大语言模型能否预测员工离职？
机器学习
2024-11-05 v1
摘要
员工离职给组织带来重大成本，传统统计预测方法往往难以捕捉现代劳动力市场的复杂性。机器学习（ML）的进步提供了更具可扩展性和准确性的解决方案，但大语言模型（LLM）通过解读微妙的员工沟通和检测细微的离职信号，在人力资源管理中展现出新的潜力。本研究利用 IBM HR Analytics Attrition 数据集，将微调后的 GPT-3.5 模型与传统机器学习分类器（包括逻辑回归、K 近邻（KNN）、支持向量机（SVM）、决策树、随机森林、AdaBoost 和 XGBoost）的预测准确性和可解释性进行了比较。虽然传统模型更易于使用和解释，但 LLM 能够揭示员工行为中更深层的模式。我们的结果表明，微调后的 GPT-3.5 模型优于传统方法，精确率为 0.91，召回率为 0.94，F1 分数为 0.92，而最佳传统模型 SVM 的 F1 分数为 0.82，随机森林和 XGBoost 达到 0.80。这些结果凸显了 GPT-3.5 捕捉离职风险复杂模式的能力，为组织改进留任策略提供了更好的洞察，并强调了 LLM 在人力资源应用中的价值。
引用
@article{arxiv.2411.01353,
title = {Can Large Language Model Predict Employee Attrition?},
author = {Xiaoye Ma and Weiheng Liu and Changyi Zhao and Liliya R. Tukhvatulina},
journal= {arXiv preprint arXiv:2411.01353},
year = {2024}
}