Fire tips for å levere inkluderende assessmenter

Fire tips for å levere inkluderende assessmenter

27.09.2016 By Jodie.Emery

For mangfold på arbeidsplassen er ‘idealet’ et etablert meritokrati som vurderer individet kun basert på prestasjoner. Det er den objektive vurderingen av evner, helt uten bias, som kan promotere et naturlig mangfold uten behovet for kvoter eller mål.

Av James Lewis, Konsulent i Cubiks

Realiteten er likevel en konstant påminnelse om at det er arbeid som må gjøres på dette området. Selv om det er en generell enighet om fordelene ved mangfold på arbeidsplassen (som økt kreativitet og innovasjon), så er det viktig at du ikke blir lurt til tro at vi har løst dette helt enda. Mens antallet kampanjer med smilende og glade mangfoldige teams tyder på at vi har løst det, så tyder dataene rundt dette på noe helt annet. En ting er sikkert, vi har nok data til å ta informerte seleksjonsavgjørelser, men det er kvaliteten og bruken av denne dataen som er avgjørende.

En utfordring for å oppnå mangfold blir belyst av dens egen definisjon; verdsettelsen av individuelle forskjeller. Individuelle forskjeller er en flott ting, det ligger til grunn for majoriteten av psykologisk forskning, men det kan også dukke opp i kandidatseleksjon som subjektivitet eller bias – både kandidater og rekruttere kan komme med sine egne unike tolkninger.

For å håndtere dette har vi muligheten til å fokusere våre idealer på et mer realistisk mål, det som kalles ‘inkluderende assessment’. Dette anerkjenner hvordan forskjellige grupper kan bli påvirket av skjevheter på tvers av verktøy, øvelser og rekrutterere. Det tar også sikte på å redusere denne påvirkningen. Samtidig som diskrimineringsloven gir et tydelig bilde av hva som er diskriminering, så er det kun ved å utforske prestasjonsdata at vi får et tydeligere bilde av skjevheten og kan begynne å identifisere metder for å redusere den.

1. Vurderingskriterier bør komme fra et tversnitt av de ansatte

Vurderingskriterier (f.eks. kompetanser) bør bli utviklet ved hjelp av et tverrsnitt av mennesker fra din organisasjon. De bør gi deg dataene som du trenger for å skape kriteriene. Analysen av dette må være robust, og resultatene må bli validert (ved hjelp av en representativ gruppe). Når data fra mangfoldige grupper danner en del av kriteriene, så reduserer du potensielle skjevheter allerede før du har startet. Der hvor dette blir oversett, så risikerer du at et lite fåtall bestemmer agendaen for majoriteten.

2. Bruk flere metoder for assessment

Assessmentene du bruker bør bli drevet av kriteriene dine. I tillegg vil jobbrelevante verktøy, som Situational Judgement Tests, gi en forsmak på rollen som gjør det mer rettferdig for forskjellige kandidater ved å gi en dypere innsikt i jobben. Hvordan man benytter de er også viktig. Vi vet at høye cut-off skårer for evnetester kan ha en ujevn effekt på forskjellige søkergrupper på grunn av unødvendig høye forventninger. I stedet for er det å bruke flere forskjellige kriterier det som virkelig er viktig. Det er en vinn-vinn situasjon; du gir kandidatene en større mulighet til å vise seg frem, samtidig som du skaffer deg mer data slik at du kan ta gode seleksjonsavgjørelser.  

3. Redusere skjevheter og feil ved hjelp av opplæring

Direkte observasjon av atferd er både den beste måten for prestasjonsmåling vi har, og samtidig den som er mest utsatt for skjevheter. Dette er fordi prestasjonsdataene vi innhenter er avhengig av menneskelig dømmekraft. Å trene rekrutterere i hva som er beste praksis gir en bevissthet på potensiell bias og promoterer konsistens både innenfor og på tvers av forskjellige assessmenter, noe som jevner ut påvirkningen til den individuelle skjevheten på tvers av den bredere prosessen.

4. Hold øye med dataene

Å hente inn data om mangfold betyr ikke at du må registrere hva slags religion, om noen, personen praktiserer – det betyr å kartlegge fremgangen til kandidatgrupper gjennom hele seleksjonsprosessen. Mens det første gir deg et bilde på hvor representativ søkergruppen din er for den større populasjonen av mennesker på jakt etter jobb, gir det andre deg informasjon om et spesifikt verktøy som påvirker en søkergruppe mer enn andre.

For å unngå at det oppstår noen store problemer, er det viktig å registrere både demografiske data, og kandidatenes prestasjonsdata. Uten denne formen for analyse risikerer du at kandidatene stiller spørsmål ved rettferdigheten til seleksjonsavgjørelsene dine. Det er også sannsynlig at dersom dataene ikke bli overvåket, så vil mangfoldet i søkergruppen forsvinne, og du vil bli stående med en homogen gruppe i det siste assessment senteret.

Mens noen aspekter av et ekte meritokrati kan være vanskelige å oppnå, så er det at vi er klar over mangfoldet og verdien vi plasserer på prestasjonsdata et svært positivt tegn. Etter hvert som beste praksis for assessment utvikler seg og vi fortsetter å overvåke progresjonen til de forskjellige søkergruppene, vil vi redusere påvirkningene som skjevheter kan ha, og levere en bedre form for ‘inkluderende assessmenter’.

For å lære mer om hvordan Cubiks kan hjelpe deg med å levere inkluderende assessmenter, fyll ut skjemaet under eller send en e-post til norge@cubiks.com.

Om James

James er en konsulent som jobber i Cubiks' Storbritannia-team i Guildford. Rollen hans er å samhandle med en bred gruppe med kunder, hjelpe dem med å utforske HR-utfordringene sine og hvordan dise kan bli gjort til muligheter. James skriver ofte om talenthåndtering og trender for bransjepublikasjoner i Storbritannia.

Knytt kontakt med James på Linkedin.