1
Probleem 4 – Judgement in the Selection Process Artikelen
Vragen OWG
1. Sawyer analyzed 45 studies of clinical versus statistical prediction (Sawyer, 1966
in Wiggins, 1973). Distinguishing between eight combinations of modes of data-
collection and data-combination, he drew several conclusions. What were these?
2. Evaluate the clinical-statistical prediction research findings, especially in
relationship to personnel selection: What are the general conclusions to be
drawn for personnel selection? Refer to Highhouse (2008) and Kuncel et al.
(2013) for your answer.
• Beter statistische voorspelling (Highhouse, 2008)
3. Explain several valuable and several risky issues when using applicants' digital
records, such as Social Network Screening, in selection.
4. Highhouse (1997) presents a theoretical framework on job-finalist choice.
Explain the components of this framework.
5. Improving selection interviews by structuring them has been extensively studied.
a. What components of structure can be distinguished;
b. How do, in a structured interview, impression management tactics by
candidates affect interviewers? Compare the findings with the findings on
faking in self-reported personality.
LD:
1. Wat is beter? Mens of machine? (I)
2. Welke typen attributie zijn er voor je eigen falen (IIA)
3. Welke type(n) attributie word(en) het meest gewaardeerd? (IIA)
4. Hoe beïnvloedt het ongestructureerde interview het vertrouwen van
recruiters, hiring decisions, en zal de predictieve validiteit verhogen of
verlagen? (IIB)
5. Moeten we het ongestructureerde interview (i.e. intuïtieve beslissingen)
behouden of wegmiken? (IIB)
6. Welke non-rationele factoren beïnvloeden personeelsbeslissingen? (III)
, 2
Artikel 1 - Chamorro-Premuzic, Akhtar, Winsborough, and Sherman
(2017) - The Datafication of Talent: How Technology is Advancing the
Science of Human Potential at Work
Waar gaat het artikel over?
Artikel bespreekt 3 innovaties die:
• Potentie hebben om een revolutie te doen ontstaan in de manier waarop
organisaties talent: identificeren, ontwikkelen en benaderen.
• Maar ook opkomen als tools die mensen in het werkveld en organisaties
gebruiken.
Introductie
Men probeert tools te ontwerpen die personeelsselectie minder intuïtief en meer
evidence-based maken. Er zijn veel soorten tools ontworpen, maar deze zijn nog niet
veel onderworpen aan kritiek. Dat gaat dit artikel dus doen.
De sterkten en zwaktes van deze benaderingen worden besproken.
Innovaties voor evalueren van talent:
1. Machine-learning Algoritme dat digitale voetstappen evalueert.
a. Kijkt naar:
i. E.g. Social media voor Psychologisch profiel (i.e. CI,
persoonlijkheid, waarden)
b. Wat kan dit mogelijk voorspellen:
i. Baanprestatie
ii. Leiderschap Emergence / Effectiviteit
iii. OCB/CWB
iv. Psychopathie en Narcisme
v. Cognitief Vermogen (CI)
vi. Taalgebruik a.d.h.v. pers. profiel en kernwaarden → voorspelt job-
person fit + werknemer engagement
c. Incrementele validiteit t.o.v. traditionele tools?
i. Is nog niet bekend, maar dat maakt deze methode niet minder
bruikbaar, want:
1. Meer accurate info voor persoonlijkheid dan menselijke
observer kan, en mensen kijken tegenwoordig als op de
profielen van hun kandidaten
, 3
2. Schaalvoordeel: sneller en goedkoper. Om twee redenen:
a. Kandidaten hoeven geen assessment af te nemen
b. Zelfs als deze digitale manier geen betere voorspeller
is, kan de hoeveelheid mensen die meer gescreend
worden compenseren voor de lagere voorspellende
power.
d. Nadelen (nja niet echt nadelen):
i. De wet vereist dat mensen hun digitale profielen mogen inzien en
aanpassen (dus ook weigeren dan werkgever ze kan inzien)
2. Social Sensing technologie dat automatisch verbaal en non-verbaal
gedrag decodeert om persoonlijkheid en emotionele staten uit af te
leiden. (e.g. zoals in probleem 1 dat artikel over verschillen tussen AI en mensen
in onderzoek)
a. = digitale interview waarbij ‘computer vision’ wordt gebruikt om het
verbale en non-verbale gedrag van de kandidaten te vertalen in een (1)
psychologisch profiel, (2) een schatting van hun potentiële fit of a role
(gebaseerd op voorspelling job performance/werknemer engagement)
b. Voordelen:
i. Standaardisatie van interview proces, meer objectief en kosten-
efficiënt.
ii. Reduceert de impact van interviewer biases.
iii. Verbale en non-verbale comminicatie is valide voorspeller van
persoonlijkheidseigenschappen (vaak 30% verklaarde variantie)
3. Gamified Assessment Tools die focussen op het verbeteren van
de gebruikerservaring in personeel selectie.
a. = Manier om assessments tool meer game-achtig te maken (e.g. engaging,
competitief, visueel aantrekkelijk etc.)
b. Waarom is dat interessant voor HR?
i. Significante gelijkenissen tussen spelen van online role-playing
game en de situaties op de werkvloer (e.g. WoW → leiden van een
team, samenwerken etc.).
ii. Gegeven dat: Self-determination (i.e. need for autonomy,
mastery & relatedness) een voorspeller is van video game
voorkeuren → kan game-based assessment de person-job fit
verbeteren door het verhogen van de waarschijnlijkheid dat
, 4
werknemers geplaatst worden in banen die intrinsiek motiverend
en engaging zijn.
iii. Test takers prefereren het spelen van spelletjes.
iv. Overlap tussen mentale processen die nodig zijn om videogames te
winnen en definities van cognitief vermogen (CI)
1. Dus mogelijk kunnen videogames talent voorspellen: e.g.
fluid intelligentie, integriteit, nieuwsgierigheid.
c. Nadelen
i. Validiteit is nog niet bekend
ii. Nog weinig bekritiseerd etc.
De auteurs zijn voorstander van voordelen van dataficatie van talent, maar limitaties en
negatieve consequenties van deze nieuwe methoden om talent te identificeren moeten
niet worden vergeten. Drie issues (m.b.t. employee-employer relatie) moeten worden
opgelost:
1. Er moeten duidelijke grenzen komen rondom data eigenaarschap en delen ervan.
2. Dataprivacy en toegang moet consensueel en transparant zijn.
3. Data moet gebruikt worden op een ethische en niet-discriminerende manier.
Probleem 4 – Judgement in the Selection Process Artikelen
Vragen OWG
1. Sawyer analyzed 45 studies of clinical versus statistical prediction (Sawyer, 1966
in Wiggins, 1973). Distinguishing between eight combinations of modes of data-
collection and data-combination, he drew several conclusions. What were these?
2. Evaluate the clinical-statistical prediction research findings, especially in
relationship to personnel selection: What are the general conclusions to be
drawn for personnel selection? Refer to Highhouse (2008) and Kuncel et al.
(2013) for your answer.
• Beter statistische voorspelling (Highhouse, 2008)
3. Explain several valuable and several risky issues when using applicants' digital
records, such as Social Network Screening, in selection.
4. Highhouse (1997) presents a theoretical framework on job-finalist choice.
Explain the components of this framework.
5. Improving selection interviews by structuring them has been extensively studied.
a. What components of structure can be distinguished;
b. How do, in a structured interview, impression management tactics by
candidates affect interviewers? Compare the findings with the findings on
faking in self-reported personality.
LD:
1. Wat is beter? Mens of machine? (I)
2. Welke typen attributie zijn er voor je eigen falen (IIA)
3. Welke type(n) attributie word(en) het meest gewaardeerd? (IIA)
4. Hoe beïnvloedt het ongestructureerde interview het vertrouwen van
recruiters, hiring decisions, en zal de predictieve validiteit verhogen of
verlagen? (IIB)
5. Moeten we het ongestructureerde interview (i.e. intuïtieve beslissingen)
behouden of wegmiken? (IIB)
6. Welke non-rationele factoren beïnvloeden personeelsbeslissingen? (III)
, 2
Artikel 1 - Chamorro-Premuzic, Akhtar, Winsborough, and Sherman
(2017) - The Datafication of Talent: How Technology is Advancing the
Science of Human Potential at Work
Waar gaat het artikel over?
Artikel bespreekt 3 innovaties die:
• Potentie hebben om een revolutie te doen ontstaan in de manier waarop
organisaties talent: identificeren, ontwikkelen en benaderen.
• Maar ook opkomen als tools die mensen in het werkveld en organisaties
gebruiken.
Introductie
Men probeert tools te ontwerpen die personeelsselectie minder intuïtief en meer
evidence-based maken. Er zijn veel soorten tools ontworpen, maar deze zijn nog niet
veel onderworpen aan kritiek. Dat gaat dit artikel dus doen.
De sterkten en zwaktes van deze benaderingen worden besproken.
Innovaties voor evalueren van talent:
1. Machine-learning Algoritme dat digitale voetstappen evalueert.
a. Kijkt naar:
i. E.g. Social media voor Psychologisch profiel (i.e. CI,
persoonlijkheid, waarden)
b. Wat kan dit mogelijk voorspellen:
i. Baanprestatie
ii. Leiderschap Emergence / Effectiviteit
iii. OCB/CWB
iv. Psychopathie en Narcisme
v. Cognitief Vermogen (CI)
vi. Taalgebruik a.d.h.v. pers. profiel en kernwaarden → voorspelt job-
person fit + werknemer engagement
c. Incrementele validiteit t.o.v. traditionele tools?
i. Is nog niet bekend, maar dat maakt deze methode niet minder
bruikbaar, want:
1. Meer accurate info voor persoonlijkheid dan menselijke
observer kan, en mensen kijken tegenwoordig als op de
profielen van hun kandidaten
, 3
2. Schaalvoordeel: sneller en goedkoper. Om twee redenen:
a. Kandidaten hoeven geen assessment af te nemen
b. Zelfs als deze digitale manier geen betere voorspeller
is, kan de hoeveelheid mensen die meer gescreend
worden compenseren voor de lagere voorspellende
power.
d. Nadelen (nja niet echt nadelen):
i. De wet vereist dat mensen hun digitale profielen mogen inzien en
aanpassen (dus ook weigeren dan werkgever ze kan inzien)
2. Social Sensing technologie dat automatisch verbaal en non-verbaal
gedrag decodeert om persoonlijkheid en emotionele staten uit af te
leiden. (e.g. zoals in probleem 1 dat artikel over verschillen tussen AI en mensen
in onderzoek)
a. = digitale interview waarbij ‘computer vision’ wordt gebruikt om het
verbale en non-verbale gedrag van de kandidaten te vertalen in een (1)
psychologisch profiel, (2) een schatting van hun potentiële fit of a role
(gebaseerd op voorspelling job performance/werknemer engagement)
b. Voordelen:
i. Standaardisatie van interview proces, meer objectief en kosten-
efficiënt.
ii. Reduceert de impact van interviewer biases.
iii. Verbale en non-verbale comminicatie is valide voorspeller van
persoonlijkheidseigenschappen (vaak 30% verklaarde variantie)
3. Gamified Assessment Tools die focussen op het verbeteren van
de gebruikerservaring in personeel selectie.
a. = Manier om assessments tool meer game-achtig te maken (e.g. engaging,
competitief, visueel aantrekkelijk etc.)
b. Waarom is dat interessant voor HR?
i. Significante gelijkenissen tussen spelen van online role-playing
game en de situaties op de werkvloer (e.g. WoW → leiden van een
team, samenwerken etc.).
ii. Gegeven dat: Self-determination (i.e. need for autonomy,
mastery & relatedness) een voorspeller is van video game
voorkeuren → kan game-based assessment de person-job fit
verbeteren door het verhogen van de waarschijnlijkheid dat
, 4
werknemers geplaatst worden in banen die intrinsiek motiverend
en engaging zijn.
iii. Test takers prefereren het spelen van spelletjes.
iv. Overlap tussen mentale processen die nodig zijn om videogames te
winnen en definities van cognitief vermogen (CI)
1. Dus mogelijk kunnen videogames talent voorspellen: e.g.
fluid intelligentie, integriteit, nieuwsgierigheid.
c. Nadelen
i. Validiteit is nog niet bekend
ii. Nog weinig bekritiseerd etc.
De auteurs zijn voorstander van voordelen van dataficatie van talent, maar limitaties en
negatieve consequenties van deze nieuwe methoden om talent te identificeren moeten
niet worden vergeten. Drie issues (m.b.t. employee-employer relatie) moeten worden
opgelost:
1. Er moeten duidelijke grenzen komen rondom data eigenaarschap en delen ervan.
2. Dataprivacy en toegang moet consensueel en transparant zijn.
3. Data moet gebruikt worden op een ethische en niet-discriminerende manier.
