 119-126
