The Application of Machine Learning in Faculty Assessment : a Case Study of Narxoz University

• Autorzy: Krzysztof Rybinski , Viktoriya Tsay

Warianty tytułu

Zastosowanie uczenia maszynowego w procesach oceny okresowej kadry akademickiej : studium przypadku Uniwersytetu Narxoz

• Języki publikacji: EN

Abstrakty

EN

This paper shows that machine learning models can be used to achieve a more transparent, fair, and unbiased faculty incentive system that is closely linked to the implementation of university strategy. Narxoz University in Almaty, Kazakhstan, has implemented the KPI system, with strategic goals cascaded into organizational units and from there to individual faculty and staff members. Wage increase and promotion decisions are linked to a semi-annual faculty and staff performance review. This, in its turn is based on the KPI assessment, quality of teaching, research output, and additional achievements. Data analyzed by Narxoz's HR Committee as well as decisions taken by the Committee to estimate logit and CART models that recommend wage raise decisions were used. We have demonstrated that these simple machine learning models can replicate HR Committee decisions with good accuracy. Moreover, we have also shown that faculty members selected for wage raises by machine learning algorithms achieve better results than faculty promoted by the HR Committee.
This paper also presents the benefits of using data science techniques in HR processes at business schools. Firstly, the technique leads to the discovery of the actual decision processes that take place. Secondly, it allows verification of whether decisions are taken in line with internal procedures or without regard for such procedures, and allows the verification of their time consistency. Thirdly, such analysis provides good grounds for a transparent discussion about improvements in HR processes. Finally, a modeling of HR decisions allows the creation of evidence-based policies and helps forge a learning organizational culture. (original abstract)

W artykule przedstawiono studium przypadku zastosowania modeli sztucznej inteligencji do stworzenia przejrzystego, efektywnego i opartego na faktycznych osiągnięciach systemu motywacyjnego, który jest ściśle powiązany ze strategią uczelni. Na Uniwersytecie Narxoz w Ałmaty w Kazachstanie wprowadzono system oceny kadr oparty na strategicznych KPI, które zostały skaskadowane na poziom jednostek uczelni oraz niżej na poziom poszczególnych pracowników naukowo-dydaktycznych i administracyjnych. Decyzje o premiach, podwyżkach płac i awansie zostały połączone z oceną pracowniczą opartą o KPI, dokonywaną półrocznie. W przypadku pracowników naukowo-dydaktycznych cele KPI uwzględniają jakość zajęć, działalność naukową i dodatkowe osiągnięcia. W artykule wykorzystano dane KPI i decyzje podejmowane przez Komitet ds. HR uczelni do oszacowania modeli logit i CART, które pozwoliły ocenić, jakie czynniki miały kluczowy wpływ na decyzje Komitetu ds. HR. Pokazano, że te proste modele maszynowego uczenia są w stanie replikować decyzje Komitetu z dużą dokładnością. Ponadto pokazano również, że w przypadku różnicy zdań Komitetu i modeli pracownicy, którzy byli rekomendowani do podwyżki przez model, ale nie uzyskali pozytywnej decyzji Komitetu, osiągali lepsze wyniki w pracy.
Artykuł prezentuje korzyści z wykorzystania modeli sztucznej inteligencji w procesach HR-owych na uczelni i w innych firmach. Po pierwsze, pozwala na opisanie jak wygląda faktyczny proces decyzyjny. Po drugie, można ocenić, czy kluczowe decyzje HR-owe są podejmowane zgodnie z wewnętrznymi procedurami, czy z ich naruszeniem, oraz ocenić spójność wewnętrznych procesów HR-owych. Po trzecie, taka analiza daje przesłanki do merytorycznej i transparentnej dyskusji na temat doskonalenia procesów HR-owych. W końcu, modelowanie decyzji HR-owych tworzy kulturę organizacyjną opartą na faktach i kulturę uczącej się organizacji. (abstrakt oryginalny)

Słowa kluczowe

EN

Machine learning; Employee appraisal; Academic staff; Strategic human resources management; Higher education; Case study

PL

Uczenie maszynowe; Ocena pracowników; Pracownicy naukowi; Strategiczne zarządzanie zasobami ludzkimi; Szkolnictwo wyższe; Studium przypadku

• Czasopismo: Zarządzanie Zasobami Ludzkimi
• Rocznik: 2018
• Numer: nr 3-4
• Strony: 145--170

Twórcy

autor

Krzysztof Rybinski

• Vistula University in Warsaw, Poland; Narxoz University in Kazakhstan

autor

Viktoriya Tsay

• Narxoz University in Kazakhstan

Bibliografia

• Broderick, Renae F. and Boudreau, John W. (1991). "Human Resource Information Systems for Competitive Advantage: Interviews with Ten Leaders." CAHRS Working Paper Series. Paper 338.
• Loh, W.-Y. (2011). "Classification and Regression trees," Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, Volume 1, Issue 1 (January/February 2011).
• Noe, R. A., Hollenbeck, J. R., Gerhart, B., and Wright, P. M. (2003). Human Resource Management: Gaining a Competitive Advantage (4th Edition). New York: McGraw-Hill Higher Education.
• O'Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York: Crown Publishing Group.
• Sarip A. and Abdillah Royo M. (2014). "Strategic HR in Higher Educational Institutions in Malaysia and Denmark," International Journal of Trade, Economics and Finance, Vol. 5, No. 1, February 2014.
• The Guardian (2012). https://www.theguardian.com/higher-education-network/blog/2012/may/23/human-resource-management-in-higher-education
• Wright, P. and McMahan, G. (1992). "Theoretical Perspectives for Strategic Human Resources Management." Journal of Management, 18(2), 295-320. Retrieved June 1, 2004, from the EBSCOHost database.
• Ulrich, D. (1997). "Human Resource Champions: The Next Agenda for Adding Value and Delivering Results." Boston: President and Fellows of Harvard College.
• Yeung, A. and Brockbank, A. (1994). "Lower Cost, Higher Value: Human Resource Function in Transformation," Human Resource Planning, vol. 17, no. 3, pp. 1-16.