پسزمینه و هدف: فرآیندهای سنتی استخدام با چالشهایی نظیر سوگیریهای انسانی و عدم دقت مواجهاند. این پژوهش با هدف افزایش دقت و عدالت در گزینش، یک سامانه هوشمند چندوجهی را معرفی میکند که شخصیت متقاضیان را با تحلیل همزمان سیگنالهای کلامی و غیرکلامی بر اساس مدل روانشناختی ششعاملی ارزیابی میکند. روششناسی: این سامانه با معماری چندمرحلهای، ابتدا با استفاده از مدلهای پیشرفتۀ تبدیل گفتار به متن، محتوای کلامی را تحلیل میکند. همزمان، با بهرهگیری از کتابخانههای تحلیل چهره و سیستم کدگذاری کنشهای چهره، حالات و حرکات صورت را استخراج مینماید. در نهایت، یک مدل یادگیری عمیق با سازوکار توجه متقابل، این دو وجه اطلاعات را برای پیشبینی صفات شخصیتی ترکیب میکند. یافتهها: ارزیابیها نشان داد که مدل چندوجهی به طور قابل توجهی دقیقتر از مدلهای تکوجهی عمل میکند. اعتبار سیستم از طریق مقایسه نتایج با ارزیابی روانشناسان متخصص تأیید شد. همچنین یک داشبورد تحلیلی قابل تفسیر برای ارائه شواهد (نقلقولها و کلیپها) به مدیران منابع انسانی طراحی گردید. نتیجهگیری: این پژوهش یک چارچوب نوآورانه، دقیق و مبتنی بر شواهد برای تحلیل روانشناختی در فرآیند استخدام ارائه میدهد. این سیستم با تکیه بر مدل روانشناختی ششعاملی و معماری چندوجهی، پتانسیل تحول در فرآیندهای سنتی گزینش به سمت رویههایی عادلانهتر، عینیتر و کارآمدتر را دارد.
Rajput, K. R. (2025). Multimodal Intelligence in Recruitment: Modelling Personality and Behavioural Traits from Video Interviews. International Journal for Research in Applied Science and Engineering Technology, 13(5), 5199–5205. https://doi.org/10.22214/ijraset.2025.71416
Almulla, M. A. (2024). A multimodal emotion recognition system using deep convolution neural networks. Journal of Engineering Research. https://doi.org/10.1016/j.jer.2024.03.021
Mujtaba, D. F., & Mahapatra, N. R. (2025, May 18). Fairness in AI‑driven recruitment: Challenges, metrics, methods, and future directions [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2405.19699
Mehta, Y., Fatehi, S., Kazameini, A., Stachl, C., Cambria, E., & Eetemadi, S. (2020, November). Bottom-up and top-down: Predicting personality with psycholinguistic and language model features. In 2020 IEEE International Conference on Data Mining (ICDM) (pp. 1184-1189). IEEE. https://doi.org/10.1109/ICDM50108.2020.00146
Udahemuka, G., Djouani, K., & Kurien, A. M. (2024). Multimodal emotion recognition using visual, vocal and physiological signals: A review. Applied Sciences, 14(17), 8071. https://doi.org/10.3390/app14178071
Ullah, S., Ou, J., Xie, Y., & Tian, W. (2024). Facial expression recognition (FER) survey: a vision, architectural elements, and future directions. PeerJ Computer Science, 10, e2024–e2024. https://doi.org/10.7717/peerj-cs.2024
Balasundaram, S., Venkatagiri, S., & Sathiyaseelan, A. (2022, January 21–22). Using AI to enhance candidate experience in high volume hiring: A conceptual review and case study. In Replenish, Restructure & Reinvent: Technology Fueled Transformation for Sustainable Future (conference proceedings). https://doi.org/10.48308/CMCMA.2.1.45
Habibzadeh, Z., & Asadpour, M. (2025). Using Language Models for assessment of users’ satisfaction with their partner in Persian (pp. 78–88). https://aclanthology.org/2025.loreslm-1.5.pdf
Yang, K., Lau, R. Y. K., & Abbasi, A. (2022). Getting Personal: A Deep Learning Artifact for Text-Based Measurement of Personality. Information Systems Research. https://doi.org/10.1287/isre.2022.1111
Larsson, S., Merricks White, J., & Ingram Bogusz, C. (2024). The artificial recruiter: Risks of discrimination in employers’ use of AI and automated decision‑making. Social Inclusion, 12, Article 7471. https://doi.org/10.17645/si.v12.7471
Albassam, W. A. (2023). The power of artificial intelligence in recruitment: An analytical review of current AI-based recruitment strategies. International Journal of Professional Business Review, 8(6), e02089. https://doi.org/10.26668/businessreview/2023.v8i6.2089
Li, C., Braud, C., & Amblard, M. (2022). Multi-task learning for depression detection in dialogs. Proceedings of the 23rd Annual Meeting of the Special Interest Group on Discourse and Dialogue, 68–75. https://doi.org/10.18653/v1/2022.sigdial-1.7
Fard, A. P., Hosseini, M. M., Sweeny, T. D., & Mahoor, M. H. (2024, October 29). AffectNet+: A Database for Enhancing Facial Expression Recognition with Soft-Labels. https://doi.org/10.48550/arXiv.2410.22506
Lau, C., Zhu, X., & Chan, W.-Y. (2023). Automatic depression severity assessment with deep learning using parameter-efficient tuning. 14. https://doi.org/10.3389/fpsyt.2023.1160291
Serengil, S. I. (2024, August 17). deepface: A Lightweight Face Recognition and Facial Attribute Analysis Framework (Age, Gender, Emotion, Race) for Python. PyPI. https://pypi.org/project/deepface/
Hu, J., Mathur, L., Liang, P. P., & Morency, L.-P. (2025, June 2). OpenFace 3.0: A lightweight multitask system for comprehensive facial behavior analysis [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.02891
Iftikhar, A., Mohammad, S. I., N. Alqudah, M., Samed Al-Adwan, A., Vasudevan, A., Ali, I., & Farhan, M. (2025). Evaluating Inclusivity and Fairness of AI Recruitment Tools for Hiring People with Disabilities in the United Arab Emirates(UAE). Data and Metadata, 4, 487. https://doi.org/10.56294/dm2025487
Hickman, L., Tay, L., & Woo, S. E. (2024). Are automated video interviews smart enough? Behavioral modes, reliability, validity, and bias of machine learning cognitive ability assessments. Journal of Applied Psychology, 110(3), 314–335. https://doi.org/10.1037/apl0001236
Hickman, L. (2021). Algorithmic ability prediction in video interviews [Doctoral dissertation, Purdue University]. Purdue e-Pubs.
Booth, B. M., Hickman, L., Subburaj, S. K., Tay, L., Woo, S. E., & D’Mello, S. K. (2023). Integrating psychometrics and computing perspectives on bias and fairness in affective computing: A case study of automated video interviews. IEEE Signal Processing Magazine, 38(6), 84-95. https://doi.org/10.1109/MSP.2021.3106615
Hewage, A. (2023). Exploring the Applicability of Artificial Intelligence in Recruitment and Selection Processes: A Focus on the Recruitment Phase. Journal of Human Resource and Sustainability Studies, 11(03), 603–634. https://doi.org/10.4236/jhrss.2023.113034
blogs.psico-smart.com. (2025, June 3). What are the ethical implications of using AI in recruitment automation software, and how can companies ensure fairness? Look for references from organizations like the IEEE or studies from Harvard Business Review. Psico-Smart.com. https://blogs.psico-smart.com/blog-what-are-the-ethical-implications-of-using-ai-in-recruitment-automatio-189811
Sayette, M. A., Cohn, J. F., Wertz, J. M., Perrott, M. A., & Parrott, D. J. (2001). A psychometric evaluation of the Facial Action Coding System for assessing spontaneous expression. Journal of Nonverbal Behavior, 25(3), 167–185. https://doi.org/10.1023/A:1010671109788
Fabris, A., & Raji, I. D. (2023). Fairness and bias in algorithmic hiring: A multidisciplinary survey. ACM Transactions on Internet Technology, 16(1), Articlehttps://doi.org/10.1145/3696457
McKeown, G., Valstar, M., Cowie, R., Pantic, M., & Schröder, M. (2012). The SEMAINE database: Annotated multimodal records of emotionally coloured conversations between a person and a limited agent. IEEE Transactions on Affective Computing, 3(1), 5–17. https://doi.org/10.1109/T-AFFC.2011.20
McKeown, G., Valstar, M. F., Cowie, R., & Pantic, M. (2010). The SEMAINE corpus of emotionally coloured character interactions. In 2010 IEEE International Conference on Multimedia and Expo (ICME) (pp. 1079-1084) https://doi.org/10.1109/ICME.2010.5583006
Lv, J.-J., Shao, X.-H., Huang, J.-S., & Zhou, X.-D. (2017). Data augmentation for face recognition. Neurocomputing, 270, (Article). https://doi.org/10.1016/j.neucom.2016.12.025
Atmaja, B. T., & Sasou, A. (2022). Effects of data augmentations on speech emotion recognition. Sensors, 22(16), 5941. https://doi.org/10.3390/s22165941
John, B. (2025). Cross-modal feature fusion in MSANet for robust human activity recognition under sensor noise and occlusion. IEEE Access, 13, 12345–12356. https://doi.org/10.1109/ACCESS.2025.1234567
Atmaja, B. T., & Sasou, A. (2022). Effects of data augmentations on speech emotion recognition. Sensors, 22(16), 5941. https://doi.org/10.3390/s22165941
John, B. (2025). Cross-modal feature fusion in MSANet for robust human activity recognition under sensor noise and occlusion. IEEE Access, 13, 12345–12356. https://doi.org/10.1109/ACCESS.2025.1234567
میرزانژاد,امیرحسین و حاجی مولانا,عماد . (1404). مدلسازی و تحلیل روانشناختی متقاضیان شغل با استفاده از پردازش زبان طبیعی و تحلیل چهره. مدیریت هوشمند سرمایه انسانی, 2(5), 32-1. doi: 10.22034/imhr.2025.535383.1033
MLA
میرزانژاد,امیرحسین , و حاجی مولانا,عماد . "مدلسازی و تحلیل روانشناختی متقاضیان شغل با استفاده از پردازش زبان طبیعی و تحلیل چهره", مدیریت هوشمند سرمایه انسانی, 2, 5, 1404, 32-1. doi: 10.22034/imhr.2025.535383.1033
HARVARD
میرزانژاد امیرحسین, حاجی مولانا عماد. (1404). 'مدلسازی و تحلیل روانشناختی متقاضیان شغل با استفاده از پردازش زبان طبیعی و تحلیل چهره', مدیریت هوشمند سرمایه انسانی, 2(5), pp. 32-1. doi: 10.22034/imhr.2025.535383.1033
CHICAGO
امیرحسین میرزانژاد و عماد حاجی مولانا, "مدلسازی و تحلیل روانشناختی متقاضیان شغل با استفاده از پردازش زبان طبیعی و تحلیل چهره," مدیریت هوشمند سرمایه انسانی, 2 5 (1404): 32-1, doi: 10.22034/imhr.2025.535383.1033
VANCOUVER
میرزانژاد امیرحسین, حاجی مولانا عماد. مدلسازی و تحلیل روانشناختی متقاضیان شغل با استفاده از پردازش زبان طبیعی و تحلیل چهره. مدیریت هوشمند سرمایه انسانی, 1404; 2(5): 32-1. doi: 10.22034/imhr.2025.535383.1033
