Дослідження спрямоване на розробку тестового опитування для ефективного відбору фахівців в ІТ-галузі, що базується на використанні сучасних методів машинного навчання, зокрема кластерного аналізу з застосуванням методу k-середніх. Зважаючи на обмежений доступ до існуючих тестувальних платформ, які зазвичай доступні лише для великих компаній на платній основі, було прийнято рішення створити альтернативний веб-додаток. Цей додаток стане доступним інструментом для більш широкого кола користувачів та дозволить автоматизувати процес оцінки навичок кандидатів. Ключовою особливістю дослідження є застосування кластерного аналізу для групування користувачів за їхніми професійними навичками, когнітивними здібностями та психологічними характеристиками. Це забезпечує можливість точнішої оцінки відповідності кандидатів вимогам роботодавців та сприяє кращій організації даних для подальшого аналізу. Дослідження також підкреслює важливість кластерного аналізу у випадках, коли попередня гіпотеза про структуру даних відсутня, що робить цей підхід універсальним інструментом для класифікації даних. Окрім технічних аспектів, дослідження охоплює перспективи застосування адаптивних тестів, які можуть змінювати рівень складності в реальному часі залежно від відповідей користувача. Це дозволяє підвищити точність оцінювання, а також зменшити вплив суб'єктивних чинників під час відбору. Додатково розглянуто можливості аналізу поведінкових та емоційних характеристик кандидатів, таких як стійкість до стресу та комунікативні здібності, що є важливими для успішної роботи в команді.
- Aldenderfer, M. S., & Blashfield, R. K. (1984). Cluster analysis. Sage Publications.
- Chan, D., & Schmitt, N. (2004). An agenda for future research on personnel selection. Journal of Applied Psychology, 89(4), 627–643. https://doi.org/10.1037/0021-9010.89.4.627
- Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster analysis (5th ed.). Wiley.
- Hogan, J., & Holland, B. (2003). Using theory to evaluate personality and job-performance relations: A soci- oanalytic perspective. Journal of Applied Psychology, 88(1), 100–112. https://doi.org/10.1037/0021-9010.88.1.100
- Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: A review. ACM Computing Surveys, 31(3), 264–323. https://doi.org/10.1145/331499.331504
- MacQueen, J. B. (1967). Some methods for classification and analysis of multivariate observations. In Pro- ceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (Vol. 1, pp. 281–297). University of California Press.
- Schmidt, F. L., & Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 85 years of research findings. Psychological Bulletin, 124(2), 262–274. https://doi.org/10.1037/0033-2909.124.2.262
- Thibodeaux, T., & Moore, S. (2015). The rise of skill testing in the hiring process. Human Resource Management International Digest, 23(4), 22–25. https://doi.org/10.1108/HRMID-04-2015-0064