Hệ thống dự đoán để đưa ra quyết định tuyển dụng

Vấn đề dự đoán điển hình, có thể là lựa chọn, vị trí hoặc cả hai, liên quan đến việc sử dụng một số dự đoán. Những dự đoán này được sử dụng theo cách tốt nhất có thể như hướng dẫn trong việc đưa ra quyết định về việc làm. Có những quyết định như anh ấy nên được thuê cho công việc này? Cô ấy nên được gửi đến chương trình đào tạo này? Có một số chiến lược mà nhà tâm lý học có thể áp dụng theo cách tiếp cận quá trình ra quyết định của anh ấy. Tùy thuộc vào hệ thống dự đoán cụ thể được thông qua, các quyết định tuyển dụng có thể khác nhau.

Mặc dù mỗi hệ thống có những ưu điểm và nhược điểm riêng, mỗi hệ thống cung cấp một phương pháp để đưa ra quyết định về con người dựa trên một nhóm các đặc điểm hoặc phẩm chất (những người dự đoán) được cho là có liên quan đến thành công trong công việc.

Các hệ thống chính là:

(1) Hệ thống hồi quy bội,

(2) Hệ thống đa điểm,

(3) Hệ thống khớp hồ sơ và

(4) Hệ thống nhiều chướng ngại vật.

Mỗi hệ thống sẽ được kiểm tra trong các phần sau đây chi tiết hơn.

Hệ thống hồi quy bội:

Như tên của nó, hệ thống vị trí này sử dụng mô hình hồi quy bội để đưa ra quyết định về các cá nhân. Mô hình hồi quy bội có dạng y = b ₁ x ₁ + b ₂ x ₂ (giả sử a = 0) (3.6)

Việc sử dụng một mô hình như vậy trong lựa chọn giả định rằng (1) các tính trạng x ₁ và x ₂ có liên quan tuyến tính đến hiệu suất của tiêu chí và (2) sở hữu một lô lô của một trong những đặc điểm bù cho việc chỉ có một chút Mùi của đặc điểm thứ hai.

Cho một tình huống, ví dụ, trong đó bi = 2 và b ₂ = 4 và a = 0, công thức y = 2x ₁ + 4x ₂ (3.7)

sẽ được sử dụng để dự đoán thành công công việc. Chúng ta hãy giả sử rằng một số điểm tiêu chí 50 có thể được coi là hiệu suất thỏa đáng của nhân viên và bất cứ điều gì ít dẫn đến hiệu suất không thỏa đáng. Bảng 3.2 cho thấy một số điểm kiểm tra trên hai yếu tố dự đoán cho bốn ứng viên lý thuyết. Điểm tiêu chí dự đoán cho mỗi ứng viên cũng đã được tính toán bằng phương trình 3.7. Lưu ý rằng tất cả bốn ứng viên đều có chính xác hiệu suất tiêu chí dự đoán giống nhau mặc dù các mẫu điểm kiểm tra của họ khác nhau khá rõ rệt. Khi chúng tôi tiến hành từ người A đến người D, chúng tôi thấy rằng điểm số của họ trong bài kiểm tra 2 giảm đi một cách có hệ thống.

Tuy nhiên, sự sụt giảm này được bù đắp bằng hiệu suất tăng tương ứng trong thử nghiệm 1. Trên thực tế, kiểm tra chặt chẽ sẽ cho thấy rằng việc tăng hai điểm trong bài kiểm tra 1 là cần thiết để bù cho việc mất từng điểm trong bài kiểm tra 2. Điều này không có gì đáng ngạc nhiên, vì trọng số tương đối được đưa ra cho bài kiểm tra 2 là gấp đôi kiểm tra 1 trong mô hình hồi quy của chúng tôi (nghĩa là b ₁ = 2, b ₂ = 4).

Hình 3.5 cho thấy rõ hơn nữa tính năng động của quá trình lựa chọn được tạo bởi dữ liệu trong Bảng 3.2. Đường bao của các điểm được hiển thị trong biểu đồ phân tán của Hình 3.5 trình bày một tình huống trong đó hai yếu tố dự đoán về hiệu suất, x ₁ và x ₂, có mối tương quan tích cực. Nếu tương quan r ₁₂ bằng 0, biểu đồ phân tán tất nhiên sẽ là một vòng tròn.

Tuy nhiên, hình dạng của biểu đồ phân tán không quan trọng đối với khái niệm đánh đổi vốn có trong hệ thống hồi quy bội. Vì chúng tôi đã nói rằng bất kỳ người nào có điểm số dự đoán là 50 hoặc tốt hơn đều được coi là đạt yêu cầu, nên chúng tôi có thể vẽ đường thẳng 50 điểm của Hình trong Hình 3.5, cho thấy tất cả các kết hợp có thể có của điểm kiểm tra 1 và điểm 2 sẽ dẫn đến một số điểm tiêu chí chính xác là 50 điểm bằng phương trình 3.7. Như con số chỉ ra, cả bốn ứng viên đều nằm dọc theo hàng này.

Một khía cạnh thú vị của Hình 3.5 là đường phân chia dân số của những người xin việc thành hai nhóm hoặc khu vực. Tất cả những người nộp đơn ở bên phải và phía trên dòng sẽ có điểm tiêu chí (sử dụng phương trình 3.7) sẽ trên 50. Tất cả những người đăng ký ở bên trái và bên dưới dòng sẽ có điểm tiêu chí dưới 50. Vì vậy, chỉ có trước đây được chấp nhận cho việc làm vì dự đoán rằng hiệu suất của họ sẽ đạt yêu cầu.

Các ứng viên sau này, với hiệu suất dự đoán ít hơn thỏa đáng, sẽ bị từ chối với hệ thống lựa chọn này. Hình 3.6 mở rộng Hình 3.5 thành ba chiều, cho thấy điểm số tiêu chí quan sát cũng như điểm số dự đoán cho tất cả các cá nhân.

Điều quan trọng cần lưu ý là mặt phẳng trong Hình 3.6 phân chia các nhân viên thành những người sẽ được chọn bằng mô hình hồi quy bội được đưa ra bởi phương trình 3.7 và những người sẽ bị từ chối không phải là mặt phẳng hồi quy. Nó được gọi đúng hơn là mặt phẳng lựa chọn. Người đọc được quay lại Hình 3.4 để minh họa mặt phẳng hồi quy trong hệ thống hồi quy bội hai dự báo.

Giả định, ưu điểm và nhược điểm của hệ thống hồi quy bội:

Hệ thống dự đoán hồi quy bội là một quy trình lựa chọn mạnh mẽ khi được sử dụng một cách thích hợp. Với giả định cơ bản rằng tất cả các mối quan hệ là tuyến tính là đúng, nó có một sự tao nhã toán học khó có thể vượt qua. Chẳng hạn, người ta biết rằng mô hình giảm thiểu các lỗi trong dự đoán. Một ưu điểm khác của hệ thống này là các yếu tố dự đoán được kết hợp để có được ước tính hiệu quả nhất về hiệu suất tiếp theo.

Một trong những điểm gây tranh cãi chính liên quan đến mô hình hồi quy bội liên quan đến nguyên tắc đánh đổi quá tiềm ẩn trong việc sử dụng nó. Liệu các đơn vị X của một biến có thể được thay thế cho các đơn vị X trên một biến khác luôn luôn là một câu hỏi không. Chắc chắn phương pháp có thể là một phương pháp cực kỳ linh hoạt. Có thể thiết lập các phương trình cho từng công việc bằng cách sử dụng cùng một hoặc các công cụ dự đoán khác nhau. Do đó, điểm số dự đoán có thể được tính toán cho mỗi người cho mỗi công việc.

Mọi người sau đó có thể được thuê và đặt vào một công việc cụ thể bằng một hoặc nhiều thủ tục sau đây:

1. Đặt mỗi người vào công việc mà điểm số dự đoán là cao nhất. Điều này giả định rằng tổ chức sẽ thu được lợi nhuận cao nhất nếu mỗi người được đặt ở nơi anh ta có năng khiếu nhất, bất kể số lượng tuyệt đối của năng khiếu đó. Nếu không có vị trí nào được mở trong công việc đó, anh ta sẽ được đặt vào một công việc khác mà anh ta nhận được điểm số tiêu chí tốt nhất thứ hai.

Một vấn đề với thủ tục như vậy là có thể bản thân các công việc có thể có các yêu cầu tối thiểu khác nhau để thành công. Do đó, có thể xảy ra rằng điểm số tốt nhất của anh ấy (hiệu suất dự đoán cho công việc A) có thể không đủ cho thành công dự đoán trong công việc A, trong khi điểm số thứ hai tốt nhất của anh ấy (hiệu suất dự đoán trong công việc B) có thể cao hơn giá trị cần thiết để dự đoán thành công công việc B

2. Đặt mỗi người vào công việc đó trong đó điểm dự đoán của anh ta xa nhất so với điểm tối thiểu cần thiết để được coi là đạt yêu cầu. Phương pháp này quan tâm nhiều hơn đến tổng hiệu quả của hệ thống hơn là mức độ mà mỗi người được đặt vào công việc mà anh ta có thể thực hiện tốt nhất. Nó tránh đặt bất cứ ai vào một công việc mà hiệu suất của anh ta sẽ không đạt chuẩn.

Nhiều hệ thống giới hạn:

Rõ ràng đã chỉ ra trong cuộc thảo luận về hệ thống hồi quy bội mà mô hình được sử dụng giả định mối quan hệ tuyến tính giữa các yếu tố dự đoán và tiêu chí. Một hệ thống như vậy thường bị phản đối trên cơ sở rằng trong khi đối với nhiều đặc điểm có thể có mối quan hệ tuyến tính giữa yếu tố dự đoán và tiêu chí trên hầu hết phạm vi, có thể có một số lượng tối thiểu có thể chấp nhận được của đặc điểm này là cần thiết để thành công công nhân. Loại mối quan hệ giữa hiệu suất công việc và kiểm tra được thể hiện trong Hình 3.7.

Hàm dự đoán - tiêu chí trong Hình 3.7 cho thấy điều gì xảy ra khi một người giả định rằng:

(1) Có một số lượng tối thiểu khả năng dự đoán (đặc điểm X) cần thiết để thành công trong công việc và

(2) Bất kỳ thiếu hoặc thiếu tính trạng X dưới mức tối thiểu này đều không thể được bù đắp bằng cách có rất nhiều khả năng khác cũng được chứng minh là có thể dự đoán thành công trong công việc.

Một ví dụ về tình huống như vậy có thể là một công việc lắp ráp đòi hỏi cả tầm nhìn tốt và sự khéo léo thủ công. Nói chung, người ta có thể thấy rằng tầm nhìn của người lao động càng tốt và sự khéo léo của anh ta càng tốt, người lao động sẽ thành công hơn trong công việc. Tuy nhiên, có thể có một điểm dọc theo chiều kích tầm nhìn mà không có sự khéo léo nào có thể giúp được.

Quy trình lựa chọn và vị trí có tính đến vấn đề này với các giá trị tối thiểu có thể chấp nhận được gọi là phương pháp cắt nhiều lần, nghĩa là điểm cắt được thiết lập riêng cho từng yếu tố dự đoán. Trừ khi một người có điểm cao hơn mức cắt giảm đối với tất cả các dự đoán cho một công việc nhất định, anh ta sẽ không được đặt vào công việc đó.

Do đó, không có khái niệm cộng gộp các đặc điểm tồn tại với phương pháp này. Rơi xuống dưới mức tối thiểu trên bất kỳ dự đoán sẽ loại bỏ cá nhân. Hình 3.8 và 3.9 cho thấy các vùng chấp nhận và loại bỏ bằng cách sử dụng hệ thống đa điểm cho dữ liệu tương tự như dữ liệu được sử dụng để minh họa hệ thống hồi quy bội trong Hình 3.5 và 3.6.

Có lẽ cách tốt nhất để so sánh hai phương pháp là chỉ ra chúng khác nhau như thế nào về người sẽ được chọn cho công việc. Hình 3.10 cho thấy các đường giới hạn cho cả hai phương thức lựa chọn. Lưu ý, trước hết, bất kể phương thức nào được sử dụng, những người trong khu vực 7 sẽ luôn được chấp nhận và những người trong khu vực 1, 3 và 5 sẽ luôn bị từ chối. Những người sẽ được coi là một chức năng của quy trình lựa chọn là những người trong khu vực 2, 4 và 6.

Sử dụng hệ thống lựa chọn hồi quy bội, tất cả những người ở khu vực 2 và 6 sẽ được chấp nhận trong khi những người ở khu vực 4 sẽ bị từ chối. Điều ngược lại sẽ xảy ra bằng cách sử dụng thủ tục cắt bỏ nhiều lần; những người ở khu vực 4 sẽ được chấp nhận và những người ở khu vực 2 và 6 sẽ bị từ chối. Do đó, câu hỏi giải quyết một trong những mong muốn tương đối của hai nhóm cá nhân này.

Giải pháp phức tạp về mặt toán học và đã được Lord (1963) chỉ ra rằng chủ yếu là một chức năng về độ tin cậy của hai yếu tố tiên đoán. Trong thực tế, trong hầu hết các điều kiện có lẽ không thủ tục nào đưa ra giải pháp chính xác nhất trong việc lựa chọn nhóm nhân viên đó với điểm tiêu chí trung bình cao nhất. Thay vào đó, chiến lược lựa chọn tối ưu dường như là một dạng thỏa hiệp giữa hai phương thức (xem đường chấm chấm trong Hình 3.10).

Xác định điểm cắt:

Nếu Một người áp dụng kỹ thuật nhiều điểm cắt, việc quyết định dựa trên số điểm tối thiểu riêng biệt cho từng người dự đoán sẽ trở nên cần thiết. Đây không phải là một nhiệm vụ dễ dàng vì không có cách xác định chính xác nào về cách thiết lập một điểm số dưới đây mà tất cả mọi người sẽ bị loại. Các mối quan hệ liên quan đến tỷ lệ lựa chọn và tỷ lệ phần trăm nhân viên được coi là đạt yêu cầu (điểm số cắt), anh ta sẽ bắt đầu thấy vấn đề phức tạp như thế nào khi có hai người dự đoán.

Nói chung, quá trình thiết lập các giá trị điểm cắt trở thành một trong những thử nghiệm và lỗi trong đó các giá trị khác nhau cho mỗi dự đoán được thử. Đối với mỗi cặp điểm cắt, nhà nghiên cứu phải xác định điểm tiêu chí trung bình hoặc tổng hợp của những người được chọn cao bao nhiêu so với các kết hợp điểm cắt khác. Anh ta cũng phải tính đến số lượng cơ hội việc làm đối với tổng số người nộp đơn (tỷ lệ lựa chọn).

Giả định, ưu điểm và nhược điểm của nhiều điểm cắt:

Để tóm tắt các điểm đã nêu ở trên, phương pháp cắt điểm thực sự giả định mối quan hệ phi tuyến giữa các yếu tố dự đoán và tiêu chí. Thứ hai, nó không chấp nhận khái niệm thay thế điểm kiểm tra, ít nhất là ở một số phần của phạm vi. Một lợi thế rõ ràng là nó thường là một phương pháp dễ dàng để nhân viên thực hiện vì không yêu cầu các quy trình tính toán hoặc công thức phức tạp.

Tuy nhiên, như đã đề cập, một số lượng thử nghiệm và lỗi nhất định là cần thiết để có được điểm số cắt sẽ hoạt động theo cách thỏa đáng nhất. Một trong những nhược điểm quan trọng hơn của nó là nó không cung cấp một điểm số duy nhất cho mỗi cá nhân có thể được sử dụng để dự đoán mức độ thành công của anh ta trong một công việc so với thành công của anh ta trong công việc khác. Do đó, vị trí công việc thực tế thông qua việc cắt giảm điểm có thể trở nên cực kỳ cồng kềnh.

Hệ thống khớp hồ sơ:

Cách tiếp cận thứ ba để lựa chọn và sắp xếp nhân viên là hệ thống khớp hồ sơ. Có rất nhiều phiên bản của phương pháp này khác nhau chủ yếu về cách thức khớp hồ sơ. Tuy nhiên, các khía cạnh còn lại của thủ tục khá bất biến từ phiên bản này sang phiên bản khác. Phương pháp này khá đơn giản. Nếu một người có k biến số (yếu tố dự đoán) được chấp nhận là quan trọng để thành công trong công việc, thì người ta sẽ đo lường tất cả các nhân viên của thành công trên đường sắt trên công việc trên mỗi dự đoán k này. Các điểm số sau đó được tính trung bình để có được một hồ sơ điển hình của một người lao động thành công. Một hồ sơ điển hình giả thuyết được hiển thị trong Hình 3.11.

Trong ví dụ này, mười yếu tố dự đoán đã được sử dụng để mô tả công nhân thành công điển hình trong công việc A. Như dữ liệu chỉ ra, một công nhân thành công trong công việc A sẽ có xu hướng có điểm cao (so với các công nhân khác) trên các biến 2, 3, 5, 6 và 8. Điểm của anh ấy về các biến 1, 4, 7, 9 và 10 không khác nhiều so với hiệu suất trung bình của người lao động nói chung. Một khi loại hồ sơ lý tưởng này đã được lấy, nó sẽ được sử dụng như một tiêu chuẩn để so sánh các hồ sơ cá nhân của tất cả các ứng viên mới.

Tại thời điểm này, hai câu hỏi khá quan trọng phát sinh trong phương pháp hồ sơ. Đầu tiên, làm thế nào để một người quyết định những dự đoán nào có liên quan, nghĩa là, những cái nào nên được đưa vào hồ sơ? Thứ hai, cho rằng các yếu tố hồ sơ đã được chọn thành công, làm thế nào để một người đánh giá đầy đủ mức độ mà bất kỳ hồ sơ cá nhân nào phù hợp với hồ sơ lý tưởng? Cách giải quyết hai vấn đề này có thể ảnh hưởng rất lớn đến tính đúng đắn và tính hợp lệ cuối cùng của bất kỳ hệ thống khớp hồ sơ nào.

Lựa chọn các yếu tố hồ sơ:

Mỗi yếu tố hồ sơ được sử dụng như một yếu tố dự báo thành công trong công việc, cũng như các yếu tố dự đoán trong các phương pháp đã thảo luận trước đây. Sau đó, chắc chắn là cần thiết để thiết lập tính hợp lệ của từng thành phần hồ sơ trước khi sử dụng nó như một phương tiện để lựa chọn và / hoặc đặt các cá nhân vào công việc. Chẳng hạn, chúng ta có sự đảm bảo nào, chẳng hạn, những người lao động nghèo hoặc không đạt yêu cầu không có một hồ sơ tổng hợp trông giống hệt như trong Hình 3.11? Chúng tôi thực sự không có gì cả, trừ khi chúng tôi tiến hành tìm hiểu thực nghiệm tổng hợp không đạt yêu cầu trông như thế nào bằng cách thực sự đo lường một nhóm những người này trên cùng một đặc điểm và tính trung bình của nhóm máy tính.

Rõ ràng là chỉ những người dự đoán chứng minh sự khác biệt đáng kể về điểm trung bình giữa các nhóm thỏa đáng và không đạt yêu cầu mới được đưa vào hồ sơ lý tưởng. Bất kỳ đặc điểm nào không phân biệt rõ ràng giữa các nhân viên của Good good và các người nghèo của Keith sẽ chỉ thêm lỗi và nhầm lẫn bằng cách xen vào quá trình lựa chọn. Vì việc xác thực từng đặc điểm là một bước cần thiết (nhưng tất cả quá thường xuyên bị bỏ qua) trong lựa chọn mục hồ sơ, nên có thể là một câu hỏi chính đáng để hỏi tại sao không sử dụng tất cả các yếu tố dự đoán hồ sơ trong phương trình hồi quy bội (hoặc thậm chí là cắt bỏ nhiều lần ). Trên thực tế, câu trả lời cho điều này phụ thuộc vào phương pháp nào được sử dụng để so sánh các cấu hình, như sẽ thấy trong phần sau.

Phương pháp so sánh hồ sơ:

Có hai quy trình khá khác nhau có thể được áp dụng trong việc so sánh hồ sơ của từng cá nhân với tài liệu lý tưởng. Một phương pháp chọn những người có hồ sơ phù hợp nhất với tổng hợp. Điều này lần lượt dẫn đến một sự lựa chọn các thủ tục, tùy thuộc vào cách xác định thuật ngữ khớp.

Một cách để xác định một trận đấu tốt là nói rằng các điểm của một hồ sơ càng gần với các điểm của hồ sơ khác, thì trận đấu càng tốt. Phương pháp này, sau đó, sử dụng sự khác biệt giữa hai điểm số trên mỗi đặc điểm để có được số đo tương đồng (hoặc không giống nhau). Thủ tục thông thường nhất sẽ tính toán những khác biệt này, bình phương chúng và sau đó thêm chúng để có được số đo tương tự. Vì vậy, nếu chúng ta có một hồ sơ với các đặc điểm k, và nếu chúng ta xác định thêm

X _ij - Điểm của người i trên đặc điểm j

X _8j = Điểm của hồ sơ tiêu chuẩn về đặc điểm j

thì D ² = (X _ij - X _aj ) 2

và ΣD ² sẽ đại diện cho mức độ hồ sơ của người tôi phù hợp với hồ sơ tiêu chuẩn. ΣD ² càng lớn, trận đấu càng kém. Điều quan trọng là phải nhận ra rằng phương pháp D ² hoàn toàn không liên quan đến việc điểm số của người tôi có vượt trên hay dưới mức tổng hợp hay không, nghĩa là hướng không quan trọng với quy trình khớp này. Tất cả những gì được tính là sự gần gũi của điểm hồ sơ.

Một phương pháp thứ hai để xác định độ tương tự hồ sơ được thể hiện dưới dạng người bạn cũ của chúng tôi hệ số tương quan. Mối tương quan cao giữa điểm số của cá nhân là hồ sơ và điểm số của hồ sơ lý tưởng cho thấy hai hồ sơ có mô hình tương tự nhau, tức là cá nhân tôi đạt điểm cao về những đặc điểm mà hồ sơ lý tưởng cũng có điểm cao và anh ta đạt điểm thấp những đặc điểm mà hồ sơ lý tưởng cũng có điểm thấp. Hình 3.12 cho thấy các ví dụ về các cấu hình minh họa cách sử dụng các phương pháp khác nhau để đánh giá sự giống nhau có thể dẫn đến các cá nhân khác nhau được chọn cho công việc. Kiểm tra hình 3.12 nhanh chóng cho thấy mô hình chung về điểm số của người B trùng lặp với mô hình lý tưởng hoặc hồ sơ tiêu chuẩn chặt chẽ hơn nhiều so với điểm số của người A.

Tuy nhiên, điểm số thực tế mà người A đạt được có vẻ gần với giá trị của hồ sơ tiêu chuẩn hơn so với điểm số trên hồ sơ cá nhân của B. Do đó, chúng ta có thể đưa ra giả thuyết rằng cá nhân A phải có điểm 2 thấp hơn (mong muốn hơn) trong khi cá nhân B nên có mối tương quan cao hơn (mong muốn hơn) với tiêu chuẩn.

Như dữ liệu trong Bảng 3.3 chỉ ra, thực tế hóa ra là trường hợp như vậy. Khi các giá trị được đưa ra trong Hình 3.12 được sử dụng để tính ΣD ², điểm của người A (ΣD ² _là ) là 500, trong khi điểm của người B (ΣD ² _bs ) lớn hơn nhiều, có giá trị là 2000. Mặt khác, khi tương quan giữa các hồ sơ được tính toán, mối tương quan giữa hồ sơ A và hồ sơ tiêu chuẩn được tính r _là = - 1, 00, trong khi mối tương quan giữa hồ sơ B và tiêu chuẩn, r _bs, hóa ra là thỏa thuận hoàn toàn 1, 00. Do đó, nếu phương thức D2 được sử dụng làm tiêu chí lựa chọn, chúng tôi sẽ chọn người A; nếu chúng ta - sử dụng mối tương quan giữa các cấu hình làm phương thức, chúng ta sẽ chọn người B.

Chọn một thủ tục:

Thủ tục nào là tốt nhất là một câu hỏi chỉ có thể được trả lời bằng các phương tiện thực nghiệm trong một thiết lập cụ thể. Tuy nhiên, trong tất cả các khả năng, cả phương pháp D2 và phương pháp tương quan đều không phải là kỹ thuật tốt nhất. Nếu các đặc điểm trên hồ sơ đã được lựa chọn trên cơ sở phân biệt đáng kể giữa nhân viên tốt và người nghèo (vì thực sự họ chắc chắn nên được chọn),, thì suy luận logic là điểm số cao về một đặc điểm sẽ được mong muốn và Những người ghi điểm thấp sẽ được tránh (hoặc ngược lại, tùy thuộc vào đặc điểm).

Nếu chúng ta giả sử, như chúng ta thường nói, rằng mối quan hệ đáng kể giữa từng đặc điểm trên hồ sơ và thành công công việc là tích cực và tuyến tính, thì chúng ta sẽ muốn chọn người theo một trong các quy trình sau:

1. Chọn những người có điểm hồ sơ có xu hướng cao nhất, nghĩa là điểm hồ sơ trung bình của họ được sử dụng làm chỉ số lựa chọn. Sử dụng quy trình này, một người có thể có số điểm ΣD ² lớn và vẫn được chọn, miễn là điểm hồ sơ của anh ta có xu hướng cao hơn điểm hồ sơ tương ứng cho tiêu chuẩn. Quy trình này tương đương với việc sử dụng mô hình lựa chọn hồi quy bội trong đó mỗi đặc điểm cấu hình là một yếu tố dự báo và trọng số hồi quy được giả định bằng nhau cho mỗi yếu tố dự báo. Điểm hồ sơ thấp trên một đặc điểm có thể được bù bằng điểm số hồ sơ cao trên một đặc điểm khác.

2. Chọn những người có hồ sơ có điểm hồ sơ trung bình cao nhất và tất cả các điểm đều nằm trên các đối tác hồ sơ lý tưởng tương ứng của họ. Tất nhiên, điều này tương đương với sự kết hợp của phương pháp lựa chọn nhiều điểm và phương pháp hồi quy bội.

Các điểm hồ sơ lý tưởng được sử dụng để thiết lập các giá trị điểm tối thiểu chấp nhận được. Tất cả mọi người do đó đủ điều kiện sau đó được đánh giá thông qua hệ thống hồi quy bội. Một thủ tục như vậy có lẽ chỉ có thể hoạt động trong trường hợp tỷ lệ lựa chọn đủ nhỏ để cho phép một người sử dụng các giá trị giới hạn khá nghiêm ngặt. Chắc chắn để sử dụng điểm trung bình trên mỗi đặc điểm cho nhóm nhân viên thành công vì các giá trị tối thiểu có thể chấp nhận được đang tạo ra một rào cản khó khăn cho những người mới nộp đơn.

Một trong hai thủ tục sau này có vẻ là một cách hợp lý hơn để sử dụng các cấu hình để lựa chọn so với hai thủ tục đầu tiên, D 'hoặc r. Khái niệm về một hồ sơ lý tưởng của người Viking trong đó độ lệch theo bất kỳ hướng nào được coi là xấu có thể được đặt câu hỏi nghiêm túc trên cơ sở logic.

Hệ thống nhiều rào cản:

Hầu hết các tình huống lựa chọn liên quan đến nỗ lực dự đoán thành công sau này trong một số nhiệm vụ thông qua việc sử dụng một hoặc nhiều biện pháp dự đoán thu được tại thời điểm nộp đơn xin việc. Tuy nhiên, một số tình huống lựa chọn như đào tạo quản lý bao gồm các giai đoạn hơi dài và đánh giá cuối cùng sau một thời gian, nhưng với các đánh giá tạm thời hoặc rào cản ở các điểm tiến bộ khác nhau.

Hãy xem xét tình huống được minh họa trong Hình 3.13. Ở đây chúng tôi đã lập sơ đồ một chương trình đào tạo có thể được sử dụng bởi một tập đoàn lớn làm phương tiện sàng lọc, đào tạo và đưa sinh viên mới tốt nghiệp đại học vào tập đoàn. Công ty ban đầu thuê một số sinh viên tốt nghiệp đại học nhất định, có thể sử dụng điểm số đại học, phỏng vấn, thư giới thiệu và kiểm tra như một phương tiện để chọn người. Tất cả các nhân viên được thông báo rằng lựa chọn của họ là trên cơ sở thử việc và họ sẽ được đánh giá liên tục trong chương trình đào tạo của họ. Nếu hiệu suất trong quá trình đào tạo không thỏa đáng, họ có thể được phát hành khỏi chương trình.

Chắc chắn lợi ích của công ty là đưa ra quyết định chính xác về từng cá nhân càng sớm càng tốt. Tương tự, lợi ích tốt nhất của nhân viên là quyết định được đưa ra càng sớm càng tốt. Tuy nhiên, mức độ có thể dự đoán thành công do chương trình đào tạo tăng tính chính xác (nghĩa là tăng hiệu lực) chúng ta càng có thể quan sát hiệu suất của cá nhân trong quá trình đào tạo. Vào cuối giai đoạn đánh giá thứ ba, chúng tôi chắc chắn sẽ có thể dự đoán chính xác hơn nhiều về việc liệu một xe điện sẽ kết thúc khóa học thành công hơn những gì chúng tôi có thể làm vào thời điểm anh ta được thuê.

Tình huống này khá giống với vấn đề dự đoán điểm cuối cùng của sinh viên đại học. Rõ ràng, người ta có thể đưa ra dự đoán tốt hơn vào thời điểm sinh viên bắt đầu năm cuối đại học hơn là khi anh ta vào đại học. Hình 3.14 minh họa sự thay đổi về tính hợp lệ mà người ta có thể mong đợi một cách hợp lý sẽ xảy ra trong một tình huống như được sơ đồ hóa trong Hình 3.13.

Ở một khía cạnh nào đó, cơ chế của một tình huống như trong Hình 3.13 giống hệt với nhiều tình huống dự đoán thông thường hơn: Một số dự đoán thành công có sẵn, nhưng để có được từng dự đoán bổ sung, cần phải đầu tư thêm thời gian và tiền bạc vào đó. thực tập sinh Dự đoán tuần tự được sử dụng theo nhiều cách.

Thường xuyên nhất, một trong những phương pháp sau được sử dụng:

1. Một người phải đạt điểm trên một số điểm mong muốn tối thiểu ở mỗi giai đoạn đánh giá. Do đó, mỗi giai đoạn trở thành một trở ngại mà học viên phải làm rõ nếu anh ta được giữ trong chương trình.

2. Hồi quy bội tổng hợp được tính toán tại mỗi điểm đánh giá liên tiếp và xác suất thành công được tính cho mỗi người còn lại trong chương trình. Bất cứ khi nào xác suất này giảm xuống dưới một số giá trị tùy ý (ví dụ: 25 phần trăm), anh ta sẽ bị loại khỏi chương trình.

Vấn đề hạn chế phạm vi:

Một khó khăn xuất hiện trong các tình huống lựa chọn liên tiếp là một vấn đề được gọi là ảnh hưởng của việc hạn chế phạm vi phạm vi của phạm vi điều tra dựa trên các ước tính hợp lệ. Nếu chúng ta đã sử dụng công cụ dự đoán 1 để chọn người ban đầu, và sau đó nếu sau đó chúng ta tính toán mối tương quan giữa yếu tố dự đoán I và tiêu chí hoặc tính toán mối tương quan giữa một số yếu tố dự đoán 2 khác và tiêu chí, thì hệ số hiệu lực tính toán của chúng ta đã xảy ra . Bằng cách chọn trước, chúng tôi đã hạn chế phạm vi khả năng (và do đó điểm dự đoán) sẽ làm giảm hệ số tương quan. Thật vậy, công cụ dự đoán 1 của chúng ta hoạt động theo cách tương tự với biến điều khiển trong tương quan một phần; vì nó đã chiếm một phần của phương sai, tương quan r _2c sẽ bị giảm. Để có được ước tính về tính hợp lệ của R _2c thực sự là gì, người ta có thể sử dụng công thức hiệu chỉnh.