Gedrag & Organisatie - Volume 33, Issue 4, 2020

Toen we afgelopen najaar een call for papers publiceerden voor een themanummer over de toekomst van werk, konden we niet weten wat er in 2020 allemaal zou veranderen. Reflecties op en speculaties over de toekomst zijn zo oud als de mensheid, en ook beschouwingen over de toekomst van werk zijn niet nieuw. Zulke beschouwingen gaan traditioneel veelal over de effecten van technologie: de uitvinding van allerhande machines, geautomatiseerde productieprocessen, informatie- en communicatietechnologie, digitale media en internet hebben allemaal hun, vaak onverwachte, stempel gedrukt op de manier waarop we werken en ons werk beleven. Ook nu, in een tijdperk waarin het werkende leven voor veel mensen door de coronacrisis is veranderd in een permanente exercitie in digitale vaardigheden (of een permanente confrontatie met het gebrek daaraan), ligt technologie in het hart van speculaties over de toekomst van werk.

In dit artikel zetten we uiteen wat de toepassing van machine learning-algoritmes voor personeelsselectie inhoudt en hoe deze data-gedreven werkwijze overeenkomt met en verschilt van de klassieke selectiepsychologie. Aansluitend bespreken we of, en op welke manier, er bias en discriminatie kan optreden bij het gebruik van algoritmes gebaseerd op machine learning voor personeelsselectie. Hiervoor voerden we een literatuurstudie uit (periode 2016-2019), waarbij we 41 artikelen selecteerden. De resultaten geven aan dat algoritmes mogelijkerwijs leiden tot minder (indirecte) discriminatie vergeleken met sommige andere selectiemethoden. Dat is een van de redenen waarom de ontwikkeling van algoritmes voor selectie zo snel is gegaan en het aantal aanbieders is toegenomen. Het is echter onvoldoende mogelijk om vast te stellen of de belofte ook wordt ingelost. Dit komt deels doordat algoritmes vaak bedrijfsgeheim zijn (geen transparantie) en vanwege onduidelijkheden over de validiteit en betrouwbaarheid van data die gebruikt worden om algoritmes te ontwikkelen. Selectiepsychologische vraagstukken rondom diversiteit en validiteit zijn (nog) niet opgelost via de ontwikkeling van algoritmes. De toenemende aandacht voor het onderwerp, getuige de sterke groei van het aantal publicaties, stemt hoopvol. We besluiten met aanbevelingen voor het traceren en verminderen van bias en discriminatie bij het gebruik van algoritmes voor selectie.

Voortschrijdende digitalisering en technologisering van werk kunnen stress oproepen. Dit samen met de vergrijzing van het personeelsbestand zet mogelijk de duurzame inzetbaarheid van het personeel onder druk. In een organisatie uit de technische sector is nagegaan in welke mate duurzame inzetbaarheid samenhangt met het ervaren van stress als gevolg van werken met technologie (technostress). Daarnaast is onderzocht wat de mogelijke invloed van chronologische leeftijd is op deze relatie. Voor technostress is onderscheid gemaakt tussen vijf verschillende dimensies, te weten: techno-overbelasting, techno-invasie, techno-complexiteit, techno-onveiligheid en techno-onzekerheid. Duurzame inzetbaarheid is gemeten aan de hand van de drie bekende pijlers: werkvermogen, employability en vitaliteit. Aan dit onderzoek werkten 158 respondenten mee. De resultaten laten onder andere zien dat technostress slechts in geringe mate negatief samenhangt met duurzame inzetbaarheid. Uit de regressieanalyses komt naar voren dat oudere werknemers een lagere employability ervaren dan jongere werknemers. Hun werkvermogen en vitaliteit verschillen echter niet van die van jongere werknemers. De invloed van leeftijd op het verband tussen technostress en duurzame inzetbaarheid is eveneens beperkt. Al met al blijkt uit deze studie dat de consequenties van technostress voor duurzame inzetbaarheid gering zijn. Kalenderleeftijd lijkt in dit verband geen grote rol te spelen.

Robots zijn op steeds meer werkplekken te vinden en veranderen het werk van mensen. Er is echter onvoldoende aandacht voor de invloed van robots op de betekenisvolheid van werk, hoewel aangenomen kan worden dat robotisering hiervoor zowel een bedreiging als een kans vormt. Wij onderzoeken het effect van robots op verschillende dimensies van betekenisvol werk op basis van kwalitatieve data die verzameld zijn onder medewerkers en hun leidinggevenden in acht distributiecentra met verschillende mate van robotisering. Naast een bevestiging van de zowel negatieve als positieve invloed van robots op betekenisvol werk laten de resultaten zien dat, in overeenstemming met de Skill-Biased Technological Change-theorie, vooral hoogopgeleide leidinggevenden profiteren van kansen, terwijl laagopgeleide medewerkers voornamelijk te maken hebben met bedreigingen. Daarenboven blijkt dat medewerkers die initiatief tonen, meer van de veranderende situatie weten te maken in termen van betekenisvol werk. Deze inzichten dienen te worden meegenomen door organisaties die robots introduceren om te voorkomen dat deze afbreuk doen aan de betekenisvolheid van werk en om verdere negatieve consequenties van robotisering te voorkomen.

Technologische vernieuwingen volgen elkaar in snel tempo op met als gevolg dat werknemers steeds vaker te maken hebben met veranderingen in hun werkzaamheden. Omwille van het waarborgen van een stimulerende en gezonde werkomgeving is het van belang meer inzicht te krijgen in de manier waarop technologische vernieuwingen invloed hebben op de kwaliteit van werk en het welzijn van werknemers. Door middel van een systematisch literatuuronderzoek naar gepubliceerde studies van de afgelopen 15 jaar werden na grondige evaluatie 14 artikelen geselecteerd voor verdere analyse. De meeste studies laten zien dat na de invoering van een nieuwe technologie de taakeisen toenemen. De relatie met hulpbronnen en het verband tussen de veranderde werkkenmerken en welzijn is echter minder eenduidig. Wel suggereren de resultaten dat gerichte training en self-efficacy een belangrijke rol spelen bij het waarborgen van een motiverende werkomgeving na de implementatie van een nieuw systeem. Het is van belang om in toekomstig onderzoek naar de impact van technologische vernieuwingen niet alleen de veranderingen in taakeisen te onderzoeken, maar ook systematisch de rol van hulpbronnen te bestuderen. We verwachten dat dit meer inzicht kan bieden in het verklaren van de gemengde bevindingen.

De COVID-19-pandemie en de daarmee gepaard gaande maatregelen hebben een enorme impact op onze samenleving. Naast directe gevolgen voor onze gezondheid en ons psychologisch welbevinden, zijn er belangrijke consequenties op het gebied van werk en inkomen. Ook al weten we niet hoe toekomstige ontwikkelingen rondom het virus eruit zullen zien, COVID-19 kan nu al beschouwd worden als een game changer die de manier waarop werknemers en organisaties opereren ingrijpend heeft veranderd.

In this article, we describe the implementation of algorithms based on machine learning for personnel selection procedures and how this data-driven approach corresponds to and differentiates from classical psychological assessment. We discuss if, and in what way, bias and discrimination occur when using algorithms based on machine learning for personnel selection. For this reason, we conducted a literature review (covering 2016-2019) from which 41 articles were included. The results indicate that algorithms possibly lead to reduced (indirect) discrimination compared to some other selection methods. This is one of the reasons why the development of algorithms for personnel selection has increased quickly and the number of vendors has grown fast. It is insufficiently possible yet, however, to ascertain if the promise is kept. First, this is because algorithms are often trade secrets (lack of transparency). Second, the validity and reliability of data used for the development of algorithms are not always clear. Furthermore, psychological selection issues about diversity and validity cannot (yet) be solved by algorithms. The increasing attention for the topic, expressed by a large growth in publications, is hopeful. We conclude with recommendations for the detection and reduction of bias and discrimination when using machine learning algorithms for personnel selection.