Forschungsprojekt HR™
Text Mining befasst sich mit der maschinengestützten Auswertung von unstrukturierten Texten zur Erkennung von Mustern. Dabei werden Technologien aus dem Information Retrieval, Information Extraction und dem Natural Language Processing mit den klassischen Algorithmen und Methoden des Data Mining kombiniert. Information Retrieval befasst sich mit dem Auffinden von Dokumenten, die Antworten auf bestimmte Fragestellungen beinhalten, Information Extraction dient der Extraktion spezifischer Informationen als Wissen aus Dokumenten. Natural Language Processing setzt sich mit der Verarbeitung natürlicher Sprache durch rechnergestützte Systeme auseinander (Hotho et al., 2005).
Unter den zahlreichen Anwendungsgebieten des Text Mining befinden sich auch die Prozesse des betrieblichen Human Resource Managements (HRM). Besonders weit fortgeschritten ist die Anwendung des Text Mining im Rahmen der Personalbeschaffung. Bei diesem Prozess ergeben sich umfangreiche Potenziale, sei es die Analyse von Lebensläufen, Arbeitszeugnissen oder anderer Bewerberdokumente. Weitere Einsatzpotenziale ergeben sich beispielsweise auch bei den Prozessen der Personalentwicklung, der Personalbetreuung oder der Personalorganisation.
Sowohl in der wissenschaftlichen Literatur als auch auf dem Softwaremarkt existiert ein breites Angebot an impliziten Ansätzen und Produkten zur Nutzung von Text-Mining-Technologien in der Domäne des HRM. Explizit für das HRM zugeschnittene Lösungen sind dagegen weit weniger verbreitet. Problematisch ist zudem, dass sich viele dieser Ideen lediglich als Insellösungen nutzen lassen und nur suboptimal in typische Geschäftsprozesse des HRM eingebettet werden können. Auch der Funktionsumfang und die praktische Anwendbarkeit sind dadurch häufig eingeschränkt. Es mangelt sowohl an einer Kategorisierungsmöglichkeit zur Beurteilung der domänenspezifischen Eignung digitaler Text-Mining-Ressourcen im Allgemeinen und für das HRM im Speziellen, als auch an einer Instanz, die sich in bestehende HRM-Prozesse vollumfänglich integrieren lässt und so die Anwendung des Text Mining im HRM erleichtert.
Das Projekt HRTM zielt darauf ab, Lösungen für die geschilderten Probleme bereitzustellen. Insbesondere umfasst dies:
- Eine systematische Analyse der Potenziale der Technologien und Prozesse des Text Mining bezüglich der einzelnen Prozesse der Personalwirtschaft.
- Die Entwicklung eines Kategorisierungsmodells zur Einordnung und zum Vergleich einzelner bestehender und potenzieller zukünftiger konzeptioneller Ansätze sowie Software-Produkten, die den Einsatz von Text-Mining-Technologien und -Prozessen im Rahmen des HRM oder seiner Subprozesse ermöglichen.
- Die Entwicklung eines Konzepts zur umfassenden Abdeckung der Prozesse des Human Resource Managements durch Text Mining mittels einer domänenspezifischen und -optimierten digitalen Ressource. Teile des Konzepts werden in Form eines Prototyps implementiert und in Form einer Expertenbefragung empirisch auf ihren Mehrwert hin geprüft/validiert.
Ansprechpartner:
Prof. Dr. Stefan Strohmeier
Literatur:
Aggarwal, C. C., & Zhai, C. X. (2012). An Introduction to Text Mining. In C. C. Aggarwal & C. X. Zhai (Hrsg.), Mining Text Data (pp. 1–10). Springer.
Aqel, D., & Vadera, S. (2010). A Framework for Employee Appraisals based on Sentiment Analysis. In Proceedings of the 1st International Conference on Intelligent Semantic Web-Services and Applications (ISWSA) 2010 (pp. 8–13). Amman, Jordan.
Çelik, D., & Elçi, A. (2013). An Ontology-based Information Extraction Approach for Résumés. Pervasive Computing and the Networked World, 7719, 165–179.
Faliagka, E., Iliadis, L., Karydis, I., Rigou, M., Sioutas, S., Tsakalidis, A., & Tzimas, G. (2013). On-line consistent ranking on e-recruitment: seeking the truth behind a well-formed CV. Artificial Intelligence Review, 42, 515–528.
Hotho, A., Nürnberger, A., & Paaß, G. (2005). A Brief Survey of Text Mining. Journal for Computational Linguistics and Language Technology, 20, 19–62.
Kessler, R., Béchet, N., Torres-Moreno, J.-M., Roche, M., & El-Bèze, M. (2009). Job Offer Management: How Improve the Ranking of Candidates. In J. Rauch, Z. W. Ras, P. Berka & T. Elomaa (Hrsg.), Foundations of Intelligent Systems (pp. 431–441). 18th International Symposium on Methodologies for Intelligent Systems (ISMIS) 2009, Prag, Tschechische Republik. Springer.
Strohmeier, S., & Piazza, F. (2013). Domain driven data mining in human resource management: A review of current research. Expert Systems with Applications, 40(7), 2410-2420.