Объяснимый искусственный интеллект в кадровой аналитике: анализ факторов производительности

Авторы

  • Александр Николаевич Козинец Белорусский государственный университет информатики и радиоэлектроники, ул. П. Бровки, 6, 220013, г. Минск, Беларусь

Ключевые слова:

кадровая аналитика, объяснимый искусственный интеллект, надпрофессиональные навыки, цифровые компетенции, градиентный бустинг, метод SHAP, производительность сотрудников, ключевые показатели эффективности

Аннотация

В условиях цифровизации и роста значения человеческого капитала в кадровой аналитике особую актуальность приобретают модели объяснимого искусственного интеллекта (explainable artificial intelligence). С использованием градиентной модели XGBoost анализируется влияние надпрофессиональных навыков и цифровых компетенций на ключевые показатели эффективности сотрудников. Для интерпретации вклада признаков используется метод SHAP, обеспечивающий прозрачность прогнозов. Разрабатывается методология, применяемая на этапах отбора открытых данных, генерации признаков и интерпретации модели. Устанавливается, что такие факторы, как коммуникабельность, цифровая грамотность и стаж, оказывают значимое влияние на результативность труда. Обсуждаются управленческие последствия применения объяснимого искусственного интеллекта в поддержке решений по развитию персонала. Подчеркивается важность интерпретируемых моделей для повышения доверия к алгоритмам в кадровой аналитике.

Биография автора

  • Александр Николаевич Козинец, Белорусский государственный университет информатики и радиоэлектроники, ул. П. Бровки, 6, 220013, г. Минск, Беларусь

    аспирант кафедры экономики инженерно-экономического факультета. Научный руководитель – кандидат экономических наук, доцент В. А. Пархименко

Библиографические ссылки

  1. Becker GS. Human capital: a theoretical and empirical analysis. Chicago: University of Chicago Press; 1964. 187 p.
  2. Флек МБ, Угнич ЕА. Разработка модели цифровых компетенций работников в условиях цифровой трансформации предприятия. Перспективы науки и образования. 2023;3:706–723. DOI: 10.32744/pse.2023.3.43.
  3. Ribeiro MT, Singh S, Guestrin C. Why should I trust you? Explaining the predictions of any classifier. In: Balaji Krishnapuram, Mohak Shah, editors. Proceedings of the 22nd ACM SIGKDD International conference on knowledge discovery and data mining; 13–17 August 2016; San Francisco, USA. New York: Association for Computing Machinery; 2016. p. 1135–1144.
  4. Arrieta AB, Díaz-Rodríguez N, Ser JD, Bennetot A, Tabik S, González AB, et al. Explainable artificial intelligence (XAI): concepts, taxonomies, opportunities and challenges. Information Fusion. 2020;58:82–115. DOI: 10.1016/j.inffus.2019.12.012.
  5. Lee JY, Lee Y. Integrative literature review on people analytics and implications from the perspective of human resource development. Human Resource Development Review. 2024;23(1):58–87.
  6. Pinto GBS, Mello CE, Garcia ACB. Explainable AI in labor‑market applications. In: Rocha AP, Steels L, van den Herik JH, editors. Proceedings of the 17th International conference on agents and artificial intelligence; 2025 February 23–25; Porto, Portugal. Volume 3. Lissabon: Science and Technology Publications; 2025. p. 1450–1457. DOI: 10.5220/0013384100003890.
  7. Lundberg SM, Lee S-I. A unified approach to interpreting model predictions. In: von Luxburg U, Guyon I, Bengio S, Wallach H, Fergus R, editors. Proceedings of the 31st International conference on neural information processing systems; 2017 December 4–9; Long Beach, USA. Volume 30. New York: Curran Associates; 2017. p. 4765–4774.
  8. Chaturvedi S, Chaturvedi R. Who gets the callback? Generative AI and gender bias. arXiv:2504.21400 [Preprint]. 2025 [cited 2025 May 3]. Available from: https://arxiv.org/abs/2504.21400.
  9. Klöpper M, Messer U. Hiding behind algorithms: people analytics and perceived fairness violation in managerial decisions [Internet]. In: Avital M, Karahanna E, Themistocleous M, editors. Proceedings of the 32nd European conference on information systems. People first: constructing digital futures together; 2024 June 13–19; Paphos, Cyprus [cited 2025 May 3]. Available from: https://aisel.aisnet.org/ecis2024/track07_busanalytics/track07_busanalytics/16.
  10. Chen T, Guestrin C. XGBoost: a scalable tree‑boosting system. In: Krishnapuram B, Shah M, editors. KDD’16. Proceedings of the 22nd ACM SIGKDD International conference on knowledge discovery and data mining; 2016 August 13–17; San Francisco, USA. New York: Association for Computing Machinery; 2016. p. 785–794. DOI: 10.1145/2939672.2939785.
  11. Akiba T, Sano S, Yanase T, Ohta T, Koyama M. Optuna: a next‑generation hyperparameter optimization framework. In: Teredesai A, Kumar V, editors. KDD’19. Proceedings of the 25th ACM SIGKDD International conference on knowledge discovery & data mining; 2019 August 4–8; Anchorage, USA. New York: Association for Computing Machinery; 2019. p. 2623–2631. DOI: 10.1145/3292500.3330701.
  12. Spence AM. Job market signaling. Cambridge: Harvard University Press; 1973. 174 p.
  13. Mincer J. Schooling, experience, and earnings. Cambridge: National Bureau of Economic Research; 1974. 152 p.
  14. Гуриева СД. Феномен «тяни-выталкивай» как проявление гендерного неравенства в организационном контексте. Russian Journal of Education and Psychology. 2020;11(4):7–11. EDN: NWCLHP.

Загрузки

Дополнительные файлы

Опубликован

2025-12-31

Выпуск

№ 2 (2025): Журнал Белорусского государственного университета. Экономика

Раздел

J. Экономика труда и демографическая экономика

Лицензия

Copyright (c) 2026 Журнал Белорусского государственного университета. Экономика

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).

Как цитировать

[1]
Козинец, А.Н. 2025. Объяснимый искусственный интеллект в кадровой аналитике: анализ факторов производительности. Журнал Белорусского государственного университета. Экономика. 2 (дек. 2025), 30–41.