{"id":8780,"date":"2024-05-13T09:41:18","date_gmt":"2024-05-13T07:41:18","guid":{"rendered":"https:\/\/management-diagnostik.de\/?p=8780"},"modified":"2024-05-19T16:12:46","modified_gmt":"2024-05-19T14:12:46","slug":"assessment-ai","status":"publish","type":"post","link":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/","title":{"rendered":"Assessment AI"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

K\u00fcnstliche Intelligenz (AI) in der Personalauswahl<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\u00a0K\u00fcnstliche Intelligenz wird schon heute im Bereich der Personalauswahl eingesetzt. Das ist nicht ohne Risiken \u2013 zudem gibt etliche ethische und juristische Bedenken.<\/td><\/tr><\/tbody><\/table><\/td><\/tr><\/tbody><\/table>

Einf\u00fchrung<\/strong><\/p>

Der Einsatz k\u00fcnstlicher Intelligenz (KI) zur Unterst\u00fctzung von Personalauswahlentscheidungen reicht bis in die 1980er Jahre zur\u00fcck, als KI in Form von Expertensystemen eingesetzt wurde (Hooper et al., 1990). Expertensysteme \u00fcbersetzten das implizite und explizite Wissen von Experten wie Personalmanagern (HR) und Betriebsorganisationspsychologen (IO) in Wenn-Dann-Regeln (z. B. \u201eWenn der Kandidat \u00fcber relevante Berufserfahrung verf\u00fcgt, erh\u00f6hen Sie den Job-Fit-Score.\u201c ‚). Dieser regelbasierte Ansatz scheiterte letztendlich, weil er die Komplexit\u00e4t menschlicher Entscheidungsfindung, einschlie\u00dflich Einstellungsentscheidungen, nicht widerspiegelte (wie von Davis & King, 1984, S. 29 erl\u00e4utert).<\/p>

Mit konzeptionellen Durchbr\u00fcchen in diesem Jahrhundert und der zunehmenden Rechenleistung von Computern sind KI-Tools allgegenw\u00e4rtig geworden. Das 2022 ver\u00f6ffentlichte Generative Large Language Model ChatGPT von OpenAI war ein bedeutender Meilenstein in der \u00f6ffentlichen Anerkennung von KI.<\/p>

KI wird heute in fast allen Bereichen des Arbeits- und Privatlebens eingesetzt, unter anderem bei der Beurteilung von Personen und bei Einstellungsprozessen.<\/p>

Dieser Artikel beschreibt zun\u00e4chst die vielf\u00e4ltigen Einsatzm\u00f6glichkeiten von Algorithmen und KI bei der Auswahl und Bewertung und skizziert anschlie\u00dfend den Einsatz von KI in diesem Zusammenhang anhand praktischer Beispiele aus der eigenen Praxis. Abschlie\u00dfend werden die ethischen und rechtlichen Implikationen diskutiert und ein Ausblick auf zuk\u00fcnftige technologische Entwicklungen und deren Auswirkungen auf Auswahl und Bewertung gegeben.<\/p>

Grundlagen der KI in Auswahl und Bewertung<\/strong><\/p>

Heutzutage werden viele Technologien als KI vermarktet, aber nicht alle davon sind wirklich intelligent. Einige basieren auf Algorithmen, die Psychologen seit Jahren verwenden.<\/p>

Supervised Machine Learning<\/strong><\/p>

Eine dieser Methoden ist das \u00fcberwachte maschinelle Lernen, bei dem Algorithmen mit Hilfe eines Computers entwickelt, aber von Experten \u00fcberwacht werden. Diese Algorithmen basieren auf statistischen Methoden wie der linearen oder polynomialen Regression. Ein klassisches Beispiel ist die Vorhersage der Arbeitsleistung (abh\u00e4ngige Variable) auf der Grundlage verschiedener unabh\u00e4ngiger Variablen (Pr\u00e4diktoren) wie GMA-Werten und anderen Testergebnissen (z. B. Pers\u00f6nlichkeitsdimensionen). Aus den Daten wird eine empirische Regressionsgleichung berechnet und dann auf neue Kandidaten angewendet. Anschlie\u00dfend wird anhand eines Cut-off-Werts entschieden, ob ein Kandidat eingestellt werden soll oder nicht.<\/p>

Einstellungsentscheidungen auf der Grundlage von Regressionsstatistiken, empirischen Daten und dem Abgleich mit psychologischen Theorien und fr\u00fcheren Erkenntnissen sind eine g\u00fcltige M\u00f6glichkeit, Algorithmen im Einstellungsprozess anzuwenden (z. B. Tews, 2011).<\/p>

Es ist jedoch wichtig zu beachten, dass verzerrte, veraltete oder nicht repr\u00e4sentative Trainingsdaten die Wirksamkeit des Algorithmus negativ beeinflussen k\u00f6nnen (siehe Goretzko, 2022).<\/p>

\"\"<\/p>

Neuronale Netze<\/strong><\/p>

Neuronale Netze sind Algorithmen, die die menschliche Wahrnehmung und Mustererkennung nachahmen. Sie werden mit gro\u00dfen Mengen gekennzeichneter Trainingsdaten trainiert, um zu lernen, wie die Ausgabe repliziert werden kann. Ein Beispiel hierf\u00fcr ist ein neuronales Netz, das lernt, visuelle Daten zu erkennen, beispielsweise das Bild einer Katze oder eines Hundes zu unterscheiden oder handgeschriebene Buchstaben zu unterscheiden. Der Lernprozess findet ohne menschliche Interaktion statt und ist gr\u00f6\u00dftenteils verborgen. Zwischen der Eingabe, wie zum Beispiel Bildern, gesprochener Sprache oder Testergebnissen, und der Ausgabe, wie zum Beispiel dem Inhalt des Bildes, gesprochenen Worten oder der Einstellungsentscheidung, gibt es mehrere verborgene Schichten simulierter Neuronen. Dieser Prozess des Trainings neuronaler Netze mit gro\u00dfen Datenmengen und der Verwendung mehrerer verborgener Neuronenschichten wird auch als \u201eDeep Learning\u201c bezeichnet.<\/p>

Neuronale Netze k\u00f6nnen komplexere Daten verarbeiten als einfache statistische Algorithmen.<\/p>

Auch wenn es verlockend sein mag, neuronale Netze zur Unterst\u00fctzung von Einstellungsentscheidungen zu nutzen, indem man sie mit historischen Daten trainiert, wie etwa der Arbeitsleistung eines Mitarbeiters nach seiner Einstellung, ist es wichtig, potenzielle Verzerrungen zu ber\u00fccksichtigen und sicherzustellen, dass alle getroffenen Entscheidungen fair und objektiv sind. Im Gegensatz zu einfachen Algorithmen f\u00fcr maschinelles Lernen, die statistische Methoden verwenden, basieren neuronale Netze nicht auf Korrelationskoeffizienten oder Betagewichten. Die den Eingabevariablen zugewiesenen Gewichtungen sind in den Schichten des Netzwerks verborgen, was es f\u00fcr Psychologen schwierig macht, festzustellen, ob die Ausgabe verzerrt ist. Organisationen sammeln eine F\u00fclle von Daten \u00fcber Kandidaten und Mitarbeiter, darunter Tests, Assessment Center, Bewertungen von Vorgesetzten und biografische Daten. Es ist jedoch wichtig, mit den Bewertungsergebnissen maschineller Lernalgorithmen vorsichtig umzugehen. Beispielsweise k\u00f6nnten Psychologen von Erkenntnissen verwandter Bereiche wie der Medizin profitieren, die gro\u00dfes Interesse an KI-basierten Diagnosen unter Verwendung von R\u00f6ntgenstrahlen und klinischen Daten gezeigt hat. Varoquaux und Cheplygina (2022) diskutieren die Herausforderungen der Anwendung von maschinellem Lernen auf die medizinische Bildgebung, einschlie\u00dflich Datensatzverzerrungen, Bewertungsungenauigkeiten und Ver\u00f6ffentlichungsanreizen, die den Fortschritt behindern und folglich zu falschen Diagnosen f\u00fchren. Die Autoren betonen, dass gr\u00f6\u00dfere Datens\u00e4tze nicht unbedingt zu besseren Ergebnissen f\u00fchren, insbesondere in komplexen medizinischen Szenarien. Sie beschreiben mehrere Studien, die zeigen, wie auf KI basierende Diagnosen verzerrt sein und zu falschen Schlussfolgerungen f\u00fchren k\u00f6nnen.<\/p>

Verarbeitung nat\u00fcrlicher Sprache (NLP)<\/strong><\/p>

NLP basiert auf vortrainierten neuronalen Netzen und kann gesprochene Sprache in schriftliche Form wie Lebensl\u00e4ufe, Motivationsschreiben, Aufzeichnungen von Assessment-Center-\u00dcbungen oder Interviews \u00fcbertragen. Diese schriftliche Form kann dann mithilfe von Techniken wie Linguistic Inquiry and Word Count Analysis (LIWC, siehe Boyd et al., 2022) oder der Bewertung der Antworten der Kandidaten auf Basis von BARS (Liu, 2023b) bewertet werden. Liu (2023a) erkl\u00e4rt, wie NLP auf Aufzeichnungen von AC-\u00dcbungen und Interviews angewendet werden kann. Liu (2023a) weist jedoch darauf hin, dass NLP-Systeme oft als \u201eBlack Boxes\u201c betrachtet werden, was bedeutet, dass selbst Forscher m\u00f6glicherweise nur begrenzte Kenntnisse dar\u00fcber haben, wie und warum der Computer bestimmte Entscheidungen trifft. Sie fahren fort: \u201e\u2026 die M\u00f6glichkeit zu zeigen, wie sich die Bewertungsreize und\/oder Pr\u00e4diktoren auf berufsrelevante KSAOs beziehen (\u2026), ist eine wichtige M\u00f6glichkeit, die Interpretierbarkeit sicherzustellen, noch bevor Modelle erstellt werden.\u201c<\/p>

\u00a0<\/p>

Large Language Models (LLMs)<\/strong><\/p>

Ein Large Language Model (LLM) ist ein k\u00fcnstliches Intelligenzsystem, das darauf ausgelegt ist, menschliche Sprache (neuerdings auch: Bilder und Videos) zu verstehen, zu generieren und mit ihr zu arbeiten. Es basiert auf Deep-Learning-Algorithmen und analysiert gro\u00dfe Mengen an Textdaten, um Sprachmuster, Grammatik, Kontext und Nuancen zu lernen. LLMs k\u00f6nnen eine Vielzahl von Aufgaben erf\u00fcllen, wie etwa das Beantworten von Fragen, das Vervollst\u00e4ndigen von S\u00e4tzen, das \u00dcbersetzen von Sprachen und sogar das Erstellen von Inhalten, die menschliche Schreibstile nachahmen. Die F\u00e4higkeit der LLMs, Text vorherzusagen und zu generieren, je mehr Daten sie f\u00fcr das Training zur Verf\u00fcgung gestellt bekommen. Einige bekannte Beispiele dieser Modelle sind GPT von OpenAI, Gemini von Google, Llama von Meta und Mistral (die beiden letztgenannten sind Open-Source-Modelle). Diese Modelle demonstrieren die F\u00e4higkeit der Technologie, Texte zu verstehen und zu produzieren, die oft nicht von menschlicher Schrift zu unterscheiden sind.<\/p>

Seit sie im Dezember 2022 einer breiteren \u00d6ffentlichkeit zug\u00e4nglich gemacht wurden, werden LLMs in einer Vielzahl von Anwendungen eingesetzt, darunter beim Verfassen von Reden, Drehb\u00fcchern, Gedichten und wissenschaftlichen Artikeln. Die F\u00e4higkeit der LLMs, menschliche Sprache zu analysieren und zu generieren, ist beeindruckend. Allerdings ist es f\u00fcr jeden Nutzer von LLMs wichtig, sich deren Risiken und Grenzen bewusst zu sein:<\/p>

Halluzinationen<\/em><\/strong><\/p>

LLMs neigen dazu, falsche Informationen zu erzeugen, die auch als \u201eHalluzinationen\u201c bezeichnet werden. Beispielsweise f\u00fchrte der Autor ein Experiment mit ChatGPT (zu Bildungszwecken) durch, indem er eine Zusammenfassung f\u00fcr eine Arbeit zu einem absurden Thema (\u201eHom\u00f6opathische Behandlung von Knieproblemen\u201c) anforderte und Verweise auf wissenschaftliche Arbeiten einf\u00fcgte (was nat\u00fcrlich nicht m\u00f6glich war). existieren, weil der Hom\u00f6opathie wissenschaftliche Beweise fehlen). Das LLM stimmte zu und erstellte eine Zusammenfassung zusammen mit mehreren Referenzen, die alle vollst\u00e4ndig erfunden waren. LLMs generieren h\u00e4ufig Informationen, die glaubw\u00fcrdig klingen, aber v\u00f6llig unwahr oder irref\u00fchrend sind.<\/p>

Vorurteile<\/em><\/strong><\/p>

LLMs sind genauso voreingenommen wie ihre Trainingsdaten, sie reproduzieren bestehende Vorurteile. LLMs haben sogar ihre eigene \u201ePers\u00f6nlichkeit\u201c (Pellert et al., 2023) \u2013 was nat\u00fcrlich auch zu Voreingenommenheit in ihren Antworten f\u00fchrt.<\/p>

Selbstreferenzielle Daten<\/em><\/strong><\/p>

Die Qualit\u00e4t von LLMs h\u00e4ngt stark von der Quantit\u00e4t und Qualit\u00e4t der Trainingsdaten ab. Da ein zunehmender Anteil der verf\u00fcgbaren Trainingsdaten, n\u00e4mlich der Inhalte des Internets, selbst von KI generiert wird, k\u00f6nnten LLMs m\u00f6glicherweise in eine rekursive Todesspirale geraten. Schon heute sto\u00dfen die gro\u00dfen Internetfirmen (Meta, OpenAI, Google) an die Grenze, neues Trainingsmaterial zu gewinnen, da alle im Internet vorhandenen legal zug\u00e4nglichen Texte bereits zum Training der Modelle verwendet wurden.<\/p>

Auf Internetdaten geschult<\/em><\/strong><\/p>

LLMs werden mithilfe von Daten aus dem Internet trainiert. Daher basieren ihre Ratschl\u00e4ge auf dem Median der im Internet gefundenen Texte, was zu veralteten wissenschaftlichen Erkenntnissen, dem Ausschluss von Minderheitenmeinungen und der Missachtung von Erkenntnissen f\u00fchren kann, die f\u00fcr bestimmte Zielgruppen relevant sind.<\/p>

Datenprivatsph\u00e4re<\/em><\/strong><\/p>

Kommerzielle Anbieter von Sprachmodellen wie OpenAI und Google beanspruchen das Recht, von Benutzern hochgeladene Daten zu analysieren, um ihre Algorithmen zu verbessern. Daher m\u00fcssen sich Organisationen oder Psychologen, die Tools wie ChatGPT verwenden m\u00f6chten, um versteckte Muster in ihren Daten zu identifizieren, wie z. B. psychometrische Testdaten oder Mitarbeiterdatenbanken, m\u00f6glicherweise mit Datenschutzbedenken konfrontiert sehen. Selbst wenn die Daten anonymisiert sind, k\u00f6nnten sie dennoch wertvolle vertrauliche Informationen preisgeben. Daher wird dringend davon abgeraten, kommerzielle LLMs zur Analyse psychologischer Daten zu verwenden. Stattdessen ist es besser, eines der vielen Open-Source-Modelle (etwa: Llama3, Mistral7B) zu verwenden, die zum Download zur Verf\u00fcgung stehen und auf einem Standard-Desktop- oder Laptop-Computer ausgef\u00fchrt werden k\u00f6nnen. Selbst gro\u00dfe Modelle laufen effizient auf handels\u00fcblicher Hardware. Beispielsweise kann das Open-Source-Modell Mistral7B, das aus 7 Milliarden Parametern besteht, als Datei mit einer Gr\u00f6\u00dfe von nur 4,3 Gigabyte heruntergeladen werden. Nach dem Herunterladen auf einen lokalen Computer kann das Modell sensible Daten verarbeiten, ohne die Privatsph\u00e4re zu beeintr\u00e4chtigen.<\/p>

\"\"<\/p>

Prompt Transformation<\/em><\/strong><\/p>

Einige LLMs verwenden eine Technologie namens Prompt Transformation<\/em>. Diese Technologie nimmt Benutzereingabeaufforderungen auf und schreibt sie neu, um die Qualit\u00e4t der Antwort zu verbessern oder bestehende Vorurteile im LLM auszugleichen. Wenn der Benutzer beispielsweise einen bilderzeugenden LLM auffordert, ein Bild eines Piloten zu erstellen, kann der LLM ohne Prompt Transformation aufgrund bestehender Vorurteile ein Bild eines wei\u00dfen m\u00e4nnlichen Piloten erzeugen. Die Prompt-Transformation schreibt die Eingabeaufforderung des Benutzers neu, um ein nicht-stereotypisches Bild eines Piloten zu erzeugen. W\u00e4hrend die Technologie darauf abzielt, Vorurteile im LLM zu beseitigen, bestehen ethische Bedenken hinsichtlich der Unkenntnis des Benutzers \u00fcber den Umschreibungsprozess.<\/p>

Finetuning von LLMs<\/em><\/strong><\/p>

Ein interessanter Aspekt von LLMs besteht darin, dass \u00f6ffentlich verf\u00fcgbare Modelle wie Llama oder Mistral von Forschern genau auf ihre spezifischen Bed\u00fcrfnisse abgestimmt werden k\u00f6nnen (Zhang, 2023). Die Feinabstimmung ist ein sorgf\u00e4ltiger Prozess, der eine sorgf\u00e4ltige Datenvorbereitung, die Zuf\u00fchrung einer gro\u00dfen Anzahl von Frage-Antwort-Paaren in das Modell und eine gewisse Rechenleistung erfordert. Es erm\u00f6glicht Organisationen und Psychologen jedoch, ihr eigenes KI-System aufzubauen, ohne bei Null anfangen zu m\u00fcssen.<\/p>

Nutzung lokaler Daten<\/em><\/strong><\/p>

Zudem ist es m\u00f6glich, lokale (h\u00e4ufig recht kleine) Modelle auf spezifische Daten zugreifen zu lassen, das erspart den rechenaufw\u00e4ndigen Prozess des Finetunings. Idealersweise liegen die Daten \u2013 etwa Handb\u00fccher \u2013 in Form einer Datenbank vor, die dann mit entsprechenden OpenSource Programmen in Vektordaten oder JSON-Dateien umgewandelt werden. Der Autor hat so beispielsweise Mistral7B um eine Datenbank mit Textbausteinen f\u00fcr die Auswertung eines Pers\u00f6nlichkeitstests erg\u00e4nzt, so dass das System komplexe Skalenkonfigurationen in nat\u00fcrlicher Sprache beschreiben kann.<\/p>

Anwendungen von KI bei der Beurteilung und Auswahl<\/strong><\/p>

Zum jetzigen Zeitpunkt wird KI bereits h\u00e4ufig im Zusammenhang mit Beurteilung und Auswahl eingesetzt. Dies umfasst unter anderem die folgenden Bereiche:<\/p>

Assessment-Center<\/em><\/strong><\/p>

F\u00fcr Beurteilungen ist h\u00e4ufig die Erfassung unstrukturierter Daten in Form von offenem Text, Audioaufzeichnungen und Videoaufnahmen erforderlich, beispielsweise aus Vorstellungsgespr\u00e4chen oder Assessment-Center-\u00dcbungen. Die manuelle Bewertung dieser Daten, die eine Transkription und Expertenbewertung umfasst, kann sowohl komplex als auch teuer sein. LLMs zeichnen sich jedoch in diesem Bereich aus. Es hat sich gezeigt, dass die KI-basierte Bewertung qualitativ der von menschlichen Experten entspricht (Koenig et al., 2023; Thompson et al., 2023, K\u00f6nig & Langer, 2022).<\/p>

Diagnostisches Material<\/em><\/strong><\/p>

Die Erstellung von Inhalten f\u00fcr Diagnosetools ist ein Bereich, in dem sich LLMs schnell als n\u00fctzlich erwiesen haben. LLMs zeichnen sich durch die Analyse und Erstellung von Sprache aus und eignen sich daher ideal f\u00fcr die Erstellung von Elementen f\u00fcr Frageb\u00f6gen, Szenarien f\u00fcr SJTs, BARS (Behavioral Anchored Rating Scales) und strukturierten Interviewfragen (G\u00f6tz et al., 2023).<\/p>

Bewertung von Biographischen Daten<\/em><\/strong><\/p>

Auswertung der Biodaten der Bewerber: LLMs k\u00f6nnen damit beauftragt werden, relevante Informationen aus Lebensl\u00e4ufen zu extrahieren, beispielsweise Lizenzen, formale Qualifikationen oder Erfahrungen.<\/p>

Job-Analyse<\/em><\/strong><\/p>

Der Gro\u00dfteil der Informationen zu Arbeitsinhalten und Anforderungen erfolgt in schriftlicher Form. Um Jobfamilien auf \u00c4hnlichkeit zu gruppieren, k\u00f6nnen LLMs verwendet werden (Lewis et al., 2023), um die relevanten KSAOs aus Jobbeschreibungen zu extrahieren.<\/p>

Identifizieren von Mustern in gro\u00dfen Datens\u00e4tzen<\/em><\/strong><\/p>

Psychologen arbeiten h\u00e4ufig mit gro\u00dfen Datens\u00e4tzen schriftlicher Informationen, wie beispielsweise Berichten aus psychologischen Gutachten, Interviewprotokollen und Bewertungen von Vorgesetzten. Das Erkennen von Mustern in dieser Art von Daten kann eine Herausforderung sein, aber LLMs k\u00f6nnen helfen, indem sie Muster in gro\u00dfen Mengen von Textdateien identifizieren.<\/p>

Big Data<\/em><\/strong><\/p>

Die Beurteilung von Personen auf der Grundlage verhaltensbezogener Big Data wird am Arbeitsplatz immer h\u00e4ufiger eingesetzt. Da die meisten ihrer Aktivit\u00e4ten online stattfinden, generieren Mitarbeiter eine erhebliche Menge an Verhaltensdaten. Diese Daten werden derzeit verwendet, um die Leistung der Mitarbeiter zu verfolgen, beispielsweise um die Anzahl der von Callcenter-Agenten entgegengenommenen Anrufe zu messen. Es kann aber auch dazu genutzt werden, die F\u00e4higkeiten, die Pers\u00f6nlichkeit und die Kompetenzen der Mitarbeiter sowie ihre sozialen Interaktionen und Entscheidungsf\u00e4higkeiten zu bewerten. KI-Algorithmen k\u00f6nnen gro\u00dfe Datenmengen analysieren, um Entwicklungsbereiche, potenzielle Karrierewege oder sogar Diskrepanzen zwischen Person und Beruf zu identifizieren.<\/p>

Erstellen von Arbeitshypothesen \u00fcber Einzelpersonen<\/em><\/strong><\/p>

Der Autor arbeitet als Berater und f\u00fchrt individuelle psychologische Assessments mit F\u00fchrungskr\u00e4ften durch. Dadurch wird eine betr\u00e4chtliche Menge an Daten zu jeder Person generiert, darunter Testdaten wie Pers\u00f6nlichkeit und GMA, Interviewtranskripte und Transkripte von Simulations\u00fcbungen wie Rollenspielen oder Fallstudien. Ein lokal gef\u00fchrtes LLM wird mit den notwendigen Daten und Stellenanforderungen gef\u00fcttert, um die wichtigsten St\u00e4rken und Schw\u00e4chen eines Kandidaten zusammenzufassen. Beispielsweise erstellte Mistral7B die folgende Zusammenfassung f\u00fcr einen Nachwuchsmanager, basierend auf einer Textdatei, die die verbalen Ergebnisse verschiedener psychometrischer Tests sowie ein Interviewprotokoll enthielt: \u201eBasierend auf den Ergebnissen von A. aus psychometrischen Tests, \u00dcbungen und Interviews scheint sie eine analytische und detailorientierte Person mit starken F\u00fchrungsqualit\u00e4ten zu sein. Sie ist in der Lage, kritisch zu denken, Probleme effektiv zu l\u00f6sen und arbeitet gut im Team. Ihre positive Einstellung und ihre Bereitschaft zur Zusammenarbeit machen sie zu einer wertvollen Bereicherung f\u00fcr jede Organisation. Allerdings f\u00e4llt es ihr m\u00f6glicherweise schwer, Aufgaben zu delegieren, und sie kann manchmal mit den Arbeitsanforderungen \u00fcberfordert sein, wenn sie nicht richtig gemanagt wird. F\u00fcr sie ist es wichtig, ihre starke Arbeitsmoral mit Selbstf\u00fcrsorgepraktiken in Einklang zu bringen, um Burnout zu vermeiden. Insgesamt hat A. das Potenzial, ein erfolgreicher Manager und Leader mit Weiterbildung und Erfahrung im Management komplexer Projekte und gro\u00dfer Teams zu sein.<\/em>\u201c<\/p>

Erstellen von narrativen Feedbackberichten<\/em><\/strong><\/p>

Testanbieter k\u00f6nnen LLMs nutzen, um aus psychometrischen Testergebnissen individualisierte narrative Berichte zu erstellen (Koenig et al., 2023). Im Rahmen von Entwicklungsbewertungen k\u00f6nnten LLMs Psychologen dabei unterst\u00fctzen, auf der Grundlage der Ergebnisse der Bewertung individuelle Entwicklungsempfehlungen vorzuschlagen.<\/p>

Ethische und praktische \u00dcberlegungen zum Einsatz von KI zur Auswahl und Assessments<\/strong><\/p>

Ethische M\u00f6glichkeiten<\/strong><\/p>

\u00dcber die offensichtlichen Vorteile des Einsatzes von KI f\u00fcr die Personalauswahl und -beurteilung hinaus (Effizienz, Geschwindigkeit, geringere Kosten, bessere Auswahlqualit\u00e4t) gibt es auch ethische Chancen beim Einsatz von KI f\u00fcr Personalbeurteilungs- und -auswahlzwecke (Hunkenschroer & Luetge 2022):<\/p>

Reduzierte Vorurteile<\/em><\/strong><\/p>

Ein richtig konzipiertes KI-System kann menschliche Vorurteile reduzieren. Nat\u00fcrlich werden menschliche Einstellungs- und Bef\u00f6rderungsentscheidungen von Vorurteilen, pers\u00f6nlichen Vorlieben und Emotionen beeinflusst, w\u00e4hrend ein gut entwickeltes KI-System objektiv ist und Einstellungsentscheidungen nur auf der Grundlage g\u00fcltiger Daten trifft.<\/p>

Konsistenz des Prozesses f\u00fcr Bewerber<\/em><\/strong><\/p>

KI-gest\u00fctzte Systeme bieten den Bewerbern einen durchg\u00e4ngigen Rekrutierungsprozess und f\u00fchren sie durch die einzelnen Schritte des Rekrutierungsprozesses von der ersten Information zur Stelle, der Beantwortung von Fragen zum Unternehmen und der Stelle, der Beurteilung bis hin zur Pr\u00e4sentation des Stellenangebots.<\/p>

Zeitnahes Feedback<\/em><\/strong><\/p>

H\u00e4ufig erfolgt eine R\u00fcckmeldung zu einem Beurteilungsprozess erst, nachdem der HR-Mitarbeiter oder Psychologe seinen Beurteilungsbericht verfasst hat. Die automatisierte Erstellung eines narrativen Bewertungsberichts gibt den Bewerbern zeitnahes Feedback zu ihren Ergebnissen.<\/p>

Job Enrichment<\/em><\/strong><\/p>

Das Entfernen der menschlichen Interaktion aus dem Rekrutierungsprozess f\u00fchrt zu Effizienzgewinnen (Lee, 2018; van Esch & Black, 2019) und erm\u00f6glicht es Psychologen und HR-Mitarbeitenden, sich auf die Aspekte ihrer Arbeit zu konzentrieren, die menschliche Interaktion beinhalten (z. B. Coaching). Zu diesem Zweck bieten KI-Systeme M\u00f6glichkeiten zum Job Enrichment f\u00fcr HR Mitarbeiter und Psychologen (Ore & Sposato, 2022).<\/p>

Einwilligung der Kandidaten<\/strong><\/p>

Mirowska (2020) berichtete, dass Kandidaten f\u00fcr ihre Bewertungen menschliche Bewerter gegen\u00fcber KI bevorzugen. Der Einsatz von KI in Auswahlprozessen wirft ethische Fragen zur Transparenz f\u00fcr Organisationen und IO-Psychologen auf. Es ist wichtig, zwischen absichtlicher und unbeabsichtigter Datenerfassung zu unterscheiden. Bei der Beantwortung von Punkten in einem Pers\u00f6nlichkeitsfragebogen wird davon ausgegangen, dass ein Kandidat der Auswertung seiner Antworten durch eine Technologie, einschlie\u00dflich eines KI-Algorithmus, zugestimmt hat. Online-Verhalten von Mitarbeitern, wie etwa Mausklicks und die Dauer der Interaktion mit anderen, gelten jedoch als unbeabsichtigte Daten, f\u00fcr deren Auswertung die Zustimmung des Mitarbeiters erforderlich ist. Dies steht im Einklang mit den ethischen Richtlinien der APA, auch wenn die Daten f\u00fcr pro-soziale Ma\u00dfnahmen verwendet werden, beispielsweise um individuelle Entwicklungsvorschl\u00e4ge anzubieten.<\/p>

Wie von Tippins et al. (2021) sollte ein professioneller und rechtlicher Standard definiert werden, um Menschen zu informieren, wenn sie mit einer KI statt mit einem Menschen interagieren. Es ist wichtig zu beachten, dass LLMs den Turing-Test mittlerweile problemlos bestehen k\u00f6nnen (Mei et al., 2024), was bedeutet, dass Probanden nach einem langen Gespr\u00e4ch nicht zwischen einer KI und einem Menschen unterscheiden k\u00f6nnen. Daher ist es von entscheidender Bedeutung, klare Richtlinien f\u00fcr die Interaktion zwischen KI und Mensch festzulegen.<\/p>

Datenqualit\u00e4t<\/strong><\/p>

KI-Ans\u00e4tze basieren darauf, das System mit vorhandenen Daten zu trainieren. Das System kann eine gro\u00dfe Anzahl potenzieller Pr\u00e4diktoren wie Testergebnisse, Interviewprotokolle, Verhalten und Bewertungen im Assessment Center sowie Biodaten nutzen, um Muster zu finden, die eine erfolgreiche Einstellung vorhersagen. Es ist wichtig, jedes Thema mit einem Kriterium zu versehen, das \u201eErfolg\u201c anzeigt. Zu diesem Kriterium k\u00f6nnen quantitative Daten geh\u00f6ren, etwa Verkaufszahlen oder Bewertungen von Vorgesetzten nach der Einstellung, aber auch historische Entscheidungen, etwa ob ein Kandidat eingestellt wurde oder nicht. Es ist wichtig zu beachten, dass sich alle potenziellen Kriterien auf historische Daten beziehen und daher verzerrt oder veraltet sein k\u00f6nnen. Exemplarisch analysierte der Autor eine gro\u00dfe Datenbank mit psychometrischen, soziografischen und biografischen Daten von 2.000 deutschen Top-Managern, die sich zu Auswahlzwecken einem individuellen psychologischen Assessment unterzogen hatten. Das System identifizierte die folgenden Merkmale erfolgreicher Kandidaten, die eingestellt wurden: Sie sollten einen Master-Abschluss oder einen Doktortitel besitzen. in Wirtschafts- oder Ingenieurwissenschaften; Die Person sollte zwischen 45 und 55 Jahre alt sein und \u00fcber \u00fcberdurchschnittliche kognitive F\u00e4higkeiten verf\u00fcgen, wie aus Testergebnissen hervorgeht. Von der Pers\u00f6nlichkeit her sollten sie extravertiert und hochmotiviert zu H\u00f6chstleistungen sein.<\/p>

Wenn dieses System zur Vorauswahl von Kandidaten verwendet w\u00fcrde, k\u00f6nnte es potenziell erfolgreiche Kandidaten identifizieren, aber aufgrund der Abh\u00e4ngigkeit von voreingenommenen Daten auch bestimmte Gruppen ausschlie\u00dfen. Es ist wichtig zu beachten, dass der Datensatz keine Informationen zur Hautfarbe erfasste. Wenn dies jedoch der Fall gewesen w\u00e4re, w\u00e4re \u201ewei\u00df\u201c m\u00f6glicherweise einer der Pr\u00e4diktoren f\u00fcr eine erfolgreiche Einstellung gewesen, \u00e4hnlich wie das Kriterium \u201em\u00e4nnlich\u201c \u2013 beide Merkmal spiegeln die vorhandenen Biases in den historischen Daten wieder. Der Einsatz eines solchen Systems in der realen Personalauswahl w\u00fcrde gegen ethische und rechtliche Grunds\u00e4tze der Fairness versto\u00dfen. Beispielsweise schreibt die europ\u00e4ische Datenschutz-Grundverordnung (DSGVO) vor, dass Algorithmen unabh\u00e4ngig von Variablen wie Geschlecht, Sexualit\u00e4t, Religion oder deren Stellvertretern (z. B. Adresse oder Portr\u00e4tbild) sein m\u00fcssen.<\/p>

Ver\u00e4nderungen in der Umgebung k\u00f6nnen Auswirkungen auf die Datenqualit\u00e4t haben. KI-Systeme werden in der Regel auf historischen Daten trainiert, was ihren Anwendungsbereich auf die Vergangenheit beschr\u00e4nkt. Als beispielsweise ChatGPT im Dezember 2022 der \u00d6ffentlichkeit zug\u00e4nglich gemacht wurde, gab OpenAI bekannt, dass es bis September 2021 auf Internetdaten trainiert wurde. Beim Training eines KI-Systems f\u00fcr die Bewertung und Auswahl st\u00fctzt es sich auf fr\u00fchere Daten. KI-Modelle, die f\u00fcr die Personalauswahl verwendet werden, sind aufgrund der hohen Kosten und Datenanforderungen der Umschulung m\u00f6glicherweise nicht immer auf dem neuesten Stand. Dieses Problem betrifft nicht nur die KI, da sich die Vorhersagekraft bestimmter psychologischer Dimensionen mit Ver\u00e4nderungen im Arbeitsumfeld \u00e4ndern kann, beispielsweise mit der Verlagerung auf Remote Work<\/em> w\u00e4hrend der Pandemie. W\u00e4hrend IO-Psychologen sich der Ver\u00e4nderungen in der Arbeitsumgebung bewusst sind und ihre Annahmen \u00fcber die G\u00fcltigkeit ihrer Pr\u00e4diktoren verfeinern, kann ein KI-System nur dann umgeschult werden, wenn gen\u00fcgend Daten f\u00fcr eine erneute Stichprobe vorhanden sind.<\/p>

Vorurteile erkennen und beseitigen<\/strong><\/p>

KI-Systeme enthalten h\u00e4ufig Vorurteile, wie Schwartz et al. feststellten. (2022). Mehrabi (2022) bietet Beispiele aus der Praxis f\u00fcr voreingenommene Systeme und einen \u00dcberblick \u00fcber 19 verschiedene Arten von Voreingenommenheiten in KI-Systemen. Es ist eine ethische und rechtliche Verpflichtung, Vorurteile in KI-Systemen zu erkennen und zu beseitigen. Avgustin (2022) beschreibt mehrere statistische Methoden zur Bewertung der diskriminierenden Voreingenommenheit eines KI-Systems. Mihaljevi\u0107 (2023) diskutiert die Einf\u00fchrung von Ma\u00dfst\u00e4ben f\u00fcr Fairness und schl\u00e4gt vor, sich mehr auf das Ergebnis (Statistik) als auf den Prozess (Algorithmus) zu konzentrieren. Verma et al. (2021) schlagen eine neuartige Black-Box-Methodik zur Verbesserung der Fairness in Modellen des maschinellen Lernens durch die Identifizierung und Entfernung verzerrter Trainingsdaten vor. Dieser Ansatz reduziert die individuelle Diskriminierung erheblich, oft auf 0 %, und verbessert sowohl die Genauigkeit als auch die Fairness der Modelle im Vergleich zu Modellen, die auf dem gesamten Datensatz trainiert wurden.<\/p>

Treffen der Einstellungsentscheidung<\/strong><\/p>

KI \u00fcbernimmt zunehmend Aufgaben im Rekrutierungs- und Auswahlprozess, wobei die endg\u00fcltige Entscheidung typischerweise von einem menschlichen Personalvermittler oder Manager getroffen wird (Fern\u00e1ndez-Mart\u00ednez & Fern\u00e1ndez, 2020; Yarger et al., 2020). Einige Organisationen haben sich aufgrund des Drucks, den Rekrutierungsprozess so schnell und kosteng\u00fcnstig wie m\u00f6glich zu gestalten, der vollautomatischen Entscheidungsfindung zugewandt (Lee, 2018; Vasconcelos et al., 2018).<\/p>

Wie Hmoud & Laszlo (2019) schreiben, wird sich KI zwar zunehmend auf die Personalrekrutierung und -auswahl auswirken, es ist jedoch unwahrscheinlich, dass sie menschliche Personalvermittler vollst\u00e4ndig ersetzen wird. Dies unterstreicht die Bedeutung einer durchdachten Integration von KI, um die menschliche Entscheidungsfindung in HR-Prozessen zu unterst\u00fctzen und nicht zu ersetzen . Rezzani (2020) fasst zusammen: \u201e\u2026 die Ersetzung des Menschen im Prozess der Forschung und Auswahl erscheint sinnvoll, wird jedoch nicht durch Daten in der Literatur gest\u00fctzt.\u201c Sie kommen zu dem Schluss: \u201e…es besteht Einigkeit dar\u00fcber, dass KI-Tools das Potenzial haben, menschliche Arbeit zu unterst\u00fctzen und nicht zu ersetzen.\u201c<\/p>

Cecil et al. (2023) stellen fest, dass Einzelpersonen (d. h. Entscheidungstr\u00e4ger) dazu neigen, den Ratschl\u00e4gen eines KI-Systems bei der Personalauswahl zu folgen, auch wenn die Ratschl\u00e4ge falsch sind. Dies f\u00fchrt zu einer schlechteren Entscheidungsqualit\u00e4t, als wenn sie \u00fcberhaupt keine Beratung erhalten h\u00e4tten. Kupfer et al. (2023) beschreiben, dass die blo\u00dfe Sensibilisierung von Entscheidungstr\u00e4gern f\u00fcr ihre Verantwortung ihre Entscheidungsqualit\u00e4t nicht verbessert. Allerdings kann die Art und Weise, wie die Daten pr\u00e4sentiert werden, Auswirkungen haben. Laut Langer et al. (2021) sollte eine KI-Unterst\u00fctzung bei der Personalauswahl erfolgen, nachdem Entscheidungstr\u00e4ger die Kandidaten selbst bewertet haben.<\/p>

Rechtliche \u00dcberlegungen zum Einsatz von KI zur Auswahl und Bewertung<\/strong><\/p>

Aufgrund der rasanten Entwicklung von KI in den letzten Jahren hinkt die Gesetzgebung hinter den technologischen Entwicklungen und der weiten Verbreitung von KI und LLM hinterher. Dies gilt insbesondere f\u00fcr die USA, wo die Rechtslandschaft rund um den Einsatz von KI zur Auswahl und Bewertung komplex ist und je nach Gerichtsbarkeit variiert. Es ist jedoch wichtig zu beachten, dass die bestehende Auswahlgesetzgebung auch f\u00fcr den Einsatz von KI gilt. Beispielsweise verbieten der Civil Rights Act, der Americans with Disabilities Act (ADA) und der Age Discrimination in Employment Act (ADEA) Diskriminierung aufgrund gesch\u00fctzter Merkmale wie Rasse, Geschlecht, Alter und Behinderung. In den Vereinigten Staaten regelt der California Consumer Privacy Act (CCPA) die Verarbeitung personenbezogener Daten und orientiert sich stark an der europ\u00e4ischen Datenschutz-Grundverordnung (DSGVO). Diese Gesetze gew\u00e4hren Einzelpersonen bestimmte Rechte an ihren Daten, beispielsweise das Recht auf Auskunft \u00fcber die Verwendung ihrer Daten und das Recht auf L\u00f6schung ihrer Daten.<\/p>

Das KI-Gesetz der Europ\u00e4ischen Union (Europ\u00e4isches Parlament, 2023) ist eines der ersten spezifischen Gesetze, das sich mit den Herausforderungen des Einsatzes von KI befasst. \u00c4hnlich wie die Datenschutz-Grundverordnung d\u00fcrfte dieses Gesetz als Blaupause f\u00fcr die Gesetzgebung in den USA dienen. Das KI-Gesetz kategorisiert KI-Systeme in verschiedene \u201eRisikokategorien\u201c. KI-Systeme, die f\u00fcr die Rekrutierung oder Auswahl von Personen konzipiert sind, insbesondere f\u00fcr die Ausschreibung von Stellenangeboten, das Screening oder Filtern von Bewerbungen und die Bewertung von Kandidaten in Vorstellungsgespr\u00e4chen oder Tests, gelten als \u201eSysteme mit hohem Risiko\u201c. Daher m\u00fcssen Anbieter von KI-Systemen ein Risikomanagementsystem einrichten (Art. 9), eine ordnungsgem\u00e4\u00dfe Datenverwaltung sicherstellen (einschlie\u00dflich Schulungs-, Validierungs- und Testdatens\u00e4tze, Art. 10) und den Nutzern von KI-Systemen Transparenz und Informationen bieten (Art. 13). ) und stellen die menschliche Aufsicht w\u00e4hrend der Nutzung sicher (Art. 14). In Zukunft k\u00f6nnte es nicht nur in der Europ\u00e4ischen Union illegal sein, Einstellungs- und Beurteilungsentscheidungen vollst\u00e4ndig an einen KI-Algorithmus zu delegieren (S\u00e1nchez-Monedero et al., 2020).<\/p>

Die Rolle von Psychologen bei der Anwendung von AI-Tools f\u00fcr die Personalauswahl und -beurteilung<\/strong><\/p>

KI-Systeme werden teilweise Aufgaben \u00fcbernehmen, die traditionell von IO-Psychologen erledigt werden. Daher sollten Psychologen f\u00fcr die Entwicklung und Umsetzung von Richtlinien f\u00fcr den Einsatz von KI-Systemen verantwortlich sein. Psychologen sind nicht nur Experten f\u00fcr die Beurteilung und Auswahl von Menschen, sondern haben auch ein besseres Verst\u00e4ndnis f\u00fcr die Natur der zugrunde liegenden Algorithmen der KI als viele andere Berufe. Die meisten Psychologen sind in Konzepten wie neuronalen Netzen, pr\u00e4diktiven Analysen und stochastischen Methoden ausgebildet. Daher k\u00f6nnen sie Computeringenieure beim Entwurf und der Pr\u00fcfung von KI-Systemen unterst\u00fctzen.<\/p>

Psychologen sollten eine aktive Rolle bei der Gestaltung staatlicher und gesetzlicher Regelungen in Bezug auf KI bei der Auswahl und Bewertung auf kollektiver Ebene \u00fcbernehmen. Sie sollten sich f\u00fcr die Festlegung von Normen f\u00fcr die Entwicklung, Pr\u00fcfung und Anwendung von KI-Systemen im Einstellungs-, Bef\u00f6rderungs- und Beurteilungsprozess einsetzen. Das Fehlen einer Regulierung kann zu unethischem Verhalten von Organisationen f\u00fchren, was zu negativen Reaktionen seitens der \u00d6ffentlichkeit und des Gesetzgebers f\u00fchren k\u00f6nnte. Dies wiederum kann zu einer allgemein feindseligen Haltung gegen\u00fcber KI f\u00fchren. Es ist wichtig, klare Regelungen zu schaffen, um solche Folgen zu verhindern.<\/p>

Auf organisatorischer Ebene ist es wichtig, Standards f\u00fcr den ethischen Einsatz von KI umzusetzen. Dazu geh\u00f6rt die Einhaltung bestehender Datenschutzgesetze und die Bereitstellung von Transparenz f\u00fcr Bewerber und Manager hinsichtlich des Bewertungsprozesses und der Rolle von KI. Entscheidend ist, dass es klare Regeln gibt, die die menschliche Kontrolle gew\u00e4hrleisten, was bedeutet, dass Entscheidungen letztendlich von Menschen und nicht von Algorithmen getroffen werden sollten. Psychologen sollten sich auch daf\u00fcr einsetzen, dass vielf\u00e4ltige Stimmen in die Festlegung von KI-Standards innerhalb der Organisation einbezogen werden.<\/p>

Zuk\u00fcnftige Entwicklungen<\/strong><\/p>

KI-Systeme bieten faszinierende M\u00f6glichkeiten f\u00fcr die Beurteilung und Auswahl von Kandidaten. W\u00e4hrend einige Tools ausschlie\u00dflich auf der F\u00e4higkeit des Systems zur Analyse gro\u00dfer Datenmengen basieren, f\u00fchren andere, insbesondere solche, die auf Deep Learning basieren, wie z. B. LLMs, v\u00f6llig neue Methoden zur Bewertung von Personen ein. Diese neuartigen Ans\u00e4tze werden unweigerlich zu neuen rechtlichen und ethischen Problemen f\u00fchren.<\/p>

Derzeit zeichnen sich drei technologische Entwicklungen ab oder sind bereits im Einsatz, die neue M\u00f6glichkeiten sowie ethische und rechtliche Herausforderungen f\u00fcr IO-Psychologen mit sich bringen werden.<\/p>

Multimodalit\u00e4t<\/strong><\/p>

Ein Vorteil von GPT4 von OpenAI gegen\u00fcber GPT3 ist seine Multimodalit\u00e4t. Es kann nicht nur mit geschriebener Sprache, sondern auch mit gesprochener Sprache, Audiodaten (einschlie\u00dflich Musik), Bildern und Videos arbeiten. GPT4 und Googles LLM \u201eGemini\u201c (k\u00fcrzlich in \u201eGamma\u201c umbenannt) sind f\u00fcr die Verwendung dieser verschiedenen Datenmodalit\u00e4ten vorab trainiert. Folglich k\u00f6nnten LLMs der n\u00e4chsten Generation Personen nicht nur anhand ihrer Sprache, sondern auch anhand ihrer K\u00f6rpersprache, Gesichtsausdr\u00fccke und ihres nonverbalen Verhaltens beurteilen. W\u00e4hrend Psychologen erkennen, dass die Beurteilung von Personen anhand dieser Aspekte tiefere Einblicke in ihre Pers\u00f6nlichkeit erm\u00f6glichen kann, kann sie auch irref\u00fchrend sein, da nonverbales Verhalten weniger zuverl\u00e4ssig ist als gesprochene oder geschriebene Sprache.<\/p>

\"\"<\/p>

Gro\u00dfe Context Windows<\/strong><\/p>

Derzeit entwickeln einige KI-Unternehmen, wie beispielsweise Google im Jahr 2024, LLMs mit einem gro\u00dfen Context Window<\/em>. Das Context Window<\/em> ist vergleichbar mit dem Arbeitsspeicher von Computern und Menschen, also der Datenmenge, die ein System oder ein Mensch verarbeiten kann. W\u00e4hrend GP3 ein Kontextfenster von 4.096 Tokens hatte (ein Token wird allgemein als Wort oder eine andere Information definiert), ist die Gr\u00f6\u00dfe des Kontextfensters von GP4 auf 8.192 Tokens gestiegen. Gemini (Google, 2024) hat ein Kontextfenster von 32.000 Token. Google strebt die Entwicklung eines LLM mit einer Kontextfenstergr\u00f6\u00dfe von 1 bis 10 Millionen Token an und schon heute werden einige der Open Source Modelle so modifiziert, dass sehr gro\u00dfe Context Windows haben.<\/p>

Das bedeutet, dass LLMs der n\u00e4chsten Generation m\u00f6glicherweise alle verf\u00fcgbaren Daten einer Person in ihrem Arbeitsged\u00e4chtnis speichern k\u00f6nnten, einschlie\u00dflich Besch\u00e4ftigungsverlauf, psychometrische Daten und digitaler Fu\u00dfabdruck, die im Wesentlichen das gesamte Leben einer Person repr\u00e4sentieren. Auch wenn dieser Ansatz f\u00fcr Psychologen interessante M\u00f6glichkeiten bietet, beinhaltet er doch die Bewertung des \u201eWillens\u201c und nicht des \u201eK\u00f6nnens\u201c der Kandidaten, was typischerweise das Ergebnis psychologischer Beurteilungen ist. Der Einsatz solcher Modelle wirft jedoch zahlreiche ethische Bedenken auf.<\/p>

\"\"<\/p>

LLMs wird neben dem schnellen Denken auch das langsame Denken beigebracht<\/strong><\/p>

LLMs sind darauf ausgelegt, menschliche Sprachverarbeitungs- und Probleml\u00f6sungsf\u00e4higkeiten nachzuahmen. Wenn ihnen Fragen gestellt werden, agieren sie ausschlie\u00dflich im \u201eschnellen\u201c Denkmodus, wie von Kahneman (2011) beschrieben. Dazu geh\u00f6rt das Analysieren der Frage, die Bewertung anhand ihres vorab trainierten Modells und die Bereitstellung einer Antwort auf der Grundlage der riesigen Mengen an Internetdaten, auf denen sie trainiert wurden. Die Antwort erfolgt prompt und ihre Qualit\u00e4t ist direkt proportional zur Qualit\u00e4t der Daten, die zum Training des LLM verwendet werden. Dies \u00e4hnelt Kahnemans Fast Thinking.<\/p>

Zuk\u00fcnftig k\u00f6nnten LLM-Studenten in der Lage sein, sich dem \u201eLangsamen Denken\u201c zu widmen, was eine tiefergehende Datenanalyse, das Abw\u00e4gen der Vor- und Nachteile, die Ber\u00fccksichtigung von Minderheitenmeinungen und die Nutzung von Was-w\u00e4re-wenn-Szenarien beinhaltet. Ein LLM, der l\u00e4nger braucht, um Informationen zu verarbeiten, k\u00f6nnte ein wertvoller Partner f\u00fcr einen IO-Psychologen sein, beispielsweise um die Ergebnisse eines psychologischen Assessments f\u00fcr eine Top-Management-Position zu besprechen. Dieser Prozess erfordert eine sorgf\u00e4ltige Abw\u00e4gung der Person, der Position und der potenziellen Risiken jeder Empfehlung. Hier k\u00f6nnte ein LLM einen zweiten Psychologen ersetzen, mit dem der Gutachter ein Gespr\u00e4ch \u00fcber den Kandidaten f\u00fchrt.<\/p>

\"\"<\/p>

Large Spatial Models<\/strong><\/p>

Durch das Aufkommen von Wearables (Smartwatches, aber auch VR-Brillen) sind immer mehr Daten \u00fcber Bewegungen und Interaktionen von Menschen f\u00fcr die Hersteller dieser Ger\u00e4te verf\u00fcgbar. \u00c4hnlich wie die Large Language Models durch die Tokenisierung (d.h. die Umwandlung von S\u00e4tzen in Vektoren von Zahlen) in der Lage sind, Sprache zu verstehen und vorherzusagen, wird es mit gen\u00fcgend Verhaltensdaten m\u00f6glich sein, Bewegungen zu tokenisieren und Verhalten auf der Basis von Verhalten vorherzusagen. F\u00fcr Psychologen bedeutet dass, dass psychologische Diagnostik neu gedacht werden muss, denn in diesem Fall ben\u00f6tigen wir keine psychologischen Konstrukte (wie \u201eExtraversion\u201c oder \u201eGewissenhaftigkeit\u201c) mehr um Aussagen \u00fcber Eignung und Passung von Bewerbern zu machen, sondern kann direkt aus den vorhandenen Daten eine valide Prognose machen, wie sich ein Mensch zuk\u00fcnftig verhalten wird.<\/p>

\"\"<\/p>

Literatur<\/strong><\/p>

Avgustin, V. (2022)<\/strong>. Evaluating Discrimination Bias In AI Decision Making Systems For Personnel Selection (Doctoral dissertation, Dublin, National College of Ireland).<\/p>

Boyd, R. L., Ashokkumar, A., Seraj, S., & Pennebaker, J. W. (2022). <\/strong>The development and psychometric properties of LIWC-22. Austin, TX: University of Texas at Austin, 1-47.<\/p>

Cecil, J., Lermer, E., Hudecek, M. F. C., Sauer, J., & Gaube, S. (2023, March 20)<\/strong>. The Effect of AI-generated Advice on Decision-Making in Personnel Selection. https:\/\/doi.org\/10.31219\/osf.io\/349xe<\/a><\/p>

Davis, R., & King, J. J. (1984). <\/strong>The origin of rule-based systems in AI. Rule-based expert systems: The MYCIN experiments of the Stanford Heuristic Programming Project.<\/p>

European Parliament (2023)<\/strong>. EU AI Act: first regulation on artificial intelligence. Online: https:\/\/www.europarl.europa.eu\/topics\/en\/article\/20230601STO93804\/eu-ai-act-first-regulation-on-artificial-intelligence<\/a><\/p>

Fern\u00e1ndez-Mart\u00ednez, C., & Fern\u00e1ndez, A. (2020)<\/strong>. AI and recruiting software: Ethical and legal implications. Paladyn: Journal of Behavioral Robotics, 11, 199\u2013216. https:\/\/doi.org\/10.1515\/ pjbr-2020-0030<\/p>

G\u00f6tz, F. M., Maertens, R., Loomba, S., & van der Linden, S. (2023)<\/strong>. Let the algorithm speak: How to use neural networks for automatic item generation in psychological scale development. Psychological Methods.<\/p>

Goretzko, D. & Israel, L.S.F (2022)<\/strong>: Pitfalls of Machine Learning-Based Personnel Selection. Journal of Personnel Psychology, 21(1), 37\u201347.<\/p>

Google<\/strong> (2024): What is a long context window? Online:\u00a0 https:\/\/blog.google\/technology\/ai\/long-context-window-ai-models\/<\/p>

Hmoud, B., & Laszlo, V. (2019)<\/strong>. Will artificial intelligence take over human resources recruitment and selection. Network Intelligence Studies, 7(13), 21-30.<\/p>

Hooper, R. S., Galvin, T. P., Kilmer, R. A., & Liebowitz, J. (1998)<\/strong>. Use of an expert system in a personnel selection process. Expert systems with Applications, 14(4), 425-432.<\/p>

Hunkenschroer, A. L., & Luetge, C. (2022)<\/strong>. Ethics of AI-enabled recruiting and selection: A review and research agenda. Journal of Business Ethics, 178(4), 977-1007.<\/p>

Kahneman. (2011). <\/strong>Thinking, Fast and Slow. New York, NY: Farrar, Straus and Giroux.<\/p>

Koenig, N., Tonidandel, S., Thompson, I., Albritton, B., Koohifar, F., Yankov, G., … & Newton, C. (2023)<\/strong>. Improving measurement and prediction in personnel selection through the application of machine learning. Personnel Psychology, 76(4), 1061-1123.<\/p>

Lee, M. K. (2018).<\/strong> Understanding perception of algorithmic decisions: Fairness, trust, and emotion in response to algorithmic management. Big Data & Society. https:\/\/doi.org\/10.1177\/2053951718 756684<\/p>

Liu, M. Q. (2023a). <\/strong>Applying Natural Language Processing to Assessment. Talent Assessment: Embracing Innovation and Mitigating Risk in the Digital Age, 66.<\/p>

Liu, M. Q., McNeney, D., Capman, J., Lowery, S., Kitching, M., Nimbkar, A., & Boyce, T. (2023b).<\/strong> Developing and validating automated scoring for an audio constructed response simulation.<\/p>

K\u00f6nig, C. J., & Langer, M. (2022)<\/strong>. Machine learning in personnel selection. Handbook of Research on Artificial Intelligence in Human Resource Management, 149-167.<\/p>

Kupfer, C., Prassl, R., Flei\u00df, J., Malin, C., Thalmann, S., & Kubicek, B. (2023).<\/strong> Check the box! How to deal with automation bias in AI-based personnel selection. Frontiers in Psychology, 14, 1118723.<\/p>

Langer, M., K\u00f6nig, C. J., & Busch, V. (2021)<\/strong>. Changing the means of managerial work: effects of automated decision support systems on personnel selection tasks. Journal of business and psychology, 36, 751-769.<\/p>

Lee, M. K. (2018).<\/strong> Understanding perception of algorithmic decisions: Fairness, trust, and emotion in response to algorithmic manage- ment. Big Data & Society. https:\/\/doi.org\/10.1177\/2053951718 756684<\/p>

Lewis, J. A., Morris, J., & Lewis, P. (2023)<\/strong>. Developing Career Word Clouds for the O* NET System. https:\/\/www.onetcenter.org\/dl_files\/WordClouds.pdf<\/a><\/p>

Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). <\/strong>A survey on bias and fairness in machine learning. ACM computing surveys (CSUR), 54(6), 1-35.<\/p>

Mei, Q., Xie, Y., Yuan, W., & Jackson, M. O. (2024)<\/strong>. A Turing test of whether AI chatbots are behaviorally similar to humans. Proceedings of the National Academy of Sciences, 121(9), e2313925121.<\/p>

Mihaljevi\u0107, H., M\u00fcller, I., Dill, K., Yollu-Tok, A., & von Grafenstein, M. (2023)<\/strong>. More or less discrimination? Practical feasibility of fairness auditing of technologies for personnel selection. AI & SOCIETY, 1-17.<\/p>

Mirowska, A. (2020<\/strong>). AI evaluation in selection: Effects on application and pursuit intentions. Journal of Personnel Psychology, 19(3), 142.<\/p>

Ore, O., & Sposato, M. (2022)<\/strong>. Opportunities and risks of artificial intelligence in recruitment and selection. International Journal of Organizational Analysis, 30(6), 1771-1782.<\/p>

Pellert, M., Lechner, C. M., Wagner, C., Rammstedt, B., & Strohmaier, M. (2023)<\/strong>. AI Psychometrics: Assessing the psychological profiles of large language models through psychometric inventories. Perspectives on Psychological Science, 17456916231214460.<\/p>

Rezzani, A., Caputo, A., & Cortese, C. G. (2020)<\/strong>. An analysis of the literature about the application of Artificial Intelligence to the Recruitment and Personnel Selection. BOLLETTINO DI PSICOLOGIA APPLICATA, 25-33.<\/p>

S\u00e1nchez-Monedero, J., Dencik, L., & Edwards, L. (2020)<\/strong>. What does it mean to \u2018solve\u2019 the problem of discrimination in hiring? Social, technical and legal perspectives from the UK on automated hiring systems. In Conference on Fairness, Accountability, and Transparency, Barcelona, Spain, January 27\u201330 (pp. 458\u2013468). New York: Association for Computing Machinery. https:\/\/doi. org\/10.1145\/3351095.3372849.<\/p>

Schwartz, R., Vassilev, A., Greene, K., Perine, L., Burt, A., & Hall, P. (2022).<\/strong> Towards a standard for identifying and managing bias in artificial intelligence. NIST special publication, 1270(10), 6028.<\/p>

Tews, M. J., Stafford, K., & Tracey, J. B. (2011)<\/strong>. What matters most? The perceived importance of ability and personality for hiring decisions. Cornell Hospitality Quarterly, 52(2), 94-101.<\/p>

Tippins, N. T., Oswald, F. L., & McPhail, S. M. (2021).<\/strong> Scientific, legal, and ethical concerns about AI-based personnel selection tools: a call to action. Personnel Assessment and Decisions, 7(2), 1.<\/p>

Thompson, I., Koenig, N. Mracek, D.L., Tonidandel, S. (2023)<\/strong>. Deep learning in employee selection: Evaluation of algorithms to automate the scoring of open-ended assessments. Journal of Business Psychology, 38(3), 509-527. https:\/\/link.springer.com\/article\/10.1007\/s10869-023-09874-y<\/a><\/p>

van Esch, P., & Black, J. S. (2019).<\/strong> Factors that influence new generation candidates to engage with and complete digital, AI-enabled recruiting. Business Horizons, 62, 729\u2013739. https:\/\/doi.org\/10. 1016\/j.bushor.2019.07.004<\/p>

Varoquaux, G., Cheplygina, V. <\/strong>(2022) Machine learning for medical imaging: methodological failures and recommendations for the future. npj Digit. Med. 5, 48<\/p>

Vasconcelos, M., Cardonha, C., & Gon\u00e7alves, B. (2018).<\/strong> Modeling epistemological principles for bias mitigation in AI systems: An illustration in hiring decisions. In J. Furman, G. Marchant, H. Price, & F. Rossi (Eds.), AAAI\/ACM Conference on AI, Eth- ics, and Society, New Orleans, LA, USA, February 2\u20133 (pp. 323\u2013329). New York: ACM. https:\/\/doi.org\/10.1145\/3278721. 3278751<\/a>.<\/p>

Verma, S., Ernst, M., & Just, R. (2021)<\/strong>. Removing biased data to improve fairness and accuracy. arXiv preprint arXiv:2102.03054.<\/p>

Yarger, L., Cobb Payton, F., & Neupane, B. (2020)<\/strong>. Algorithmic equity in the hiring of underrepresented IT job candidates. Online Information Review, 44, 383\u2013395. https:\/\/doi.org\/10.1108\/ OIR-10-2018-0334<\/p>

Zhang, S., Dong, L., Li, X., Zhang, S., Sun, X., Wang, S., … & Wang, G. (2023)<\/strong>. Instruction tuning for large language models: A survey. arXiv preprint arXiv:2308.10792.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

K\u00fcnstliche Intelligenz (AI) in der Personalauswahl \u00a0K\u00fcnstliche Intelligenz wird schon heute im Bereich der Personalauswahl eingesetzt. Das ist nicht ohne Risiken \u2013 zudem gibt etliche ethische und juristische Bedenken. Einf\u00fchrung Der Einsatz k\u00fcnstlicher Intelligenz (KI) zur Unterst\u00fctzung von Personalauswahlentscheidungen reicht bis in die 1980er Jahre zur\u00fcck, als KI in Form von Expertensystemen eingesetzt wurde (Hooper […]<\/p>\n","protected":false},"author":4,"featured_media":8815,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-8780","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-allgemein"],"yoast_head":"\nAssessment AI - Bewertung mit k\u00fcnstlicher Intelligenz<\/title>\n<meta name=\"description\" content=\"Erfolgreiches Assessment dank AI \u2713 Methodik \u2713 KI-Modelle im Assessment \u2713 Beispiele \u25ba Jetzt bei management diagnostik mehr erfahren!\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Assessment AI - Bewertung mit k\u00fcnstlicher Intelligenz\" \/>\n<meta property=\"og:description\" content=\"Erfolgreiches Assessment dank AI \u2713 Methodik \u2713 KI-Modelle im Assessment \u2713 Beispiele \u25ba Jetzt bei management diagnostik mehr erfahren!\" \/>\n<meta property=\"og:url\" content=\"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/\" \/>\n<meta property=\"og:site_name\" content=\"management-diagnostik mbh\" \/>\n<meta property=\"article:published_time\" content=\"2024-05-13T07:41:18+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-05-19T14:12:46+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/management-diagnostik.de\/wp-content\/uploads\/2024\/05\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"1024\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Olaf Ringelband\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Olaf Ringelband\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"35\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/\"},\"author\":{\"name\":\"Olaf Ringelband\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#\\\/schema\\\/person\\\/908738e33c31d0dcd9c5277203af1024\"},\"headline\":\"Assessment AI\",\"datePublished\":\"2024-05-13T07:41:18+00:00\",\"dateModified\":\"2024-05-19T14:12:46+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/\"},\"wordCount\":6329,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/management-diagnostik.de\\\/wp-content\\\/uploads\\\/2024\\\/05\\\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/\",\"url\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/\",\"name\":\"Assessment AI - Bewertung mit k\u00fcnstlicher Intelligenz\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/management-diagnostik.de\\\/wp-content\\\/uploads\\\/2024\\\/05\\\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp\",\"datePublished\":\"2024-05-13T07:41:18+00:00\",\"dateModified\":\"2024-05-19T14:12:46+00:00\",\"description\":\"Erfolgreiches Assessment dank AI \u2713 Methodik \u2713 KI-Modelle im Assessment \u2713 Beispiele \u25ba Jetzt bei management diagnostik mehr erfahren!\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/#primaryimage\",\"url\":\"https:\\\/\\\/management-diagnostik.de\\\/wp-content\\\/uploads\\\/2024\\\/05\\\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp\",\"contentUrl\":\"https:\\\/\\\/management-diagnostik.de\\\/wp-content\\\/uploads\\\/2024\\\/05\\\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp\",\"width\":1024,\"height\":1024},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/allgemein\\\/assessment-ai\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Allgemein\",\"item\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/category\\\/allgemein\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Assessment AI\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#website\",\"url\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/\",\"name\":\"management-diagnostik mbh\",\"description\":\"Anbieter qualitativ h\u00f6chstwertiger Beratungsleistungen im Bereich der Management-Diagnostik\",\"publisher\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#organization\",\"name\":\"management-diagnostik mbh\",\"url\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/management-diagnostik.de\\\/wp-content\\\/uploads\\\/2022\\\/08\\\/logo.png\",\"contentUrl\":\"https:\\\/\\\/management-diagnostik.de\\\/wp-content\\\/uploads\\\/2022\\\/08\\\/logo.png\",\"width\":512,\"height\":257,\"caption\":\"management-diagnostik mbh\"},\"image\":{\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/#\\\/schema\\\/person\\\/908738e33c31d0dcd9c5277203af1024\",\"name\":\"Olaf Ringelband\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/70b1cdd3d558f62cf0486f52808ef7f6f7c06f2f58a273e4aa4366c231b39132?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/70b1cdd3d558f62cf0486f52808ef7f6f7c06f2f58a273e4aa4366c231b39132?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/70b1cdd3d558f62cf0486f52808ef7f6f7c06f2f58a273e4aa4366c231b39132?s=96&d=mm&r=g\",\"caption\":\"Olaf Ringelband\"},\"sameAs\":[\"http:\\\/\\\/www.management-diagnostik.de\"],\"url\":\"https:\\\/\\\/management-diagnostik.de\\\/de\\\/author\\\/olaf-ringelband\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Assessment AI - Bewertung mit k\u00fcnstlicher Intelligenz","description":"Erfolgreiches Assessment dank AI \u2713 Methodik \u2713 KI-Modelle im Assessment \u2713 Beispiele \u25ba Jetzt bei management diagnostik mehr erfahren!","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/","og_locale":"de_DE","og_type":"article","og_title":"Assessment AI - Bewertung mit k\u00fcnstlicher Intelligenz","og_description":"Erfolgreiches Assessment dank AI \u2713 Methodik \u2713 KI-Modelle im Assessment \u2713 Beispiele \u25ba Jetzt bei management diagnostik mehr erfahren!","og_url":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/","og_site_name":"management-diagnostik mbh","article_published_time":"2024-05-13T07:41:18+00:00","article_modified_time":"2024-05-19T14:12:46+00:00","og_image":[{"width":1024,"height":1024,"url":"https:\/\/management-diagnostik.de\/wp-content\/uploads\/2024\/05\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp","type":"image\/webp"}],"author":"Olaf Ringelband","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Olaf Ringelband","Gesch\u00e4tzte Lesezeit":"35\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/#article","isPartOf":{"@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/"},"author":{"name":"Olaf Ringelband","@id":"https:\/\/management-diagnostik.de\/de\/#\/schema\/person\/908738e33c31d0dcd9c5277203af1024"},"headline":"Assessment AI","datePublished":"2024-05-13T07:41:18+00:00","dateModified":"2024-05-19T14:12:46+00:00","mainEntityOfPage":{"@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/"},"wordCount":6329,"commentCount":0,"publisher":{"@id":"https:\/\/management-diagnostik.de\/de\/#organization"},"image":{"@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/#primaryimage"},"thumbnailUrl":"https:\/\/management-diagnostik.de\/wp-content\/uploads\/2024\/05\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp","inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/","url":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/","name":"Assessment AI - Bewertung mit k\u00fcnstlicher Intelligenz","isPartOf":{"@id":"https:\/\/management-diagnostik.de\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/#primaryimage"},"image":{"@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/#primaryimage"},"thumbnailUrl":"https:\/\/management-diagnostik.de\/wp-content\/uploads\/2024\/05\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp","datePublished":"2024-05-13T07:41:18+00:00","dateModified":"2024-05-19T14:12:46+00:00","description":"Erfolgreiches Assessment dank AI \u2713 Methodik \u2713 KI-Modelle im Assessment \u2713 Beispiele \u25ba Jetzt bei management diagnostik mehr erfahren!","breadcrumb":{"@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/#primaryimage","url":"https:\/\/management-diagnostik.de\/wp-content\/uploads\/2024\/05\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp","contentUrl":"https:\/\/management-diagnostik.de\/wp-content\/uploads\/2024\/05\/DALL\u00b7E-2024-02-25-10.34.56-A-serene-modern-office-setting-where-a-professional-psychologist-is-seated-in-a-comfortable-chair-facing-a-humanoid-robot.-The-psychologist-dressed.webp","width":1024,"height":1024},{"@type":"BreadcrumbList","@id":"https:\/\/management-diagnostik.de\/de\/allgemein\/assessment-ai\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/management-diagnostik.de\/de\/"},{"@type":"ListItem","position":2,"name":"Allgemein","item":"https:\/\/management-diagnostik.de\/de\/category\/allgemein\/"},{"@type":"ListItem","position":3,"name":"Assessment AI"}]},{"@type":"WebSite","@id":"https:\/\/management-diagnostik.de\/de\/#website","url":"https:\/\/management-diagnostik.de\/de\/","name":"management-diagnostik mbh","description":"Anbieter qualitativ h\u00f6chstwertiger Beratungsleistungen im Bereich der Management-Diagnostik","publisher":{"@id":"https:\/\/management-diagnostik.de\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/management-diagnostik.de\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/management-diagnostik.de\/de\/#organization","name":"management-diagnostik mbh","url":"https:\/\/management-diagnostik.de\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/management-diagnostik.de\/de\/#\/schema\/logo\/image\/","url":"https:\/\/management-diagnostik.de\/wp-content\/uploads\/2022\/08\/logo.png","contentUrl":"https:\/\/management-diagnostik.de\/wp-content\/uploads\/2022\/08\/logo.png","width":512,"height":257,"caption":"management-diagnostik mbh"},"image":{"@id":"https:\/\/management-diagnostik.de\/de\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/management-diagnostik.de\/de\/#\/schema\/person\/908738e33c31d0dcd9c5277203af1024","name":"Olaf Ringelband","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/70b1cdd3d558f62cf0486f52808ef7f6f7c06f2f58a273e4aa4366c231b39132?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/70b1cdd3d558f62cf0486f52808ef7f6f7c06f2f58a273e4aa4366c231b39132?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/70b1cdd3d558f62cf0486f52808ef7f6f7c06f2f58a273e4aa4366c231b39132?s=96&d=mm&r=g","caption":"Olaf Ringelband"},"sameAs":["http:\/\/www.management-diagnostik.de"],"url":"https:\/\/management-diagnostik.de\/de\/author\/olaf-ringelband\/"}]}},"_links":{"self":[{"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/posts\/8780","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/comments?post=8780"}],"version-history":[{"count":0,"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/posts\/8780\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/media\/8815"}],"wp:attachment":[{"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/media?parent=8780"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/categories?post=8780"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/management-diagnostik.de\/de\/wp-json\/wp\/v2\/tags?post=8780"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}