نقشهبرداری علّی مؤلفههای اخلاقی در مدیریت منابع انسانی تقویتشده با هوش مصنوعی
محورهای موضوعی : اخلاق و تربیت اسلامی
فاطمه فریدون
1
,
عباسعلی رستگار
2
*
,
محسن شفیعی نیک آبادی
3
1 - دانشجوی کارشناسی ارشد مدیریت رفتار سازمانی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
2 - دکترای تخصصی، استاد و عضو هیئت علمی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
3 - دکترای تخصصی، استاد و عضو هیئت علمی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
کلید واژه: هوش مصنوعی, مدیریت منابع انسانی, اخلاق هوش مصنوعی, پایداری دادهها, عدالت سازمانی.,
چکیده مقاله :
این پژوهش ابعاد اخلاقی بهکارگیری هوش مصنوعی در مدیریت منابع انسانی در سازمانهای ایرانی را با تلفیق روشهای کیفی و کمی بررسی میکند. در مرحله کیفی، مصاحبههای نیمهساختاریافته با خبرگان حوزه منابع انسانی و فناوری اطلاعات و تحلیل مضمون با استفاده از نرمافزار مکسکیودیای هشت مؤلفه اخلاقی پایهای را شناسایی کرد: عدالت سازمانی و عدم تبعیض، شفافیت و قابلیت توضیحپذیری، حفظ حریم خصوصی، مسئولیتپذیری و پاسخگویی، اعتماد سازمانی، سازوکارهای بازخورد مستمر و نظارت انسانی، آگاهیبخشی و آموزش مداوم کارکنان، و مشارکت فعال انسان در تصمیمگیریهای کلیدی. در مرحله کمی، روش دیمتل فازی در اکسل برای نقشهبرداری روابط علت و معلول میان شانزده مؤلفه اخلاقی بهکار گرفته شد. نتایج نشان داد که شش عامل—پایداری سیستم، تخصیص مسئولیت در خطاها، آگاهیبخشی درباره چالشهای اخلاقی، شفافیت در معیارهای انتخاب، قابلیت توضیح الگوریتمها و دخالت انسانی در تصمیمگیریهای کلیدی—بهعنوان محرکهای اصلی عمل کرده و بیشترین تأثیر را بر سایر مؤلفهها دارند. برعکس، عدالت و عدم تبعیض، آموزش و اطلاعرسانی کارکنان و اعتماد سازمانی بهعنوان مؤلفههای معلول شناخته شدند که بهبود آنها وابسته به تقویت عوامل علّی است. یافتهها تأکید میکنند که تدوین سیاستهای اخلاقی هوش مصنوعی باید در بستر فرهنگی و اجتماعی ایران صورت گیرد و نوآوریهای فناوری با ارزشها و نگرشهای انسانی هماهنگ شوند. چارچوب پیشنهادی نقشه راه ساختاریافتهای برای حاکمیت اخلاقی هوش مصنوعی در مدیریت منابع انسانی ارائه میدهد که با هدف تقویت اعتماد سازمانی، ارتقای کیفیت تصمیمگیری و تضمین رفاه کارکنان تدوین شده است.
This study examines the ethical dimensions of deploying artificial intelligence in human resource management within Iranian organizations through a mixed-methods approach. In the qualitative phase, semi-structured interviews with HR and IT experts and thematic analysis using MAXQDA identified eight foundational ethical components: organizational justice and non-discrimination; transparency and explainability; privacy preservation; accountability and answerability; organizational trust; continuous feedback mechanisms and human oversight; awareness-raising and ongoing employee training; and active human participation in decision-making. In the quantitative phase, the fuzzy DEMATEL method in Excel was used to map causal relationships among sixteen ethical factors. Results demonstrate that six factors—system sustainability; assignment of responsibility for errors; awareness-raising about ethical challenges; transparency in selection criteria; algorithm explainability; and human involvement in key decisions—serve as primary causal drivers exerting the strongest influence on other components. Conversely, organizational justice and non-discrimination, employee training and communication, and organizational trust function as effect variables whose improvement depends on strengthening these drivers. The findings underscore that AI ethics policies must be developed within the Iranian cultural and social context and that technological innovation should be aligned with human values and perspectives. The proposed framework offers a structured roadmap for ethical AI governance in HRM, aimed at enhancing organizational trust, improving decision quality, and safeguarding employee well-being.
تاجآبادی، م.، و نامور، س. (۱۳۹۹). شاخصهای اخلاقی اسلامی جذب و استخدام منابع انسانی: شناسایی و مدلسازی. مجله بینالمللی مطالعات مدیریت اسلامی، ۸(۱)، ۲۳–۴۱.
حسینی، ف.، ابراهیمی، س.، و کیانی، ر. (۱۴۰۱). تبیین مدل اخلاقی کاربرد هوش مصنوعی در سازمانهای ایرانی: رویکرد دیمتل فازی. مجله اخلاق و فناوری در سازمانها، ۷(۳)، ۱۱۲–۱۳۶.
رحیمیاقدم، م.، و صالحپور، ا. (۱۴۰۲). چالشهای اخلاقی اتخاذ هوش مصنوعی در مدیریت منابع انسانی: راهکارهایی مبتنی بر ارزشهای اسلامی. مجله اخلاق اسلامی در مدیریت، ۵(۲)، ۴۵–۶۷.
Ahmadi, O., Mortazavi, S. B., Mahabadi, H. A., & Hosseinpouri, M. (2020). Development of a dynamic quantitative risk assessment methodology using fuzzy DEMATEL-BN and leading indicators. Process Safety and Environmental Protection, 142, 15-44.
Azhar, Z., & Imran, M. (2024). Ethical considerations in the adoption of artificial intelligence in human resource management: A comprehensive review. Journal of Emerging Technologies and Innovative Research (JETIR), 11(8).
Bankins, S. (2021). The ethical use of artificial intelligence in human resource management: a decision-making framework. Ethics and Information Technology, 23(4), 841-854.
Bessen, J. (2019). Automation and jobs: When technology boosts employment. Economic Policy, 34(100), 589-626.
Chen, Z. (2023). Artificial intelligence-virtual trainer: Innovative didactics aimed at personalized training needs. Journal of the Knowledge Economy, 14(2), 2007-2025.
Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24-42.
Ebert, I., Wildhaber, I., & Adams-Prassl, J. (2021). Big Data in the workplace: Privacy Due Diligence as a human rights-based approach to employee privacy protection. Big Data & Society, 8(1), 20539517211013051.
Ferrario, A., & Loi, M. (2022). Algorithm, machine learning and artificial intelligence. Elgar Encyclopedia of Technology and Politics, 37(1), 135.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., ... & Vayena, E. (2018). AI4People—an ethical framework for a good AI society: opportunities, risks, principles, and recommendations. Minds and machines, 28, 689-707.
Gupta, R. (2024). Impact of artificial intelligence (AI) on human resource management (HRM). International Journal For Multidisciplinary Research, doi, 10.
Hagendorff, T. (2019). From privacy to anti-discrimination in times of machine learning. Ethics and Information Technology, 21(4), 331-343.
Huang, C., Zhang, Z., Mao, B., & Yao, X. (2022). An overview of artificial intelligence ethics. IEEE Transactions on Artificial Intelligence, 4(4), 799-819.
Kambur, E., & Yildirim, T. (2023). From traditional to smart human resources management. International Journal of Manpower, 44(3), 422-452.
Kleinheksel, A. J., Rockich-Winston, N., Tawfik, H., & Wyatt, T. R. (2020). Demystifying content analysis. American journal of pharmaceutical education, 84(1), 7113.
Lee, C., & Cha, K. (2024). Toward the Dynamic Relationship Between AI Transparency and Trust in AI: A Case Study on ChatGPT. International Journal of Human–Computer Interaction, 1-18.
Mahdinia, M., Sadeghi Yarandi, M., Fallah, H., & Soltanzadeh, A. (2022). Modeling cause-and-effect relationships among variables affecting work stress based on fuzzy DEMATEL method. Journal of Public Mental Health, 21(4), 341-356.
Martin, D. A. (2019). The ethics of engineering.
Nicula, D. L., & Constantinescu, S. (2023). Enhancing organizational performance through the Fuzzy Decision-Making Trial and Evaluation Laboratory method. Journal of Social and Economic Statistics, 12(2), 72–87. https://doi.org/10.2478/jses-2023-0010
Patidar, N., Mishra, S., Jain, R., Prajapati, D., Solanki, A., Suthar, R., ... & Patel, H. (2024). Transparency in AI decision making: A survey of explainable AI methods and applications. Advances of Robotic Technology, 2(1).
Paul, J. (2024). Privacy and data security concerns in AI. ResearchGate, November.
Prikshat, V., Malik, A., & Budhwar, P. (2023). AI-augmented HRM: Antecedents, assimilation and multilevel consequences. Human Resource Management Review, 33(1), 100860.
Sachan, V. S., Katiyar, A., Somashekher, C., Chauhan, A. S., & Bhima, C. K. (2024). The role of artificial intelligence in HRM: opportunities, challenges, and ethical considerations. Educational Administration: Theory and Practice, 30(4), 7427-7435.
Shin, H., Nicolau, J. L., Kang, J., Sharma, A., & Lee, H. (2022). Travel decision determinants during and after COVID-19: The role of tourist trust, travel constraints, and attitudinal factors. Tourism Management, 88, 104428.
Shukla, R. P., & Taneja, S. (2024). Ethical considerations and data privacy in artificial intelligence. In Integrating generative AI in education to achieve sustainable development goals (pp. 86-97). IGI Global.
Shukla, S. (2024). Principles governing ethical development and deployment of AI. Journal of Artificial Intelligence Ethics, 7(1), 45-60.
Sumlin, C., De Oliveira, M. J., Conde, R., & Green, K. W. (2024). Do the management process and organizational behavior modification enhance an ethical environment and organizational trust in the US and Brazil?. International Journal of Organizational Analysis.
Sundaramurthy, S. K., Ravichandran, N., Inaganti, A. C., & Muppalaneni, R. (2022). The future of enterprise automation: Integrating AI in cybersecurity, cloud operations, and workforce analytics. Artificial Intelligence and Machine Learning Review, 3(2), 1-15.
Tairov, I., Stefanova, N., & Aleksandrova, A. (2024). Artificial intelligence application in human resources management. Business management, 3.
Tracy, S. J. (2024). Qualitative research methods: Collecting evidence, crafting analysis, communicating impact. John Wiley & Sons.
Varma, A., Dawkins, C., & Chaudhuri, K. (2023). Artificial intelligence and people management: A critical assessment through the ethical lens. Human Resource Management Review, 33(1), 100923.
Vrontis, D., Christofi, M., Pereira, V., Tarba, S., Makrides, A., & Trichina, E. (2023). Artificial intelligence, robotics, advanced technologies and human resource management: a systematic review. Artificial intelligence and international HRM, 172-201.
Wang, C., Wang, Z., Wang, G., Lau, J. Y. N., Zhang, K., & Li, W. (2021). COVID-19 in early 2021: current status and looking forward. Signal transduction and targeted therapy, 6(1), 1-14.
Zhang, B., & Dafoe, A. (2019). Artificial intelligence: American attitudes and trends. Available at SSRN 3312874.
Zwitter, A. (2014). Big data ethics. Big data & society, 1(2), 2053951714559253.