Moderne Methoden im E-Recruiting

Inhalt

Zusammenfassung

1. Einleitung
1.1 Vergangene und gegenwärtige Situation im Recruiting
1.2 Trends im E-Recruiting

2. Begriffsbestimmungen

3. Einsatzgebiete künstlicher Intelligenz im Recruitingprozess
3.1 Gesichts-, Text- und Spracherkennung
3.1.1 Spracherkennung
3.1.2 Gesichts- und Gestenerkennung
3.1.3 Texterkennung
3.2 Automatisiertes CV-Screening
3.3 E-Assessments mit automatisiertem Matching
3.4 Chatbots
3.5 Analyse von Nutzerprofilen in sozialen Netzwerken

4. Chancen, Risiken und Grenzen künstlicher Intelligenz im Recruiting
4.1 Chancen und Vorteile des Einsatzes von KI im Recruiting
4.2 Risiken beim Einsatz von KI im Recruiting
4.2.1 Technische Grenzen und Risiken
4.2.2 Rechtliche und Ethische Probleme
4.2.3 Akzeptanz der Verfahren bei den Bewerbern

5. Anforderungen an KI-basierte Verfahren

6. Fazit

Literaturverzeichnis

Zusammenfassung

Automatisierung hält auch Einzug in das HR und somit auch in die Auswahl von Mitarbeitern. Die vorliegende Arbeit beschäftigt sich daher mit den modernen Methoden im E-Recruiting. Vor allem soll es hier um den Einsatz von sogenannter Künstlicher Intelligenz im Recruiting gehen. Zuerst werden die aktuellen Trends in Sachen KI-basierter Software in der Bewerberauswahl vorgestellt. Dazu gehören Sprach-, Gesichts- und Gestenerkennung, Texterkennung, E-Assessments, Chatbots und die automatische Analyse von Nutzerprofilen in sozialen Netzwerken. Im Anschluss daran wird auf die Chancen, Risiken und Grenzen künstlicher Intelligenz für die Unternehmen eingegangen. Hierzu gehören neben technischen Möglichkeiten und Grenzen auch rechtliche und ethische Fragestellungen. Als Fazit kann man sagen, dass moderne KI-basierte Softwareprodukte den Arbeitsalltag von Recruitern erheblich erleichtern können. Einfache Routinetätigkeiten werden schon heute häufig von Computern übernommen. Allerdings müssen Unternehmen darauf achten, dass die eingesetzten Tools stets den wissenschaftlichen Standards der psychologischen Eignungsdiagnostik entsprechen. Auch die aktuelle Gesetzeslage im Bereich Gleichbehandlung und Datenschutz sollte dringend berücksichtigt werden.

1. Einleitung

1.1 Vergangene und gegenwärtige Situation im Recruiting

Der digitale Wandel verändert die Arbeitswelt in vielen Branchen und Bereichen und macht auch vor der Personalarbeit nicht Halt. Verschickten die Bewerber vor einigen Jahren noch ihre Bewerbungsunterlagen per Post an die Unternehmen, so wurde dieses Vorgehen weitestgehend von onlinebasierten Bewerbungsplattformen abgelöst (Lochner & Preuß, 2018). Auch die weiteren Verfahren der Personalauswahl haben sich in den letzten Jahren einem Wandel unterzogen.

Zwar werden bspw. Einstellungsinterviews noch immer von Angesicht zu Angesicht geführt, in anderen Bereichen dagegen ist die Digitalisierung bereits weiter vorangeschritten. Psychologische Tests (z.B. Intelligenz-, Persönlichkeits- oder Fähigkeitstests) wurden bereits vor einiger Zeit von schriftlichen Verfahren zu (meist vor Ort stattfindenden) computerbasierten Verfahren umgestellt. Heute ist es gängige Praxis, dass Bewerber die Tests zuhause an ihrem eigenen Computer oder Smartphone bearbeiten. Die Eingaben werden direkt von der Software ausgewertet (Lochner & Preuß, 2018).

Die Verbreitung digitaler Recruiting-Tools ist in der Praxis bereits weit verbreitet, wie aktuelle Befragungen in deutschen Unternehmen ergaben (Wald & Athanas, 2019). So setzen bereits über 70 Prozent der befragten Unternehmen ein Bewerbermanagementsystem ein. Etwas mehr als die Hälfte der Unternehmen verwendet hier bereits eine automatisierte Bewerber-Korrespondenz und setzt technische Hilfsmittel ein, um eine Stellenanzeige automatisiert in verschiedenen Stellenportalen im Internet zu veröffentlichen. Bei den genannten Tools handelt es sich vor allem um digitale Hilfen für administrative Tätigkeiten. Etwas weniger verbreitet sind Tools, welche technisch etwas schwieriger zu realisieren sind. Nur 30 Prozent der befragten Unternehmen setzen beispielsweise CV-Parsing ein, d.h. die Software extrahiert relevante Daten aus dem Lebenslauf des Bewerbers und erstellt daraus ein Bewerberprofil (Lochner & Preuß, 2018). 15 Prozent der Unternehmen setzen E-Assessments ein. Nur 13 Prozent setzen auf eine automatisierte Vorauswahl der eingehenden Bewerbungen.

1.2 Trends im E-Recruiting

Die oben im ersten Abschnitt genannten Tools machen den Recruiting-Prozess effizienter, da die anfallenden administrativen Tätigkeiten wie z.B. Erfassung von Bewerbungen oder die Korrespondenz mit den Bewerbern von einer Software viel schneller und präziser erledigt werden können, als von einem menschlichen Mitarbeiter. Diese haben dadurch mehr Zeit, sich um andere Tätigkeiten im Prozess zu kümmern (Lochner & Preuß, 2018). Es lässt sich somit sagen, dass in heutigen Personalabteilungen hauptsächlich einfachere Tätigkeiten durch Computer automatisiert werden.

Doch wie sieht es mit der Automatisierung anderer Aufgabenbereiche im Bewerbungsprozess aus? In einem Bewerbungsprozess soll das Verhalten von Menschen analysiert werden. Verschiedene persönliche Daten einer Person, zusammengetragen aus Lebensläufen, Anschreiben, Zeugnissen, Bewerbungsgesprächen und anderen Auswahlmethoden werden erfasst und es wird versucht, auf zukünftiges berufliches Verhalten zu schließen (Langer, Baum & König, 2018). Während in anderen Branchen bereits seit Jahren auf komplexe Computeralgorithmen gesetzt wird, um das Verhalten von Menschen zu analysieren und vorherzusagen (z.B. in der Onlinewerbung), spielt das Thema im HR erst seit relativ kurzer Zeit eine Rolle. Begriffe wie Künstliche Intelligenz, Big Data, Machine Learning oder Deep Learning spielen nun auch im Recruiting eine immer wichtigere Rolle. Es gibt bereits erste Tools auf dem Markt, die versprechen, die Persönlichkeit eines Bewerbers nur anhand seiner Stimme mithilfe eines Algorithmus zu entschlüsseln.

Ob diese Tools halten werden was sie versprechen, damit beschäftigt sich diese Arbeit. Aufgezeigt werden soll, welche Methoden es bereits gibt und in der Praxis bereits eingesetzt werden und was in Zukunft alles möglich sein soll. Dabei soll auch auf die Chancen sowie auf die Grenzen dieser Methoden eingegangen werden.

2. Begriffsbestimmungen

Im Folgenden soll ein kurzer Überblick über die wichtigsten Begriffe gegeben werden, die einem im Zusammenhang mit intelligenten Tools im modernen Recruiting häufig begegnen. Hierbei soll aber nicht in die technischen Details gegangen werden.

Künstliche Intelligenz (KI ) zu definieren ist nicht einfach, da es verschiedene Ansätze und Zugänge zur Nachbildung von menschlichem Denken und Handeln gibt. Dennoch lässt sich ein zentraler Aspekt benennen, den alle Ansätze als KI bezeichnete Systeme aufweisen. Im Vordergrund steht immer der Versuch ein System zu entwickeln, das eigenständig komplexe Probleme bearbeiten kann (Kirste & Schürholz, 2019).

Dem sogenannten Machine Learning (Maschinelles Lernen) liegt die Frage zugrunde, wie man ein Computerprogramm, welches für eine bestimmte Aufgabe geschrieben wurde, dazu bringt, aus Erfahrungen zu lernen und mit diesen Erfahrungen die Aufgabe in Zukunft besser zu erfüllen (Kirste & Schürholz, 2019). Beim Deep Learning beruht das Lernen auf künstlichen neuronalen Netzen, wobei hier mit Algorithmen Netzstrukturen von Nervenzellen nachgebildet werden. „Deep“ bedeutet hier, dass diese Netzstruktur einige bis viele Schichten „tief“ ist (Kirste & Schürholz, 2019).

Eine im Kontext von KI im HR häufig genannte Methode ist das sogenannte Text Mining . Hier werden aus un- oder schwachstrukturierten Textproben (z.B. Essays, Lebensläufe, Arbeitszeugnisse etc.) mithilfe intelligenter Algorithmen bedeutsame und aussagekräftige Informationen extrahiert um Bedeutungsstrukturen zu entdecken (Campion, Campion, Campion & Reider, 2016). Auf dieses Verfahren wird in Abschnitt 3.1.3 näher eingegangen.

Ein Zugangsweg zu Text Mining ist das sogenannte Natural Language Processing (NLP ), welches die Verwendung von Computern zu Verständnis und Manipulation von geschriebener und gesprochener Sprache zur Ausführung bestimmter Aufgaben bezeichnet (Lochner & Preuß, 2018; vgl. auch Campion et al., 2016).

3. Einsatzgebiete künstlicher Intelligenz im Recruitingprozess

Aus der Literatur (u.a. Athanas, 2018, Lochner & Preuß oder Jäger, 2018) können derzeit fünf Trends im digitalen Recruiting abgeleitet werden, welche bereits jetzt auf Automatisierung und künstliche Intelligenz setzen. Diese fünf Ansätze sollen im Folgenden kurz vorgestellt werden.

3.1 Gesichts-, Text- und Spracherkennung

3.1.1 Spracherkennung

Ein Telefoninterview gehört heute zum Standardrepertoire der meisten Unternehmen im Recruitingprozess, einige Unternehmen setzen auch die Möglichkeit einer Videobewerbung ein. Für beide Methoden gibt es bereits automatisierte Lösungen auf dem Markt. So versucht beispielsweise die Software Precire aus einem ca. 15-minütigen Telefongespräch einschlägige Persönlichkeitsprofile mit Angaben zu Kommunikationsverhalten und Denkmustern zu erstellen (Langer, Baum & König, 2018). Die Fragen sind standardisiert und entweder jobbezogen oder nicht jobbezogen und werden vom Bewerber in freier Rede beantwortet.

3.1.2 Gesichts- und Gestenerkennung

Einen ähnlichen Weg geht die Software HireVue. Hier werden dem Kandidaten Fragen in Textform zugeschickt, die Antworten werden von diesem dann als Videoformat an das Unternehmen sendet. Aus den Antworten wird dann wie bei Precire ein Persönlichkeitsprofil erstellt.

Zusätzlich zu den gegebenen sprachlichen Antworten werden hier noch Informationen über die Körpersprache gesammelt und in die Analyse mit einbezogen (Langer, Baum & König, 2018).

Auch von den großen amerikanischen IT-Konzernen wie IBM (Watson), Microsoft (Azure), Amazon (AWS) und Google (Google Cloud) gibt es bereits entsprechende Services, die in den entsprechenden Unternehmen auch zum Einsatz kommen. So ermittelt IBMs Watson die Big Five Faktoren sowie jeweils sechs Facetten der Faktoren. Für eine reliable Aussage werden hierfür mindestens 3.500 Wörter gebraucht (Lochner & Preuß, 2018).

Leider liegen gerade im Bereich Sprach- und Gestenerkennung keine Studien zur Validität dieser Verfahren vor (Kanning, 2017). Die Hersteller solcher Lösungen halten sich bezüglich der Gütekriterien meist bedeckt. Insgesamt ist die Vorgehensweise und die Theorie hinter dieser Verfahren meist wenig transparent und das Ergebnis der Analysen für Außenstehende häufig schwer nachzuvollziehen (Black Box).

3.1.3 Texterkennung

Campion et al. (2016) beschreiben in einer Studie die Möglichkeiten von Text Mining. Hierbei analysiert ein Computeralgorithmus welcher auf sog. Natural Language Processing (NLP) basiert, die Führungseignung von Kandidaten anhand eines kurzen Essays. Der Bewerber sollen zum Beispiel in einem kurzen Aufsatz (ca. 200 Wörter) darlegen, warum er für eine Führungsposition geeignet ist. Hierzu fertigt er eine narrative Beschreibung seiner bisher erreichten Leistungen an. Die Software soll nun in der Lage sein, aus diesen textbasierten Daten eine treffsichere Analyse zu erstellen. Dafür wurde das Programm mithilfe von früheren Entscheidungen menschlicher Bewerter trainiert.

Die Programmierung des Algorithmus ist kompliziert, da die Bewerber für das Wort Führung verschiedene Begriffe verwenden können (z.B. „Management“ oder „Leitung“). Menschen verwenden eine Vielzahl von Wörter, um das gleiche Konzept oder Objekt zu beschreiben oder das gleiche Wort um verschiedene Dinge zu beschreiben (Campion et al., 2016). Durch Machine Learning, basierend auf älteren Texten und Entscheidungen, lernt der Algorithmus selbstständig die Bedeutung neuer Wörter und wird so immer bessere Ergebnisse liefern können.

Metaanalysen stützen die Validität dieser Methode, die Validität liegt bei .45 (Campion et al., 2016). Die Übereinstimmung zwischen menschlichen Entscheidern und der Software sind inzwischen sehr hoch und liegt auf dem Niveau zwischen r = .70 und r = .86 (Campion et al., 2016). Damit kommen die Studienautoren zu dem Schluss, dass die von einem Computer generierten Ergebnisse so zuverlässig wie die Ergebnisse von einem menschlichen Bewerter sein können. Zudem konnte kein Bias in Richtung Geschlecht oder ethnische Herkunft nachgewiesen werden.

Generell ist Software, die in der Lage ist große Mengen an textbasierten Daten in aussagekräftige Ergebnisse umzuwandeln noch ein recht neues Phänomen. Eine große Schwierigkeit weiterhin ein präziser lexikalischer Abgleich zwischen den Wörtern in der Abfrage des Benutzers und den Wörtern in den Dokumenten (vgl. Problem mit den zahlreichen Synonymen für „Führung“). Der Schwerpunkt in der Texterkennung bzw. im Text Mining liegt im Moment daher vor allem auf der Textextraktion (Campion et al., 2016). Dieser Ansatz kommt dann bspw. im CV-Parsing zum Einsatz. Hier werden die relevanten Informationen aus dem CV ausgelesen und in einem Bewerberprofil automatisiert zusammengestellt. Auch eine einfache Bewertung von Lebensläufen ist mit Hilfe von Machine Learning und Text Mining bereits möglich und liefert sowohl reliable als auch valide Ergebnisse (Lochner & Preuß, 2018).

[...]