مدیریت دولتی

مدیریت دولتی

راه‌کارهای کاهش سوگیری شناختی در به‌‌کارگیری هوش مصنوعی، به‌منظور جذب و استخدام منابع انسانی

نوع مقاله : مقاله علمی پژوهشی

نویسندگان
محمد باشکوه اجیرلو 1
مهری مقامی دولت آباد 2
بهمن خداپناه 3
1 استاد، گروه مدیریت بازرگانی، دانشگاه محقق اردبیلی، اردبیل، ایران.
2 دانشجوی دکتری، گروه مدیریت بازرگانی، دانشگاه محقق اردبیلی، اردبیل، ایران.
3 استادیار، گروه مدیریت بازرگانی، دانشگاه محقق اردبیلی، اردبیل، ایران.
10.22059/jipa.2026.417273.3944
چکیده
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.
کلیدواژه‌ها
استخدام هوشمند
تعامل انسان و هوش مصنوعی
سوگیری شناختی
منابع انسانی دیجیتال
موضوعات

عنوان مقاله English

Strategies for Mitigating Cognitive Bias in the Application of Artificial Intelligence to Human Resource Recruitment and Selection

نویسندگان English

Mohammad Bashokouh Ajirloo 1
Mehri Maghami Dolatabad 2
Bahman Khodapanah 3
1 Prof., Department of Business Management, University of Mohaghegh Ardabili, Ardabil, Iran.
2 PhD Candidate, Department of Business Management, University of Mohaghegh Ardabili, Ardabil, Iran.
3 Assistant Prof., Department of Business Management, University of Mohaghegh Ardabili, Ardabil, Iran.
چکیده English

Objective
This 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.
Methods
The 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.
Results
The 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.
Conclusion
Bias 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.

کلیدواژه‌ها English

Cognitive bias
Digital human resource management
Human-AI interaction
Intelligent recruitment
اعتمادی، محمد؛ چیت‌ساز، احسان؛ کوشکی، سحر و جعفری، سیدمحمدعلی (۱۴۰۳). هوش مصنوعی در مقابل روش‌های هدایت انسانی در ارزیابی استخدام منابع انسانی: فراترکیب. فصلنامۀ علمی مدیریت منابع انسانی پایدار، ۶(۱)، 191-214.
بذرکار، ادشیر؛ مرادزاد، مهرداد و شایگان، شادی (1402). تحلیل اثر عوامل تکنولوژیکی، سازمانی و محیطی بر به‌کارگیری هوش مصنوعی در فرایند جذب کارکنان. پژوهش‌های نوین در ارزیابی عملکرد، ۲(۱)، 52-32.
دهقانان، حامد؛ پورامینی، زهرا؛ یزدان‌شناس، مهدی و رئیسی‌ وانانی، ایمان (۱۴۰4). روش‌شناسی دلفی مبتنی‌بر هوش مصنوعی: رویکردی نوین در زاویه‌بندی پژوهش‌های مدیریتی. مدیریت دولتی، 17(4)، 963- 991.
رستگار، عباسعلی؛ ابراهیمی، سیدعباس؛ شفیعی ‌نیک‌آبادی، محسن و کلاهی، بهاره (۱۴۰۱). معماری منابع انسانی هوشمند: رویکردی ساختاری بر تحول دیجیتال شرکت‌های دانش‌بنیان. مدیریت دولتی، ۱۴(۲)، ۲۱۵–۲۳۴.
سرایی، سمیرا؛ صراف، فاطمه و حمیدیان، محسن (1403). مدل‌سازی خطاهای سوگیری بر تصمیم‌گیری مالی مدیران: یک نگرش چندسطحی. فصلنامه تحقیقات حسابداری و حسابرسی، 61، 45-66.
فضل‌طلب حمیدرضا و جمشیدی، فاطمه (1404). منابع انسانی الگوریتمی. نشریه علمی رویکردهای پژوهشی نوین مدیریت و حسابداری، 9(32)، 1443-1448.
قلی‌پور، آرین (۱۴۰۳). سخن سردبیر: مدل ارزیابی تعالی مدیریت منابع انسانی در بخش دولتی. مدیریت دولتی، ۱۶(۲)، ۲۸۲–۳۱۵.
محمدی، محمدجواد (۱۴۰۳). کاربرد الگوریتم‌های هوش مصنوعی در بهینه‌سازی فرایند استخدام شهرداری: مطالعه موردی. فصلنامه پژوهش‌های نوین در شهر هوشمند، ۳(۳)، 19-41.
مؤمنی، امیررضا؛ یعقوبی، نورمحمد.، روشن، سیدعلیقلی و پورعزت، علی اصغر (۱۴۰۵). طراحی الگوی پذیرش هوش مصنوعی در حکمرانی هوشمند با استفاده از رویکرد فراترکیب. مدیریت دولتی، ۱۸(۱)، ۲۶۳–۲۹۵.
 
References
Albaroudi, E., Mansouri, T. & Alameer, A. (2024). A comprehensive review of AI techniques for addressing algorithmic bias in job hiring. AI (Switzerland), 5(1), 383-404. https://doi.org/10.3390/ai5010019.
Barocas, S. & Selbst, A.D. (2016). Big data’s disparate impact. California Law Review, 104(3), 671-732. https://doi.org/10.15779/Z38BG31.
Bazrkar, A., Moradzad, M. & Shayegan, S. (2023). Analysis of the Effect of Technological, Organizational and Environmental Factors on the Use of Artificial Intelligence in the Recruitment Process of Employees. Modern Research in Performance Evaluation, 2(1), 32-52. https://doi.org/10.22105/mrpe.2023.174080. (in Persian)
Berthet, V. (2022). The cognitive mechanisms of human decision-making. Rationality and Society, 34(3), 290-323. https://doi.org/10.1177/10434631221109040
Berthet, V. (2022). The impact of cognitive biases on professionals’ decision‑making: A review of four occupational areas. Frontiers in Psychology, 12, 802439. https://doi.org/10.3389/fpsyg.2021.802439
Braun, V. & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101. https://doi.org/10.1191/1478088706qp063oa
Breaugh, J.A. (2013). Employee recruitment. Annual Review of Psychology, 64, 389-416. https://doi.org/10.1146/annurev-psych-113011-143757
Chen, L., Ma, R., Hannák, A. & Wilson, C. (2018). Investigating the impact of gender on rank in resume search engines. In R. Mandryk, M. Hancock, M. Perry & A. Cox (Eds.), Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems (pp. 1–14). ACM.https://doi.org/10.1145/3173574.3174225
Dehghanan, H., Pouramini, Z., Yazdanshenas, M. & Raeesi Vanani, I. (2025). AI-based Delphi methodology: A novel approach to triangulation in managerial research. Management of Government. https://jipa.ut.ac.ir/article_105475.html (in Persian)
Derous, E. & Ryan, A.M. (2019). When your resume is (not) turning you down: Modelling ethnic bias in resume screening. Human Resource Management Journal, 29(2), 113-130. https://doi.org/10.1111/1748-8583.12217.
Diefenhardt, A. (2025). Automating the managerial gaze: critical and genealogical notes on machine learning in personnel assessment. The International Journal of Human Resource Management, 36(14), 2516-2549.
Etemadi, M., Chitsaz, E., Koushki, S., Jafari, S.M. (2024). Artificial Intelligence (AI) vs. Human-Led Approaches in Human Resource Recruitment Assessment: A Meta-Synthesis of Advantages and Disadvantages. Journal of Sustainable Human Resource Management, 6(11), 191-214. Doi: 10.22080/shrm.2024.5100. (in Persian)
Fazltalab, H. & Jamshidi, F. (2024). Algorithmic human resources. Journal of New Research Approaches in Management and Accounting, 96, 1443-1448. https://majournal.ir/index.php/ma/article/view/3206. (in Persian)
Fischer, G. (2022). A research framework focused on AI and humans instead of AI versus humans. In B.R. Barricelli, G. Fischer, D. Fogli, A. Morch, A. Piccinno & S. Valtolina (Eds.), Proceedings of CoPDA2022 - Sixth International Workshop on Cultures of Participation in the Digital Age: AI for Humans or Humans for AI? (pp. 1-8). CEUR Workshop Proceedings. https://ceur-ws.org/Vol-3136/paper-1.pdf
Gholipour, A. (2024). Model for evaluating the excellence of human resource management in the public sector. Management of Government, 16(2), 282–315. https://jipa.ut.ac.ir/article_97893.html (in Persian)
Herbosch, M. (2025). To err is human: Managing the risks of contracting AI systems. Computer Law & Security Review, 56, 106110.https://doi.org/10.1016/j.clsr.2025.106110
Highhouse, S. (2008). Stubborn reliance on intuition and subjectivity in employee selection. Industrial and Organizational Psychology, 1(3), 333-342. https://doi.org/10.1111/j.1754-9434.2008.00058.x.
Hunkenschroer, A.L. & Lütge, C. (2022). Ethics of AI-enabled recruiting and selection: A review and research agenda. Journal of Business Ethics, 178(4), 977-1007. https://doi.org/10.1007/s10551-022-05049-6.
Köchling, A. & Wehner, M.C. (2020). Discriminated by an algorithm: a systematic review of discrimination and fairness by algorithmic decision-making in the context of HR recruitment and HR development. Business Research, 13(3), 795-848. https://doi.org/10.1007/s40685-020-00134-w
Kordzadeh, N. & Ghasemaghaei, M. (2021). Algorithmic bias: a path to realizing AI’s promised benefits? Journal of Business Analytics, 5(1), 104-123. https://doi.org/10.1080/2573234X.2021.1946633
Korteling, J.E. & Toet, A. (2021). Cognitive biases. In Handbook of Human Factors and Ergonomics (pp. 231-266). John Wiley & Sons: https://doi.org/10.1002/9781119636113.ch10
Lepri, B., Oliver, N., Letouzé, E., Pentland, A. & Vinck, P. (2018). Fair, transparent, and accountable algorithmic decision-making processes. Philosophy & Technology, 31, 611-627. https://doi.org/10.1007/s13347-017-0279-x
Marinucci, L., Mazzuca, C. & Gangemi, A. (2023). Exposing implicit biases and stereotypes in human and artificial intelligence: State of the art and challenges with a focus on gender. AI & Society, 38(2), 747-761. https://doi.org/10.1007/s00146-022-01474-3
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K. & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), 1-35. https://doi.org/10.1145/3457607
Merriam, S.B. (2009). Qualitative research: A guide to design and implementation. San Francisco, CA: Jossey-Ba.
Miller, J. (2022). Inclusion at Work 2022. Chartered Institute of Personnel and Development. https://www.cipd.org/globalassets/media/knowledge/knowledge-hub/reports/2022-pdfs/2022-inclusion-at-work-report.pdf
Mohammadi, M.J. (2024). Application of Artificial Intelligence Algorithms in Optimizing the Recruitment Process of Municipalities: A Case Study of Sadra Municipality. Journal: New Researches in The Smart City, 3(3), 19-41. https://www.sid.ir/paper/1696613/en.
(in Persian)
Momeni, A., Yaghoubi, N. M., Roshan, S. A. & Pourezzat, A. A. (2026). The design of an artificial intelligence adoption model in smart governance using a meta-synthesis approach. Management of Government, 18(1), 263–295. https://jipa.ut.ac.ir/article_106486.html (in Persian)
Radeke, M. & Stahelski, A.J. (2020). The halo and horns effect: A review of the literature and its implications for performance appraisal. Journal of Business and Psychology, 35(1), 1-15.
Raghavan, M., Barocas, S., Kleinberg, J. & Levy, K. (2019). Mitigating bias in algorithmic hiring: Evaluating claims and practices. In Conference on Fairness, Accountability, and Transparency (FAT '20) (pp. 469-481). https://doi.org/10.1145/3351095.3372828
Raghavan, M., Barocas, S., Kleinberg, J. & Levy, K. (2020). Mitigating bias in algorithmic employment screening: Evaluating claims and practices. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 469-481. https://doi.org/10.1145/3351095.3372828.
Rao, S. & Zhao, T. (2025). Ethical AI in HR: A case study of tech hiring. Journal of Computer Information Systems. Advance online publication. https://doi.org/10.1080/08874417.2024.2446954
Rastgar, A., Ebrahimi, S. A., Shafiei Nikabadi, M. & Kalahi, B. (2022). Smart human resource architecture: A structural approach to digital transformation in knowledge-based companies. Management of Government, 14(2), 215–234. https://jipa.ut.ac.ir/article_88922.html (in Persian)
Rigotti, C. & Fosch-Villaronga, E. (2024). Algorithmic fairness in recruitment: Legal and conceptual challenges. Computer Law & Security Review, 53, 105966.https://doi.org/10.1016/j.clsr.2024.105966
Rigotti, J. & Fosch-Villaronga, E. (2024). Algorithmic fairness and HR recruitment: Challenges of transparency and accountability in automated decision-making. AI and Ethics. https://doi.org/10.1007/s43681-023-00286-7
Ryan, A.M. & Ployhart, R.E. (2014). A century of selection. Annual Review of Psychology, 65, 693-717. https://doi.org/10.1146/annurev-psych-010213-115134.
Saraei S., Sarraf, F., Hamidian, M. (2024). Modeling bias errors on managers’ financial decision making a multi-level approach. ISC E-journals, 61, 45-66. https://ecc.isc.ac/showJournal/4207/284622/3585306. (in Persian)
Scott, S.V. & Orlikowski, W.J. (2025). Exploring AI-in-the-making: Sociomaterial genealogies of AI performativity. Information and Organization, 35(1), 100558.https://doi.org/10.1016/j.infoandorg.2025.100558
Shao, R. (2023). The persistence of the halo effect in sequential evaluations: A study in hiring contexts. Organizational Behavior and Human Decision Processes, 175, 104231. https://doi.org/10.1016/j.obhdp.2023.104231
Soleimani, M., Intezari, A., Arrowsmith, J., Pauleen, D.J. & Taskin, N. (2025). Reducing AI bias in recruitment and selection: An integrative grounded approach. The International Journal of Human Resource Management, 36(14), 2480-2515.https://doi.org/10.1080/09585192.2025.2480617
Sony, A.A.M., Armin, M.B., Ashraf, A., Islam, K.M.A. & Debnath, G.C. (2025). Bias in AI-driven HRM systems: Investigating discrimination risks embedded in AI recruitment tools and HR analytics. Social Sciences & Humanities Open, 12, 102082. https://doi.org/10.1016/j.ssaho.2025.102082
Tambe, P., Cappelli, P. & Yakubovich, V. (2019). Artificial intelligence in human resources management: Challenges and a path forward. California Management Review, 61(4), 15-42. https://doi.org/10.1177/0008125619867910
Tversky, A. & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124
Whysall, Z. (2018). AI and the future of recruitment: The role of cognitive bias. In The Oxford Handbook of Recruitment (pp. 315-330).
Wilkens, U., Lutzeyer, I., Zheng, C., Beser, A. & Prilla, M. (2025). Augmenting diversity in hiring decisions with artificial intelligence tools. The International Journal of Human Resource Management, 36(14), 2585–2622.https://doi.org/10.1080/09585192.2025.2492867
Yuan, S., Xing, L. & Zhao, D. (2025). A multi stage HR in the loop approach to enhance fairness perceptions of AI selection systems. The International Journal of Human Resource Management, 36(14), 2623-2658.https://doi.org/10.1080/09585192.2025.2564235
مدیریت دولتی
دوره 18، شماره 3
1405
صفحه 697-725