استخدام الذكاء الاصطناعي لتحسين استطلاعات المشاركة والتغذية الراجعة المستمرة

يحتل تحسين مشاركة الموظفين صدارة قائمة أولويات العديد من قادة الموارد البشرية. لكن فحص الكم المتزايد باستمرار من بيانات استطلاعات المشاركة لاستخلاص رؤى قابلة للتطبيق قد يكون مهمة شاقة.

لذلك، طور مزودو الخدمات في هذا المجال أدوات تعتمد على الذكاء الاصطناعي (AI) مصممة لتحليل بيانات الاستطلاعات تلقائيًا من أجل تحديد الموضوعات الرئيسية وتحديد معاني الكلمات أو العبارات. ويمكن لأدوات مثل معالجة اللغة الطبيعية (NLP) أن توفر الوقت على قسم الموارد البشرية وتوفر بيانات أكثر فائدة في الوقت نفسه.

أجرت SHRM حوارًا مع أرمين بيرجيكلي، المدير الأول لاستراتيجية النمو في شركة Ultimate Software بمدينة ويستون بولاية فلوريدا، خلال «مؤتمر ومعرض تكنولوجيا الموارد البشرية»، لاستطلاع آرائه حول الوضع الحالي لتكنولوجيا معالجة اللغة الطبيعية (NLP)، ومزايا وعيوب استخدام الذكاء الاصطناعي في تحليل بيانات استطلاعات التفاعل، وأهمية وضع مدونة أخلاقية لاستخدام الذكاء الاصطناعي في مجال الموارد البشرية.

قبل انضمامه إلى شركة Ultimate، كان بيرجيكلي المؤسس والرئيس التنفيذي لشركة Kanjoya Inc.، وهي شركة متخصصة في تحليلات القوى العاملة كانت رائدة في تطوير تقنيات معالجة اللغة الطبيعية (NLP) المخصصة لفهم المشاعر البشرية. (استحوذت شركة Ultimate Software على Kanjoya في عام 2016.)

SHRM : لقد توغل الذكاء الاصطناعي في العديد من مجالات الموارد البشرية. أين ترى مجالات جديدة للفرص المتاحة للذكاء الاصطناعي في مجال الموارد البشرية في المستقبل؟

بيرجيكلي: أعتقد أننا في بداية رحلة طويلة جدًا لا حدود لها عمليًا. ويُعد تطبيق الذكاء الاصطناعي على التقييم المستمر — إلى جانب استطلاعات الرضا الدورية — أحد المجالات التي تنطوي على فرص في المدى القريب. ونحن نعتقد أنه ينبغي أن يكون تقديم تقييم عالي الجودة للموظفين أسهل، لمساعدتهم على فهم أفضل لما يقومون به بشكل جيد حاليًا وكيف يمكنهم التحسين في المستقبل.

على سبيل المثال، يمكن استخدام معالجة اللغة الطبيعية (NLP) لتحليل البيانات غير المنظمة — مثل النصوص — التي تأتي في شكل ملاحظات من مدير [أو] زميل أو ضمن تقييم الأداء، لجعلها أكثر قابلية للفهم وفائدة. ويمكن أن يساعد استخدام "الحواجز الوقائية" في تلك العملية الأشخاص على كتابة تعليقات أكثر قيمة، وتجنب اللغة السامة، أو استخدام مصطلحات أكثر قابلية للتنفيذ عند وصف الآخرين أو تقييمهم. على سبيل المثال، هل وصف شخص ما بأنه "ممتع" يساعده على التحسن بأي طريقة ذات مغزى؟ يمكن أن تساعد أدوات معالجة اللغة الطبيعية (NLP) المديرين على تحديد ما إذا كانت تعليقاتهم تتمتع بالجودة المناسبة لمساعدة الآخرين على النمو والتحسن حقًا.

إن الإمكانات المتاحة للتعمق في اللغة البشرية وسد الفجوة بين ما يُقال وما يُقصد فعليًا هائلة. وهذا يتجاوز مجرد تحديد اللغة الإيجابية والسلبية ليشمل فك رموز الدرجات المختلفة من المشاعر. فإذا كان شخص ما متحمسًا لمنتج جديد أو قلقًا بشأن المساواة في الأجور، على سبيل المثال، فإن تحليل المشاعر سيكشف ذلك بتفصيل شديد. فكلما زاد مستوى الدقة، زادت دقة الاستنتاجات.

إذا كنت تعمل في مجال الموارد البشرية، فغالباً ما تعاني من نقص في الموارد والموظفين. عادةً ما تتفوق إدارة الموارد البشرية في اتخاذ القرارات الصعبة المتعلقة بالموظفين في ظل هذه الظروف الصعبة، لكنها تحتاج إلى طرق أكثر كفاءة من حيث الوقت والتكلفة لتطبيق البيانات المفيدة على نطاق واسع، بهدف تحسين القرارات التي تتخذها بشأن من يتم توظيفه، وكيفية تعزيز مشاركة الموظفين بشكل أفضل، ومن يستحق راتباً أعلى، ومن يستحق الترقية، وما إلى ذلك. يجب أن يكون الهدف هو استخدام الذكاء الاصطناعي لمساعدة قسم الموارد البشرية على اتخاذ القرارات بثقة أكبر وبصيرة أوسع وبتحيز أقل.

SHRM : ماذا يمكنك أن تخبرني عن وضع مدونة قواعد سلوك يجب اتباعها عند استخدام الذكاء الاصطناعي، خاصة مع تزايد المخاوف من أن تؤدي هذه التكنولوجيا إلى تكريس التحيز اللاواعي في القرارات المتعلقة بالأفراد أو حتى التسبب في فقدان وظائف المتخصصين في الموارد البشرية؟

بيرجيكلي: لقد كان وضع مدونة أخلاقية خاصة بالذكاء الاصطناعي بمثابة معيار مهم بالنسبة لي. ورغم أن قرارات المتخصصين في الموارد البشرية قد لا تنطوي على نفس القدر من المخاطر التي تنطوي عليها قرارات أطباء غرف الطوارئ، على سبيل المثال، إلا أنهم هم من يتيحون اتخاذ القرارات الحاسمة المتعلقة بالموظفين.

لا يمكننا اتباع نفس النهج المتساهل الذي تتبعه القطاعات أو الوظائف الأخرى عندما يتعلق الأمر بالتكنولوجيا المتقدمة. فالنهج التقليدي يكاد يصل إلى حد تأليه التكنولوجيا والقول: «علينا أن نتركها تأخذ مجراها الطبيعي، ونعالج أي مشاكل تطرأ بعد حدوثها». لا يمكننا فعل ذلك في مجال الموارد البشرية. لا يمكننا أن نتصرف بتهور ونترك التكنولوجيا تكون المحرك الوحيد للعمليات.

من المهم أن يتحلى مزودو خدمات الذكاء الاصطناعي بالشفافية تجاه العملاء فيما يتعلق بما يفعلونه بخوارزمياتهم ولماذا يفعلونه. هدفنا هو استخدام التكنولوجيا حصريًّا لمساعدة الناس على اتخاذ قرارات أفضل، وليس لاستبدالهم أو استبدال أدوارهم. الفكرة ليست أن نعتقد أنه أصبح بإمكاننا الآن إدارة شؤون الموارد البشرية بمجرد عصا تحكم، وأنه لم تعد هناك حاجة إلى الأشخاص ذوي المهارات.

نقوم بدمج "اختبارات البوابة" في خوارزميات التعلم الآلي لدينا لاختبار أدائها بانتظام. عندما يتم طرح الخوارزمية "في بيئة حقيقية"، فإنها تستقبل بيانات جديدة وتتعلم منها، ومن المفترض نظريًا أن تصبح أكثر ذكاءً. لكن المشكلة هي أن الخوارزمية قد تصبح أحيانًا أكثر ذكاءً بطرق لا تتوقعها. فقد تكتسب أي تحيز موجود لدى مطوريها أو مستخدميها.

يمكن للخوارزميات في الواقع أن تحقق مستويات أعلى وأعلى من الدقة، بينما تقوض في الوقت نفسه هدفًا أخلاقيًا طويل الأمد؛ لأن الآلة تسعى جاهدة إلى إتقان تقليد القرارات التي اتُخذت تاريخيًا في المؤسسة، والتي كانت تُعتبر سليمة في ذلك الوقت، لكنها قد تكون موضع شك. لذا، من المهم وضع ضوابط رقابية مع تطور الخوارزميات من الإصدار الأول إلى الإصدار الثاني وهكذا دواليك، لتقييم أدائها. لا يمكنك البدء في الاعتقاد بأن التكنولوجيا معصومة من الخطأ، لأن ذلك سيؤدي إلى عواقب غير متوقعة.

SHRM : ما الذي يمكن فعله لمساعدة المؤسسات على تحقيق عائد أكبر من الاستثمارات التي تضخها في قياس وتحسين مشاركة الموظفين؟

بيرجيكلي: ما زلنا نطلب من الموظفين في كثير من الأحيان أن يتحدثوا لغتنا عندما يتعلق الأمر بتكنولوجيا الموارد البشرية والاستطلاعات، بدلاً من أن نتحدث نحن لغتهم. وإذا تمكنا من فهم ما يجري فعليًا في حياة الموظفين العملية من خلال فك رموز المعنى الحقيقي للغة التي يستخدمونها، فسيكون ذلك عونًا للمديرين في اتخاذ الخطوات اللازمة لإحداث تغييرات ذات مغزى.

في بعض الحالات، لا توجد حاجة إلى ابتكار تطبيقات جديدة للذكاء الاصطناعي لتحقيق ذلك. فهذه التكنولوجيا موجودة بالفعل، ولكنها تحتاج فقط إلى الاستفادة منها وتنسيقها بطرق جديدة. ومن المجالات التي تنطوي على فرص في هذا الصدد تحسين التكامل بين قواعد بيانات الموارد البشرية. فكر في انعدام الترابط بين تقييمات الأداء واستطلاعات رضا الموظفين في معظم المؤسسات. فعندما تدمج هاتين المجموعتين من البيانات، تحصل على صورة أكثر اكتمالاً ودقة عن الموظفين.

في تقييم الأداء، على سبيل المثال، قد يُنظر إلى شخص ما ويُقيَّم على أنه منعزل بعض الشيء، أو غير ودود، أو يصعب العمل معه في بيئة جماعية. ولكن إذا أخذت هذه المعلومات بمفردها في الاعتبار، فقد تحصل على منظور مشوه. بدلاً من ذلك، إذا أخذت في الاعتبار تعليقات الاستبيان المقدمة من الشخص الذي يتم تقييمه، فقد تشير إلى أنه شخص انطوائي؛ أو أنه منذ أن تحولت الشركة إلى تصميم المكتب المفتوح، يشعر بأنه يتعرض للمقاطعة بشكل متكرر ولا يستطيع إنجاز عمله؛ أو أنه يشعر بعدم الارتياح لكونه في دائرة الضوء.

قد يتيح دمج هاتين المجموعتين من البيانات للمدير أن يدرك أن هذا الموظف كان في السابق موظفًا ممتازًا ومنتجًا للغاية، لكن ديناميكية الشركة قد تغيرت. وربما لا يزال بإمكانه العمل بمستوى عالٍ من الكفاءة، لكن ذلك قد يتطلب إجراء بعض التعديلات، مثل السماح له بالعمل من المنزل بضعة أيام في الأسبوع.

ديف زيلينسكي كاتب مستقل متخصص في مجال الأعمال في مينيابوليس.