Репутационная система кадрового обеспечения комплексных проектов сотрудничества КНР-РФ

Обложка

Цитировать

Полный текст

Аннотация

В статье предлагается концепция репутационной организационно-технической системы, направленной на обеспечение кадрового взаимодействия между Российской Федерацией и Китайской Народной Республикой для поддержки инвестиционного, промышленного и инновационно-технологического сотрудничества. Рассматриваются проблемы кадрового обеспечения, включая недостаточную структурированность данных, отсутствие механизмов валидации компетенций и информационный шум, что делает современные платформы малопригодными для поиска узкоспециализированных экспертов. Предложенная система ориентирована на комбинацию современных технологий и ручного кураторства данных, а также на интеграцию государственных механизмов аккредитации и верификации. Она нацелена на устранение языковых, культурных и информационных барьеров между рынками труда РФ и КНР, а также на создание единого инструмента для подбора высококлассных экспертов с уникальными компетенциями, для реализации сложных международных проектов.

Об авторах

И. Ф. Кузьминов

Национальный исследовательский университет «Высшая школа экономики»

Email: ikuzminov@hse.ru
Директор центра экспертизы, разработки и сопровождения информационно-технологических решений. Кандидат географических наук. 101000, Москва, Мясницкая ул., д. 9-11

В. А. Игнатова

МИРЭА – Российский технологический университет

Email: vignatovaa@yandex.ru
Преподаватель кафедры индустриального программирования. Ответственный за переписку. 119454, Москва, проспект Вернадского, д. 78

Список литературы

  1. Панова Е.А. Влияние цифровизации на корпоративную кадровую политику // Проблемы управления и экономики. 2023. № 3. С. 45–50.
  2. Асриянц К.Г., Магомедов О.А., Асриянц Д.В. Цифровые технологии в процессе реализации кадровой политики // Прикладные экономические исследования. 2023. №2. С. 75-79. URL: https://cyberleninka.ru/article/n/tsifrovye-tehnologii-v-protsesse-realizatsii-kadrovoy-politiki (дата обращения: 24.12.2024).
  3. Yamashita M., Tran T., Lee D. Fake Resume Attacks: Data Poisoning on Online Job Platforms // Proceedings of the ACM on Web Conference 2024. 2024. P. 1734–1745.
  4. Nocker M., Sena V. Big data and human resources management: The rise of talent analytics // Social Sciences. 2019. Vol. 8. No. 10. P. 273.
  5. Ayoobi N., Shahriar S., Mukherjee A. The looming threat of fake and LLM-generated LinkedIn profiles: Challenges and opportunities for detection and prevention // Proceedings of the 34th ACM Conference on Hypertext and Social Media. 2023. P. 1–10.
  6. Rathee R., Bhuntel R. Benefits, challenges, and impact of E-recruitment // VSRD International Journal of Business and Management Research. 2017. Vol. 7. P. 32–38.
  7. Maree M., Kmail A. B., Belkhatir M. Analysis and shortcomings of e-recruitment systems: Towards a semantics-based approach addressing knowledge incompleteness and limited domain coverage // Journal of Information Science. 2019. Vol. 45. No. 6. P. 713–735.
  8. McGinty N.A., Lylova E.V. Transformation of the HR management in modern organizations // Proceedings of the 1st International Conference on Emerging Trends and Challenges in the Management Theory and Practice (ETCMTP 2019). Atlantis Press. 2020. P. 18–21.
  9. Tennant J.P. Web of Science and Scopus are not global databases of knowledge // European Science Editing. 2020. Vol. 46. P. e51987.
  10. Decorte J.J., Van Hautte J., Develder C., Demeester T. On the Biased Assessment of Expert Finding Systems // arXiv preprint arXiv:2410.05018. 2024.
  11. Пономарев Н.М., Иванова Н.И. Научно-техническое сотрудничество Российской Федерации и Китая // Российский внешнеэкономический вестник. 2024. №5. С. 86–92.
  12. Мосейчук М.А., Абдухалилов О.С., Петроченко Е.Б. Процессы цифровизации экономики в Китае и России: влияние на рынок труда // ББК 65 Т78. 2023. С. 34.
  13. Юмин Л., Скурко Е.В. От «языкового барьера» к «языковому мосту»: основы правовой политики развития международного сотрудничества в сфере науки, культуры, образования Китая и России // Правовая политика и правовая жизнь. 2020. №3. С. 28–35.
  14. Smith H.A., McKeen J.D. Developments in practice XXX: master data management: salvation or snake oil? // Communications of the Association for Information Systems. 2008. Vol. 23. No. 1. P. 4.
  15. Bhadani A.K., Jothimani D. Big data: challenges, opportunities, and realities // Effective Big Data Management and Opportunities for Implementation. 2016. P. 1–24.
  16. Venugopalan S., Narayanaswamy A., Yang S., Geraschenko A., Lipnick S., Makhortova N., Berndl M. It's easy to fool yourself: Case studies on identifying bias and confounding in biomedical datasets // arXiv preprint arXiv:1912.07661. 2019.
  17. Gándara D., Anahideh H., Ison M.P., Picchiarini L. Inside the Black Box: Detecting and Mitigating Algorithmic Bias Across Racialized Groups in College Student-Success Prediction // AERA Open. 2024. Vol. 10. P. 23328584241258741.
  18. Bhardwaj E., Gujral H., Wu S., Zogheib C., Maharaj T., Becker C. Machine learning data practices through a data curation lens: An evaluation framework // Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency. 2024. P. 1055–1067.
  19. Qi G.J., Luo J. Small data challenges in big data era: A survey of recent progress on unsupervised and semi-supervised methods // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. Vol. 44. No. 4. P. 2168–2187.
  20. Ravi A. If we didn't solve small data in the past, how can we solve Big Data today? // arXiv preprint arXiv:2111.04442. 2021.
  21. Inel O., Draws T., Aroyo L. Collect, measure, repeat: Reliability factors for responsible AI data collection // Proceedings of the AAAI Conference on Human Computation and Crowdsourcing. 2023. Vol. 11. No. 1. P. 51–64.
  22. Parmiggiani E., Grisot M. Data curation as governance practice. 2020.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

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».