Franziska Linn (24) heeft een passie voor het afstemmen van menselijke en economische behoeften in organisaties. “Daarom heb ik na mijn bachelor International Business Administration and Entrepreneurship aan de Leuphana Universität Lüneburg in Duitsland niet alleen een master Bedrijfskunde aan de VU in Amsterdam gedaan, maar ook een master Arbeids- en Organisatiepsychologie. Zo kan ik organisatorische uitdagingen vanuit verschillende perspectieven bekijken”, vertelt Franziska, die inmiddels aan het werk is als consultant op het gebied van Organization Design en Change Management bij Deloitte in Hamburg.
‘Recruiters gebruiken een gecombineerde aanpak eerder dan een puur algoritmische aanpak, die vaak (nog) als bedreigend wordt gezien’
Haar laatste Master-thesis, , ‘Retaining the Hiring Professional in Employee Selection through a Mechanical Synthesis Approach’, die ze afrondde in de zomer van 2023, richt zich op de validiteit van beslissingen bij personeelsselectie, en in het bijzonder de vraag hoe en in welke vorm algoritmen de prestaties van sollicitanten en net aangenomen collega’s beter kunnen voorspellen, zonder het gevoel van autonomie en competentie van recruiters te ondermijnen. We denken vaak dat we heel goede besluitvormers zijn, en in sommige opzichten zijn we dat ook. Maar wat onderzoek ook heeft aangetoond, is dat we het moeilijk vinden om informatie uit verschillende bronnen te integreren en dat we vooroordelen hebben bij het nemen van beslissingen over het aannemen van personeel.
Uit onderzoek blijkt dat mechanische voorspellingen, dat wil zeggen eenvoudig algoritmes of formules gebruiken om informatie te combineren, leiden tot nauwkeurigere selectiebeslissingen dan holistische voorspellingen. Bij holistische voorspellingen kan het gaan om pure intuïtie, maar ook om informatie in je hoofd combineren door erover na te denken of te sparren met collega’s.
De voor- en nadelen van algoritmen bij personeelsselectie
Er wordt steeds vaker geëxperimenteerd met algoritmische besluitvorming, ook bij personeelsselectie. Uit onderzoek blijkt dat het combineren van informatie via een algoritme méér juiste voorspellingen oplevert dan wanneer dit door een mens gebeurt. Het probleem is dat niemand algoritmen consequent gebruikt. Een reden daarvoor is dat recruiters minder autonomie in algoritmische besluitvorming ervaren.
In haar onderzoek vergelijkt Franziska drie vormen van besluitvorming: de menselijke (holistische) benadering, de beslissing door het algoritme waarin de mens helemaal is uitgesloten (de mechanische benadering), én de mechanische synthesebenadering waarin mens en algoritme beiden hun rol hebben. Bij die laatste benadering wordt de menselijke beoordeling geïntegreerd in een algoritme om de uiteindelijke voorspellingen te genereren.
Echte sollicitanten
Franziska’s onderzoek is gebaseerd op echte sollicitanten, wat betekent dat zij de prestatievoorspellingen kon vergelijken met de werkelijke prestaties nadat de werknemers drie maanden aan het werk waren. Het onderzoek levert directe en bruikbare informatie over hoe personeelsselectie kan worden geoptimaliseerd, en kan meer in het algemeen iets zeggen over hoe mensen en machines kunnen samenwerken bij het nemen van selectiebeslissingen.
Een veel voorkomend misverstand is dat voorspelling met algoritmen alleen mogelijk is met tests, zoals persoonlijkheid of cognitieve vaardigheden. Maar vrijwel elk stukje informatie kan gekwantificeerd worden door de menselijke beslisser. “Mensen kunnen bijvoorbeeld de prestaties van een sollicitatiegesprek, de indruk van een sollicitatiebrief of de kwaliteit van iemands cv beoordelen. Eenmaal gekwantificeerd kan zo’n ‘voorspeller’ met een vast gewicht worden toegevoegd aan het algoritme”, zegt Franziska’s supervisor dr Marvin Neumann.
‘De geldigheid van de voorspelling is het hoogst bij puur algoritmische benaderingen – maar de combinatie van een geldige en toch geaccepteerde methode in de praktijk is beter’
Eenvoudig gezegd is haar conclusie dat bij het selecteren van werknemers mensen en algoritmen zouden moeten samenwerken. “Zo bereik je een beter resultaat dan bij mensen of algoritmen alleen”, licht Franziska toe. Met ‘beter’ bedoelt zij niet zozeer de geldigheid van de voorspelling – die is namelijk het hoogst bij puur algoritmische benaderingen – maar de combinatie van een geldige en toch geaccepteerde methode in de praktijk. “Recruiters zullen een gecombineerde aanpak, waarbij de krachten van mensen en computers worden gebundeld namelijk eerder gebruiken dan een puur algoritmische aanpak, die vaak (nog) als bedreigend wordt gezien.”
Beste van elf genomineerden
Haar noeste arbeid werd beloond met een 8,5 door de VU, waar ze in augustus vorig jaar afstudeerde. Franziska was blij en verrast toen ze hoorde dat de universiteit haar had voorgedragen voor de David van Lennep Scriptieprijs 2024. De prijs wordt jaarlijks uitgereikt door de stichting NSvP I Innovatief in Werk. “Wij belonen onderzoek dat bijdraagt aan een menswaardige toekomst van werk, waarin ieders talent telt en technologie vóór mensen werkt en de kansenongelijkheid tussen mensen verkleint”, licht NSvP-directeur Sonia Sjollema toe.
Dit jaar ontving de NSvP elf genomineerde scripties van zes verschillende universiteiten. Juryvoorzitter prof. dr. Dimitri van der Linden riep haar woensdag 7 februari tijdens het symposium ‘Werken tot nut van het algemeen’ uit tot winnaar. Zij ontving uit zijn handen een oorkonde en een geldprijs van 2000 euro. Hij had lovende woorden voor de winnares: “Het besluit van de jury was unaniem. De thesis was theoretisch goed onderbouwd, bevatte goede praktische aanbevelingen, en ondanks het technische gehalte en de complexiteit van het onderwerp is de scriptie zeer leesbaar.”
Over de David van Lennep Scriptieprijs
De David van Lennep Scriptieprijs, genoemd naar de grondlegger van de NSvP, wordt sinds 1997 jaarlijks uitgereikt aan de drie beste mastertheses op het gebied van mens, werk en organisatie. David Jacob van Lennep (1896-1982) wordt beschouwd als een van de pioniers van de psychotechniek (later de Arbeids- en Organisatiepsychologie) in Nederland. Hij wilde kandidaten niet alleen van een psychologisch etiket voorzien, maar hen juist benaderen als ‘medemensen die zelf verantwoordelijk zijn voor datgene wat zij van hun leven wensen te maken’.
Dit jaar ging de eerste prijs naar Franziska Linn (zie interview). Je kunt haar scriptie hier downloaden. De tweede prijs (1500 euro) ging naar Shagun Thakur (Universiteit Maastricht) voor haar onderzoek naar vrouwelijk leiderschap bij hybride en online werken. De derde prijs (1000 euro) was voor Georgia de Lima Zanella (Universiteit van Amsterdam) voor haar onderzoek naar de voordelen van ADHD op de werkvloer. Meer informatie over de elf genomineerden én een link naar hun scripties vind je hier.
Op basis van haar onderzoek moedigt Franziska organisaties aan om Mechanische Synthese (MS) vaker te gebruiken als hulpmiddel voor personeelsselectie. “Het is een veelbelovend compromis, waardoor organisaties beter in staat zijn om voorspellingen te doen, zonder de autonomie van de beslissers aan te tasten. Zo kan de ruis in aannamebeslissingen worden verminderd.”
Tips voor gebruik van Mechanische Synthese bij personeelsselectie
- Algoritmes hoeven NIET ingewikkeld te zijn. Ze kunnen supereenvoudig zijn, zoals deze eenvoudige wiskundige vergelijking: Prestatie-indicator * gewicht + prestatie-indicator * gewicht = voorspelling. Deze algoritmes kunnen worden uitgevoerd op elke standaard rekenmachine of computerprogramma, zoals Excel, of zelf een stuk papier. “Een gebrek aan programmeerkennis of een gebrek aan budget is dus geen reden om geen algoritmes te gebruiken”;
- Verzamel alle relevante gegevens van sollicitanten (bijvoorbeeld uit persoonlijkheids- of intelligentietests) en voer ze in Excel of een vergelijkbare tool in. Deze ‘pure’ vorm van algoritmische besluitvorming levert de beste selectiebeslissingen op. Ervaart deze aanpak in de praktijk echter weerstand, gebruik dan MS: voeg aan het algoritme de holistische voorspelling van de recruiter toe met een bepaald gewicht.
- MS helpt niet alleen bij het maken van betere beslissingen, maar kan ook helpen om sneller selectiebeslissingen te nemen. Als de relevante criteria van de gebruikte methoden en het algoritme bepaald zijn hoeven er achteraf geen discussies meer gevoerd te worden over de rangorde van kandidaten.
- MS maakt het selectieproces eerlijker en transparanter voor kandidaten in vergelijking met puur holistische benaderingen. MS zorgt ervoor dat die kandidaten worden geselecteerd waarvan de kans het grootst is dat ze in de toekomst het beste presteren op basis van de inputgegevens – ongeacht leeftijd, geslacht of etniciteit. Dr Neumann: “Hou in gedachten dat algoritmes altijd strenger worden beoordeeld dan mensen. Wanneer we holistische voorspellingen doen, weten we niet welke factoren de beslissing hebben bepaald. Was het de testscore of het feit dat de kandidaat de zoon van mijn buurman is?”
‘Het resultaat is eigenlijk treurig’
Met één klik complexe HR-vragen beantwoorden, efficiënter omspringen met arbeidsrechtelijke kwesties, makkelijk kandidaten screenen én effectiever talent managen. Volg deze masterclass en leer hoe AI en ChatGPT jouw dagelijkse werkzaamheden kunnen transformeren in alle belangrijke HR-domeinen.
