如果你想要了解一个人，你会怎麽做呢？其实最简单也最好的方式，就是跟他聊聊天，倾听他所说的话。在当今这个科技越发成熟的时代，自然语言处理技术可以帮我们分析、归纳很多事情，甚至是帮人资、主管判断底下员工的工作态度！先别急着谴责AI只帮助资方！其实它也可以帮助求职者分析目前市场最需要的关键技术，并推荐相关的学习课程，让你能成为大家抢着要的人才！总而言之，AI与人力资源领域的跨界合作，在未来还有很多很多值得期待的火花。
撰文｜王冠云
工作态度、工作表现、工作满意度等等各式各样与工作有关的各个向度，在组织心理学、人力资源领域中是经常被研究的课题。不论是心理学家还是实务工作者，都试图透过问卷的设计来了解员工关於工作的各个心理面向。不过，想要更直观了解一个人的方法，莫过於了解一个人所说的话，尤其当今自然语言处理 (Natural Language Processing, NLP) 的技术越来越发达，也提供了一个新的测量工具。
社群网站、部落格、各大论坛其实就是挖掘NLP资料的宝库！
有关工商心理学的问卷调查，最常使用的问卷计量方式就是李克特 (Likert) 量表了，通常一份问卷含有许多分属於不同面向的题目，而填答者阅读一题题的题目叙述，再根据当下的直觉填写适当的分数，例如「非常不同意」、「非常同意」等。使用李克特量表的方式，填答者需要腾出一段时间来进行问卷填答，但有时有些人可能会误解题目的意思、随意填答或隐藏真实讯息等等。
为了解决问卷量表的不足，Speer等人 (2022) 就提出了以自然语言处理 (NLP) 的方法来计算员工的工作态度。除了公司内部可能本来就存有相当大量关於员工的文字资料之外，在网路发达的今日，不少人会在社群网站、部落格以及各大论坛「Po文」写下关於工作的种种，不论是专业性的讨论文章或是心情抒发的小品，在网路上有着大量的语言资料可供分析。这也成了自然语言处理分析的重要资料来源宝库，而且不需要花费额外的时间来「制造」资料。
不过，为了让NLP工具可以更适切地应用在工商领域，Speer等人 (2022) 的主要研究目标，是以NLP的方法建造一个可供组织科学研究者应用的语言「辞典」。他们使用了1506位居住在美国的受雇者的叙述资料，打造了TAPS (Text-Based Attitude and Perception Scoring) 演算法，制作成基於文字来计算工作态度和工作感知的分数的辞典。这个辞典的功能是可以将文句对应到相关的主题，并计算分数，包含工作的自主性、工作满意度、工作压力、工作量等等。目前研究者已经将模型公开在网路上，任何人都可以下载用来分析相关的文字资料。
使用自然语言处理可以做哪些相关的分析呢？
除此之外，有关工商管理的应用研究方面，早已有许许多多的研究者利用自然语言处理的技术进行相关的分析。例如，Speer (2018) 的研究中，使用主管对於下属的叙述性评价来进行文字的分析，并且对照这些员工近五年的工作表现资料，证实了使用NLP技术分析出来的结果，对於预测员工的升迁、加薪幅度、解雇与否等未来事件具有高度的相关。
更特别的是，NLP或AI技术不只对於企业的人资部门有帮助，对於求职者而言也有相关应用。例如在这个与时俱进的时代里，不少就读资讯工程、电脑科学的学生们往往觉得自己所学跟不上时代的脚步，更遑论其他主修的学生，所以Tavakoli et al. (2022) 的研究就尝试制作了个人化的「人力资源市场的推荐系统」。在他们的实验中，以「资料」科学为主题，在各大求职网站大量收集、搜寻相关资讯进行资料探勘 (data mining)，再进一步从中提取各个职缺描述中所提及的需求技能，整合出目前整体市场中最需要的关键技术。接着，为了「客制化」，在他们所制作的系统中，会先请求职者提供个人的学习档案、个人资料，接着再推荐给该名学生求职者相关的线上学习课程，让学生能赶快在进入职场之前充电。
除了自然语言处理，在人力资源领域里还流行什麽AI技术？
根据Zhang, Xu, Zhang, and Yang (2021) 的回顾性研究，与人力资源相关的AI研究中，除了本文介绍的文字相关的分析之外，深度学习的多层感知机 (multi-layer peception) 因为有良好的预测力，所以对於人力资源而言相当有帮助；机器学习在进行分类任务时所使用的支援向量机 (support vector machine)，可以协助人力资源领域中需要进行分类的推论型任务；结构方程模型树 (structural equation modelling (SEM) trees) 则是结合了结构方程模型 (SEM) 和决策树 (decision tree) 的概念来进行演算，在执行多变项的回归模型或是需要长期追踪的回归分析都很有帮助。
另一方面，人力资源传统上着重於研究个人化的差异，或是专注於「小数据 (small data)」的研究，使用大数据 (big data) 对於人力资源领域而言，就是一个研究取向的翻转。在小数据研究中，相当重视理论、结构性，并且强调整个研究的过程需要能被复制、所有资料都必须要能有所解释等等。不过，大数据研究则提供了一个相对较为弹性、可不需先有理论基础，而且是在没有结构的大量资料中，去除掉杂讯之後进行分析的结果。
值得一提的是，从Zhang (2021) 等人的回顾性研究来看，目前为止人力资源和AI相关的研究出版还没有非常多，且研究热点集中於美国；在心理学领域和电脑科学领域的出版也少於管理学和经济学。到底AI能不能成为你的人资主管或是面试官呢？这个课题还有很多潜力有待发挥，以激荡出更多跨领域的火花。
参考文献
- TAPS IO Construct Dictionaries
- Speer, A. B. (2018). Quantifying with words: An investigation of the validity of narrative-derived performance scores. 71(3), 299-333. doi:https://doi.org/10.1111/peps.12263
- Speer, A. B., Perrotta, J., Tenbrink, A. P., Wegmeyer, L. J., Delacruz, A. Y., & Bowker, J. (2022). Turning words into numbers: Assessing work attitudes using natural language processing. Journal of Applied Psychology, No Pagination Specified-No Pagination Specified. doi:10.1037/apl0001061
- Tavakoli, M., Faraji, A., Vrolijk, J., Molavi, M., Mol, S. T., & Kismihók, G. (2022). An AI-based open recommender system for personalized labor market driven education. Advanced Engineering Informatics, 52, 101508. doi:https://doi.org/10.1016/j.aei.2021.101508
- Zhang, Y., Xu, S., Zhang, L., & Yang, M. (2021). Big data and human resource management research: An integrative review and new directions for future research. Journal of Business Research, 133, 34-50. doi:https://doi.org/10.1016/j.jbusres.2021.04.019
