Журнал «Труды Института системного анализа Российской академии наук» - И.Ф. Кузьминов, В.А. Игнатова "Репутационная система кадрового обеспечения комплексных проектов сотрудничества КНР-РФ"

В статье предлагается концепция репутационной организационно-технической системы, направленной на обеспечение кадрового взаимодействия между Российской Федерацией и Китайской Народной Республикой для поддержки инвестиционного, промышленного и инновационно-технологического сотрудничества. Рассматриваются проблемы кадрового обеспечения, включая недостаточную структурированность данных, отсутствие механизмов валидации компетенций и информационный шум, что делает современные платформы малопригодными для поиска узкоспециализированных экспертов. Предложенная система ориентирована на комбинацию современных технологий и ручного кураторства данных, а также на интеграцию государственных механизмов аккредитации и верификации. Она нацелена на устранение языковых, культурных и информационных барьеров между рынками труда РФ и КНР, а также на создание единого инструмента для подбора высококлассных экспертов с уникальными компетенциями, для реализации сложных международных проектов.

Полная версия статьи в формате pdf.

Стр. 37-47.

Литература

1. Панова Е.А. Влияние цифровизации на корпоративную кадровую политику // Проблемы управления и экономики. 2023. № 3. С. 45–50.

2. Асриянц К.Г., Магомедов О.А., Асриянц Д.В. Цифровые технологии в процессе реализации кадровой политики // Прикладные экономические исследования. 2023. №2. С. 75-79. URL: https://cyberleninka.ru/article/n/tsifrovyetehnologii-v-protsesse-realizatsii-kadrovoypolitiki (дата обращения: 24.12.2024).

3. Yamashita M., Tran T., Lee D. Fake Resume Attacks: Data Poisoning on Online Job Platforms // Proceedings of the ACM on Web Conference 2024. 2024. P. 1734–1745.

4. Nocker M., Sena V. Big data and human resources management: The rise of talent analytics // Social Sciences. 2019. Vol. 8. No. 10. P. 273.

5. Ayoobi N., Shahriar S., Mukherjee A. The looming threat of fake and LLM-generated LinkedIn profiles: Challenges and opportunities for detection and prevention // Proceedings of the 34th ACM Conference on Hypertext and Social Media. 2023. P. 1–10.

6. Rathee R., Bhuntel R. Benefits, challenges, and impact of E-recruitment // VSRD International Journal of Business and Management Research. 2017. Vol. 7. P. 32–38.

7. Maree M., Kmail A. B., Belkhatir M. Analysis and shortcomings of e-recruitment systems: Towards a semantics-based approach addressing knowledge incompleteness and limited domain coverage //Journal of Information Science. 2019. Vol. 45. No.6. P. 713–735.

8. McGinty N.A., Lylova E.V. Transformation of the HR management in modern organizations // Proceedings of the 1st International Conference on Emerging Trends and Challenges in the Management Theory and Practice (ETCMTP 2019). Atlantis Press. 2020. P. 18–21.

9. Tennant J.P. Web of Science and Scopus are not global databases of knowledge // European Science Editing. 2020. Vol. 46. P. e51987.

10. Decorte J.J., Van Hautte J., Develder C., Demeester T. On the Biased Assessment of Expert Finding Systems // arXiv preprint arXiv:2410.05018. 2024.

11. Пономарев Н.М., Иванова Н.И. Научно-техническое сотрудничество Российской Федерации и Китая // Российский внешнеэкономический вестник. 2024. №5. С. 86–92.

12. Мосейчук М.А., Абдухалилов О.С., Петроченко Е.Б. Процессы цифровизации экономики в Китае и России: влияние на рынок труда // ББК 65 Т78. 2023. С. 34.

13. Юмин Л., Скурко Е.В. От «языкового барьера» к «языковому мосту»: основы правовой политики развития международного сотрудничества в сфере науки, культуры, образования Китая и России // Правовая политика и правовая жизнь. 2020. №3. С. 28–35.

14. Smith H.A., McKeen J.D. Developments in practice XXX: master data management: salvation or snake oil? // Communications of the Association for Information Systems. 2008. Vol. 23. No. 1. P. 4.

15. Bhadani A.K., Jothimani D. Big data: challenges, opportunities, and realities // Effective Big Data Management and Opportunities for Implementation. 2016. P. 1–24.

16. Venugopalan S., Narayanaswamy A., Yang S., Geraschenko A., Lipnick S., Makhortova N., Berndl M. It’s easy to fool yourself: Case studies on identifying bias and confounding in biomedical datasets // arXiv preprint arXiv:1912.07661. 2019.

17. Gándara D., Anahideh H., Ison M.P., Picchiarini L. Inside the Black Box: Detecting and Mitigating Algorithmic Bias Across Racialized Groups in College Student-Success Prediction // AERA Open. 2024. Vol. 10. P. 23328584241258741.

18. Bhardwaj E., Gujral H., Wu S., Zogheib C., Maharaj T., Becker C. Machine learning data practices through a data curation lens: An evaluation framework // Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency. 2024. P. 1055–1067.

19. Qi G.J., Luo J. Small data challenges in big data era: A survey of recent progress on unsupervised and semi-supervised methods // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. Vol. 44. No. 4. P. 2168–2187.

20. Ravi A. If we didn’t solve small data in the past, how can we solve Big Data today? // arXiv preprint arXiv:2111.04442. 2021.

21. Inel O., Draws T., Aroyo L. Collect, measure, repeat: Reliability factors for responsible AI data collection // Proceedings of the AAAI Conference on Human Computation and Crowdsourcing. 2023. Vol. 11. No. 1. P. 51–64.

22. Parmiggiani E., Grisot M. Data curation as governance practice. 2020.