Responsible AI in Human Resource Management
| dc.contributor.advisor | Hoffjan, Andreas | |
| dc.contributor.author | Heidemann, Ansgar | |
| dc.contributor.referee | Liening, Andreas | |
| dc.date.accepted | 2025-12-02 | |
| dc.date.accessioned | 2026-01-15T06:58:44Z | |
| dc.date.available | 2026-01-15T06:58:44Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | This thesis explores the opportunities and risks of Machine Learning (ML) and Artificial Intelligence (AI) technology applied to high-risk decision-making and how technological and business measures contribute to responsible and value-adding implementation. The three included studies cumulatively examine a case study in a German federal agency that uses ML to predict voluntary employee turnover. This practice-oriented approach provides new empirical insights for understanding the successful design and implementation of ML-based algorithmic HRM from the perspectives of (1) transparency, (2) diversity, non-discrimination & fairness, and (3) individual adoption, with a separate study dedicated to each perspective. A key finding of the thesis is that technical measures such as explainable AI actually contribute to meeting the central requirements for the responsible use of AI. However, these technical measures are only effective if they are successfully implemented in the business organisation and processes under trained and critically thinking human supervision, thus outlining the importance and consequences of the European Union's current regulatory efforts. Thereby, this thesis contributes to our understanding of a highly topical issue, as the example of ChatGPT clearly shows that the world is changing at a rapid pace, with the overarching goal of leading to an AI generation that benefits individuals, organisations and society alike. | en |
| dc.description.abstract | Diese Dissertation untersucht die Chancen und Risiken der Technologien „Maschinelles Lernen“ und der „Künstliche Intelligenz“ (KI) bei risikoreichen Entscheidungen und wie sowohl technologische als auch unternehmerische Maßnahmen zu einer verantwortungsvollen und wertschöpfenden Einsatz dieser Technologien beitragen. Die drei einbezogenen Studien untersuchen kumulativ eine Fallstudie in einer deutschen Bundesbehörde, die ML zur Vorhersage der freiwilligen Mitarbeiterfluktuation einsetzt. Dieser praxisorientierte Ansatz liefert neue empirische Erkenntnisse für das Verständnis der erfolgreichen Gestaltung und Implementierung von ML-basiertem algorithmischen HRM aus den Perspektiven (1) Transparenz, (2) Diversität, Nicht-Diskriminierung & Fairness und (3) individuelle Nutzung, wobei jeder Perspektive eine eigene Studie gewidmet ist. Ein zentrales Ergebnis der Arbeit ist, dass technische Maßnahmen wie erklärbare KI tatsächlich dazu beitragen, die zentralen Anforderungen an den verantwortungsvollen Einsatz von KI zu erfüllen. Diese technischen Maßnahmen sind jedoch nur dann wirksam, wenn sie in der Organisation und in den Prozessen unter geschulter und kritisch denkender menschlicher Aufsicht erfolgreich umgesetzt werden, was die Bedeutung und die Folgen der aktuellen Regulierungsbemühungen der Europäischen Union verdeutlicht. Damit trägt diese Studie zu unserem Verständnis eines hochaktuellen Themas bei, denn das Beispiel ChatGPT zeigt deutlich, dass sich die Welt in rasantem Tempo verändert, mit dem übergeordneten Ziel, eine KI-Generation zu erreichen, von der Individuen, Organisationen und die Gesellschaft gleichermaßen profitieren. | de |
| dc.identifier.uri | http://hdl.handle.net/2003/44665 | |
| dc.identifier.uri | http://dx.doi.org/10.17877/DE290R-26433 | |
| dc.language.iso | en | |
| dc.subject | Algorithmic HRM | en |
| dc.subject | Human Resource Analytics | en |
| dc.subject | Machine Learning | en |
| dc.subject | Transparency | en |
| dc.subject | Explainable AI | en |
| dc.subject | Algorithmic Fairness | en |
| dc.subject.ddc | 330 | |
| dc.subject.rswk | Erklärbare künstliche Intelligenz | de |
| dc.subject.rswk | Maschinelles Lernen | de |
| dc.subject.rswk | Human Resource Management | de |
| dc.title | Responsible AI in Human Resource Management | en |
| dc.title.alternative | An in-depth case examination of transparent and fair use of Machine Learning | en |
| dc.type | Text | |
| dc.type.publicationtype | PhDThesis | |
| dcterms.accessRights | open access | |
| eldorado.dnb.deposit | true | |
| eldorado.secondarypublication | false |