Marvin Neumann, A. Susan. M. Niessen & Rob R. Meijer
Zusammenfassung
Ein Ziel vieler Organisationen ist die valide Vorhersage von Arbeitsleistung. „Welche Auswahlmethoden können Arbeitsleistung valide vorhersagen“ ist daher eine zentrale Frage, die sich Forscher und Praktiker häufig stellen, und die in den Publikationen von Schmidt und Hunter (1998) und Sackett et al. (2022) besprochen wird. In den allermeisten Personalauswahlprozessen werden mehrere Auswahlmethoden
eingesetzt, häufig mit der Absicht, die prädiktive Validität gegenüber dem Einsatz einer einzelnen Auswahlmethode zu steigern. Daher besprechen Schmidt und Hunter (1998) auch, inwiefern Auswahlmethoden inkrementelle Validität gegenüber dem Einsatz von allgemeinen Intelligenztests allein aufweisen, wenn Informationen aus Auswahlmethoden mechanisch (oder statistisch) mittels optimaler Regressionsgewichte
kombiniert werden. In der Praxis werden Informationen jedoch selten mittels optimaler Regressionsgewichte kombiniert. Daher besprechen wir in diesem Artikel, wie alternative Gewichtungen die Validität des Gesamtverfahrens beeinflussen können und warum mehr Informationen nicht immer zu besseren Leistungsvorhersagen führen. Am häufigsten werden Informationen in der Praxis gar nicht mechanisch, sondern viel mehr holistisch (oder klinisch) „im Kopf“ kombiniert, was zu schlechteren Vorhersagen führt. Daher geben wir Handlungsempfehlungen für die Praxis, wie Informationen mechanisch kombiniert werden können, um valide Leistungsvorhersagen zu treffen, ohne die Akzeptanz von Entscheidungsträgerinnen und -trägern und anderen Stakeholdern zu verlieren.
Schlüsselwörter: Entscheidungsfindung, Testnutzung, holistische und mechanische Kombination, Personalauswahl, Algorithmus Aversion