Motivatie van kandidaat beoordelen: computer doet het beter dan recruiter

Op nature.com doet Marnix Naber samen met Mitchel Kappen verslag van een experiment met een gezichtsscan van kandidaten dat deze stelling onderbouwt. Hij liet 154 studenten in een gesimuleerde sollicitatiesetting de rol spelen van kandidaten voor een nepvacature. Als schijnwerkgever kozen de onderzoekers voor “een berucht Nederlands-Brits oliebedrijf”. Dit “om er zeker van te zijn dat kandidaten sterk verschilden in de mate waarin ze zich met het bedrijf verbonden voelden.”

Online interview met webcam

De studenten waren zich ervan bewust dat er geen echte vacature was, ze deden mee omdat ze wilden oefenen voor een online assessment. De kandidaten namen deel aan een online, geautomatiseerd interview, terwijl hun gezichten werden opgenomen met een webcam. Ze bekeken drie afzonderlijke vooraf opgenomen video's, waarin een recruiter hen telkens een andere vraag stelde.

Motivatie kandidaten meten

De motivatie van de kandidaten werd gemeten op een schaal van 1 tot 10 en bepaald door vier verschillende partijen:
• door de kandidaten zelf na het interview;
• door een kandidaat-gebaseerd motivatiemodel (CBMM), getraind op de scores van de kandidaten (model 1);
• door verschillende recruiters die een subset van de kandidatenvideo's bekeken; en
• door een recruiter-gebaseerd motivatiemodel (RBMM), getraind op de scores van de recruiters (model 2).

Gendervooroordeel

De recruiters sloegen in verhouding tot de computers veel vaker de plank mis, zo blijkt uit het onderzoek. Hoewel redelijk wat kandidaten antwoordden helemaal niet gemotiveerd te zijn, schatten de recruiters dat doorgaans anders in. Soms beoordeelden ze meer gemotiveerde kandidaten als minder gemotiveerd en minder gemotiveerde kandidaten als meer gemotiveerd. Eén recruiter gaf volgens de onderzoekers bovendien “blijk van een gendervooroordeel, aangezien zij mannen significant meer gemotiveerd vond dan vrouwen”.

Verkeerde interpretatie gezichtsuitdrukkingen

Welke criteria zagen de recruiters dan ten onrechte als een bewijs van sterke motivatie? Dat waren volgens de onderzoekers: “frequente en relatief positieve expressies, getrokken liphoeken (opwaartse beweging van mondhoeken), en zwakke walgingsexpressies”. Volgens de computermodellen voorspelden die “relatief frequente positieve uitingen en langdurige episodes van een opgetrokken lip en opgetrokken kin” nou net een laag motivatieniveau bij kandidaten. De meest gemotiveerde kandidaten vertoonden juist kleine hoeveelheden lip- en kaakspieractiviteit, maar sterkere uitingen van positieve emoties.

Prescreening assessment

Conclusie is volgens de onderzoekers dat de motivatieoordelen van de recruiters onbetrouwbaar, ongeldig en soms bevooroordeeld bleken te zijn. De auteurs stellen daarom voor om de motivatie van een persoon om voor een bedrijf te werken te meten in een prescreening assessment gebaseerd op Artificial Intelligence, voordat een ongestructureerd interview plaatsvindt. Daarmee voorkomen bedrijven mogelijk een mismatch. Motivatie is volgens de onderzoekers namelijk een van de sterkste voorspellers in werkgeluk, werktevredenheid, en baanbehoud.

AI voor meer diversiteit en inclusiviteit

Het onderzoek bewijst volgens de onderzoekers daarenboven dat het subjectieve oordeel over kandidaten tijdens aanwervings- en personeelsselectieprocedures oneerlijk kan zijn. “De gelukkige kandidaten zijn dan ook de blanke, aantrekkelijke, jonge mannen: zij hebben de meeste kans om aangenomen of gepromoveerd te worden. De ongelukkige sollicitanten gaan met lege handen terug naar huis.” Ze pleiten daarom voor nieuwe, bias-vrije en wetenschappelijke benaderingen van screening- en selectieprocedures in rekrutering en human resources. Artificial Intelligence kan daaraan bijdragen. “Betrouwbare en nauwkeurige informatie over kandidaten zal mensen helpen betere beslissingen te nemen, wat mogelijk leidt tot meer diversiteit en inclusiviteit.”