論文の概要: Integration of a machine learning model into a decision support tool to
predict absenteeism at work of prospective employees
- arxiv url: http://arxiv.org/abs/2202.03577v1
- Date: Wed, 2 Feb 2022 03:49:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 14:28:02.840214
- Title: Integration of a machine learning model into a decision support tool to
predict absenteeism at work of prospective employees
- Title（参考訳）: 機械学習モデルと意思決定支援ツールの統合による勤労者の欠勤予測
- Authors: Gopal Nath, Antoine Harfouche, Austin Coursey, Krishna K. Saha,
Srikanth Prabhu, Saptarshi Sengupta
- Abstract要約: 失業による生産性の低下は、アメリカの雇用主が毎年何十億ドルもの損失を被った。
本研究は、潜在的な従業員の不在を予測するための意思決定支援ツールを開発することを目的とする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose - Inefficient hiring may result in lower productivity and higher
training costs. Productivity losses caused by absenteeism at work cost U.S.
employers billions of dollars each year. Also, employers typically spend a
considerable amount of time managing employees who perform poorly. The purpose
of this study is to develop a decision support tool to predict absenteeism
among potential employees. Design/methodology/approach - We utilized a popular
open-access dataset. In order to categorize absenteeism classes, the data have
been preprocessed, and four methods of machine learning classification have
been applied: Multinomial Logistic Regression (MLR), Support Vector Machines
(SVM), Artificial Neural Networks (ANN), and Random Forests (RF). We selected
the best model, based on several validation scores, and compared its
performance against the existing model; we then integrated the best model into
our proposed web-based for hiring managers. Findings - A web-based decision
tool allows hiring managers to make more informed decisions before hiring a
potential employee, thus reducing time, financial loss and reducing the
probability of economic insolvency. Originality/value - In this paper, we
propose a model that is trained based on attributes that can be collected
during the hiring process. Furthermore, hiring managers may lack experience in
machine learning or do not have the time to spend developing machine learning
algorithms. Thus, we propose a web-based interactive tool that can be used
without prior knowledge of machine learning algorithms.
- Abstract（参考訳）: 目的 - 不効率な雇用は生産性が低下し、トレーニングコストが高くなる可能性がある。
失業による生産性の低下は、アメリカの雇用主が毎年何十億ドルもの損失を被った。
また、雇用主は通常、業績の悪い従業員を管理するためにかなりの時間を費やします。
本研究の目的は,潜在社員の欠席を予測できる意思決定支援ツールを開発することである。
設計/方法論/アプローチ - 人気のあるオープンアクセスデータセットを利用した。
欠席クラスを分類するために、データは前処理され、MLR(Multinomial Logistic Regression)、SVM(Support Vector Machines)、ANN(Artificial Neural Networks)、RF(Random Forests)の4つの機械学習分類が適用された。
私たちは、いくつかのバリデーションスコアに基づいて、最高のモデルを選択し、そのパフォーマンスを既存のモデルと比較しました。
Findings - ウェブベースの意思決定ツールにより、潜在的な従業員を雇う前に、採用マネージャがより情報的な決定を下すことができる。
独創性/価値 - 本稿では、採用プロセス中に収集可能な属性に基づいてトレーニングされるモデルを提案する。
さらに、採用マネージャは機械学習の経験がない場合や、機械学習アルゴリズムを開発する時間がない場合もあります。
そこで本稿では,機械学習アルゴリズムの知識を必要とせず,Webベースの対話型ツールを提案する。
関連論文リスト
- Employee Turnover Analysis Using Machine Learning Algorithms [0.0]
機械学習技術は、従業員の転職リスクを監視し、軽減するために使用することができる。
3つの異なる教師付き学習アルゴリズムを使用して、従業員の属性の精度をベンチマークする。
達成されたモデルは、予測分析を確立するのに役立つ。
論文 参考訳（メタデータ） (2024-02-06T11:17:16Z) - Fast Model Debias with Machine Unlearning [54.32026474971696]
ディープニューラルネットワークは多くの現実世界のシナリオでバイアスのある振る舞いをする。
既存のデバイアス法は、バイアスラベルやモデル再トレーニングのコストが高い。
バイアスを特定し,評価し,除去するための効率的なアプローチを提供する高速モデル脱バイアスフレームワーク(FMD)を提案する。
論文 参考訳（メタデータ） (2023-10-19T08:10:57Z) - PredictChain: Empowering Collaboration and Data Accessibility for AI in
a Decentralized Blockchain-based Marketplace [1.4364491422470593]
予測機械学習モデルのためのブロックチェーンベースのマーケットプレース"PredictChain"を提案する。
このマーケットプレースは、予測機械学習モデルをトレーニングするためのデータセットのアップロード、以前にアップロードされたデータセットの要求モデルトレーニング、トレーニングされたモデルへのクエリの提出を可能にする。
論文 参考訳（メタデータ） (2023-07-27T19:56:18Z) - Retention Is All You Need [9.570332155350055]
本稿では,人的資源(HR)意思決定支援システムであるHR-DSS手法を提案する。
このシステムは、機械学習モデルによって提供される予測を解釈するHR部門を支援するように設計されている。
論文 参考訳（メタデータ） (2023-04-06T14:29:20Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - Self-Destructing Models: Increasing the Costs of Harmful Dual Uses of
Foundation Models [103.71308117592963]
本稿ではメタラーニングと逆学習の技法を活用した自己破壊モデルの学習アルゴリズムを提案する。
小規模な実験では、MLACは、BERTスタイルのモデルが性別識別を行うために再目的化されることをほとんど防ぐことができることを示す。
論文 参考訳（メタデータ） (2022-11-27T21:43:45Z) - Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。
リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。
モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
論文 参考訳（メタデータ） (2022-02-22T02:33:54Z) - Feature Selection for Learning to Predict Outcomes of Compute Cluster
Jobs with Application to Decision Support [7.55043162959755]
高性能コンピューティングクラスタのためのSlurm Workload Managerから、機械学習フレームワークとデータマイニングのための新しいテストベッドを提示する。
ユーザがCPUとメモリの割り当てを強化して失敗したジョブを再提出するか、あるいはそれらをコンピューティングクラウドに移行するかを決めるのを支援する。
本稿では,hpcジョブの資源管理(slurm)データ集合に対して,機能選択のための3つの異なる手法を用いて学習した教師付き学習モデルを提案する。
論文 参考訳（メタデータ） (2020-12-14T22:35:02Z) - FairCVtest Demo: Understanding Bias in Multimodal Learning with a
Testbed in Fair Automatic Recruitment [79.23531577235887]
このデモは、非構造化データから機密情報を抽出する採用ツールの背後にある人工知能(AI)の能力を示しています。
また、このデモには差別認識学習のための新しいアルゴリズムが含まれており、マルチモーダルAIフレームワークの機密情報を排除している。
論文 参考訳（メタデータ） (2020-09-12T17:45:09Z) - Propensity-to-Pay: Machine Learning for Estimating Prediction
Uncertainty [1.452875650827562]
本研究では、異なる文脈を考慮し、予測の不確実性を推定する機械学習モデルの能力について検討する。
ベイジアンニューラルネットワークを二元分類問題に活用する新しい概念が提案され,展開に向けて検討されている。
論文 参考訳（メタデータ） (2020-08-27T11:49:25Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。