انتشارات دانشگاه تهران مدیریت دولتی 2008-5877 18 3 2026 09 23 Strategies for Mitigating Cognitive Bias in the Application of Artificial Intelligence to Human Resource Recruitment and Selection راه‌کارهای کاهش سوگیری شناختی در به‌‌کارگیری هوش مصنوعی، به‌منظور جذب و استخدام منابع انسانی 697 725 108868 10.22059/jipa.2026.417273.3944 FA محمد باشکوه اجیرلو استاد، گروه مدیریت بازرگانی، دانشگاه محقق اردبیلی، اردبیل، ایران. 0000-0003-0367-3916 مهری مقامی دولت آباد دانشجوی دکتری، گروه مدیریت بازرگانی، دانشگاه محقق اردبیلی، اردبیل، ایران. 0009-0006-7150-2253 بهمن خداپناه استادیار، گروه مدیریت بازرگانی، دانشگاه محقق اردبیلی، اردبیل، ایران. 0009-0001-6682-3179 Journal Article 2026 06 24 ObjectiveThis study sought to identify and explain strategies for mitigating cognitive bias in the application of artificial intelligence (AI) to human resource recruitment and selection. As intelligent systems have become more prevalent in human resource management, algorithms are increasingly used to screen résumés, analyze competencies, rank candidates, and support hiring decisions. When properly designed and used, such systems can improve the speed, consistency, and traceability of decisions. Yet their reliance on historical data, proxy variables, ambiguous criteria, and biased human judgments carries the risk of reproducing or even intensifying existing inequalities. In addition, the cognitive biases of decision-makers, in selecting data, interpreting model outputs, and endorsing algorithmic recommendations, can undermine the fairness of the recruitment process. Accordingly, the central problem addressed by this study was to identify the human, data-related, algorithmic, and organizational mechanisms for reducing cognitive bias in AI-based recruitment.MethodsThe study adopted a qualitative approach and used thematic analysis. Data were gathered through 12 in-depth, semi-structured interviews with human resource experts, technology specialists, and individuals familiar with the design or use of intelligent systems in Iranian organizations. Participants were selected through purposive sampling, and interviews continued until theoretical saturation was reached. After the interviews were transcribed, the data were examined repeatedly to identify meaningful units related to the sources, manifestations, and strategies for controlling bias. The analysis proceeded through initial coding, extraction of basic themes, comparison and consolidation of similar codes, organization of themes, and formation of overarching (global) themes, and was carried out using MAXQDA version 20. To strengthen the credibility of the analysis, codes were reviewed continuously, raw data were revisited, participants’ perspectives were compared, and coherence between themes was examined. This process ultimately yielded 130 basic themes, 18 organizing themes, and 6 global themes.ResultsThe final thematic structure indicated that strategies for mitigating cognitive bias in intelligent recruitment can be explained along six main dimensions: integrating interactive human–system decision-making; standardizing human-centered assessment processes; ensuring the transparency and explainability of intelligent systems; algorithmic monitoring and validation; identifying and quantitatively reducing data bias; and establishing ethical and operational protocols for intelligent systems. The findings indicate that human intervention reduces bias only when the human role extends beyond the formal approval of algorithmic recommendations to include critical evaluation of outputs, the possibility of reviewing decisions, documented justification for accepting or rejecting recommendations, and ultimate accountability. Standardizing competency indicators, training and cognitively retraining evaluators, ensuring the quality and representativeness of recruitment data, assessing differences in outcomes across applicant groups, continuously monitoring model performance, and conducting independent audits were likewise recognized as effective measures. Explainability of the system’s decision logic and the provision of mechanisms for applicant appeals also reinforce the trustworthiness and accountability of the process.ConclusionBias in AI-based recruitment and selection is a multidimensional phenomenon that arises from the entanglement of humans, data, algorithms, and organizational structures. Its management, therefore, cannot be achieved through technical model refinement alone or by simply removing sensitive variables; rather, it calls for a sociomaterial approach that analyzes humans and technology within an interactive, decision-making network. Establishing meaningful human oversight, standardizing judgments, improving data quality, ensuring system transparency and validation, conducting periodic audits, and developing ethical and operational protocols can enhance recruitment fairness, applicant trust, and organizational accountability, thereby laying the groundwork for responsible AI governance in Iranian human resource management. هدف: پژوهش حاضر با هدف شناسایی و تبیین راه‌کارهای کاهش سوگیری شناختی برای به‌کارگیری هوش مصنوعی در فرایند جذب و استخدام منابع انسانی انجام شد. گسترش کاربرد سامانه‌های هوشمند در مدیریت منابع انسانی، استفاده از الگوریتم‌ها را در غربالگری رزومه‌ها، تحلیل شایستگی‌ها، رتبه‌بندی متقاضیان و پشتیبانی از تصمیم‌های استخدامی افزایش داده است. این سامانه‌ها در صورت طراحی و استفادۀ مناسب می‌توانند سرعت، یکپارچگی و قابلیت پیگیری تصمیم‌ها را ارتقا دهند؛ با این‌حال، اتکای آن‌ها به داده‌های تاریخی، شاخص‌های جانشین، معیارهای مبهم و قضاوت‌های انسانی سوگیرانه، خطر بازتولید یا تشدید نابرابری‌ها را به همراه دارد. افزون‌براین، سوگیری‌های شناختی تصمیم‌گیران در انتخاب داده‌ها، تفسیر خروجی‌های مدل و تأیید توصیه‌های الگوریتمی، می‌تواند عدالت فرایند استخدام را مخدوش کند. از این ‌رو، مسئلۀ اصلی پژوهش، شناسایی سازوکارهای انسانی، داده‌ای، الگوریتمی و سازمانی برای کاهش سوگیری شناختی در استخدام مبتنی‌بر هوش مصنوعی بود.روش: پژوهش با رویکرد کیفی و روش تحلیل مضمون انجام شد. داده‌ها از طریق ۱۲ مصاحبه عمیق نیمه‌ساختاریافته با خبرگان منابع انسانی، متخصصان فناوری و افراد آشنا با طراحی یا به‌کارگیری سامانه‌های هوشمند در سازمان‌های ایرانی گردآوری شد. مشارکت‌کنندگان با نمونه‌گیری هدفمند انتخاب شدند و مصاحبه‌ها تا دستیابی به اشباع نظری ادامه یافت. پس از پیاده‌سازی مصاحبه‌ها، داده‌ها بارها مطالعه و واحدهای معنایی مرتبط با منشأها، نمودها و راه‌کارهای کنترل سوگیری شناسایی شد. سپس، کدگذاری اولیه، استخراج مضامین پایه، مقایسه و ادغام کدهای مشابه، سازمان‌دهی مضامین و شکل‌دهی مضامین فراگیر انجام گرفت. تحلیل داده‌ها با نرم‌افزار مکس‌کیودا نسخۀ ۲۰ انجام شد. به‌منظور تقویت اعتبار تحلیل، بازبینی مستمر کدها، رجوع مکرر به داده‌های خام، مقایسه دیدگاه مشارکت‌کنندگان و بررسی انسجام میان مضامین صورت گرفت. برایند فرایند تحلیل به استخراج ۱۳۰ مضمون پایه، ۱۸ مضمون سازمان‌دهنده و ۶ مضمون فراگیر منتهی شد.یافته‌ها: ساختار نهایی مضامین نشان داد که راه‌کارهای کاهش سوگیری شناختی در استخدام هوشمند، در شش محور اصلی ‌تبیین می‌شود: یکپارچه‌سازی تصمیم‌گیری تعاملی انسان و سامانه‌های هوشمند، استانداردسازی فرایندهای ارزیابی انسان‌محور، شفافیت و توضیح‌پذیری سامانه‌های هوشمند، نظارت و اعتبارسنجی الگوریتمی، شناسایی و کاهش کمّی سوگیری‌های داده‌ای و استقرار پروتکل‌های اخلاقی و عملیاتی سامانه‌های هوشمند. یافته‌ها بیانگر آن است که مداخلۀ انسانی تنها زمانی به کاهش سوگیری منجر می‌شود که نقش انسان به تأیید صوری پیشنهاد الگوریتم محدود نشود، بلکه شامل ارزیابی انتقادی خروجی، امکان بازبینی تصمیم، ثبت مستند دلایل رد یا پذیرش و پذیرش مسئولیت نهایی باشد. همچنین، استانداردسازی شاخص‌های شایستگی، آموزش و بازآموزی شناختی ارزیابان، کنترل کیفیت و نمایندگی داده‌های استخدامی، سنجش تفاوت نتایج میان گروه‌های متقاضی، پایش مستمر عملکرد مدل و ممیزی مستقل، از اقدامات مؤثر شناخته شد. توضیح‌پذیری منطق تصمیم سامانه و پیش‌بینی سازوکار اعتراض متقاضیان نیز اعتمادپذیری و پاسخ‌گویی فرایند را تقویت می‌کند.نتیجه‌گیری: سوگیری در جذب و استخدام مبتنی‌بر هوش مصنوعی، پدیده‌ای چندبُعدی است که از درهم‌تنیدگی انسان، داده، الگوریتم و ساختارهای سازمانی پدید می‌آید. بنابراین، مدیریت آن فقط با اصلاح فنی مدل یا حذف متغیرهای حساس محقق نمی‌شود، بلکه به رویکردی جامعۀ مادی نیاز دارد که انسان و فناوری را در شبکه‌ای تعاملی و تصمیم‌ساز تحلیل کند. استقرار کنترل انسانی معنادار، استانداردسازی قضاوت‌ها، ارتقای کیفیت داده‌ها، شفافیت و اعتبارسنجی سامانه‌ها، ممیزی دوره‌ای و تدوین پروتکل‌های اخلاقی و عملیاتی، می‌تواند عدالت استخدامی، اعتماد متقاضیان و پاسخ‌گویی سازمانی را ارتقا دهد و زمینۀ حکمرانی مسئولانه هوش مصنوعی در مدیریت منابع انسانی ایران را فراهم سازد. https://jipa.ut.ac.ir/article_108868_086ee121fcc973f97e5fcfecfc4f2dad.pdf