کانون ارزیابی (Assessment Center) یکی از معتبرترین ابزارهای سنجش شایستگی در انتخاب و توسعهی منابع انسانی است؛ روشی که با تکیه بر تمرینهای شبیهسازیشده، تصویری چندبعدی از رفتار واقعی افراد ارائه میدهد. اما همین تکیه بر قضاوت انسانیِ ارزیابان، بزرگترین نقطهی آسیبپذیری این روش نیز هست.
پژوهشها نشان میدهند ذهن ارزیاب، هرقدر هم آموزشدیده باشد، در معرض تعصبات ناخودآگاهی است که بدون آگاهی خودِ او، نتیجهی سنجش را منحرف میکند. این تعصبات از محدودیتهای ذاتی پردازش اطلاعات در ذهن انسان سرچشمه میگیرند، نه از غرضورزی آگاهانه، و به همین دلیل شناساییشان دشوارتر است. در سالهای اخیر، فناوریهای دادهمحور و هوش مصنوعی فرصت تازهای برای مهار این تعصبات فراهم کردهاند. این مقاله چهار تعصب رایج در کانون ارزیابی را همراه با راهکار فناورانهی هرکدام مرور میکند.
۱. اثر هالهای و اثر شاخ (Halo and Horn Effect)
اثر هالهای زمانی رخ میدهد که ارزیاب پس از مشاهدهی یک رفتار مثبت برجسته در یک شایستگی، ناخودآگاه سایر شایستگیهای فرد را نیز مثبتتر از واقعیت میبیند؛ اثر شاخ شکل معکوس همین پدیده است. پژوهشهای کلاسیک روانسنجی این خطا را در کنار خطای سهلگیری از رایجترین خطاهای ارزیاب معرفی کردهاند. در کانونی که فرد چند شایستگی متفاوت را در تمرینهای گوناگون نشان میدهد، این خطا میتواند تمایز میان شایستگیهای واقعی را از بین ببرد.
راهکار فناورانه: فرمهای دیجیتال مشاهده که ارزیاب را وادار میکنند رفتارها را بلافاصله پس از هر تمرین و بهصورت مجزا برای هر شایستگی ثبت کند، نه بر اساس برداشت کلی پایان روز. پلتفرمهایی که امکان برچسبگذاری زمانبندیشدهی رفتار روی ضبط ویدئویی را میدهند، بازبینی مستقل شایستگیبهشایستگی را ممکن میکنند.
۲. تعصب شباهت به خود (Similar-to-Me Bias)
این تعصب به تمایل ناخودآگاه ارزیاب برای قضاوت مطلوبتر دربارهی افرادی با سبک ارتباطی، پیشینه یا ویژگیهای مشابه خودش اشاره دارد. مغز انسان بهطور خودکار افراد را بر اساس شباهت یا تفاوت با «گروه خودی» دستهبندی میکند و این دستهبندی، بدون قصد آگاهانه، تفسیر رفتارهای مشاهدهشده را جهت میدهد.
راهکار فناورانه: تحلیل دادههای کلان رفتاری (People Analytics) برای پایش الگوی نمرات هر ارزیاب در طول زمان و شناسایی انحراف نظاممند نسبت به ویژگیهای خاص شرکتکنندگان. سامانههای تخصیص هوشمند و چرخشیِ ارزیاب-به-شرکتکننده نیز احتمال تجمع اثر یک تعصب خاص بر پروندهی یک فرد را کاهش میدهند.
۳. تعصب اثر اول و تأییدجویی (Primacy and Confirmation Bias)
برداشتهای اولیهی ارزیاب در نخستین دقایق یک تمرین، وزن نامتناسبی در قضاوت نهایی مییابند. پس از شکلگیری این برداشت، ذهن ارزیاب ناخودآگاه به تأییدجویی روی میآورد: شواهد همراستا با برداشت اولیه پررنگتر دیده میشوند و شواهد ناهمخوان کماهمیت جلوه میکنند. پژوهشها نشان دادهاند وقتی چند ارزیاب یک ویدئوی یکسان را میبینند، به جنبههای متفاوتی از رفتار توجه میکنند؛ تفاوتی که عمدتاً ریشه در همین برداشتهای اولیه و عوامل شخصیتی ارزیاب دارد.
راهکار فناورانه: بازبینی ویدئویی با توالی تصادفیشده یا معکوسِ رفتارها پیش از قضاوت نهایی، و ابزارهای مبتنی بر هوش مصنوعی که لحظات کلیدی رفتاری را در طول ویدئو علامتگذاری و به ارزیاب یادآوری میکنند. ثبت اجباری حداقلی از شواهد مثبت و منفی برای هر شایستگی نیز ارزیاب را وادار میکند فعالانه بهدنبال شواهد مخالف برداشت اولیه بگردد.
۴. اضافهبار شناختی و ناهمسانی معیار (Cognitive Overload Bias)
وقتی ارزیاب همزمان باید چند شایستگی را رصد کند، خسته یا تحتفشار زمانی باشد، یا پیاپی چند نفر را ارزیابی کند، ظرفیت شناختیاش اشباع میشود و ذهن به میانبرهای شناختی روی میآورد؛ از جمله تفسیر شخصی و متفاوت از معیارها («سطح خوب» برای هر ارزیاب فرق دارد) و نوسان در سختگیری یا سهلگیری طی روز.
راهکار فناورانه: طراحی مقیاسهای رفتاری دقیق و قابلمشاهده بهجای عبارات کیفی مبهم، در قالب فرمهای دیجیتال با گزینههای از پیش تعریفشده. سامانههای کالیبراسیون آماری که پس از هر دوره، توزیع نمرات هر ارزیاب را با میانگین کلی و شاخص توافق بینارزیابی مقایسه میکنند، الگوهای سختگیری یا سهلگیری را پیش از اثرگذاری بر تصمیم نهایی آشکار میکنند. مدلهای زبانی بزرگ نیز میتوانند در نقش داور کمکی (نه جایگزین) برای کالیبراسیون نمرات انسانی به کار روند، هرچند نظارت انسانی مستمر همچنان ضروری است.
نتیجهگیری
تعصب ناخودآگاه در کانون ارزیابی با حسننیت یا تجربهی صرف ارزیابان از بین نمیرود؛ این تعصبات ریشه در سازوکارهای بنیادین شناخت انسانی دارند و تنها با طراحی هوشمندانهی فرایند سنجش قابل مهارند. چهار تعصب بررسیشده — اثر هالهای، شباهت به خود، اثر اول و تأییدجویی، و اضافهبار شناختی — بخشی از طیف گستردهی خطاهای شناختی مؤثر بر قضاوت ارزیاباند، اما به دلیل فراوانی و اثرگذاری بالا اولویت نخست مداخله محسوب میشوند. آنچه تغییر کرده، ظهور ابزارهایی است که پیشتر در دسترس نبودند: از ثبت رفتاری دیجیتال و تحلیل دادههای کلان تا کالیبراسیون آماری و مدلهای زبانی بزرگ.
با این حال، فناوری جایگزین قضاوت انسانی نیست، بلکه آینهای تشخیصی است که الگوهای پنهان تعصب را آشکار میسازد. آیندهی کانونهای ارزیابیِ عادلانه، در طراحی سامانههای ترکیبیِ انسان-فناوری نهفته است که آگاهی ارزیاب از تعصبات خود را با پشتیبانی فناورانه همراه میکند تا سنجشی دقیقتر و منصفانهتر از شایستگیهای انسانی فراهم شود.
بدون دیدگاه