High-tech Enterprises Economy

Экономика высокотехнологичных производств

2542-0593

BIBLIO-GLOBUS Publishing House

121230

10.18334/evp.5.2.121230

FLCZSA

Articles

Статьи

Research Article

Управление эффективностью на основе искусственного интеллекта. Этические последствия и лучшие практики

AI-Driven Performance Management Ethical Implications and Best Practices

https://orcid.org/0009-0001-4325-9341

Barbahan

Ibraheem

Barbahan

Ibraheem

2nd Year PhD researcher

ibraheembarbahan@gmail.com

National Research University ITMO National Research University ITMO

30 06 2024

5 2

VOL 5, NO2 (2024)

ТОМ 5, №2 (2024)

203 214 04 06 2024

2024

Barbahan I.

https://1economic.ru/lib/121230

В данной статье рассматривается интеграция искусственного интеллекта (ИИ) в управление результативностью. Особое внимание уделяется анализу этических последствий и передового опыта. Благодаря использованию передовых методов машинного обучения и обработки естественного языка (NLP) ИИ может революционизировать методы оценки и повышения эффективности работы сотрудников. Однако для обеспечения доверия и признания со стороны сотрудников необходимо решить этические проблемы, такие как конфиденциальность, предвзятость, прозрачность и справедливость. В данном исследовании представлен обзор современной литературы, предложены практические рекомендации по внедрению этичного ИИ и приведены примеры его успешного применения. Результаты исследования способствуют разработке сбалансированного подхода, который объединяет технологические инновации и их этические последствия, предлагая ценные идеи для HR-практиков, менеджеров и политиков.

This paper explores the integration of artificial intelligence (AI) in performance management, emphasizing ethical implications and best practices. By using advanced machine learning and natural language processing (NLP) techniques, AI can revolutionize how organizations evaluate and enhance employee performance. However, ethical concerns such as privacy, bias, transparency, and fairness must be addressed to ensure trust and acceptance among employees. This study provides a comprehensive review of the current literature, proposes practical guidelines for ethical AI implementation, and presents case studies demonstrating successful applications. Our findings contribute to the development of a balanced approach that integrates technological innovation with ethical considerations, offering valuable insights for HR practitioners, managers, and policymakers.

ИИ в HR управление эффективностью этичный ИИ снижение предвзятости прозрачность конфиденциальность лучшие практики машинное обучение НЛП доверие сотрудников

AI in HR Performance Management Ethical AI Bias Mitigation Transparency Privacy Best Practices Machine Learning NLP Employee Trust

1. Callen Anthony, Beth A. Bechky, Anne-Laure Fayard “Collaborating” with AI: Taking a System View to Explore the Future of Work // Organization Science. – 2023. – № 34(5). – p. 1672-1694.

2. Gagan Bansal, Tongshuang Wu, Joyce Zhou, Raymond Fok, Besmira Nushi, Ece Kamar, Marco Tulio Ribeiro, Daniel Weld Does the Whole Exceed its Parts? The Effect of AI Explanations on Complementary Team Performance // In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (CHI '21): Association for Computing Machinery, New York, NY, USA, Article 81,. New York, 2021. – p. 1–16.

3. Tambe P., Cappelli P., Yakubovich V. Artificial Intelligence in Human Resources Management: Challenges and a Path Forward // California Management Review. – 2019. – № 61(4). – p. 15-42.

4. Kastrati Z., Dalipi F., Imran A.S., Pireva Nuci K., Wani M.A. Sentiment Analysis of Students’ Feedback with NLP and Deep Learning: A Systematic Mapping Study // Appl. Sci. – 2021. – № 11. – p. 3986.

5. Epifanovsky Evgeny, et al. Software for the frontiers of quantum chemistry: An overview of developments in the Q-Chem 5 package // The Journal of chemical physics. – 2021. – № 155.8.

6. Islam Md Mafiqul, Jeff Shuford A Survey of Ethical Considerations in AI: Navigating the Landscape of Bias and Fairness // Journal of Artificial Intelligence General science (JAIGS). – 2024. – № 1.1.

7. Mehrabi Ninareh, et al. A survey on bias and fairness in machine learning // ACM computing surveys (CSUR). – 2021. – № 54.6. – p. 1-35.

8. Floridi Luciano, et al. AI4People—an ethical framework for a good AI society: opportunities, risks, principles, and recommendations // Minds and machines. – 2018. – № 28. – p. 689-707.

9. Binns Reuben Fairness in machine learning: Lessons from political philosophy // Conference on fairness, accountability and transparency. PMLR. 2018.

10.

10. Tsamardinos Ioannis, et al. Just add data: automated predictive modeling for knowledge discovery and feature selection // NPJ precision oncology. – 2022. – № 6.1. – p. 38.

11.

11. Hancock Jeffrey T., Mor Naaman, Karen Levy AI-mediated communication: Definition, research agenda, and ethical considerations // Journal of Computer-Mediated Communication. – 2020. – № 25.1. – p. 89-100.

12.

12. Tambare Parkash et al. Performance measurement system and quality management in data-driven Industry 4.0: A review // Sensors. – 2021. – № 22.1. – p. 224.

13.

13. Leavy Patricia Research design: Quantitative, qualitative, mixed methods, arts-based, and community-based participatory research approaches. - Guilford Publications, 2022.

14.

14. Baker Wade et al. 2011 Data Breach Investigations Report. , 2011. – 72 p.

15.

15. Agarwal Aniya, et al. Automated test generation to detect individual discrimination in AI models. / arXiv preprint arXiv:1809.03260., 2018.

16.

16. Hoffman, Robert R., et al. Metrics for explainable AI: Challenges and prospects. / arXiv preprint arXiv: 1812.04608., 2018.