Identification of Characteristics of Employee’s Individual Human Capital with Data on Self-Reports of Professional Skills and Personal Characteristics

Cover Page

Cite item

Full Text

Abstract

In the field of recruitment and human resources management, the problem arises of automatization of the assessment process of the characteristics of human capital, taking into account, among other things, the personality characteristics of the employee. The article is devoted to the problem of identification of such characteristics that have the greatest contribution to some indicators of the effectiveness of an employee of an organization with self-reported data on professional skills and answers to questions–statements about various psychological aspects of personality. The general structure of the survey tools based on self-reports of employees is proposed, as well as the formalization of the proposed methods of data analysis. The cluster analysis was used for the identification of groups with similar professional skills. Special psychometric scales based on the questions–statements are selected and analyzed via the item response theory approach, giving the estimates of the latent variable, that reflects personal characteristics. At the final stage of the study, the relationship between the estimated factors (identified clusters and estimated latent variables) and the indicator of employee effectiveness was assessed. As such indicator, the fact of a managerial position was used. The proposed approach is a structure of a pilot study that allows to identify the characteristics of human capital (professional skills and personality traits) that have the greatest contribution to the performance indicators of an employee or organization, and is aimed at reducing labor costs at subsequent stages of a more detailed and targeted study. The possibilities of the proposed approach are demonstrated with data collected among state civil servants in Russia. The fact of having a managerial position is used as an indicator of effectiveness.

About the authors

V. F Stoliarova

St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)

Email: vfs@dscs.pro
14-th Line V.O. 39

T. V Tulupyeva

St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)

Email: tvt@dscs.pro
14-th Line V.O. 39

M. V Abramov

St. Petersburg Federal Research Center of the Russian Academy of Sciences (SPC RAS)

Email: mva@dscs.pro
14-th Line V.O. 39

V. B Salakhova

Center research security problems the RAS

Email: Valentina_naula@mail.ru
Garibaldi St. 21Б

References

  1. Dastile X., Celik T., Potsane M. Statistical and machine learning models in credit scoring: A systematic literature survey // Applied Soft Computing. 2020. vol. 91. pp. 106263.
  2. Djeundje V.B., Crook J., Calabrese R., Hamid M. Enhancing credit scoring with alternative data // Expert Systems with Applications. 2021. vol. 163. pp. 113766.
  3. Абрамов М.В., Тулупьева Т.В., Тулупьев А.Л. Социоинженерные атаки: социальные сети и оценки защищенности пользователей. СПб.: ГУАП, 2018. 266 с.
  4. Олисеенко В.Д., Абрамов М.В., Тулупьев А.Л., Иванов К.А. Прототип программного комплекса для анализа аккаунтов пользователей социальных сетей: веб-фреймворк Django // Программные продукты и системы. 2022. Т. 35. № 1. С. 45–53. doi: 10.15827/0236-235X.137.
  5. Khlobystova A., Korepanova A., Maksimov A., Tulupyeva T. An Approach to Quantification of Relationship Types between Users Based on the Frequency of Combinations of Non-numeric Evaluations // Proceedings of the Fourth International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’19). Advances in Intelligent Systems and Computing. 2020. vol. 1156. pp. 206—213.
  6. Kashevnik A., Karelskaya K., Repp M. Dangerous situations determination by smartphone in vehicle cabin: Classification and algorithms // 2019 24th Conference of Open Innovations Association (FRUCT). IEEE, 2019. С. 130–139.
  7. Shirmohammadi H., Hadadi F., Saeedian M. Clustering analysis of drivers based on behavioral characteristics regarding road safety // International Journal of Civil Engineering. 2019. vol. 17. no. 8. pp. 1327-1340.
  8. Wang X., Xu X. Assessing the relationship between self-reported driving behaviors and driver risk using a naturalistic driving study // Accident Analysis & Prevention. 2019. vol. 128. pp. 8–16.
  9. Boudreaux M.J., Ferrell B.T., Hundley N.A., Sherman R.A. A personality-based measure of employability // Journal of Personnel Psychology. 2022. vol. 21. no. 1. pp. 11–22.
  10. Sharma M., Luthra S., Joshi S., Kumar A. Analysing the impact of sustainable human resource management practices and industry 4.0 technologies adoption on employability skills // International Journal of Manpower. 2022. vol. 43. no. 2. pp. 463–485.
  11. Nicolaescu S.S., Florea A., Kifor C.V., Fiore U., Cocan N., Receu I., Zanetti P. Human capital evaluation in knowledge-based organizations based on big data analytics // Future Generation Computer Systems. 2020. vol. 111. pp. 654–667.
  12. Wright P.M., McMahan G.C. Exploring human capital: putting ‘human’back into strategic human resource management // Human resource management journal. 2012. vol. 21. no. 2. pp. 93–104.
  13. Fajaryati N., Akhyar M. The employability skills needed to face the demands of work in the future: Systematic literature reviews // Open Engineering. 2020. vol. 10. no. 1. pp. 595–603.
  14. Smaldone F., Ippolito A., Lagger J., Pellicano M. Employability skills: Profiling data scientists in the digital labour market // European Management Journal. 2022. vol. 40. no. 5, pp. 671-684.
  15. Ployhart R.E., Moliterno T.P. Emergence of the human capital resource: A multilevel model // Academy of management review. 2011. vol. 36. no. 1. pp. 127–150.
  16. Zhang Y., Xu S., Zhang L., Yang M. Big data and human resource management research: An integrative review and new directions for future research // Journal of Business Research. 2021. vol. 133. pp. 34–50.
  17. Liu J. Impact of enterprise human capital on technological innovation based on machine learning and SVM algorithm // Journal of Ambient Intelligence and Humanized Computing. 2021. pp. 1-13.
  18. Fleenor J.W., Taylor S., Chappelow C. Leveraging the impact of 360-degree feedback // Berrett-Koehler Publishers, Incorporated. 2020. 184 p.
  19. Эфендиев А.Г., Гоголева А.С., Пашкевич А.В., Балабанова Е.С. Ценностно–мотивационные основы и реальность трудовой жизни российских работников: проблемы и противоречия // Мир России. Социология. Этнология. 2020. 29(2). C. 108–133.
  20. Kassambara A. Practical guide to cluster analysis in R: Unsupervised machine learning // STHDA. 2017. 187 p.
  21. Forsman H., Jansson I., Leksell J., Lepp M., Sundin Andersson C., Engstrom M., Nilsson J. Clusters of competence: Relationship between self-reported professional competence and achievement on a national examination among graduating nursing students // Journal of Advanced Nursing. 2020. vol. 76. no. 1. pp. 199–208.
  22. Schmid M., Brianza E., Petko D. Self-reported technological pedagogical content knowledge (TPACK) of pre-service teachers in relation to digital technology use in lesson plans // Computers in Human Behavior. 2021. vol. 115. pp. 106586.
  23. Yang L., Sang-Bing T. Construction of a Hierarchical Neural Network Power Source Model for Human Capital Technology Innovation and Benefit Distribution with Big Data Analysis // Mathematical Problems in Engineering. 2021. vol. 2021. pp. 3939511.
  24. Li X., Zhang P. A research on value of individual human capital of high-tech enterprises based on the bp neural network algorithm // The 19th International Conference on Industrial Engineering and Engineering Management. Berlin: Springer, 2013. pp. 71-79.
  25. Baron A. Measuring human capital // Strategic HR Review. 2011. vol. 10. no 2. pp. 30–35.
  26. Гончарова Е.А., Рукин К.Н. Использование методики ассессмент-центра при оценке государственных гражданских служащих Липецкой области // Государственная служба. 2021. Т. 23. № 3(131). С. 24–32.
  27. Литвина С.А., Еварович С.А. Ассессмент-центр как технология оценки компетенций персонала в практике государственного управления: учебное пособие. Томск: Томский государственный университет, 2013. 104 с.
  28. Родионова Е.А. Психологические факторы эффективности сотрудников современного предприятия // Общество. Коммуникация. Образование. 2011. Т. 2. № 124. С. 109–114.
  29. Hennig C., Meila M., Murtagh F., Rocci R. (Eds.). Handbook of cluster analysis // CRC Press, 2015. 730 p.
  30. Schubert E., Rousseeuw P.J. Faster k–medoids clustering: improving the PAM, CLARA, and CLARANS algorithms // International conference on similarity search and applications. Springer, Cham. 2019. pp. 171–187.
  31. Hennig C. Dissolution point and isolation robustness: robustness criteria for general cluster analysis methods // Journal of Multivariate Analysis. 2009. vol. 99. pp. 1154–1176.
  32. Крокер Л., Алгина Д. Введение в классическую и современную теорию тестов. Учебник. М.:Логос, 2010. 668 с.
  33. Van der Linden W.J. Handbook of Item Response Theory, Volume One: Models. Chapman and Hall/CRC, 2016. 624 p.
  34. Van der Linden W.J. Handbook of Item Response Theory, Volume Three: Applications. Chapman and Hall/CRC, 2018. 608 p.
  35. Lang J.W., Tay L. The science and practice of item response theory in organizations // Annual Review of Organizational Psychology and Organizational Behavior. 2021. vol. 8. pp. 311–338.
  36. Cella D., Choi S.W., Condon D.M., Schalet B., Hays R.D., Rothrock N.E., Yount S., Cook K.F., Gershon R.C., Amtmann D., DeWalt D.A. PROMIS® adult health profiles: efficient short-form measures of seven health domains. Value in health. 2019. vol. 22. no. 5. pp. 537–544.
  37. De Jong M.G., Pieters R. Assessing sensitive consumer behavior using the item count response technique. Journal of Marketing Research. 2019. vol. 56. no. 3. pp. 345–360.
  38. Abele A.E., Spurk D. Volmer J. The construct of career success: measurement issues and an empirical example // ZAF. 2011. vol. 43. pp. 195–206.
  39. Hennig C. fpc: Flexible Procedures for Clustering. R package version 2.2-9. 2020. https://CRAN.R-project.org/package=fpc.
  40. Hogan R. Hogan development survey manual. Tulsa, OK: Hogan Assessment Systems, 2009. 199 p.
  41. Cattell R.B., Cattell H.E.P. Personality structure and the new fifth edition of the 16PF // Educational and Psychological Measurement. 1995. vol. 55. no. 6. pp. 926–937.
  42. Myers I.B. The Myers-Briggs Type Indicator: Manual. Consulting Psychologists Press, 1962. 110 p.
  43. Rizopoulo D. An R package for Latent Variable Modelling and Item Response Theory Analyses // Journal of Statistical Software. 2006. vol. 17. no. 5. pp. 1–25.
  44. Granovetter M. The strength of weak ties: A network theory revisited // Sociological theory. 1983. pp. 201–233.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».