چگونه پردازش زبان طبیعی می تواند منابع انسانی را متحول کند؟

پردازش زبان طبیعی یک حوزه مورد علاقه همیشه در حال رشد در طیف برنامه های تحلیلی است و به منابع انسانی مرتبط است. در واقع، می تواند کیفیت بینش ها را متحول کند. در این مقاله به شما توضیح خواهیم داد که چگونه.

پردازش زبان طبیعی ارتباط قابل توجهی با منابع انسانی دارد

آیا می دانستید که تجزیه و تحلیل متن رایج ترین ابزار بهره وری در طول 3 دهه گذشته یا بیشتر برای منابع انسانی بوده است؟ برای منابع انسانی بسیار آشناست.

منابع انسانی مدت‌هاست که از جستجوی کلمات کلیدی Boolean برای شناسایی رزومه/ برنامه‌های شغلی خوب استفاده می‌کند. با این حال، اغلب با نتایج غیر قابل پیش بینی و طنز.

پردازش زبان طبیعی (NLP) تجزیه و تحلیل متن را به سطح بسیار بالاتری از جزئیات، جزئیات و دقت می برد. بینش دقیق NLP در گذشته یک محدودیت تکنولوژیکی بود، اما اخیراً گام‌های مهمی برداشته شده است. این امر با توسعه محاسبات توزیع شده و تحقیقات شدید در برنامه های NLP توسط نهادهای دانشگاهی و حرفه ای در سراسر جهان کمک کرده است.

مرتبط: تجزیه و تحلیل پیش بینی در منابع انسانی

ماهیت کارکرد افراد در تحلیل مؤثر ارتباطات نهفته است و زبان طبیعی رایج ترین وسیله ارتباط انسانی است. با این حال، دامنه NLP در عملکرد افراد باید تنها توسط منابع انسانی عملیاتی پیشرو باشد.

بیشتر تعاملات تجاری منابع انسانی حجم بالایی از زبان طبیعی را تولید می کند که داده های بدون ساختار است. به حوزه هایی مانند استخدام، بازخورد کارکنان، نظرسنجی ها، ارزیابی ها، یادگیری، پرونده های حقوقی، مشاوره و غیره فکر کنید.

به‌علاوه، فرآیندها و فرم‌های قدیمی منابع انسانی را می‌توان دوباره مهندسی کرد تا حجم روزافزونی از داده‌های زبان طبیعی جمع‌آوری شود. از طریق خط مشی فعال ضبط و رونویسی صدا یا حتی طراحی مجدد جزئی فرم‌ها/بررسی‌ها/برنامه‌های مختلف فرآیندهای منابع انسانی.

مزایای کلیدی برای منابع انسانی با اشاره به پردازش زبان طبیعی

مزایا بسیار هستند که مربوط به سطوح مختلف مشارکت و سرمایه گذاری توسط منابع انسانی است.

از تجزیه و تحلیل متن عمومی (تحلیل احساسات) شروع می شود. به بینش های پیشرفته (از طریق مدل های زبان شناسی محاسباتی) می رود و حتی می تواند نیمه اتوماسیون احتمالی را نیز شامل شود.

پس از پیاده سازی، چنین خدماتی می توانند از طریق API ها و اتصال پایگاه داده ارائه شوند. یا حتی از سیستم های مبتنی بر مشتری مستقل. گوگل و مایکروسافت نمونه های اصلی بازیکن بزرگ در فضای API NLP هستند.

بینش های حاصل از تجزیه و تحلیل پردازش زبان طبیعی چگونه بر HR تأثیر می گذارد؟

تجزیه و تحلیل NLP اختصاصی HR، با سطوح مختلف و اغلب پیشرونده بینش، نه تنها به عنوان پشتیبان تصمیم (DSS) عمل می کند. همچنین، دقت و سرعت بیشتری را برای فرآیندهای کلیدی کسب و کار منابع انسانی و بهبود معیارهای HR فعال کنید. آنها همچنین سوگیری انسان را در برنامه تصمیم گیری کاهش می دهند. به عنوان مثال می توان به امتیازدهی رزومه و تجزیه و تحلیل نظرسنجی اشاره کرد.

اغلب سیستم های NLP به عنوان “فیلتر سطح اول یا دوم” یا “اثبات فرضیه” برای تایید تصمیمات انسانی در HR عمل می کنند.

مطالب مرتبط: آیا همه 21 معیار عملکرد کارکنان را می دانید؟

منحنی های تکامل NLP زیر نیازهای تجزیه و تحلیل متن و زبان شناسی محاسباتی را نشان می دهد زیرا مزایای تجاری NLP را به حداکثر می رساند.

داده‌های ساختاریافته و بدون ساختار برای بهبود کیفیت بینش‌های منابع انسانی با هم همکاری می‌کنند.

برای مثال، حوزه‌های سنتی کلیدی برای مدل‌سازی داده‌های منابع انسانی، فرسایش، غیبت، مسیرهای شغلی، غرامت و مزایا، و غیره بوده است. برای چنین مدل‌هایی، بینش‌های به‌دست‌آمده از طریق NLP می‌تواند به عنوان متغیر توضیحی در نظر گرفته شود و در نتیجه دقت مدل را بهبود بخشد.

معمولاً فرم‌های فرآیندهای منابع انسانی مانند نظرسنجی کارکنان، بازخوردها، ارزیابی‌ها از چندین نقطه داده ساختاریافته (چک، رادیو، کشویی، کادرهای اسلاید و غیره) تشکیل شده‌اند. از NLP می توان برای ترکیب بیشتر و بزرگ کردن پاسخ های باز در این نظرسنجی استفاده کرد. این باعث بهبود کیفیت بینش می شود.

در مجموع، هر دو معیارهای فرآیندهای منابع انسانی را بهبود می بخشند.

اطلاعات نادرست در مورد پذیرش پردازش زبان طبیعی در فرآیندهای منابع انسانی

اینطور نیست که سیستم های پردازش زبان طبیعی جایگزین HR شوند. برعکس، این سیستم ها پرسنل منابع انسانی را در سازمانشان بیشتر توانمند می کنند.

پیچیدگی های زبان انسانی، ارتباطات و تصمیم گیری پویا مورد نیاز منابع انسانی در دنیای واقعی پیچیده است. این نشان می دهد که اتوماسیون کامل غیرعملی است و می تواند کاملاً معکوس باشد. ماشین‌ها درک ظرافت‌های ظریف زبان انسان را پیچیده می‌دانند. مانند طعنه، دوسوگرایی، تعارفات تغییر شکل یافته، پرخاشگری منفعلانه، هنجارهای منطقه ای و غیره.

یک مقایسه جالب و تا حدودی موازی در مورد خلبان های خودکار و پرواز با سیستم های سیمی است. آنها دو دهه یا بیشتر وجود داشته اند. اما هرگز جایگزین انسان در کابین خلبان نشوید، اگرچه در آزمایش های شبیه سازی آنها بهتر از خلبانان انسان عمل می کنند.

هواپیماهای بدون سرنشین (از لحاظ نظری بدون خلبان) نیز توسط خلبان انسانی کنترل می شوند.

مفهوم اتوماسیون کامل کاملاً نادرست است. از دست دادن شغل در واقع برنامه بازسازی مهارت/بازآموزی/همسویی مجدد است. ناشی از اتوماسیون نیست و ممکن است به تدریج مورد نیاز باشد.

تنگناها در پذیرش پردازش زبان طبیعی در منابع انسانی

هنوز فروشندگان زیادی وجود ندارند که فقط بر روی فرآیندهای پیشرفته NLP به HR تمرکز کنند. اکثر فروشندگان کلیات تجزیه و تحلیل متن هستند. آنها ممکن است از چالش های خاص منابع انسانی آگاه نباشند. OrganizationView نمونه خوبی از یک اپراتور اختصاصی در این فضا است و چند مورد دیگر نیز وجود دارد.

سایر تنگناهای کلیدی عبارتند از: امنیت/حفاظت از داده های منابع انسانی، دسترسی به داده ها، کیفیت، ادغام API. برنامه های تعامل و همکاری بین منابع انسانی و فناوری اطلاعات نیز در این زمینه زمینه بهبود دارد.

مرتبط: فهرستی از 14 معیار منابع انسانی

در زمان های اخیر گام های بزرگی در مورد کاربرد NLP در سایر زمینه ها برداشته شده است. به عنوان مثال، NLP ارائه دهندگان خدمات را قادر می سازد تا حجم وسیعی از داده ها را پردازش کرده و در مورد ارزیابی ورشکستگی و قراردادها در بخش حقوقی پیش بینی کنند. اسکریپت نویسی با استفاده از NLP در تجارت سرگرمی متحول شده است و اکنون زمان برای پذیرش در منابع انسانی فرا رسیده است.

رویکردهای شناسایی شده در NLP مرتبط با منابع انسانی

منابع انسانی عملیاتی باید حوزه های کاربردی مرتبط را در سازمان خود رهبری و شناسایی کند. تأثیر NLP در منابع انسانی احتمالاً به در دسترس بودن داده ها، امنیت، یکپارچه سازی، خط مشی شرکت یا هر نیاز خاص تجاری دیگری بستگی دارد.

به طور کلی سه جنبه برای اعمال NLP در منابع انسانی وجود دارد.

1. انواع بینش پردازش زبان طبیعی عمومی (مرتبط با زمینه برنامه منابع انسانی)

• تجزیه و تحلیل احساسات اسناد منابع انسانی
• استخراج اطلاعات عمیق از اسناد منابع انسانی
• طبقه بندی / رتبه بندی اسناد منابع انسانی بر اساس مشخصات تجاری
• جمع‌بندی خودکار اسناد منابع انسانی (کشف موضوع)
• ایجاد فرضیه منابع انسانی و بهبود فرآیند (بخشی از تجزیه و تحلیل تجویزی)

2. حوزه های کاربردی پردازش زبان طبیعی (در زمینه کاربرد منابع انسانی)

• برنامه/رزومه طبقه بندی و امتیازدهی
• ارزیابی و تحلیل بازخورد 360 درجه
• نظرسنجی و تجزیه و تحلیل بازخورد
• شناسایی آموزش، برنامه ریزی جانشین پروری
• تحلیل محتوای رسانه های اجتماعی کارکنان
• بینش در مورد پرونده های حقوقی مستند / کت و شلوار
• طراحی و بینش در مورد مشاوره کارکنان
• NLP تقریباً روی هر داده بدون ساختار در محدوده HR، از جمله داده های رونویسی شده است.

3. مروری بر روش‌های مختلف NLP به کار گرفته شده توسط فروشندگان (در زمینه برنامه منابع انسانی)

• برچسب گذاری آماری

برچسب‌گذاری آماری بینش‌هایی را از سطوح مختلف جزئیات، از طبقه‌بندی متن اصلی، تحلیل احساسات گرفته تا استخراج اطلاعات عمیق و مدل‌سازی موضوع/جمع‌بندی خودکار ارائه می‌دهد. برخی از روش‌های رایج استخراج اطلاعات/ کشف موضوع عبارتند از: میدان‌های تصادفی شرطی، مدل‌های مارکوف پنهان و LDA.

• برچسب گذاری نمادین

آشنایی منابع انسانی با جستجوهای کلیدی بولی پایه برای شناسایی رزومه های خوب نمونه بسیار خوبی از برچسب گذاری نمادین است. اما امروزه مدل‌های NLP مانند «عبارات منظم» تودرتو، تکراری و شرطی می‌توانند جستجوهای برچسب نمادین را به عمیق‌ترین سطوح ممکن از جزئیات تنظیم کنند.

رویکرد ترکیبی از برچسب‌گذاری آماری و نمادین اغلب به عنوان “مدل قوانین مشروط” در زمینه NLP نامیده می‌شود. ترکیب‌های متناسب از «مدل‌های قوانین شرطی» معمولاً از طریق تحلیل کوهورت یکپارچه با همکاری منابع انسانی توسعه می‌یابند.

مطالب مرتبط: فهرستی از دوره های آموزشی تحلیل منابع انسانی

این ممکن است به ایجاد فرضیه منابع انسانی مبتنی بر شواهد نیز کمک کند. و به طور موثر ابتکارات اصلی منابع انسانی را برای رهبری سازمانی پیش ببرد.

یک مورد تجاری از NLP در یک فرآیند کلیدی منابع انسانی (استخدام)

رویکرد اصلی پردازش زبان طبیعی در تمام انواع داده‌های بدون ساختار کمابیش یکسان است. با این حال، برای آشنایی، بیایید مثالی از امتیازدهی رزومه در استخدام در یک مجموعه داده بزرگ بدون ساختار را در نظر بگیریم.

در اینجا NLP می تواند در طبقه بندی رزومه، رتبه بندی، استخراج عمیق، شناسایی و نیمه اتوماسیون در فرآیند استخدام کمک کند.

• رزومه ها را بر اساس مهارت های اصلی، تجربه یا هر اولویت دیگری طبقه بندی و رتبه بندی کنید. مانند مهارت های مطلوب و تجربه حرفه ای.
• رزومه ها را بر اساس سبک قالب آنها طبقه بندی کنید. مانند قالب‌های زمانی، زمانی معکوس، ترکیبی، مبتنی بر مهارت‌ها و قالب‌های کاربردی مبتنی بر صلاحیت.
• شناسایی بخش های اساسی یک رزومه (مدل موضوع بر اساس اولویت داده شده توسط منابع انسانی)
• شکاف‌های سوابق تحصیلی/حرفه‌ای را در رزومه شناسایی کنید
• تقلب بالقوه/ اطلاعات نادرست و ناهنجاری ها را در رزومه شناسایی کنید
• استخراج اطلاعات عمیق از رزومه به عنوان مثال ترکیبی از مهارت های حرفه ای / آموزش + رتبه بندی دانشگاه + تجربیات حرفه ای + محیط و زمینه + تکالیف بین المللی / مکان خاص + جوایز / تقدیرنامه ها + توصیه ها / شبکه حرفه ای) از طریق “مدل های قوانین مشروط” ترکیبی

جدا از امتیازدهی رزومه/برنامه، «مدل‌های قوانین مشروط» همچنین می‌تواند به شناسایی عبارات پیچیده زبان انسانی کمک کند. مانند طعنه، دوسوگرایی، تعارفات تغییر شکل یافته، پرخاشگری منفعلانه، این ممکن است برای نظرسنجی های منابع انسانی، بازخوردها، انجمن ها، داده های رسانه های اجتماعی و غیره مهم باشد.

با این حال، درجات دقت ممکن است متفاوت باشد (و این یک حوزه تحقیقاتی مداوم است)

در سیستم‌هایی که برنامه‌ها/رزومه‌ها دارای نقاط داده نیمه ساختاریافته هستند (به عنوان مثال برنامه‌های کاربردی دریافت شده از طریق فرم XML آنلاین)، NLP می‌تواند در ارتباط با نقاط داده ساختاریافته (SQL) برای بهبود کیفیت و دقت طبقه‌بندی‌ها و استنتاج‌ها عمل کند.

پس از توسعه، نیمه اتوماسیون همچنین می تواند برای فعال کردن مدل های NLP اعمال شود

• ارزیابی دوره‌ای و خودکار مجموعه داده‌ها از طریق کارهای دسته‌ای و رویه‌های پایگاه داده / محرک‌ها / عملکردها
• امتیازدهی و طبقه بندی خودکار مجموعه داده ها از طریق بالا
• ارسال یک ایمیل خودکار به نامزدهای فهرست نهایی (مثلاً یک مجموعه آزمون یا تماس مصاحبه) یا ارسال گزارش‌های تلفیقی یا خاص به تیم منابع انسانی/کارگزینی.

همه اینها می تواند هزینه را برای استخدام کننده کاهش دهد و دقت بیشتری را در غربالگری نامزد اضافه کند. رویکرد NLP قطعاً می تواند نامزدهای بهتری را برای درخواست شغلی بدون هیچ گونه سوگیری انسانی پیدا کند.

خدمات معمولی ارائه شده توسط فروشندگان NLP

فروشندگان NLP معمولاً ترکیبی از خدمات ذکر شده در بالا، از جمله مدل‌های جمع‌بندی، مدل‌سازی موضوع و مدل‌های قوانین شرطی را ارائه می‌دهند.

با این حال، فریب نخورید. طرح‌های نوآورانه بازاریابی و ترویج ممکن است این تصور را ایجاد کند که رویکردهای محاسباتی متنوعی در NLP در میان فروشندگان مختلف وجود دارد – حتی اگر اساساً یکسان باشند.

بنابراین مهم است که منابع انسانی عملیاتی دید کلی خوبی داشته باشند و بتوانند برنامه های NLP مرتبط با الزامات و محدودیت های تجاری خاص خود را تشخیص دهند.

مطالب مرتبط: آنالیز منابع انسانی چیست؟

ارائه خدمات برنامه کاربردی NLP ممکن است از طریق یکپارچه سازی سرویس های API/ پایگاه داده یا پیاده سازی های مستقل روی کلاینت ها (نصب های مبتنی بر ویندوز) باشد. سیستم گزارش دهی دوره ای ایستا (به عنوان مثال بهبود فرآیند از طریق یک چارچوب شش سیگما) در اینجا مزیتی را اضافه می کند.

آینده…

منابع انسانی نامزد اصلی پذیرش فناوری‌های مبتنی بر NLP است، زیرا منابع انسانی ذاتاً مردم محور و مبتنی بر ارتباطات است. بنابراین، فرآیندهای کسب و کار منابع انسانی، حجم وسیعی از داده‌های زبان طبیعی را تولید می‌کنند.

این یک فرصت برای منابع انسانی است. همچنین منابع انسانی را قادر می سازد تا هوش و اهرم بیشتری در سازمان داشته باشد.

پذیرندگان اولیه و پیشگامان از تماس با ما برای تعامل بیشتر دریغ نکنید!

نوشته شده توسط راجا سنگوپتا و سومیاسانتو سن
Soumyasanto Sen به طور حرفه ای مشاور / مدیر / مشاور / سرمایه گذار در فناوری منابع انسانی است. او بیش از 12 سال تجربه تمرکز بر استراتژی ها، تجزیه و تحلیل، ابر، UX، امنیت، یکپارچه سازی و کارآفرینی در تبدیل منابع انسانی دیجیتال دارد.