دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات62
تعداد شماره‌ها2,323
تعداد مقالات19,157
تعداد مشاهده مقاله61,592,371
تعداد دریافت فایل اصل مقاله31,233,252
موسوی, میناسادات, رستگار, عباسعلی, شفیعی نیکآبادی, محسن. (1404). هوش مصنوعی در مدیریت منابع انسانی با رویکرد مثبت‌گرا: چارچوبی برای شکوفایی کارکنان. سامانه مدیریت نشریات علمی, 14(54), 175-216. doi: 10.22054/ims.2025.86244.2626
میناسادات موسوی; عباسعلی رستگار; محسن شفیعی نیکآبادی. "هوش مصنوعی در مدیریت منابع انسانی با رویکرد مثبت‌گرا: چارچوبی برای شکوفایی کارکنان". سامانه مدیریت نشریات علمی, 14, 54, 1404, 175-216. doi: 10.22054/ims.2025.86244.2626
موسوی, میناسادات, رستگار, عباسعلی, شفیعی نیکآبادی, محسن. (1404). 'هوش مصنوعی در مدیریت منابع انسانی با رویکرد مثبت‌گرا: چارچوبی برای شکوفایی کارکنان', سامانه مدیریت نشریات علمی, 14(54), pp. 175-216. doi: 10.22054/ims.2025.86244.2626
موسوی, میناسادات, رستگار, عباسعلی, شفیعی نیکآبادی, محسن. هوش مصنوعی در مدیریت منابع انسانی با رویکرد مثبت‌گرا: چارچوبی برای شکوفایی کارکنان. سامانه مدیریت نشریات علمی, 1404; 14(54): 175-216. doi: 10.22054/ims.2025.86244.2626

هوش مصنوعی در مدیریت منابع انسانی با رویکرد مثبت‌گرا: چارچوبی برای شکوفایی کارکنان

مطالعات مدیریت کسب و کار هوشمند
مقاله 5، دوره 14، شماره 54، دی 1404، صفحه 175-216    اصل مقاله (1.56 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/ims.2025.86244.2626
نویسندگان
میناسادات موسوی1؛ عباسعلی رستگار* 2؛ محسن شفیعی نیکآبادی3
1دانشجوی دکتری دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
2استاد و عضو هیئت علمی دانشکده اقتصاد، مدیریت و علوم اداری دانشگاه سمنان، سمنان، ایران نویسنده مسئول: a_rastgar@semnan.ac.ir
3استاد و عضو هیئت علمی دانشکده اقتصاد، مدیریت و علوم اداری دانشگاه سمنان، سمنان، ایران
چکیده
هدف:این پژوهش با هدف تبیین سازوکارهای اثرگذاری هوش مصنوعی بر مدیریت منابع انسانی با رویکرد مثبت‌گرا و ارائه چارچوبی سلسله‌مراتبی برای ارتقای شکوفایی کارکنان انجام شد.
روش:مطالعه کاربردی-توسعه‌ای با رویکرد آمیخته است. جامعه آماری شامل ۱۵ خبره حوزه هوش مصنوعی و منابع انسانی بود که با نمونه‌گیری هدفمند انتخاب شدند. داده‌ها با مصاحبه نیمه‌ساختاریافته و ابزار راهنمای مصاحبه گردآوری شد. تحلیل مضمون و مدلسازی ساختاری–تفسیری برای تحلیل داده‌ها به کار رفت.
یافته‌ها: چارچوب پنج‌لایه‌ای شامل پیشران‌های راهبردی، توانمندسازهای فناورانه، سازه‌های روان‌شناختی مثبت، فرایندهای یادگیری و پیامدهای سازمانی طراحی شد. این چارچوب نشان می‌دهد که موفقیت بهره‌گیری از هوش مصنوعی نیازمند ادغام ابعاد فناورانه، عدالت الگوریتمی و حمایت روان‌شناختی کارکنان است.
نوآوری: این پژوهش با ارائه مدلی جامع که ابعاد راهبردی، فناورانه و روان‌شناختی را هم‌افزا می‌کند، خلأ موجود در ادبیات مدیریت منابع انسانی هوشمند را پر می‌کند.
نتیجه‌گیری: استقرار فناوری هوش مصنوعی به تنهایی کافی نیست و باید با تقویت زیرساخت‌های راهبردی، حاکمیت داده و حمایت روان‌شناختی کارکنان همراه شود تا شکوفایی انسانی و بهره‌وری سازمانی همزمان تحقق یابد. این چارچوب می‌تواند راهنمایی کاربردی برای مدیران و پایه‌ای برای مطالعات آینده باشد.
کلیدواژه‌ها
هوش مصنوعی و مدیریت منابع انسانی؛ سرمایه روان‌شناختی؛ عدالت الگوریتمی؛ نگهداشت استعداد؛ مسیر پیشرفت شغلی
مراجع
  1. احمدی، س. (۱۴۰۲). تحلیل ادراک کارکنان از سامانه‌های هوش‌مصنوعی در مدیریت منابع انسانی. فصلنامه مدیریت منابع انسانی نوین، ۱۵ (۲)، ۳۵–۵۸.
  2. بیدختی، م.، رضوانی، ر. و قنواتی، س. (۱۴۰۱). بررسی تطبیقی پیامدهای استقرار هوش‌مصنوعی در عملکرد منابع انسانی. پژوهش‌های نوین در مدیریت، ۲۱ (۴)، ۸۹–۱۰۸.
  3. صادقی، م. (۱۴۰۳). نقش حمایت از خودمختاری در کاهش استرس فناورانه و پذیرش فناوری‌های نوین. مجله روانشناسی کاربردی، ۱۸ (۱)، ۲۵–۴۷.
 

References

  1. Abbasi, A., Shirazi, B., & Mohamadi, S. (2024). A multilevel model for organizational productivity management: an interpretive structural modeling approach. International Journal of Productivity and Performance Management, 73(10), 3363-3387.
  2. Ahmad, N. R., Naseer, A., Chishti, M. A., & Gul, H. (2025). Psychological impacts of AI dependence: Assessing the cognitive and emotional costs of intelligent systems in daily life. Review of Applied Management and Social Sciences, 8(2), 45–62.
  3. Ahmad, R., Saleem, S., & Hussain, S. (2025). Ethical and Legal Challenges of Artificial Intelligence: Implications for Human Right. Journal of Law, Society and Policy Review, 2(01), 10-25.
  4. Ahmadi, S. (2023). Analysis of employee perceptions of artificial intelligence systems in human resource management. Journal of Modern Human Resource Management, 15(2), 35–58.
  5. Akinrinola, O., Okoye, C. C., Ofodile, O. C., & Ugochukwu, C. E. (2024). Navigating and reviewing ethical dilemmas in AI development: Strategies for transparency, fairness, and accountability. GSC Advanced Research and Reviews, 18(3), 050-058.
  6. Alawamleh, M., Al-Twal, A., Lahlouh, L., & Jame, R. O. (2023). Interpretive structural modelling of organizational innovation factors: An emerging market perspective. Journal of Open Innovation: Technology, Market, and Complexity, 9(2), 100067.
  7. Al-Faouri, E. H., Abu Huson, Y., Aljawarneh, N. M., & Alqmool, T. J. (2024). The role of smart human resource management in the relationship between technology application and innovation performance. Sustainability, 16(11), 4747.
  8. Almeida, F., Junça Silva, A., Lopes, S. L., & Braz, I. (2025). Understanding recruiters’ acceptance of artificial intelligence: Insights from the Technology Acceptance Model. Applied Sciences, 15(2), 746.
  9. Ardeshiry, H., Kamali, E., Rostami, A., & Safari Gerayli, M. (2024). Designing a model of smart financial monitoring in public sector accounting: Using the interpretive structural modeling (ISM). International Journal of Nonlinear Analysis and Applications, 15(7), 17-28.
  10. Arslan, A., Cooper, C., Khan, Z., Golgeci, I., & Ali, I. (2022). Artificial intelligence and human workers interaction at team level: a conceptual assessment of the challenges and potential HRM strategies. International Journal of Manpower, 43(1), 75-88.
  11. Audretsch, D. B., & Kariv, D. (2025). Emotional resources and knowledge management: a gender perspective on human-centric innovation amidst crises. Journal of Knowledge Management.
  12. Bahari Sejahrood, M. A., Khozain, A., Gorganli Doji, J., & Naderian, A. (2023). Provide a model of auditors' professional ethics behaviour with emphasis on ethical climate using interpretive structural modelling from the professional experts’ perspective. International Journal of Nonlinear Analysis and Applications, 14(1), 1509-1523.
  13. Bidokhti, M., Rezvani, R., & Ghavani, S. (2022). A comparative study of the outcomes of artificial intelligence implementation in human resource performance. New Research in Management, 21(4), 89–108.
  14. Brynjolfsson, E., & Mitchell, T. (2024, November 22). Artificial intelligence and the future of work [Report]. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/news/qa-ai-and-the-future-of-work-with-erik-brynjolfsson-and-tom-mitchell/
  15. Budhwar, P., Malik, A., De Silva, M. T., & Thevisuthan, P. (2022). Artificial intelligence–challenges and opportunities for international HRM: a review and research agenda. The InTernaTIonal Journal of human resource managemenT, 33(6), 1065-1097.
  16. Bulińska-Stangrecka, H., & Bagieńska, A. (2019). HR practices for supporting interpersonal trust and its consequences for team collaboration and innovation. Sustainability, 11(16), 4423.
  17. CBE, L. C. J. (2023). The Westminster Parliament’s impact on UK AI strategy. Missing Links in AI Governance, 191.
  18. Chaffin, T. D., Luthans, B. C., & Luthans, K. W. (2023). Integrity, positive psychological capital and academic performance. Journal of Management Development, 42(2), 93-105.
  19. Cristello Sarteau, A., Muthukkumar, R., Smith, C., Busby‐Whitehead, J., Lich, K. H., Pratley, R. E., ... & Kahkoska, A. R. (2024). Supporting the ‘lived expertise’of older adults with type 1 diabetes: an applied focus group analysis to characterize barriers, facilitators, and strategies for self‐management in a growing and understudied population. Diabetic Medicine, 41(1), e15156.
  20. Das, S. S., Kiron, K. K. R., & Pramod, V. R. (2024). Interpretive Structural Modeling (ISM): A literature review.
  21. (2025). Deloitte Global Gen Z and Millennial Survey 2025.
  22. Dlamini, S. (2023). Artificial Intelligence in Human Resource Management: Advanced Computing Systems for Talent Analytics and Decision Making. Journal of Advanced Computing Systems, 3(12), 10-17.
  23. Edwards, M. R., Zubielevitch, E., Okimoto, T., Parker, S., & Anseel, F. (2024). Managerial control or feedback provision: How perceptions of algorithmic HR systems shape employee motivation, behavior, and well‐being. Human Resource Management, 63(4), 691-710.
  24. Farinha, J., & Pina, M. D. F. A. (2025). The Impact of Positive Leadership on Employee Engagement, Productivity, and Talent Retention in the Era of Artificial Intelligence. In Approaching Employee Experience Management With Data Science (pp. 197-222). IGI Global Scientific Publishing.
  25. Frederick, C., & Ryan, R. M. (2023). The Energy behind Human 10 Flourishing: Theory and. The Oxford handbook of self-determination theory, 215.
  26. Ghany, P. D. M. A. (2022). Explaining the effect of Organizational Justice on Job Satisfaction and Work Performance. International Journal of Social Science and Human Research, 5(12), 5758-5809.
  27. Ghasemaghaei, M., & Kordzadeh, N. (2024). Understanding how algorithmic injustice leads to making discriminatory decisions: An obedience to authority perspective. Information & Management, 61(2), 103921.
  28. Hakami, E., & Hernandez-Leo, D. (2021, April). Investigating the Well-being Impacts of Educational Technologies Supported by Learning Analytics: An application of the initial phase of IEEE P7010 recommended practice to a set of cases. In LAK21: 11th international learning analytics and knowledge conference (pp. 269-279).
  29. Hassan, Z. Y. (2025). AI-Driven Horizons: Shaping the Future of Global Quality Assurance in Higher Education. AI and Ethics, Academic Integrity and the Future of Quality Assurance in Higher Education, 105.
  30. Hennink, M., & Kaiser, B. N. (2022). Sample sizes for saturation in qualitative research: A systematic review of empirical tests. Social science & medicine, 292, 114523.
  31. Hew, K. F., Huang, W., Du, J., & Jia, C. (2023). Using chatbots to support student goal setting and social presence in fully online activities: Learner engagement and perceptions. Journal of Computing in Higher Education, 35(1), 40-68.
  32. Howard, R., Restrepo, L., & Chang, C. Y. (2017). Addressing individual perceptions: An application of the unified theory of acceptance and use of technology to building information modelling. International Journal of Project Management, 35(2), 107-120.
  33. Jafri, S., Upreti, S., Saiyad, F. B. J., Madhukar, K. S., Chaturvedi, V. M., & Divakaran, P. (2024, March). Effectiveness of artificial intelligence for enhancing decision-making process of recruitment in HRM process. In 2024 IEEE International Conference on Contemporary Computing and Communications (InC4) (Vol. 1, pp. 1-6). IEEE.
  34. Kellerman, G. R., & Seligman, M. E. (2023). Tomorrowmind: Thriving at work with resilience, creativity, and connection—now and in an uncertain future. Simon and Schuster.
  35. Kim, H. N., Freddolino, P. P., & Greenhow, C. (2023). Older adults’ technology anxiety as a barrier to digital inclusion: a scoping review. Educational Gerontology, 49(12), 1021-1038.
  36. Mahdikhani, M., & Yazdani, B. (2020). Transformational leadership and service quality in e-commerce businesses: The role of trust and team performance. International Journal of Law and Management, 62(1), 23-46.
  37. Marjanovic, O., Cecez-Kecmanovic, D., & Vidgen, R. (2022). Theorising algorithmic justice. European Journal of Information Systems, 31(3), 269-287.
  38. McKinsey & Company. (2025, March). The state of AI: Global survey.
  39. Mir, U. B., Sharma, S., Kar, A. K., & Gupta, M. P. (2020). Critical success factors for integrating artificial intelligence and robotics. Digital Policy, Regulation and Governance, 22(4), 307-331.
  40. Nakao, Y., Strappelli, L., Stumpf, S., Naseer, A., Regoli, D., & Gamba, G. D. (2023). Towards responsible AI: A design space exploration of human-centered artificial intelligence user interfaces to investigate fairness. International Journal of Human–Computer Interaction, 39(9), 1762-1788.
  41. Naz, N., Gulab, F., & Aslam, M. (2022). Development of qualitative semi-structured interview guide for case study research.
  42. Paroli, P. (2025). Exploring the Role of Psychology in Strategic Human Resource Management: A Qualitative Perspective with Literature Review. Golden Ratio of Human Resource Management, 5(1), 71-82.
  43. Pilotti, L. (2024). The Emergent Smart Organisation with Emotional Potentials as Source of Creativity and Collaborative Intelligence in Responsible Companies: Well-being, Participation, Resilience and Spirituality over Competences for Possible Happiness. In Place Based Approaches to Sustainability Volume II: Business, Economic, and Social Models (pp. 229-247). Cham: Springer Nature Switzerland.
  44. Pooja, L., & Sareen, P. J. (2025). Optimizing Workplace Happiness: Integrating Artificial Intelligence for Employee Well-Being. In AI for Large Scale Communication Networks (pp. 241-264). IGI Global.
References [in Persian]

  1. Rodgers, W., Murray, J. M., Stefanidis, A., Degbey, W. Y., & Tarba, S. Y. (2023). An artificial intelligence algorithmic approach to ethical decision-making in human resource management processes. Human resource management review, 33(1), 100925.
  2. Sadeghi, M. (2024). The role of autonomy support in reducing technological stress and adopting new technologies. Journal of Applied Psychology, 18(1), 25–47.
  3. Sadeghi, S. (2024). Employee Well-being in the Age of AI: Perceptions, Concerns, Behaviors, and Outcomes. arXiv preprint arXiv:2412.04796.
  4. Schiff, D., Ayesh, A., Musikanski, L., & Havens, J. C. (2020, October). IEEE 7010: A new standard for assessing the well-being implications of artificial intelligence. In 2020 IEEE international conference on systems, man, and cybernetics (SMC) (pp. 2746-2753). Ieee.
  5. Segkouli, S., Giakoumis, D., Votis, K., Triantafyllidis, A., Paliokas, I., & Tzovaras, D. (2023). Smart Workplaces for older adults: Coping ‘ethically’with technology pervasiveness. Universal Access in the Information Society, 22(1), 37-49.
  6. Smith, A., van Wagoner, H. P., Keplinger, K., & Celebi, C. (2025). Navigating AI Convergence in Human–Artificial Intelligence Teams: A Signaling Theory Approach. Journal of Organizational Behavior.
  7. Spitko, E. G. (2024). Workplace AI and Human Flourishing. L. Rev., 57, 231.
  8. Stănescu, D. F., Frunzaru, V., & Stefanita, O. (2024). Self-regulated learning, self-efficacy and life-long learning: the mediating role of future orientation. Kybernetes.
  9. Tandon, A., Dhir, A., Malik, A., Budhwar, P., & Kaur, P. (2025). Exploring the duality of perceptions: Insights into uncertainties, aversion and appreciation towards algorithmic HRM. Human Resource Management, 64(2), 583-616.
  10. Thakur, R. A., Talukdar, M., Iyer, S., Liu, L. C., Chen, C. L., & Singh, A. (2025). AI and Employee Well-Being: Assessing the Ethical Implications of AI-Driven Human Resource Practices in Indian Universities. Journal of Ecohumanism, 4(1), 2338-2351.
  11. Uppal, A., Awasthi, Y., & Srivastava, A. (2024). Machine learningbased approaches for enhancing human resource management using automated employee performance prediction systems. International Journal of Organizational Analysis.
  12. Vargas, G. B., Gomes, J. D. O., & Vargas Vallejos, R. (2024). A framework for the prioritization of industry 4.0 and lean manufacturing technologies based on network theory. Journal of Manufacturing Technology Management, 35(1), 95-118.
  13. 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.
  14. 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.
  15. 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.
  16. Warfield, J. N. (2010). Developing subsystem matrices in structural modeling. IEEE Transactions on Systems, Man, and Cybernetics, (1), 74-80.
  17. Weber, R. (2021). Constructs and Indicators: An Ontological Analysis. MIS Quarterly, 45(4).
 

‌

 

 

 

‌ ‌استناد به این مقاله: موسوی، میناسادات.، رستگار، عباسعلی.، شفیعی نیک‌آبادی، محسن. (1404). هوش‌مصنوعی در مدیریت منابع انسانی با رویکرد مثبت‌گرا: چارچوبی برای شکوفایی کارکنان، مطالعات مدیریت کسب وکار هوشمند، 14(54)، 175-216. DOI: 10.22054/ims.2025.86244.2626

 Journal of Business Intelligence Management Studies is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License..

آمار
تعداد مشاهده مقاله: 1,351
تعداد دریافت فایل اصل مقاله: 659


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب
login