Machine learning en la mejora del proceso de selección del personal administrativo de la Corte Superior de Justicia de Lima, 2020
En esta investigación se determinó que el Machine Learning mejora el proceso de selección del personal administrativo de la Corte Superior de Justicia de Lima, 2020. El estudio se realizó a raíz de que los procesos de selección tradicionales generan puestos cancelados o desiertos. Se desarrolló una...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | Perú |
| Institución: | Universidad Cesar Vallejo |
| Repositorio: | UCV-Institucional |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.ucv.edu.pe:20.500.12692/61903 |
| Acceso en línea: | https://hdl.handle.net/20.500.12692/61903 |
| Access Level: | acceso abierto |
| Palabra clave: | Selección de personal Personal administrativo Inteligencia artificial https://purl.org/pe-repo/ocde/ford#2.02.04 |
| Sumario: | En esta investigación se determinó que el Machine Learning mejora el proceso de selección del personal administrativo de la Corte Superior de Justicia de Lima, 2020. El estudio se realizó a raíz de que los procesos de selección tradicionales generan puestos cancelados o desiertos. Se desarrolló una investigación con enfoque cuantitativo en una muestra de 300 observaciones, bajo el supuesto de que machine learning mejora el proceso de selección del personal administrativo, se eligió un diseño cuasi experimental, donde el proceso de selección se cuantificó con tres indicadores, índice de personal postulante, índice de evaluación curricular, e índice de contratación, a través de un pretest y un postest, las observaciones se obtuvieron mediante fichas que fueron validadas mediante juicio de expertos y la confiabilidad se valoró mediante el test alfa de Cronbach, cuyas valoraciones superaron el 70%. Los resultados se determinaron mediante el test de Wilcoxon que permitió la comparación del pretest y postest, cuyo contraste fue significativo en cada indicador, y se determinó que los indicadores mejoran en 35% en el índice de personal postulante, 17% en el índice de evaluación curricular, y 2% en el índice de contratación. |
|---|