دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 A Novel Hybrid Machine Learning Model Based on Deep Learning for Predicting Recruitment Decisions ارائه یک مدل نوآورانه یادگیری ماشین ترکیبی مبتنی‌بر یادگیری عمیق برای پیش‌بینی تصمیمات استخدامی 170 196 106819 10.48308/jimp.16.1.170 FA محمد رضا مهرگان استاد، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. آرمان رضاسلطانی دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. امیرمحمد خانی دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. Journal Article 2025 05 04 Introduction and Objectives: In today's In a highly competitive environment, recruitment decisions can no longer rely only on human judgment. The increasing volume of applicant data and the complexity of the search for candidate attributes and high precision in the selection of personnel have become a need. Artificial intelligence (AI) and machine learning have been chosen as the only solution to such a problem. (ML) a strategic necessity for organizations. Despite that, classical ML models, such as decision trees and logistic regression, are giving acceptable However, when results are applied to imbalanced datasets, complex data structure setups, and high accuracy requirements, they are greatly limited. This study aims to achieve a hybrid machine learning model designed on the forces of both kinds of neural networks as well as the classical algorithms. I demonstrate how to deliver a powerful, accurate, and interpretable solution to predict recruitment outcomes. Methods: A multi layer stacking architecture was used to develop the proposed model, in which Deep Neural Network (DNN) is employed with four of the high performing base learners such as Random Forest, Gradient Boosting, LightGBM and CatBoost. Finally, XGBoost was used as meta learner to learn the final prediction from the outputs of these base models. To handle the class imbalance problem, NearMiss undersampling technique was tried and we used the Tree structured Parzen Estimator (TPE) algorithm provided as a part of the Optuna framework for hyperparameter optimization. Additionally, Recursive Feature Elimination with Cross Validation (RFECV) was used for feature selection to find the most important variables related to the hiring decisions. Findings: The proposed hybrid model has been evaluated on a sample dataset of 1500 samples against 16 well-known machine learning models. Results indicated that the proposed model surpassed all key performance metrics in all areas of accuracy, precision, recall and F1 score with an accuracy of 92.47% and F1 score of 92.12%. There were some other models such as CatBoost and LightGBM that also had good scores, no other models performed better than those metrics reported for the proposed model.Likewise, the feature importance assessment of the same dataset with the help of XGBoost displayed that the recruitment strategy, education level, and interview score were the major predictors of final hiring decisions. These findings were not only beneficial in improving model performance but also valuable for improving the research and data examination of the HR decision makers in relation to the policies and criteria used in recruitment. Conclusion: This research develops the hybrid machine learning model that smoothly combines classical algorithms and deep learning by a stacked architecture, which provides an advanced and highly effective structure for predicting hiring outcomes accurately. The model achieved both statistical superiority in benchmark comparisons and practical benefits.These findings imply that the usage of such hybrid models can rewrite the context for intelligent HR systems by streamlining candidate evaluation as faster, fairer, and more data-driven. In addition, HR managers receive focused, evidence-based feedback from feature analysis when predicting with modeling. Future work involving larger datasets and unstructured data such as resumes and interview videos coupled with tools for making the black box more explainable, such as SHAP or LIME, is encouraged to add transparency and build organizational trust in AI-based decision-making systems. مقدمه و اهداف: در عصر رقابتی امروز، تصمیمات استخدامی دیگر نمی‌توانند صرفاً بر قضاوت‌های انسانی تکیه داشته باشند. با افزایش حجم داده‌ها، پیچیدگی ویژگی‌های متقاضیان و ضرورت دقت بالا در انتخاب نیروی انسانی، بهره‌گیری از هوش‌مصنوعی و یادگیری ماشین به یک الزام راهبردی برای سازمان‌ها تبدیل شده است. اگرچه مدل‌های یادگیری ماشین کلاسیک، مانند درخت تصمیم یا رگرسیون لجستیک، نتایج قابل‌قبولی داشته‌اند، اما این مدل‌ها در مواجهه با داده‌های نامتوازن، ساختارهای پیچیده و نیاز به دقت بالا، محدودیت‌های جدی دارند. پژوهش حاضر با هدف طراحی یک مدل یادگیری ماشین ترکیبی مبتنی‌بر یادگیری عمیق انجام شده که بتواند با ترکیب مزایای شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین جمعی پیشرفته، مدلی قدرتمند، دقیق و تفسیرپذیر برای پیش‌بینی تصمیمات استخدامی ارائه دهد. روش‌ها: برای توسعه مدل پیشنهادی، از یک ساختار استکینگ چندلایه استفاده شده است که در آن شبکه عصبی عمیق (DNN) به همراه 4 الگوریتم قدرتمند شامل Random Forest، Gradient Boosting، LightGBM و CatBoost به‌عنوان مدل‌های پایه عمل می‌کنند. خروجی این مدل‌ها به XGBoost به‌عنوان فرامدل منتقل می‌شود تا پیش‌بینی نهایی انجام شود. برای متوازن‌سازی مجموعه داده نامتوازن، از روش NearMiss استفاده شده و برای تنظیم بهینه پارامترها، الگوریتم TPE در چارچوب Optuna به کار رفته است. همچنین، فرآیند انتخاب ویژگی‌ها با روش حذف بازگشتی با اعتبارسنجی متقاطع (RFECV) انجام شده تا مهم‌ترین متغیرهای مؤثر بر تصمیم استخدام شناسایی شوند. یافته‌ها: مدل ترکیبی پیشنهادی بر روی یک مجموعه داده نمونه شامل ۱۵۰۰ نمونه در برابر ۱۶ مدل یادگیری ماشین شناخته شده ارزیابی شده است. نتایج نشان داد که مدل پیشنهادی در تمام زمینه‌های دقت، صحت، فراخوانی و امتیاز F1 باصحت ٪۹۲.۴۷ و امتیاز F1 ٪۹۲.۱۲ از تمام معیارهای کلیدی عملکرد پیشی گرفته است. برخی مدل‌های دیگر مانند CatBoost و LightGBM نیز نمرات خوبی داشتند، اما هیچ مدل دیگری بهتر از معیارهای گزارش شده برای مدل پیشنهادی عمل نکرد. افزون بر این، تحلیل اهمیت ویژگی‌ها (Feature Importance) که با بهره‌گیری از الگوریتم XGBoost انجام شد، نشان داد که متغیرهایی مانند «استراتژی جذب نیرو»، «سطح تحصیلات» و «امتیاز مصاحبه» بیشترین سهم را در پیش‌بینی نتیجه نهایی استخدام داشته‌اند. این نتایج نه‌تنها موجب بهبود اثربخشی مدل در پیش‌بینی تصمیمات استخدامی شد، بلکه با شفاف‌سازی عوامل مؤثر، اطلاعات ارزشمندی را برای تصمیم‌گیرندگان منابع‌انسانی فراهم کرد که می‌توانند بر پایه آن سیاست‌های جذب و ارزیابی خود را بازطراحی کنند. نتیجه‌گیری: مدل ترکیبی یادگیری ماشین ارائه‌شده در این پژوهش، با تلفیق منسجم الگوریتم‌های کلاسیک و ساختارهای یادگیری عمیق در قالب معماری استکینگ چندلایه، چارچوبی نوین و اثربخش برای پیش‌بینی دقیق تصمیمات استخدامی فراهم کرده است. این مدل نه‌تنها در آزمون‌های عددی و مقایسه‌ای عملکرد ممتاز و پایداری از خود نشان داده، بلکه از نظر کاربردی نیز واجد ویژگی‌هایی چون تفسیرپذیری، تعمیم‌پذیری و انعطاف‌پذیری است. دستاوردهای پژوهش حاکی از آن است که بهره‌گیری از چنین مدل‌های ترکیبی می‌تواند منجر به تحول اساسی در سیستم‌های تصمیم‌یار منابع‌انسانی شود و فرآیند انتخاب و ارزیابی متقاضیان شغلی را هوشمندانه‌تر، سریع‌تر و عادلانه‌تر سازد. از سوی دیگر، تلفیق تحلیل ویژگی‌ها با تکنیک‌های پیش‌بینی، امکان ارائه بازخورد هدفمند و داده‌محور به مدیران جذب نیرو را نیز فراهم می‌سازد. با توجه به این نتایج امیدبخش، پیشنهاد می‌شود در تحقیقات آتی از مجموعه‌داده‌های بزرگ‌تر، داده‌های غیرساختاریافته مانند رزومه‌های متنی، و مصاحبه‌های ویدیویی استفاده شود.

https://jimp.sbu.ac.ir/article_106819_e475af9a9c84f50b4befc2d7e3f42126.pdf