Г.Н. Жолобова1, Е.Д. Синицына2

1,2 Финансовый университет при Правительстве РФ (Москва, Россия)

1 gnzholobova@fa.ru, 2 katya_sinitsyna@mail.ru

Постановка проблемы. В условиях растущей конкуренции и стремительно меняющегося рынка успех компании во многом зависит от мотивации и лояльности ее сотрудников. Традиционные методы оценки лояльности, основанные на опросах и анкетировании, не всегда точно отражают эмоциональное состояние персонала. Использование методов машинного обучения и обработки естественного языка открывает новые возможности для анализа отзывов сотрудников, что может значительно улучшить понимание корпоративного климата.

Цель. Оценить уровень лояльности сотрудников IT-компании посредством применения методов машинного обучения и обработки естественного языка с использованием моделей BERT, DistilBERT и RoBERTa.

Результаты. Показано, что модели BERT, DistilBERT и RoBERTa могут применяться для классификации эмоциональной окраски текстовых отзывов сотрудников, позволяя с высокой точностью не только определять общие тенденции в восприятии компании сотрудниками, но и выявлять конкретные аспекты, требующие внимания для улучшения внутренней политики. Отмечено, что среди трех протестированных моделей глубокого обучения RoBERTa продемонстрировала наиболее высокую точность и была наиболее эффективной в задачах анализа окраски отзывов.

Практическая значимость. Применение моделей машинного обучения для анализа текстовых отзывов сотрудников позволяет выявить ключевые факторы, влияющие на корпоративную культуру и моральный климат в компании. Это способствует разработке обоснованных стратегий управления персоналом и улучшению удовлетворенности сотрудников. Внедрение таких методов в HR-отделах компаний может помочь в автоматизации сбора и анализа отзывов, что, в свою очередь, способствует повышению уровня лояльности сотрудников и общей эффективности организации.

Жолобова Г.Н., Синицына Е.Д. Применение машинного обучения для анализа лояльности сотрудников на основе текстовых отзывов // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 6. С. 76-85. DOI: https://doi.org/10.18127/j19998554-202406-10

1. Резапова Д.Б. Вовлеченность сотрудников в работу // Университетское управление: практика и анализ. 2016. № 1(101). С. 73–75.
2. Allen N.J., Meyer J.P. The measurement and antecedents of affective, continuance and normative commitment to the organization // Journal of Occupational Psychology. 1990. V. 63. № 1. P. 1–18. DOI 10.1111/j.2044-8325.1990.tb00506.x.
3. Гордеева Е.В., Кочкаров Р.А., Рылов А.А. Анализ задачи распознавания темы текста с помощью машинного обучения // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 4. С. 7–15. DOI 10.18127/j1999 8554-202304-02.
4. Отзывы о работе. Отзывы сотрудников о работодателе. [Электронный ресурс] – Режим доступа: https://dreamjob.ru/, дата обращения 25.04.2024.
5. Bakhshi A., Sharma A.D., Kumar K. Organizational Commitment as predictor of Organizational Citizenship Behavior. [Электронный ресурс] – Режим доступа: https://core.ac.uk/download/pdf/234624049.pdf, дата обращения 25.04.2024.
6. Базовые эмоции. Центр медицинской профилактики и реабилитации Калининградской области. [Электронный ресурс] – Режим доступа: https://clck.ru/39Gs2k, дата обращения 25.04.2024.
7. Онучин A. Вовлеченность персонала: от измерения к управлению. [Электронный ресурс] – Режим доступа: https://www.eco-psy.ru/insights/vovlechennost-personala-ot-izmereniya-k-upravleniyu/, дата обращения 25.04.2024.
8. Handani N.D., Williady A., Kim H.S. An Analysis of Customer Textual Reviews and Satisfaction at Luxury Hotels in Singapore’s Marina Bay Area (SG-Clean-Certified Hotels) // Sustainability. 2022. V. 14. № 15. P. 9382. DOI 10.3390/su14159382.
9. Модель вовлеченности сотрудников Kincentric (Aon Hewitt). [Электронный ресурс] – Режим доступа: https://axes.ru/ar-ticles/model-vovlechennosti-sotrudnikov-aon-hewitt/, дата обращения 25.04.2024.
10. Бунина Е.В. Инновационные методы управления персоналом // Вестник магистратуры. 2019. № 11-3(98). С. 59–61.
11. Alzate M., Arce-Urriza M., Cebollada Ja. Mining the text of online consumer reviews to analyze brand image and brand positioning // Journal of Retailing and Consumer Services. 2022. V. 67. P. 102989. DOI 10.1016/j.jretconser.2022.102989.
12. Young T., Hazarika D., Poria S., Cambria E. Recent Trends in Deep Learning Based Natural Language Processing // IEEE Computational Intelligence Magazine. 2018. V. 13. № 3. P. 55–75. DOI 10.1109/MCI.2018.2840738.
13. Alshamari M.A. Evaluating User Satisfaction Using Deep-Learning-Based Sentiment Analysis for Social Media Data in Saudi Arabia’s Telecommunication Sector // Computers. 2023. V. 12. № 9. P. 170. DOI 10.3390/computers12090170.