Sử dụng trí tuệ nhân tạo để hiểu rõ hơn về tính cách
Khi tuyển dụng, nhà tuyển dụng có thể gặp khó khăn trong việc tìm kiếm người hoàn hảo cho công việc. Do đó, các tổ chức thường sử dụng thang đo tính cách để xác định xem ứng viên có phù hợp hay không.
Trí tuệ nhân tạo và máy học – khái niệm nghệ thuật. Tín dụng hình ảnh: Deepak Pal qua Flickr , CC BY-SA 2.0
Mặc dù có một số bài kiểm tra tính cách được sử dụng rộng rãi trên thị trường, nhưng các tổ chức có thể tìm kiếm những đặc điểm hoặc kỹ năng không được đo lường bằng các thang đo hiện có. Việc tạo ra một thang đo mới — đòi hỏi công sức của các chuyên gia như nhà tâm lý học về nhân cách, tổ chức, xã hội hoặc lâm sàng — có thể tốn nhiều thời gian và chi phí.
Với suy nghĩ này, Ivan Hernandez, trợ lý giáo sư tại Khoa Tâm lý Công nghệ Virginia, muốn tìm cách giúp việc tạo ra các thang đo tính cách trở nên dễ dàng và dễ tiếp cận hơn.
Hernandez nói: “Là những nhà tâm lý học, chúng tôi quan tâm đến việc đo lường rất nhiều khía cạnh khác nhau của tính cách. “Nhưng phần khó là, làm thế nào để bạn làm điều đó? Làm thế nào để bạn đưa ra những câu hỏi phù hợp để biết liệu một người có phải là bạn tốt hay không, để biết liệu một người có phải là một người làm việc chăm chỉ hay không, để biết liệu một người có trí tuệ cảm xúc hay không?”
Trong khi các chuyên gia về chủ đề thường nghĩ ra những câu hỏi đó, Hernandez đã đề xuất một nguồn thay thế - trí tuệ nhân tạo.
Làm việc với nhà tư vấn nghiên cứu Weiwen Nie của Hogan Assessment Systems Inc., Hernandez đã tạo ra một khuôn khổ để sử dụng các mô hình xử lý ngôn ngữ tự nhiên khác nhau nhằm hỗ trợ các nhà nghiên cứu phát triển các thang đo tâm lý hợp lệ.
Trong phương pháp tạo thang đo tính cách truyền thống, các chuyên gia về chủ đề được kêu gọi tạo ra một nhóm các mục có thể phù hợp với một đặc điểm tính cách cụ thể - ví dụ: “Tôi thích dự tiệc” như một thước đo về sự hướng ngoại. Nhóm đó tạo cơ sở cho việc tạo quy mô, được quản lý và thử nghiệm trước khi triển khai.
Trong khuôn khổ của Hernandez, một mô hình ngôn ngữ dựa trên biến áp tạo ra nhóm vật phẩm dựa trên trí tuệ nhân tạo (AI-IP), bao gồm một triệu vật phẩm mới — nhiều hơn bất kỳ nhóm chuyên gia nào có thể tạo ra. Các mô hình xử lý ngôn ngữ bổ sung thu hẹp nhóm thành các mục có liên quan nhất đến cấu trúc mong muốn, chẳng hạn như hướng ngoại.
vny