AI人資越來越強？用自然語言處理瞭解工作態度

如果你想要瞭解一個人，你會怎麼做呢？其實最簡單也最好的方式，就是跟他聊聊天，傾聽他所說的話。在當今這個科技越發成熟的時代，自然語言處理技術可以幫我們分析、歸納很多事情，甚至是幫人資、主管判斷底下員工的工作態度！先別急著譴責AI只幫助資方！其實它也可以幫助求職者分析目前市場最需要的關鍵技術，並推薦相關的學習課程，讓你能成為大家搶著要的人才！總而言之，AI與人力資源領域的跨界合作，在未來還有很多很多值得期待的火花。

撰文｜王冠云

工作態度、工作表現、工作滿意度等等各式各樣與工作有關的各個向度，在組織心理學、人力資源領域中是經常被研究的課題。不論是心理學家還是實務工作者，都試圖透過問卷的設計來瞭解員工關於工作的各個心理面向。不過，想要更直觀瞭解一個人的方法，莫過於瞭解一個人所說的話，尤其當今自然語言處理 (Natural Language Processing, NLP) 的技術越來越發達，也提供了一個新的測量工具。

社群網站、部落格、各大論壇其實就是挖掘NLP資料的寶庫！

有關工商心理學的問卷調查，最常使用的問卷計量方式就是李克特 (Likert) 量表了，通常一份問卷含有許多分屬於不同面向的題目，而填答者閱讀一題題的題目敘述，再根據當下的直覺填寫適當的分數，例如「非常不同意」、「非常同意」等。使用李克特量表的方式，填答者需要騰出一段時間來進行問卷填答，但有時有些人可能會誤解題目的意思、隨意填答或隱藏真實訊息等等。

為了解決問卷量表的不足，Speer等人 (2022) 就提出了以自然語言處理 (NLP) 的方法來計算員工的工作態度。除了公司內部可能本來就存有相當大量關於員工的文字資料之外，在網路發達的今日，不少人會在社群網站、部落格以及各大論壇「Po文」寫下關於工作的種種，不論是專業性的討論文章或是心情抒發的小品，在網路上有著大量的語言資料可供分析。這也成了自然語言處理分析的重要資料來源寶庫，而且不需要花費額外的時間來「製造」資料。

不過，為了讓NLP工具可以更適切地應用在工商領域，Speer等人 (2022) 的主要研究目標，是以NLP的方法建造一個可供組織科學研究者應用的語言「辭典」。他們使用了1506位居住在美國的受雇者的敘述資料，打造了TAPS (Text-Based Attitude and Perception Scoring) 演算法，製作成基於文字來計算工作態度和工作感知的分數的辭典。這個辭典的功能是可以將文句對應到相關的主題，並計算分數，包含工作的自主性、工作滿意度、工作壓力、工作量等等。目前研究者已經將模型公開在網路上，任何人都可以下載用來分析相關的文字資料。

使用自然語言處理可以做哪些相關的分析呢？

除此之外，有關工商管理的應用研究方面，早已有許許多多的研究者利用自然語言處理的技術進行相關的分析。例如，Speer (2018) 的研究中，使用主管對於下屬的敘述性評價來進行文字的分析，並且對照這些員工近五年的工作表現資料，證實了使用NLP技術分析出來的結果，對於預測員工的升遷、加薪幅度、解雇與否等未來事件具有高度的相關。

更特別的是，NLP或AI技術不只對於企業的人資部門有幫助，對於求職者而言也有相關應用。例如在這個與時俱進的時代裡，不少就讀資訊工程、電腦科學的學生們往往覺得自己所學跟不上時代的腳步，更遑論其他主修的學生，所以Tavakoli et al. (2022) 的研究就嘗試製作了個人化的「人力資源市場的推薦系統」。在他們的實驗中，以「資料」科學為主題，在各大求職網站大量收集、搜尋相關資訊進行資料探勘 (data mining)，再進一步從中提取各個職缺描述中所提及的需求技能，整合出目前整體市場中最需要的關鍵技術。接著，為了「客製化」，在他們所製作的系統中，會先請求職者提供個人的學習檔案、個人資料，接著再推薦給該名學生求職者相關的線上學習課程，讓學生能趕快在進入職場之前充電。

除了自然語言處理，在人力資源領域裡還流行什麼AI技術？

根據Zhang, Xu, Zhang, and Yang (2021) 的回顧性研究，與人力資源相關的AI研究中，除了本文介紹的文字相關的分析之外，深度學習的多層感知機 (multi-layer peception) 因為有良好的預測力，所以對於人力資源而言相當有幫助；機器學習在進行分類任務時所使用的支援向量機 (support vector machine)，可以協助人力資源領域中需要進行分類的推論型任務；結構方程模型樹 (structural equation modelling (SEM) trees) 則是結合了結構方程模型 (SEM) 和決策樹 (decision tree) 的概念來進行演算，在執行多變項的迴歸模型或是需要長期追蹤的迴歸分析都很有幫助。

另一方面，人力資源傳統上著重於研究個人化的差異，或是專注於「小數據 (small data)」的研究，使用大數據 (big data) 對於人力資源領域而言，就是一個研究取向的翻轉。在小數據研究中，相當重視理論、結構性，並且強調整個研究的過程需要能被複製、所有資料都必須要能有所解釋等等。不過，大數據研究則提供了一個相對較為彈性、可不需先有理論基礎，而且是在沒有結構的大量資料中，去除掉雜訊之後進行分析的結果。

值得一提的是，從Zhang (2021) 等人的回顧性研究來看，目前為止人力資源和AI相關的研究出版還沒有非常多，且研究熱點集中於美國；在心理學領域和電腦科學領域的出版也少於管理學和經濟學。到底AI能不能成為你的人資主管或是面試官呢？這個課題還有很多潛力有待發揮，以激盪出更多跨領域的火花。

參考文獻

1. TAPS IO Construct Dictionaries
2. 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
3. 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
4. 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
5. 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