CHRO/HRD se ptá: Proč nezveřejňujeme data o konkrétních lidech v Empatyzeru

TL;DR:

  • Riziko biasů a chybné interpretace
  • Požadavek psychometrické odbornosti
  • Esencionalizace a štítkování škodí
  • Může to uškodit lidem
  • Firmě dáváme efekt a doporučení místo surových čísel

Proč Empatyzer nezveřejňuje údaje konkrétních osob?

Empatyzer převádí to, co víte o ostatních, do praktických tipů pro každodenní spolupráci, spíše než aby uživatelům poskytoval úplné diagnózy a hrubé výsledky někoho jiného.

Funkce, které ti s tím pomohou:

  • Doporučení: Poskytují funkční tipy pro práci s konkrétní osobou, zaměřené na to, co může vztahu pomoci.
  • Porovnání: Ukazuje rozdíly mezi dvěma lidmi ve relační formě, takže uživatel rozumí mechanismu, aniž by měl přístup k úplnému profilu někoho jiného.

Podívat se na EmpatyzerPřihlásit se / zaregistrovat sePřehrát video

Nezveřejňujeme surové výsledky jednotlivců, protože samy o sobě bez odborné interpretace málokdy přinášejí rozhodovací hodnotu. Interpretace vyžaduje psychometrické kompetence a znalost kontextu; bez nich vznikají chybné závěry. Při předání jednotlivých profilů roste riziko biasů, zjednodušování a esencionalizace lidí. Štítkování na základě několika ukazatelů posiluje předsudky a může poškodit kariéry i vztahy v týmu. Empatyzer místo surových čísel poskytuje skumulovaný efekt a praktická doporučení připravená k použití. Nástroj automaticky zpracovává data bezpečným, nehodnotícím způsobem a generuje rady přizpůsobené vztahům a kontextu. Sdílení surových výsledků by také zvýšilo riziko nevhodného použití při hodnotících rozhovorech, náboru nebo v interní politice. Individuální data jsou navíc náchylná k interpretačním chybám i u zkušených psychologů, proto firmě předáváme agregáty a trendy. Agregáty umožňují odhalit kulturní rizika, témata ke školení a oblasti zásahů bez ohrožení soukromí. Dále chráníme obsah konverzací a zpráv: obsah se nedostává k nadřízeným ani HR a účty lze smazat a data vymazat. Taková politika zvyšuje důvěru a adopci, což je nutné pro účinnost nástroje v organizaci. Stručně řečeno: chráníme lidi před škodou a firmě dáváme užitečný výstup místo surových a snadno zneužitelných čísel.

Nezveřejňujeme data o jednotlivcích, abychom minimalizovali biasy, chránili soukromí a dodali firmě praktický efekt místo surových výsledků.

Zdroje a výzkum

  1. American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Educational Research Association. Source
  2. Amos Tversky; Daniel Kahneman (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124 DOI: 10.1126/science.185.4157.1124
  3. William M. Grove; David H. Zald; Boyd S. Lebow; Beth E. Snitz; Chad Nelson (2000). Clinical versus mechanical prediction: A meta-analysis. Psychological Assessment, 12(1), 19–30. https://doi.org/10.1037/1040-3590.12.1.19 DOI: 10.1037/1040-3590.12.1.19
  4. DeYoung, C. G., Quilty, L. C., & Peterson, J. B. (2007). Between facets and domains: 10 aspects of the Big Five. Journal of Personality and Social Psychology, 93(5), 880–896. https://doi.org/10.1037/0022-3514.93.5.880 DOI: 10.1037/0022-3514.93.5.880

Autor: Empatyzer

Publikováno:

Aktualizováno:

 

""

—