Evidensbaserad rekrytering handlar om att använda vetenskapligt säkerställda metoder vid bedömning och urval av kandidater i en rekryteringsprocess. Det gäller exempelvis vilka krav vi baserar urvalet på och vilka urvalsmetoder vi använder, men också om vi använder intuitiv eller mekanisk bedömning.
Läs mer: Vad är evidensbaserad rekrytering?
En viktig del av rekryteringsprocessen handlar om att analysera information som vi samlat in om kandidaterna och fatta beslut om vilka som vi ska ta vidare i processen eller erbjuda jobb. Hur gör vi den bedömningen på ett evidensbaserat sätt?
Två sätt att kombinera och tolka information
Det finns i stora drag två sätt att kombinera och tolka information från en rekryteringsprocess: intuitivt eller mekaniskt.
Vanligast är en så kallad intuitiv eller holistisk bedömning. Den innebär att en eller flera personer använder sin expertis och intuition för att kombinera information, dra slutsatser och fatta beslut.
Det andra sättet är en mekanisk bedömning där vi istället använder en algoritm eller formel för att dra slutsatser och fatta beslut.
Vilken är då bäst? Den mekaniska, säger forskningen. En metastudie av Kuncel, Klieger, Connelly och Ones (2013) visar att mekanisk bedömning är bättre än intuitiv på att förutsäga prestation och framgång inom arbetslivet och högre utbildning.
Mekanisk bedömning särskilt bra på att förutsäga arbetsprestation
Metastudien konstaterar alltså att mekaniska bedömningar av framtida arbetsprestation, avancemang, prestation på arbetsrelaterad träning/utbildning och betyg ger bättre resultat än holistiska bedömningar.
När det kommer till att predicera arbetsprestation (vilket oftast är det vi gör i en rekryteringssituation) bidrar mekanisk bedömning till en förbättring i träffsäkerhet med över 50 procent. Se tabellen nedan för resultat från meta-analysen.
| Kriterium | Klinisk | Mekanisk | Förändring |
| Arbetsprestation | 0.28 | 0.44 | +57% |
| Avancemang | 0.36 | 0.42 | +17% |
| Prestation på arbetsrelaterad träning/utbildning | 0.16 | 0.31 | +94% |
| Akademisk framgång: betyg | 0.48 | 0.58 | +21% |
| Akademisk framgång: ej betyg (bedömningar m.m.) | 0.46 | 0.47 | +2% |
Mekanisk bedömning bättre trots mindre information
Det finns en idé om att holistiska bedömningar gjorda av en människa gör det möjligt att ta hänsyn till relevant information som den mekaniska formeln inte kan fånga upp, och att detta skulle innebära att den holistiska kan bli mer träffsäker.
Faktum är dock att de mekaniska metoderna är överlägsna trots att (eller kanske snarare för att) de tar hänsyn till mindre information. I de analyserade studierna ovan hade experterna som gjorde de holistiska bedömningarna omfattande kunskap om organisationen och arbetet i fråga. I många fall baserade de sin intuitiva bedömning på mer information om kandidaterna än vad som ingick i den mekaniska bedömningen. Ändå föll den holistiska bedömningen sämre ut.
Lokalt anpassade vs generella modeller
Ett annat argument för ”expertens” roll i bedömningen är att kunskap om den lokala kontexten, organisationen och det specifika jobbet i sig, är relevant för att kunna predicera prestation på ett träffsäkert sätt.
I ett försök att undersöka det antagandet jämförde Yu och Kuncel (2022) expertbedömningar, mekaniska modeller av expertbedömningar, generella modeller och mer sterila mekaniska metoder mellan olika organisationer. De kunde visa att en modell som tagits fram för en specifik organisations och ett specifikt jobbs kontext fungerade lika bra eller till och med bättre i en annan organisation för ett annat jobb. Och på samma sätt fungerade en modell som var framtagen för ett annat jobb i en annan organisation ibland bättre än modellen som var framtagen för det aktuella jobbet.
Resultatet från studien går emot antagandet att experter bidrar med unikt valid information om vad som är relevant för prestation i ett jobb, utöver en generell modell eller enkel summering.
Typ av metod mindre viktigt
Forskningen på bedömningar i urvalssammanhang pekar mot att vilken typ av mekanisk eller intuitiv metod som används inte är det viktigaste. Det centrala verkar vara huruvida mänsklig bedömning är en del av metoden. Mer mänsklig inblandning resulterar tyvärr i sämre träffsäkerhet.
Exakt hur informationen samlas in verkar också vara sekundärt. Det är själva tolkningen och sammanvägningen av informationen som avgör slutsatsens träffsäkerhet.
Vi människor är med andra ord ganska bra på att samla in data men mindre bra på att analysera den och dra korrekta slutsatser. Vi är inkonsekventa, trasslar in oss och komplicerar beslutet mer än nödvändigt.
Distanskurs i mekanisk bedömning
I den här distansutbildningen går vi igenom allt du behöver veta för att utveckla rekryteringsarbetet i din organisation mot mer träffsäkra och rättvisa rekryteringsbeslut. Vi går igenom teori, metoder och teknik samt praktisk tillämpning av dessa.
Läs mer och anmäl dig nedan.
Tre tips för mer evidensbaserad rekrytering
Hur kan vi använda dessa insikter för att skapa bättre rekryteringsprocesser? Vissa organisationer är kanske inte är redo för att göra bedömningen helt mekanisk, men ofta kan vi göra förändringar i rätt riktning.
Här är tre tips för mer evidensbaserad rekrytering genom mekanisk bedömning:
1 – Mekaniska metoder i delar av processen
Ett sätt att öka träffsäkerheten är att använda mekaniska metoder för urval i delar av processen. För bästa möjliga effekt bör det göras så tidigt som möjligt, helst inför det första urvalet.
2 – Mekanisk bedömning som underlag och ankare
Om organisationen eller den rekryterande chefen inte är redo att göra bedömningen helt mekanisk, kan vi använda mekaniskt sammanvägd information som ett underlag för beslut eller diskussion. Då fungerar den mekaniska bedömningen som ett ankare och höjer träffsäkerheten genom att ”dra” den subjektiva bedömningen närmare den mekaniska.
3 – Dokumentera avsteg från den mekaniska bedömningen
Ytterligare ett sätt att förbättra beslutsprocessen är att dokumentera alla avsteg som görs från den mekaniska bedömningen. På så sätt skapas större medvetenhet och det blir möjligt att analysera och utvärdera i efterhand.
Referenser och lästips
Kuncel. N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: a meta-analysis. Journal of Applied Psychology, 98(6), 1060-1072.
Yu, M. C., & Kuncel, N. R. (2022). Testing the value of expert insight: Comparing local versus general expert judgment models. International Journal of Selection and Assessment, 30, 202-215.
Lämna ett svar