دیده بانی حکمرانی هوش مصنوعی در مدیریت توسعه منابع انسانی سازمانهای آموزشی

چکیده مقاله :

این پژوهش از نظر هدف کاربردی و از نظر ماهیت توصیفی–تحلیلی با رویکرد آمیخته (کمی و کیفی) است و بر مبنای یک چرخه پنج‌مرحله‌ای شامل جمع‌آوری داده‌ها، تحلیل، تصمیم‌گیری، اجرا و نظارت، و بازخورد و بهبود مستمر طراحی شده است. داده‌های کمی و کیفی از سامانه‌های توسعه منابع انسانی، ارزیابی عملکرد، پرسشنامه‌های رضایت شغلی و داده‌های آموزشی گردآوری شد.تحلیل داده‌ها با بهره‌گیری از نرم‌افزارهای SPSS و R در سطوح توصیفی، پیش‌بینی، کیفی و تطبیقی انجام گرفت. نتایج تحلیل‌ها مبنای تصمیم‌گیری در سطوح راهبردی، عملیاتی و اصلاحی قرار گرفت و از طریق داشبوردهای مدیریتی و سیستم‌های هوشمند اجرا و پایش شدبطور کلی نتایج نشان داد، که استقرار مدیریت توسعه منابع انسانی داده‌محور در قالب یک چرخه منسجم شامل جمع‌آوری چندمنبعی داده‌ها، تحلیل‌های توصیفی و پیش‌بینی‌کننده، تصمیم‌گیری چندسطحی، اجرای شاخص‌محور و بازخورد مستمر، می‌تواند به ارتقای کارآمدی، چابکی و یادگیری سازمانی منجر شود. نتایج حاکی از آن است که هم‌راستایی میان کیفیت داده‌ها، عمق تحلیل‌ها و هماهنگی سطوح راهبردی، عملیاتی و اصلاحی شرط اصلی موفقیت این رویکرد است. در مجموع، پژوهش تأیید می‌کند که مدیریت منابع انسانی داده‌محور، در صورت توجه به چالش‌هایی مانند سوگیری الگوریتمی و شکاف اجرا، می‌تواند مزیت رقابتی پایدار و تصمیم‌گیری علمی‌تر را برای سازمان‌ها فراهم سازد.

چکیده انگلیسی :

This research is applied in terms of purpose and descriptive-analytical in nature with a mixed approach (quantitative and qualitative) and is designed based on a five-stage cycle including data collection, analysis, decision-making, implementation and monitoring, and feedback and continuous improvement. Quantitative and qualitative data were collected from human resource development systems, performance evaluation, job satisfaction questionnaires, and educational data. Data analysis was performed using SPSS and R software at descriptive, predictive, qualitative, and comparative levels. The results of the analyses were used as the basis for decision-making at strategic, operational, and corrective levels and were implemented and monitored through management dashboards and intelligent systems. Overall, the results showed that the establishment of data-driven human resource development management in the form of a coherent cycle including multi-source data collection, descriptive and predictive analytics, multi-level decision-making, indicator-driven implementation, and continuous feedback can lead to improved efficiency, agility, and organizational learning. The results indicate that alignment between data quality, depth of analysis, and coordination of strategic, operational, and corrective levels is the main condition for the success of this approach. Overall, the research confirms that data-driven human resource management, if challenges such as algorithmic bias and execution gap are addressed, can provide organizations with a sustainable competitive advantage and more scientific decision-making.

منابع و مأخذ:

اکبری امامی،شهنار؛جامی پور،مونا؛و فتحی، سارا(1402).« طراحی چارچوب بکارگیری هوش مصنوعی در مدیریت منابع انسانی: رویکردی اکتشافی»، دو فصلنامه مدیریت منابع انسانی پایدار، دوره 5، شماره 9،شماره پیاپی 9،صص284-263.
راهدارپور،جواد؛گرگانی،فرهاد؛صیاد،محمد؛گزمه،میثم؛نیکفرجام نوری،مهدی(1402).«نقش فناوری های هوش مصنوعی در توسعه مدیریت منابع انسانی سازمانهای دولتی ایران»،فصلنامه رویکردهای پژوهشی نو درعلوم مدیریت، شماره33، دوره سیزدهم، سال ششم،بهار،صص12-1.
قربانی،حمید؛و عطایی فر،جمشید(1403).«بررسی کاربرد هوش مصنوعی در آموزش و توسعه منابع انسانی »، کنفرانس بین المللی پژوهش های مدیریت و علوم انسانی در ایران
قنبری بنجار،سیدمحمد؛ میری بنجار،وحید؛و قنبری بنجار،میثم(1403).«نقش هوش مصنوعی در بهبود کارآیی مدیریت منابع انسانی در مؤسسات آموزشی»، ششمین کنفرانس بین المللی سلامت، علوم تربیتی و روانشناسی
یاراحمدی،فرناز؛قناتی،حمیدرضا؛میرجعفری،سمیه؛شایان فر، محسن(1403).« چالشهای استفاده ازهوش مصنوعی درمدیریت منابع انسانی»،هشتمین همایش بین المللی دانش و فناوری هزاره سوم اقتصاد مدیریت و حسابداری ایران

Ammer, M. A., Ahmed, Z. A., Alsubari, S. N., Aldhyani, T. H., & Almaaytah, S. A. (2023). Application of artificial intelligence for better investment in human capital. Mathematics, 11(3), 612.
Angrave, D., Charlwood, A., Kirkpatrick, I., Lawrence, M., & Stuart, M. (2016). HR and analytics: Why HR is set to fail the big data challenge. Human Resource Management Journal, 26(1), 1–11.
Beer, M., Boselie, P., & Brewster, C. (2015). Back to the future: Implications for the field of HRM of the multistakeholder perspective proposed 30 years ago. Human Resource Management, 54(3), 427–438.
Biliavska, V., Castanho, R. A., & Vulevic, A. (2022). Analysis of the impact of artificial intelligence in enhancing the human resource practices. J. Intell. Manag. Decis, 1(2), 128-136
Boxall, P., & Purcell, J. (2016). Strategy and Human Resource Management (4th ed.). London: Palgrave Macmillan.
Brown, D., Court, D., & Willenhaupt, M. (2019). HR analytics and talent management: Evidence from predictive modelling practices. International Journal of Human Resource Management, 30(15), 2201–2223.
Chakraborty, S. (2025). AI, Privacy, and Power: Shaping Surveillance Policies in Canada. In Exploring AI Implications on Law, Governance, and Industry (pp. 361-378). IGI Global Scientific Publishing.
Cheng, P. (2024). Regulating the ‘AI Leviathan’: A Framework for AI Surveillance Disclosure Reporting. European Business Law Review, 35(6).
Dai, R., Thomas, M. K. E., & Rawolle, S. (2025). Revisiting Foucault’s panopticon: how does AI surveillance transform educational norms?. British Journal of Sociology of Education, 46(5), 650-668.
Davis, P. J., & Davis, J. (2017). The role of metrics in strategic human resource management. Human Resource Management International Digest, 25(6), 1–4
Filgueiras, F. (2024). Artificial intelligence and education governance. Education, Citizenship and Social Justice, 19(3), 349-361.
Fitz-enz, J. (2010). The New HR Analytics: Predicting the Economic Value of Your Company’s Human Capital Investments. New York: AMACOM.
Garavan, T. N., McCarthy, A., & Morley, M. J. (2016). Global human resource development: Strategic learning and capability building. Human Resource Development Quarterly, 27(2), 123–140.
Huang, M. H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the academy of marketing science, 49(1), 30-50.
Islam, M. T., & Tamzid, M. (2023). Artificial intelligence in human resource management. Management education for achieving sustainable development goals in the context of Bangladesh, 10, 61-80.
Jan, A. (2025). Techno-Legality: The Legal Challenges of AI, Surveillance, and Digital Governance. ASSAJ, 4(01), 906-919.
Jain, D. S. (2018). Human resource management and artificial intelligence. International Journal of Management and Social Sciences Research, 7(3), 56-59.
Khatri, S., Pandey, D. K., Penkar, D., & Ramani, J. (2019). Impact of artificial intelligence on human resources. In Data Management, Analytics and Innovation: Proceedings of ICDMAI 2019, Volume 2 (pp. 365-376). Singapore: Springer Singapore.
Li, Z., Caputo, F., Chin, T., & Di Taranto, E. (2026). The impact of human–AI capital synergy on regional new quality productive forces: evidence from China. Journal of Intellectual Capital, 1-19.
Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR analytics. International Journal of Human Resource Management, 28(1), 3–26.
Mariam, G., Adil, L., & Zakaria, B. (2024). The integration of artificial intelligence (ai) into education systems and its impact on the governance of higher education institutions. International Journal of Professional Business Review: Int. J. Prof. Bus. Rev., 9(12), 13.
Matsa, P., & Gullamajji, K. (2019). To study impact of artificial intelligence on human resource management.
Mohammed, S. M. (2026). Workforce transformation: the role of artificial intelligence in the economics of government human resources in service ministries in KSA. International Journal of Productivity and Performance Management, 75(2), 672-691.
Nawaz, N., Arunachalam, H., Pathi, B. K., & Gajenderan, V. (2024). The adoption of artificial intelligence in human resources management practices. International journal of information management data insights, 4(1), 100208..
Parker, G. (2025). Unforgetting Educational Surveillance: Reimagining AI as a Tool for Justice and Pedagogical Liberation. Big Data Analytics & Applications, 27.
Parmenter, D. (2015). Key Performance Indicators: Developing, Implementing, and Using Winning KPIs (3rd ed.). Hoboken, NJ: Wiley.
Purwaamijaya, B. M., & Prasetyo, Y. (2022). The effect of artificial Intelligence (AI) on human capital management in Indonesia. Jurnal manajemen dan kewirausahaan, 10(2), 168-174.
Rao, H., & Sutton, R. I. (2014). The personalization of algorithmic management and its organizational implications. California Management Review, 56(4), 79–99.
Ribeiro, D., Rocha, T., Pinto, G., Cartaxo, B., Amaral, M., Davila, N., & Camargo, A. (2025). Toward effective AI governance: a review of principles. arXiv preprint arXiv:2505.23417.
Sampson, F. (2025). Policing, AI and the New Surveillance Relationship. Automation in Governance Theory, Practice and Problems.
Shahnazaryan Nelli, H., & Shahnazaryan Gagik, H. (2024). Human capital management in the context of artificial intelligence. Регион, 1, 50.
Tartari, V., Cooper, C., & Breschi, S. (2021). Algorithmic bias and fairness in HR decision-making systems. Journal of Business Ethics, 172(4), 803–822.
Tambe, P., Cappelli, P., & Yakubovich, V. (2019). Artificial intelligence in human resources management: Challenges and a path forward. California management review, 61(4), 15-42.
Tiwari, P., Pandey, R., Garg, V., & Singhal, A. (2021, January). Application of artificial intelligence in human resource management practices. In 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence) (pp. 159-163). IEEE.
van Zyl, W. R., Henning, S., & van der Poll, J. A. (2022). A framework for knowledge management system adoption in small and medium enterprises. Computers, 11(9), 128.
Yawalkar, M. V. V. (2019). A study of artificial intelligence and its role in human resource management. International Journal of Research and Analytical Reviews (IJRAR), 6(1), 20-24.