@inproceedings{HeroldRoedenbeck2023, author = {Herold, Marcel and Roedenbeck, Marc}, title = {Vergleichende Analyse von Unternehmenswerten in Online Stellenanzeigen mittels NLP / LIWC}, series = {NWK 2023 - Tagungsband zur 23. Nachwuchswissenschaftler*innenkonferenz}, booktitle = {NWK 2023 - Tagungsband zur 23. Nachwuchswissenschaftler*innenkonferenz}, editor = {Stolzenburg, Frieder and Reinboth, Christian and Lohr, Thomas and Vogel, Kathleen}, publisher = {Hochschule Harz}, address = {Wernigerode}, issn = {2627-5708}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:526-opus4-18515}, pages = {52 -- 62}, year = {2023}, abstract = {Die Analyse von Unternehmenswerten wird schon seit Jahrzenten durchgef{\"u}hrt. Es gibt verschiedene Modelle, wie zum Beispiel den Ansatz von Hofstede oder das „Universal Value Structure Modell" von Schwartz, welche die Unternehmenswerte darstellen. Aktuelle Studien empfehlen Unternehmenswerte unter der Nutzung von Natural Language Processing und definierten Wortlisten bei gr{\"o}ßeren Textdaten zu untersuchen. Ziel der vorliegenden Analyse war zu identifizieren, ob die deutschen {\"U}bersetzungen der bisher englischsprachigen Ans{\"a}tze im Kontext von Online-Stellenanzeigen funktional anwendbar sind. Daher wurden ca. 151.000 online-Stellenanzeigen von ca. 29.000 Unternehmen mittels drei Wortlisten analysiert. Der Umfang der verwendeten Listen lag zwischen 126 und 944 deutschen W{\"o}rtern. Die Ergebnisse zeigen, dass a) alle angewendeten Wortlisten grunds{\"a}tzlich funktional sind, b) dass einer der Listen jedoch herausragende Ergebnisse aufweist, welcher jedoch c) um fehlende Begriffe der beiden anderen Ans{\"a}tze erweitert werden kann. Somit k{\"o}nnen Unternehmen ein eigenes Werteprofil Ihrer externen Online-Kommunikation ermitteln und dieses mit den internen Wertvorstellungen bzw. dem intern erhobenen realen Werteprofil abgleichen.}, language = {de} } @article{RoedenbeckPoljsakRosinski2023, author = {Roedenbeck, Marc and Poljsak-Rosinski, Petra}, title = {Artificial neural network in soft HR performance management: new insights from a large organizational dataset}, series = {Evidence-based HRM}, volume = {11}, journal = {Evidence-based HRM}, number = {3}, publisher = {Emerald}, issn = {2049-3991}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:526-opus4-18377}, pages = {519 -- 537}, year = {2023}, abstract = {Purpose This study investigates whether the artificial neural network approach, when used on a large organizational soft HR performance dataset, results in a better (R2/RMSE) model compared to the linear regression. With the use of predictive modelling, a more informed base for managerial decision making within soft HR performance management is offered. Design/methodology/approach The study builds on a dataset (n > 43 k) stemming from an annual employee MNC survey. It covers several soft HR performance drivers and outcomes (such as engagement, satisfaction and others) that either have evidence of a dual-role nature or non-linear relationships. This study applies the framework for artificial neural network analysis in organization research (Scarborough and Somers, 2006). Findings The analysis reveals a substantial artificial neural network model performance (R2 > 0.75) with an excellent fit statistic (nRMSE <0.10) and all drivers have the same relative importance (RMI [0.102; 0.125]). This predictive analysis revealed that the organization has to increase six of the drivers, keep two on the same level and decrease one. Originality/value Up to date, this study uses the largest dataset in soft HR performance management. Additionally, the predictive results reveal that specific target values lay below the current levels to achieve optimal performance.}, language = {en} }