Kartlägg risken för kontraproduktiva beteenden på arbetet med datadrivna algoritmer

Anders SjöbergUrvalsbeslut2 Comments

När en organisation påbörjar en rekryteringsprocess så sker någon form av arbetsanalys, dvs en analys av situationen som den nya personen ska arbeta i. Denna analys överförs sedan till en specifikation av vilka kunskaper, färdigheter och andra personliga egenskaper som den perfekta kandidaten ska besitta. Det är en version av denna specifikation som vi sedan ser i platsannonser, där kan vanliga egenskaper som social förmåga, stresstålighet och team känsla vara egenskaper som eftersöks. Platsannonsen utgörs i princip av resultatet från arbetsanalysen med fokus på positiva och konstruktiva aspekter och formulerat på ett sätt som ska attrahera sökanden till tjänsten. 

Mycket sällan står det i en platsannons vad man INTE ska göra på jobbet, t ex att man inte ska stjäla saker, inte mobba andra på jobbet, och/eller dra benen efter dig. Det övergripande begreppet för denna typ av beteenden är kontraproduktiva beteenden på arbetet, på engelska ”Counter productive Work Behavior” (CWB), och enligt forskningen så är det minst lika viktigt att förutsäga CWB som att kandidaten ska besitta egenskaper som social förmåga, stresstålighet och teamkänsla.

CWB omfattar avsiktliga beteenden som är riktade mot både organisationen och/eller individer som ingår i denna. Exempel på kontraproduktiva beteenden är; stöld, förstörelse av egendom, missbruk av information, missbruk av tid och resurser och dålig arbetskvalitet och bristande närvaro. Denna typ av beteenden har stora ekonomiska konsekvenser för organisationer – så pass stora att man kan räkna med att 20 % av alla verksamheter misslyckas på grund av detta (Sjöberg & Sjöberg, 2007).

Runt 2004 började jag och några kollegor undersöka om man skulle kunna konstruera ett test för att förutsäga CWB. Vi fann en hel del belägg för att en kombination av personlighetsdimensionerna Emotionell stabilitet, Sympatiskhet och Målmedvetenhet tillsammans kan förutsäga CWB. Träffsäkerheten i förutsägelsen är långt ifrån perfekt, men om personer med låga poäng på dessa skalor plockas bort tidigt i urvalsprocessen kan en del CWB minska i organisationen. Testet som vi utvecklade benämndes MINT (MeasuringINTegrity), och säljs idag av testleverantören Assessio. 

Nu är det 2019 och en hel del har hänt forskningsmässigt. I en stor studie av Gonzalez-Mulé, E., Mount, M. K., & Oh, I.-S, (2014) så sammanfattar forskarna flera meta-analyser och kan bl a konstatera att kontraproduktiva beteenden är svagt negativt (r=-.11) relaterat med intelligens. Det betyder att även intelligens ska tas hänsyn till när man testar för att förutsäga CWB, detta visste vi inget om när vi utvecklade MINT. 

Det har dessutom visat sig att det är en särskild aspekt av personligheten som visat sig ha en större betydelse än vad som tidigare varit känt , och det är faktorn Sympatiskhet. Låg grad av Sympatiskhet karaktäriseras  av brist på tillit till andra och svårigheter att vara följsamma i det sociala samspelet genom att vara manipulativ, självisk, arrogant och hårdhudad. Personer med mycket låga poäng på Sympatiskhet utför med större sannolikhet kontraproduktiva handlingar på arbetsplatsen och  kan genom att uppvisa dessa beteenden vara skadliga för organisationen. Även  låg målmedvetenhet (samvetsgrannhet) och avsaknad av öppenhet hos individer har visat sig öka sannolikheten till kontraproduktiva beteenden. Detta betyder att faktorn emotionell stabilitet, som forskningen fram till 2014 identifierat som den viktigaste faktorn och är den faktor som MINT mäter till 80% (Sjöberg & Sjöberg & 2007), har en begränsad betydelse för att kunna förutsäga kontraproduktiva beteenden.

Så, en hel del har hänt de senaste 15 åren avseende personlighetstestning i syfte att förutsäga CWB, inte minst det faktum att emotionell stabilitet visat sig ha begränsad prediktiv kraft. Men, det har också visat sig att det är bättre att använda en kombination av hela fem faktor modellen (FFM) tillsammans med intelligens för att förutsäga CWB. Dagens testning för att förutsäga CWB bör därför inkludera ett intelligenstest, även om det har en liten effekt för att förutsäga CWB så bidrar det ytterligare i prediktion. Låg grad av Sympatiskhet bör viktas upp betydligt, men även låg grad av öppenhet ska vägas in i bedömningen tillsammans med låg målmedvetenhet. 

Assessment Engine och CWB

Till skillnad från andra leverantörer av arbetspsykologiska test för urval så har vi på Assessment Engine valt att utveckla psykometriskt sunda test där resultat i form av testpoäng tolkas genom standardiserade evidensbaserade algoritmer (EBUer). Dessa algoritmer optimerar testresultaten i förhållande till det som ska förutsägas – detta ska förstås som att det inte finns någon annan ”tolkning” av testresultaten som kan ge bättre träffsäkerhet.  I praktiken är det dock vanligast att den som använder ett test ska avgöra hur ett testresultat ska vägas samman till en helhetsbedömning för varje kandidat. Detta sker ofta med hjälp av yrkespersoner som, av testleverantören, är tränade i hur tolkningen av testpoängen ska gå till. Detta sätt att tolka och väga ihop testresultat kan dock inte dra nytta av testresultaten på ett standardiserat och optimerat sätt, och därmed sjunker träffsäkerheten (validiteten) i förutsägelsen.  Att validiteten sjunker och man har en kostnad för utbildning i tolkning av testresultat samt en större kostnad för den manuella ”hanteringen” testresultaten, gör att den ekonomiska nyttan sjunker betydligt (Sjöberg, 2014; Sjöberg & Sjöberg, Näswall & Sverke, 2012).

Assessment Engine fokuserar på vad du är i behov av att förutsäga, du behöver därför först fastslå vad du vill förutsäga. 

När du valt vad du är i behov av att förutsäga så väljer Assessment Engine vilka test (typer avuppgifter) som dina kandidater behöver svara på för att systemet ska kunna leverera en sammantagen bedömning med maximerad kvalitet (maximal prediktion). 

Assessment Engine sköter förstås även själva sammanvägningen av testresultaten. Kort sagt så kan du som användare fokusera vad du vill förutsäga istället för att behöva fundera på vad som ska mätas och du slipper även arbetet med själva tolkningen, sammanvägningen, av testresultaten. 

I Assessment Engine kan du välja bland många kriterier (evidenbaserade algoritmer, EBUer), CWB är ett. I Assessment Engine ser det ut så här.

Detta resultat kommer alltid baseras på det absolut senaste forskningsresultatet, ändras forskningsresultat ändras algoritmen (inte testen). Assessment Engine kommer alltid ligga steget före andra testleverantörer som fokuserar på vad som ska mätas. Assessment Engine följer även gängse krav på att genomföra en arbetsanalys, detta gör du genom att välja EBUs i Assessment Engine. Så om du vill ligga i fronten att vara evidensbaserad och datadriven i dina urvalsbeslut ska du använda Assessment Engine.

Klicka på nedan länk för att begära inlogg till ett datadrivet urval

Assessment Engine

Referenser

Gonzalez-Mulé, E., Mount, M. K., & Oh, I.-S. (2014, August 18). A meta-analysis of the relationship between general mental ability and nontask performance. Journal of Applied Psychology. Advance online publication. http://dx.doi.org/10.1037/a0037547

Sjöberg, S., & Sjöberg, A. (2007). MINT Measuring Integrity. Manual. Stockholm: Assessio International.

Sjöberg, S., Sjöberg, A., Näswall, K., Sverke, M.  (2012). Using individual differences to predict job performance: Correcting for direct and indirect restriction of range. Scandinavien Journal of Psychology, 53, 368–373.

Dela detta inlägg

2 kommentarer på “Kartlägg risken för kontraproduktiva beteenden på arbetet med datadrivna algoritmer”

  1. Hej och tack för ett intressant inlägg!
    En någorlunda normalbegåvad individ kan förmodligen förstå hur man “bör” svara på frågor kring personlighet (noggrann, ambitiös, trevlig, bra på att samarbeta, gillar att lära nytt, osv.). Genomsnittspersonen kommer säkerligen vara hyfsat ärlig ändå, men hur tänker du/ni kring svarsstil hos de som riskerar att uppvisa CWB? Sannolikt kommer väl de i större utsträckning ljuga och överdriva för sin egen vinnings skull? Hur försöker ni komma runt det?

  2. Tack Sven,

    tack Sven. Ja det är den frågan man ofta ställer kring att svara på standardiserade frågor. Av de valideringstudier som finns är det viktigt att påpeka att det finns en korrelation mellan hur folk svarar och hur de handlar på arbetsplatsen, om det skulle vara att gigantiskt problem skulle det inte finnas någon validitet (läs korrelation). Inte desto mindre så kan vissa personer förställa sig (vilket
    man naturligtvis gör även i tex anställningsintervjun). Det finns inte idag några “säkra” metoder att komma åt detta (även om vissa leverantörer av test påstår detta). Det mest lovande sättet är att ställa påstående emot varandra, sk ideal Point skalning. Istället för att säga “hur mycket” (dominans skalning) måste du välja mellan påstående som är mest lik dig. Där har man i några få studier lyckats “dämpa” skönmålningen. Dock finns det en risk att du ändrar på begreppsvaliditeten och även den kriterierelatearde validiteten. Så knepigt problem som jag inte direkt har någon lösning på.

Lämna ett svar

E-postadressen publiceras inte. Obligatoriska fält är märkta *

Denna webbplats använder Akismet för att minska skräppost. Lär dig hur din kommentardata bearbetas.