选择是一个人员决定,组织决定是否雇用每个人的分数在单一评估中使用每个人的分数,例如测试或访谈,或基于多元评估的综合的单一预测性能分数。使用此单个分数将每个单独分配给多个作业或分配之一被称为放置。放置的一个例子是基于数学测试分数将新生分配给特定的数学级别的新学生。分类是指基于多次评估的分数分配给多个作业中的每一个的情况。分类是指一组复杂的人员决策,需要更多的解释。
一个概念的例子
通过示例可以说明分类的想法。一个组织在四个入门级工作中有50个开口:Word处理器有10个开口,行政助理有12个开口,会计职员有8个开口,接待员有20个开口。六十人在这个组织申请工作,每个人都完成了三次就业试验:文字处理,基本会计和人际交往技巧。
通常,分类的目标是使用每个申请人的预测性能分数来填充所有开口并最大化所有四个作业的整体预测性能。已经开发了线性计算机编程方法,该方法在给定分类情况的约束内进行这样的作业,例如每项工作的作业,开口或配额的数量和申请人。请注意,在该示例中,50名申请人将被分配到四项工作中的一个,10名申请人将被分配到未被聘用。
使用过去的分数在三次测试和绩效衡量标准中,可以开发公式,以估算每项工作中的每个申请人的预测性能。测试在每个工作中预测性能的程度不同。例如,基本会计测试在会计职员工作中的表现相当预测,但在接待员工作中的表现不太可能。此外,文字处理测试是在处理器作业中的性能方面非常预测性,但在接待员工作中的性能较小。这意味着用于计算每个作业的预测性能的方程给出每个测试的不同权重。例如,会计职员的等式使其重量最大的基本会计测试得分,而接待员方程则使其重量最大的人际技能测试评分和对会计测试评分的重量很少。此外,分数在每个测试中的申请人内部各不相同,并且在每个个人内进行测试。这意味着每个人都有每个作业的预测性能分数。
将申请人分配给这些作业的一种方法是计算每个申请人的单个预测性能分数,选择所有截止值高于某些截止的申请人,并随机将申请人分配给配额的约束内的作业。但是,随机分配不会利用每个选定的申请人在所有可用作业上同样表现的可能性。分类利用这种可能性。分类效率可以被视为这种单变量(每个申请人的一个分数)战略之间的整体预测性能的差异和多变量(每个申请人的一个分数)分类方法,该分类方法使用不同的方程来预测每项工作的性能。
许多参数会影响分类效率的程度。重要的是每个工作的预测分数的重要程度彼此相关。在工作中预测得分之间的关系越小,潜在的分类效率越大。也就是说,分类效率随着多种评估捕获确定每项工作性能的各个特征的差异而增加。
美国军队分类
关于大多数组织及其人员决定,分类比实践更重要。虽然大型组织将在本地化层面应用分类,例如当人员配置新设施时,最常见的是组织正在考虑一组申请一项特定工作的申请人;也就是说,大多数人员决定是选择而不是分类。武装服务是一个值得注意的例外。虽然他们的做法只近似于对分类的概念讨论,但个人武装服务(即军队,空军,海军,海军陆战队和海岸警卫队)构成了最佳的真实榜样。每年,服务必须选择并将大量未经经验的个人分配到大量入门级工作。情况需要使用分类原则。
潜在武装服务申请人完成电池的测试。该测试申请人完成用于首先确定该人是否有资格参考兵役,并将个人分配给许多工作之一。军事服务资格是一个选择决定。服务用于缩小所选个人的作业范围的方法使用来自分类的想法。
武装部队每年雇用大约180,000名新人,需要将它们融入大约800个入门级工作。从历史上看,军队是使用大规模测试选择和工作任务的第一个组织,从1916年开始。1976年,目前电池的版本投入使用 - 武装服务职业能力电池(ASVAB)。虽然ASVAB经历了重组,称号和定期修订,但它是当前每项服务使用的官方心理测试电池,用于入境和工作任务。目前的ASVAB是九项操作测试的电池:
- 一般科学(GS),
- 算术推理(AR),
- 知识知识(WK),
- 段落理解(PC),
- 数学知识(MK),
- 电子信息(EI),
- 自动信息(AI),
- 商店信息(SI),和
- 机械理解(MC)。
选择和分配
在将个人分配到工作之前,他们必须符合加入武装服务的最低标准。其中一个是在四个ASVAB测试(WK,PC,AR和MK)的复合物中的切割得分,称为武装部队资格测试(AFQT)。其他标准包括年龄,教育,通过体检,满足背景和道德品质要求。
AFQT仅用于确定整体服务资格,不用于确定某人是否有资格在特定工作中培训。每个单独的服务都使用测试略微不同地进行作业分配。其余部分讨论跟踪美国军队使用的应用程序的示例。陆军的转让决定的一项重要贡献者是ASVAB测试的九个评分九个评分中的个人分数。军队中的每个入门级工作与其中一个均力区域复合材料相关联。开发了每个能力区域的权重,以预测陆军工作中的培训表现。例如,某些入门级陆军作业被分配给机械维护(MM)才能区域。计算MM综合评分的权重强调AI,Si,MC和EI测试。每个陆军工作都有最低的裁员分数,即申请人必须符合符合该工作的资格。有许多因素确定申请人的职位被分配给哪项工作。 Only one is whether the applicant’s aptitude area composite score satisfies the job’s minimum score. Other factors include current job openings, the Army’s priorities, when applicants choose to begin their term of service, and which job applicants prefer.
该作业分配过程仅是先前描述的概念分类决策模型的近似值。首先,目标不是以最大化整体预测性能的方式为工作分配申请人,而是将申请人分配给工作
- 满足每项工作的最低能力要求,
- 填充当前开口,
- 满足申请人偏好,以及
- 符合其他限制。
另外,当人员决策实时而不是大批量时,难以满足分类模型的纯版本,允许与在较多申请人中优化分配相关的分类效率优势。虽然这种方式的任务不太可能达到分类效率的水平,但是较近分类的概念描述的模型将产生的模型,陆军申请仍然是通过选择和无导记的分配来实现的重要性。
未来
虽然呈现的陆军示例在最严格的意义上不是分类,但它是分类的良好大规模近似,并且经常在文献中讨论。尽管如此,陆军正在努力改善其转让系统,提高分类效率。该军队目前正在考虑将申请人的实际预测得分添加到决策过程中。也就是说,除其他因素之外,申请人可以选择或被分配到申请人预测得分高于其他人中的工作,申请人符合最低资格的工作。另一个考虑因而可能在时间段期间使用可能的申请人的可能性预测,以便在大批申请人的上下文中发生任务,而不是仅在该特定时间申请那些。最后,陆军正在积极开展对ASVAB的潜在补充的研究,可以提高其分类效率。正在研究气质,空间和精神运动障碍领域的构建措施,以及态势判断。
参考:
- Campbell,J.P.(1991)。建模工业与组织心理学绩效预测问题。在M. D.Dunnette&L. M. Hough(EDS。),工业和组织心理手册(第687-732页)。帕洛阿尔托,加利福尼亚州:咨询心理学家出版社。
- Rosse,R.L.,Campbell,J.P.,&Peterson,N.G。(2001)。人员分类和差动作业:估算分类收益。在J.P.Campbell&D.J.Knapp(EDS)中,探索人员选择和分类的限制(第453-506页)。马瓦,新泽:劳伦斯·埃尔巴姆。
- Waters,B. K.(1997)。陆军alpha到Cat-Asvab:四个月的军事人员选择和分类测试。在R. Flon(ed.),测试手册(第187-203页)。韦斯特波特,CT:格林伍德出版社。