screening via sociale media bij assessment · screening via sociale media bij assessment is dit...
TRANSCRIPT
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT OVEREENKOMST MET TRADITIONELE INSTRUMENTEN? Gail Carpentier Studentennummer: 01304672 Promotor: Prof. Dr. Filip Lievens Begeleiding: Prof. Dr. Filip Lievens Masterproef voorgelegd tot het behalen van de graad Master in de Psychologie, afstudeerrichting Bedrijfspsychologie en Personeelsbeleid Academiejaar: 2017 – 2018 Eerste examenperiode
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
II
Ondergetekende, Gail Carpentier, geeft toelating tot het raadplegen van deze Masterproef door derden.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
III
Dankwoord
Een Masterproef maak je nooit alleen. Daarom wil ik graag van de gelegenheid gebruik
maken om enkele personen te bedanken.
In eerste instantie wil ik mijn promotor Prof. Dr. Filip Lievens bedanken, die mede de rol
van begeleider op zich nam. Ondanks – letterlijk – een wereld van verschil, kon ik door
zijn jaren ervaring in dit onderzoeksveld altijd op de nodige bijstand rekenen. Het was
me een waar genoegen om telkens te kunnen terugvallen op zijn wijsheden die me steeds
een stap verder in de juiste richting duwden. Ook Christoph Herde wil ik bedanken. Dit
om de aanzet te geven bij de statistische analyses en om me het gevoel te geven iets meer
expert dan leek te zijn geworden in de wondere wereld van SPSS.
Daarnaast wil ik uiteraard mijn ouders bedanken die me de kans gaven om deze opleiding
te volgen en die steevast in me geloofden de voorbije vijf jaar. Eveneens mijn vriend, die
de laatste twee jaar als een waar klankbord fungeerde, ben ik zeer dankbaar. Hij gaf me
de onvoorwaardelijke steun die ik nodig had tijdens woelige periodes. Alsook mijn beide
broers, schoonzussen en vele vriend(inn)en verdienen een plaatsje in mijn dankwoord
voor hun luisterend oor en de ontspannende babbels.
Tot slot wil ik mijn participanten bedanken. Zonder hun inzet en het raadplegen van hun
eigen netwerk zou deze Masterproef niet zijn wat ze is.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
IV
Abstract
Screening via sociale media bij assessment, ofwel social media assessment, is een
belangrijke techniek geworden in het screeningsproces bij aanwerving van een sollicitant.
Echter blijft de link tussen social media assessment en taakgedrag nog onduidelijk. In
deze Masterproef wordt dit begrip in eerste instantie theoretisch gedefinieerd en
onderzocht aan de hand van bestaande literatuur. De voor- en nadelen van twee
benaderingen, namelijk de uitvoering door de mens als door een “machine”, worden
uitvoerig opgelijst. Ook de validiteit en betrouwbaarheid van beide benaderingen worden
beschreven. In het tweede deel van deze Masterproef wordt dieper ingegaan op de
“machinale” uitvoering van social media assessment, met name aan de hand van het
programma Linguistic Inquiry and Word Count (LIWC) ontworpen door Pennebaker. Zo
wordt er praktisch onderzocht of een “machine”, zoals LIWC, informatie kan halen uit
de sociale netwerksites Facebook en Twitter die consistent is met traditionele
instrumenten, zoals een persoonlijkheidsvragenlijst. Daarna wordt de voorspellende
waarde van social media assessment aan de hand van LIWC nagegaan voor taakgedrag.
De steekproef bestaat uit 71 participanten en 159 derden, hetzij collega’s of
leidinggevenden. De metingen zijn enerzijds gebaseerd op een (zelf)beoordeling op de
Big Five persoonlijkheidstrekken, anderzijds op taakgedrag van de participant beoordeeld
door de derden. Uit de resultaten blijkt dat social media assessment voorlopig eerder een
belofte blijft. Er wordt slechts gedeeltelijke evidentie teruggevonden voor de drie
hypotheses, waardoor er geen sluitend antwoord kan gegeven worden op de vraag of
social media assessment al dan niet te verantwoorden valt. Verder onderzoek is
noodzakelijk.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
V
Inhoudsopgave
INLEIDING ...................................................................................................................... 1Probleemstelling ........................................................................................................... 1Sociale Media ................................................................................................................ 1Social Media Assessment .............................................................................................. 3De Mens binnen Social Media Assessment ................................................................... 3
Rol Rekruteerder ....................................................................................................... 3Belang en Relevantie ................................................................................................ 4Voordelen .................................................................................................................. 5Nadelen ..................................................................................................................... 8Validiteit en Betrouwbaarheid ................................................................................ 13
De Machine binnen Social Media Assessment ............................................................ 15Linguistic Inquiry and Word Count (LIWC) .......................................................... 15Belang en Relevantie .............................................................................................. 16Voordelen ................................................................................................................ 18Nadelen ................................................................................................................... 19Validiteit en Betrouwbaarheid ................................................................................ 20
Conclusie ..................................................................................................................... 22Doelstelling ............................................................................................................. 22Onderzoeksvragen en Hypotheses .......................................................................... 22
METHODE ..................................................................................................................... 24Steekproef .................................................................................................................... 24
Participanten ........................................................................................................... 24Derden ..................................................................................................................... 24
Procedure .................................................................................................................... 25Materiaal ..................................................................................................................... 26
Vragenlijst Participant ............................................................................................ 26Vragenlijst Derde .................................................................................................... 27Linguistic Inquiry and Word Count (LIWC) .......................................................... 29
Statistische Analyse ..................................................................................................... 32
RESULTATEN ............................................................................................................... 32Hypothese 1 ............................................................................................................ 32Hypothese 2 ............................................................................................................ 35Hypothese 3 ............................................................................................................ 39
DISCUSSIE .................................................................................................................... 42Bespreking Onderzoeksresultaten ............................................................................... 42Sterktes en Beperkingen van het Onderzoek ............................................................... 44
Sterktes .................................................................................................................... 44Beperkingen ............................................................................................................ 45
Praktische Implicaties ................................................................................................. 47Richtlijnen voor Toekomstig Onderzoek ..................................................................... 48
CONCLUSIE .................................................................................................................. 49
REFERENTIES .............................................................................................................. 50BIJLAGEN ..................................................................................................................... 58
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
VI
Bijlage 1: Vragenlijst Participant ............................................................................... 58Bijlage 2: Vragenlijst Derde ....................................................................................... 62Bijlage 3: Vergelijkende Analyse ................................................................................ 67Bijlage 4: Illustratie Extra Tabellen ........................................................................... 68Bijlage 5: Convergente Validiteit ............................................................................... 74
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
1
INLEIDING
Probleemstelling
Een screeningsproces is een belangrijke eerste stap na rekrutering bij het
aanwerven van een werknemer. Deze heeft immers niet enkel implicaties voor het bedrijf,
maar ook voor de sollicitant zelf. Hoe wordt zo een dergelijke screening uitgevoerd? Is
de gebruikte procedure wel valide genoeg? De vraag rijst of de traditionele procedures
zoals het klassieke interview of de persoonlijkheidsvragenlijsten niet al te veel gebaseerd
zijn op het oordeel van de beoordelaar of vertekend worden door de sociale wenselijkheid
van de sollicitant. Daarom wordt meer en meer gezocht naar alternatieven om het
screeningproces uit te voeren en biedt de technologie zich steeds vaker aan als
hulpmiddel. Wanneer je bedenkt dat een tiental jaar geleden het idee om een
achtergrondscreening te doen van de sollicitant als hulpmiddel voor het rekruteren nieuw
was, waarom dan nu niet nog een stapje verder gaan en sociale media gebruiken om
sollicitanten vooraf te screenen? Misschien is dit wel een nieuw middel om de sollicitant
beter te leren kennen en kan deze extra informatie als ijsbreker dienen bij een face-to-
face gesprek nadien.
“Social media is no longer cutting-edge; it is mainstream. For HR to overlook it
today would be like ignoring e-mail 20 years ago.” (Segal, 2014)
Sociale Media
Een studie over sociale media is de dag van vandaag geen koers meer naar
onbekende wateren. Screening via sociale media bij assessment is dit echter wel.
Sociale media is een verzamelnaam van digitale Web 2.0 platformen die het delen
van informatie en de samenwerking tussen mensen vergemakkelijkt, zowel via het web
als mobiele toestellen. Sociale media heeft radicaal het menselijk interacteren en
communiceren veranderd en kan niet enkel als technologie beschouwd worden
(McFarland & Ployhart, 2015). Het is een verzamelterm die zowel technologie, sociale
interactie en door gebruikers gegenereerde inhoud integreert. Deze inhoud varieert sterk
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
2
binnen sociale media, door de diverse populatie met verschillende geografische locatie,
achtergrond, geloof, motivatie en ervaring (Chai, Potdar, & Dillon, 2009). Sociale media
stelt een menselijk gecreëerde context voor die sterk verschilt van traditionele (bv. face-
to-face) en andere digitale Web 1.0 platformen (bv. e-mail) om te interacteren en
communiceren. Sociale media wordt beschouwd als meer interactief, dynamisch en de
tijds- en plaats barrières worden geminimaliseerd of zelfs doorbroken (McFarland &
Ployhart, 2015).
Web-gebaseerde tools en technologie zoals sociale netwerksites laten gebruikers
toe om een web-gebaseerd profiel aan te maken waar individuen kunnen interacteren met
wie ze willen binnen een systeem (Annenberg, 2011; Boyd & Ellison, 2007). Sociale
netwerksites focussen op het bouwen van een online gemeenschap van mensen die hun
interesses en activiteiten delen of die geïnteresseerd zijn in het exploreren van de
interesses of activiteiten van anderen. Deze sites variëren vaak in de demografie van
gebruikers, wat het onderzoek alleen maar sterker en interessanter maakt. Er zijn drie
categorieën van sociale netwerksites. Onder de eerste, algemene, categorie vallen
Facebook en Twitter. LinkedIn is een voorbeeld van een professionele sociale netwerksite
en ResearchGate is eerder functie-specifiek (Kluemper & Rosen, 2009).
Sociale media heeft daarnaast ook een sterke invloed op de cognitie en het gedrag
van een individu in een organisatie. Sociale media kan onder meer gebruikt worden in tal
van Human Resource functies, zoals rekrutering en selectie. Werkgevers switchen
doorheen het screeningsproces meer en meer tussen digitale en non-digitale contexten.
Na een face-to-face meeting het betrokken individu opsporen via sociale media en daarna
nog even de mailbox controleren is geen ongewone dagelijkse routine meer bij
rekruteerders. Nooit in de geschiedenis is het zo makkelijk geweest om als werkgever zo
veel te ontdekken over de (potentiële) werknemer (McFarland & Ployhart, 2015). Daarom
verdient dit luik, het gebruik van sociale media in een bedrijfscontext, ook wel een
bijzondere aandacht.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
3
Social Media Assessment
Screening via sociale media bij assessment, ofwel social media assessment, is een
recent en sterk opkomend begrip in het veld van Human Resource Management.
Alhoewel bijvoorbeeld vacatures plaatsen op LinkedIn en online testen al gebruikt
worden in de Human Resources, is het gebruik van sociale netwerken in het proces van
rekruteren, aanwerven en ontslaan van individuen redelijk nieuw (Davison, Maraist, &
Bing, 2011). Een goed omvattende definitie is noodzakelijk voor een goede toepassing
ervan. Daarom definieerden Roth et al. social media assessment als een overzicht van
online informatie ontworpen om individuen te connecteren voor het gebruik van
beslissingen rond werknemers en hun werkgelegenheid. Onder online informatie verstaat
men informatie op websites die men in staat stelt om werknemers te selecteren,
promoveren en herplaatsen (Roth, Bobko, Van Iddekinge, & Thatcher, 2016). Om een
juiste kijk te hebben op wat social media assessment net inhoudt, is het ook belangrijk
om te wijzen op wat niet de bedoeling is ervan. Wanneer social media assessment enkel
en alleen gebruikt wordt om sollicitanten te diskwalificeren of uit te sluiten, op basis van
potentieel problematische informatie, wordt het gebruik ervan niet goedgekeurd.
De Mens binnen Social Media Assessment
Rol Rekruteerder
Sociale media wordt beoordeeld door mensen, namelijk rekruteerders. Hun rol
hierin is van cruciaal belang voor de effectiviteit van het screeningsproces. Organisaties
moeten een routine ontwikkelen om sociale media optimaal te gebruiken en kunnen
hiervoor terugvallen op het raamwerk van Wathen en Burkell (2002). Een initiële stap
voorafgaand aan het vooropgestelde proces is het bepalen welke sociale netwerksites
gebruikt zullen worden en welke inhoud van belang is, wat varieert naargelang
organisatie. Wanneer dit bepaald is, worden eerst de oppervlaktekenmerken van de
sociale netwerksites onderzocht om de algemene betrouwbaarheid na te gaan. Zo moet er
onder andere achterhaald worden of er een correcte identificatie is. Ook kan in deze stap
een al dan niet professionele eerste indruk nagelaten worden over de sollicitant. In de
tweede stap wordt er gekeken naar de werkelijke inhoud van de sociale netwerksite en
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
4
wordt de relevantie en geloofwaardigheid geschat. Een derde en laatste stap houdt een
ultieme inhoudsevaluatie in, waarbij informatie wordt vergeleken en geverifieerd om het
gebruik en de impact van deze informatie op het screeningsproces in te schatten.
Belang en Relevantie
De opkomst en daarmee het belang van sociale media op het werkveld kan
makkelijk aangetoond worden met een aantal cijfers, aangezien er al vele onderzoeken
naar zijn gebeurd. De noodzaak tot onderzoek hiernaar heeft een boost gekregen door de
bestaande ‘war for talent’ en het sterk stijgende gebruik van sociale netwerksites. Bij een
onderzoek door Society for Human Resource Management (SHRM) in 2008 had 44% van
de bevraagde organisaties sociale netwerksites gebruikt voor Human Resource
doeleinden, terwijl dit in 2006 slechts 21% bedroeg. Het gebruik van deze sites om
sollicitanten te screenen was toen reeds aan het groeien. 13% gebruikte dit voor screening
en 18% gaf aan dit te gebruiken in de toekomst (SHRM, 2008). Een studie met 825
rekruteerders onthulde dat maar liefst 73% sociale netwerksites, onder andere Facebook,
gebruikten om sollicitanten te rekruteren (Levinson, 2010). Een meer recente studie uit
2012 van CareerBuilder vond dat 37% uit een groep van 2303 aanwervingsmanagers
sociale netwerksites gebruikten om meer te leren over sollicitanten. In 2008 was dit
slechts 22%. In datzelfde onderzoek wordt vermeld dat 29% van de werkgevers toegeven
dat ze een sollicitant niet aanwerven door informatie gevonden op sociale netwerksites.
Dit kan gaan om proactieve of ongepaste foto’s, slechte communicatievaardigheden,
associatie met alcohol en/of drugs en informatie die de kwalificatie op het cv falsifieert
(Grasz, 2009, 2012). Ook in de recentste studie van SHRM wordt vermeld dat 36% van
de organisaties al een sollicitant hebben gediskwalificeerd omwille van dergelijke reden.
Meer verontrustend is het feit dat deze organisaties de sollicitant niet toelaten om zich te
verdedigen (SHRM, 2016). Verder onderzoek gaf aan dat het gebruik van social media
assessment in organisaties met 20% gestegen was van 2010 tot 2012 (Winter, 2013). De
twee hoofdredenen waarom werkgevers sociale netwerksites gebruiken, zoals vermeld in
de CareerBuilder studie van 2012 en de recentste SHRM studie van 2016, zou zijn om te
kijken of er een goede person-organization fit is en om meer informatie te achterhalen
dan deze verkregen door een cv (Grasz, 2012; SHRM, 2016). De recentste studie van
SHRM geeft weer dat nog steeds 44% van de HR-professionals toegeeft dat social media
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
5
assessment belangrijke informatie kan vrijgeven over werkgerelateerde potentieel of
prestatie (SHRM, 2016).
Sociale netwerksites worden vooral gebruikt voor rekrutering en het daarop
volgende screeningsproces, zowel binnen profit-organisaties (88%) als bij de overheid
(68%). De meest gebruikte sociale netwerksites voor de screeningsfase zijn LinkedIn
(93%), Facebook (63%), Twitter (29%) en functierelevante sociale netwerksites, zoals
ResearchGate (29%). Slechts 50% geeft aan niet aan social media assessment te doen, dit
vooral met het legale risico en de discriminatiewetgeving als reden (SHRM, 2016).
Alhoewel sociale media dus al veel gebruikt wordt bij organisaties, is het van
cruciaal belang om dit soort assessment te onderzoeken. Wat zijn de voor- en nadelen,
welke kansen en bedreigingen hangen hieraan vast, zijn de beoordelingen valide en
betrouwbaar genoeg? Zoals eerder vermeld heeft social media assessment zowel
implicaties voor het bedrijf als voor de sollicitant. Onderzoek is noodzakelijk doordat het
screenen aan de hand van sociale netwerksites invloed heeft op de kwaliteit en diversiteit
van het menselijk kapitaal in de organisatie (Van Iddekinge, Lanivich, Roth, & Junco,
2016).
Voordelen
Recent onderzoek ontbreekt nog, maar het is al een begin om aan te tonen dat
social media assessment niet meer onder stoelen of banken gestoken kan worden. Deze
resultaten zijn dan ook niet verontrustend, want social media assessment heeft tal van
voordelen.
Praktisch. Omdat sociale media ten eerste een gebruiksklaar publiek forum is met
minimale kosten, wordt social media assessment steeds vaker gebruikt in een
screeningsproces. Vele onderzoekers menen dat organisaties die geen social media
assessment hanteren een belangrijke kans missen omdat de kost van het gebruik zo laag
is (Roth et al., 2016). McFarland en Ployhart (2015) stellen zelfs dat de Return On
Investment groter is bij gebruik van sociale media. Daarnaast verstrekt sociale media een
lopende experimentele steekproefmethode in een natuurlijke sociale setting, moet de
sollicitant niet eens aanwezig zijn, duurt een gemiddelde social media assessment
ongeveer vijf tot tien minuten en kan data retroactief verzameld worden. Een laatste
praktische voordeel is het feit dat er geen non-verbale signalen geanalyseerd moeten
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
6
worden, aangezien de hele boodschap weerspiegeld wordt in de geschreven tekst (Alpers
et al., 2005).
Theoretische basis. Het concept social media assessment vindt zijn theoretische
basis terug in zowel het Realistic Accuracy Model (Funder, 1995) als in de Social
Information Processing Theory (Walther, 1992). Deze stellen beide dat impressies
geformuleerd worden via percepties van meerdere types informatie en dat de accuraatheid
van de beoordelingen stijgt met de hoeveelheid informatie. In vergelijking met
traditionele procedures, bijvoorbeeld het klassieke interview, geeft deze opkomende
techniek extra informatie over educatie, werkervaring, persoonlijkheid, karakter,
motivatie enzovoort (Brown & Vaughn, 2011; Van Iddekinge et al., 2016).
Type gedrag. Social media assessment is daarnaast gebaseerd op ‘typical
behavior’ en kan dusdanig accurater zijn dan het ‘maximal behavior’ dat onderzocht
wordt door interviews en dergelijke die zelf-representaties vooropstellen. Doordat de
sollicitant er zich vaak niet van bewust is dat zijn of haar profiel gescreend wordt via
sociale media, kan de beoordelaar mogelijk een veel breder spectrum van informatie
krijgen (Kluemper & Rosen, 2009; Sackett, Zedeck, & Fogli, 1988).
Anonimiteit. In contrast tot wat men vaak denkt, stellen mensen zichzelf online
niet veel beter voor dan ze werkelijk zijn (Wellman, 1997). Ze houden echter een online
identiteit aan die zowel door henzelf als door anderen gezien wordt (Back et al., 2010).
Dit werd reeds vroeg onderzocht. Een studie stelde vast dat mensen zich meer
waarheidsgetrouw representeren naar een groter publiek toe (Scott, 1981). Ook
McFarland en Ployhart (2015) zijn ervan overtuigd dat mensen anders denken en zich
anders gedragen op sociale media, door de perceptie van anonimiteit. Intentioneel
vervalsen van informatie op sociale media zou daarnaast tegenstrijdig zijn met de
fundamentele opzet van sociale netwerksites, namelijk het onderhouden van online
sociale relaties. Dit alles in tegenstelling tot cv’s en zelf-rapportages, waar sociale
wenselijkheid wel een belangrijke rol speelt (Kluemper & Rosen, 2009; Kluemper,
Rosen, & Mossholder, 2012).
‘Likes’. Een sociale netwerksite zoals Facebook stelt, zelfs wanneer de privacy-
instellingen strikt opgesteld worden, nog steeds bepaalde informatie beschikbaar aan de
buitenwereld. Individuen kunnen bijvoorbeeld hun positieve associatie met inhoud op
sociale media kenbaar maken. Zo kan er onder andere achterhaald worden wat de
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
7
activiteiten, attitudes en preferenties zijn van een bepaald individu aan de hand van welke
berichten, foto’s, muziekgroepen, films, merken, restaurants enzovoort deze ‘leuk vindt’
(Kosinski, Stillwell, & Graepel, 2013; Wu, Kosinski, & Stillwell, 2015). Deze
zogenoemde ‘likes’ zijn een vijfde voordeel van social media assessment, want deze zijn
immers diagnostisch voor persoonlijkheid en vooral voor openheid binnen de Big Five.
Deze Big Five bestaat uit vijf dimensies of trekken waarmee de persoonlijkheid van een
individu beschreven kan worden, namelijk extraversie, agreeableness (welwillendheid),
consciëntieusheid, neuroticisme (emotionele instabiliteit) en openheid tegenover nieuwe
ervaringen. Dit is interessant aangezien persoonlijkheidstrekken kunnen functioneren als
indicator van gedragstendenties in organisatorische contexten. Daarnaast is openheid een
persoonlijkheidstrek die zeer moeilijk te observeren en te beoordelen valt, waardoor deze
inkijk in de ‘likes’ een zekere meerwaarde heeft tegenover traditionele methodes van
assessment. Openheid drukt zich immers uit in interesses, preferenties en waarden van
het individu, die wel te meten zijn via bijvoorbeeld de ‘likes’ op Facebook. De
gemiddelde accuraatheid van de computer die de ‘likes’ analyseert geeft bovendien een
accuratere voorspelling dan wanneer bijvoorbeeld Facebookvrienden een
persoonlijkheidsvragenlijst invullen over desbetreffende individu (Wu et al., 2015). In
een andere studie werd zelfs geconcludeerd dat de observatie van ‘likes’, gerelateerd aan
de trek openheid, ongeveer even informatief is als de score van openheid op een
persoonlijkheidstest ingevuld door het individu zelf (Kosinski et al., 2013). Naast
persoonlijkheid kunnen er ook andere persoonlijke attributen achterhaald worden,
simpelweg door de ‘likes’ van een individu te bestuderen. Dit gaande van leeftijd tot
seksuele oriëntatie en intelligentie (Kosinski et al., 2013). Naast dit alles kunnen deze
‘likes’ voor een grotere customization zorgen. De latere stappen in het screeningsproces
kunnen namelijk aangepast worden aan het individu. Gesprekken verlopen logischerwijze
vlotter wanneer een werkgever meer kennis heeft over het individu, zoals zijn of haar
preferenties en gerelateerde informatie (McFarland & Ployhart, 2015).
Extra informatie. Een zesde voordeel is dat niet alleen de ‘likes’ diagnostisch
zijn voor persoonlijkheid, ook informatie op sociale media in het algemeen kan gelinkt
worden aan de persoonlijkheid van het individu (Back et al., 2010; Kluemper & Rosen,
2009; Vazire & Gosling, 2004). Het aantal vrienden en reacties met positieve woorden
van deze vrienden over het individu kan wijzen op de Big Five persoonlijkheidstrekken
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
8
agreeableness en extraversie. Hoe open een individu is tegenover ervaring kan men
ondervinden door bijvoorbeeld te kijken hoe creatief een Facebook-profiel is opgemaakt
en welke zaken er op deze sociale netwerksite gepost worden. Wanneer een individu
echter een lage score heeft voor consciëntieusheid, vergroot dit de kans tot het posten van
ongepaste informatie op sociale media. Een individu met een hoge score voor
neuroticisme zou meer de neiging hebben tot het posten van inhoud die wijst op grote
schommelingen van persoonlijke of emotionele ervaringen en woorden die angst
uitdrukken (Golbeck, 2011; Karl, Peluchette, & Schlaegel, 2010; Kluemper et al., 2012;
Van Iddekinge et al., 2016).
Nadelen
Standaardisatie. Meer gedetailleerde informatie over sollicitanten op sociale
netwerksites kan accuraat zijn, maar heeft ook potentiële beperkingen en zowel ethische
als juridische uitdagingen. De data die men verkrijgt door social media assessment is ten
eerste niet gestandaardiseerd, terwijl consistentie inzake inhoud, afname, scoring,
sollicitanten, beoordelaars en tijd wel noodzakelijk is (Brown & Vaughn, 2011). Net zoals
bij het klassieke interview is het ook zeer moeilijk om social media assessment te
standaardiseren en structureren, omdat beide methodes veel kwalitatieve informatie te
verwerken hebben en gebaseerd zijn op beoordelingen van het individu op verschillende
dimensies. Door het mogelijke gebrek aan identificeerbare theoretische constructen in het
screeningsproces, is het moeilijk om elke sollicitant op eenzelfde set van dimensies en
karakteristieken te beoordelen. Standaardisatie is echter nodig om de predictieve validiteit
te optimaliseren (Roth et al., 2016). Maatregelen zullen getroffen moeten worden door
Human Resources om eerlijke en uniforme procedures te garanderen bij evaluaties van
sociale netwerksites (Brown & Vaughn, 2011). Resultaten uit een studie verschenen in
2016 tonen immers aan dat nog steeds ¾ van de organisaties geen beleid hebben, zowel
formeel als informeel, omtrent het gebruik van informatie die via sociale netwerksites
wordt verkregen. Van de overige organisaties met een beleid, verbiedt bijna de helft het
screenen van kandidaten op basis van publieke sociale media profielen (SHRM, 2016).
Privacy-instellingen. Als tweede punt kan men het privacy-issue aanhalen, die
deels ook de standaardisatie van het screeningsproces bedreigt. Sollicitanten kunnen zelf
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
9
hun privacy-instellingen aanpassen, waardoor werkgevers niet van elke sollicitant
evenveel informatie verkrijgen (Brown & Vaughn, 2011).
Discriminatie. In een onderzoek van Bertrand en Mullainathan (2004) werd reeds
gevonden dat sollicitanten met Kaukasische namen, zoals Emily en Greg, 50% meer kans
hebben om teruggebeld te worden dan Afro-Amerikaanse namen, zoals Lakisha en Jamal.
Discriminatie is niet enkel een probleem in het klassieke screeningsproces, ook social
media assessment is gevaarlijk voor potentiële discriminatie. Dit kan als derde nadeel
gezien worden, want een groot deel van de demografische informatie is beschikbaar op
sociale netwerksites, maar deze is niet altijd even relevant. Volgens Roth et al. (2016)
zijn er drie constructen of variabelen terug te vinden op sociale netwerksites die subgroep
verschillen en potentiële negatieve gevolgen in het screeningsproces kunnen
veroorzaken, namelijk verbale vaardigheid, academische prestatie en specifieke
werkinteresses. Discriminatie kan zelfs in de hand gewerkt worden, simpelweg door het
vermogen of de interesse om zaken te posten op sociale netwerksites. Zo kunnen onder
andere Zwarten of Hispanics, door het gebrek aan een computer of internettoegang, vaak
sociale netwerksites niet onderhouden (Roth et al., 2016). Wanneer deze etnische
minderheden wel actief zijn op sociale media, zijn zij meer geneigd om zaken te posten
gerelateerd aan hun etnische afkomst en participeren zij meer in sociale en politieke
groepen. Dit heeft bijgevolg ook een invloed op het screeningsproces, te verklaren door
het Attraction-Similarity Paradigm. Beoordelaars van meerderheidsgroepen kunnen
echter een ongelijkheid ervaren tussen zichzelf en de sollicitant uit een minderheidsgroep,
waardoor ze de neiging hebben deze een lagere beoordeling te geven (Byrne, 1971;
Grasmuck, Martin, & Zhao, 2009; Lieu, 2012). Ook oudere individuen zijn vaak niet
vertrouwd met dit soort technologie, waardoor er verschillen ontstaan tussen diverse
groepen die tot negatieve gevolgen kunnen leiden binnen het screeningsproces (Roth et
al., 2016). Geslacht heeft daarnaast ook een invloed op het screeningsproces. Een studie
vond dat vrouwen een stapje voor hebben op mannen, doordat zij minder de neiging
hebben om problematische inhoud te posten (bv. alcoholmisbruik) en over een hogere
verbale- en schrijfvaardigheid beschikken (Hough, Oswald, & Ployhart, 2001; Karl et al.,
2010; Roth, Buster, & Barnes-Farrell, 2010). Naast dit alles, kan er ten laatste ook een
positive/negative asymmetry effect optreden. Dit effect verklaart dat negatieve informatie
sterker zal doorwegen, wat tot een vertekening kan leiden. Dit is dan ook niet anders bij
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
10
social media assessment, waar maar al te vaak een ongepaste foto of een ambigue post
op sociale media kan leiden tot diskwalificatie van een sollicitant (Baumeister, 2001).
Beoordelaar. Ten vierde moet ook in rekening worden gebracht dat de
beoordelaar een sterke invloed heeft op hoe een individu als positief of negatief wordt
gescreend. Er zijn twee paradigma’s of theorieën waarbij individuele verschillen of
gelijkenissen tussen de beoordelaar en de sollicitant het screeningsproces kunnen
beïnvloeden, namelijk het Attraction-Similarity Paradigm (Byrne, 1971) en de Relational
Demography Theory (Tsui & Gutek, 1984). Beide komen neer op het feit dat wanneer er
gelijkenissen bestaan tussen beoordelaar en sollicitant in termen van etniciteit en geslacht,
dit leidt tot betere evaluaties. Deze vertekening kan geminimaliseerd of weggewerkt
worden door social media assessment te standaardiseren en structureren. (McCarthy, Van
Iddekinge, & Campion, 2010; Sacco, Scheu, Ryan, & Schmitt, 2003). Dit door
verschillende rubrieken of secties te onderscheiden op bijvoorbeeld LinkedIn of
Facebook en een vast stramien te volgen van wat er in beschouwing wordt genomen op
deze sociale netwerksites en wat niet (Kluemper et al., 2012; Lievens & Iddekinge, 2016).
Ook het simpelweg trainen van de beoordelaars of hen helpen met het gebruik van rating
scorecards om sociale netwerksites van een individu te beoordelen is een mogelijkheid
tot standaardisatie (McFarland & Ployhart, 2015). Automatische scoring door middel van
mechanische of statistische integratie via algoritmes is een derde mogelijkheid tot
standaardisatie, wat in het tweede deel van deze Masterproef praktisch wordt onderzocht.
Job-(ir)relevantie. Ten vijfde is het noodzakelijk dat informatie gevonden op
sociale media een zekere job-relevantie omvat. Zonder deze job-relevantie heeft social
media assessment geen legale basis. Er is echter geen eenduidige evidentie dat social
media assessment relevante jobgerelateerde kennis en vaardigheden screent, die wel
duidelijk uit persoonlijkheidstesten en cognitieve vaardigheidstesten gehaald kan worden
(Roth et al., 2016). Uit de studie van CareerBuilder vond men dat er vaak informatie
gebruikt wordt die geen directe link heeft met job-relevantie (Grasz, 2009). Sociale
media, zoals Facebook, is in eerste instantie ontworpen om te connecteren met vrienden
en niet om job-relevante attributen te meten, waardoor er vooral vrijetijds-gerelateerde
interesses en activiteiten op te vinden zijn. Laat het nu net deze job-irrelevante factoren
zijn die het oordeel van de beoordelaar bij ongestructureerde assessment het meest
beïnvloeden (Brown & Vaughn, 2011). Doordat men via sociale media snel, goedkoop
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
11
en gemakkelijk informatie kan vinden die men niet kan achterhalen met een traditioneel
cv, worden er vaak onbenutte en job-irrelevante karakteristieken onthuld die beschermd
worden door discriminatiewetten. De Algemene Wet Gelijke Behandeling (cf. Equal
Employment Opportunity Law in de Verenigde Staten) en cao nr. 38 zijn hier een
voorbeeld van. Deze eerste wet limiteert het type van informatie die een werkgever mag
nagaan en gebruiken (Kluemper & Rosen, 2009). Informatie op sociale media is vaak
direct gerelateerd aan etniciteit, geslacht, politieke voorkeur, religie, burgerlijke stand en
een eventuele handicap (Roth et al., 2016). Door dit soort “verboden” informatie toch te
gebruiken in het screeningsproces kunnen er allerhande vertekeningen optreden (Brown
& Vaughn, 2011; Davison et al., 2011). Zelfs wanneer deze informatie niet bewust
gebruikt wordt om het screeningsproces te leiden, is deze informatie moeilijk om te
negeren en kan dit de werkgever heuse problemen opleveren door het schenden van de
wetgeving. Het is namelijk niet makkelijk om het argument te weerleggen dat wanneer
sociale media gescreend wordt, deze “verboden” informatie niet in rekening werd
gebracht bij het beslissingsproces (Karl et al., 2010; Van Iddekinge et al., 2016).
Sollicitant. Ten zesde is het belangrijk om de sollicitanten goed te informeren
over het gebruik van social media assessment. Waarom en hoe wordt deze nieuwe
techniek gebruikt? Hier is er een tweestrijd, namelijk tussen de sociale wenselijkheid en
het recht op privacy. Wanneer het gebruik van social media assessment medegedeeld
wordt, kan er misschien toch sociale wenselijkheid optreden. Wanneer dit echter niet
medegedeeld wordt, kan dit als oneerlijk gezien worden en negatieve reacties uitlokken
(Brown & Vaughn, 2011). Deze negatieve reacties omtrent het gebruik van social media
assessment kunnen uitgelokt worden door het gebrek aan tweerichtings- en zelf
éénrichtingscommunicatie. Sollicitanten kunnen immers niet reageren op vermoedelijk
werkgerelateerde vragen (Potosky, 2008). Laat het nu net die onzekerheid zijn die de
negatieve reacties van de sollicitanten uitlokt. Het groeiende bewustzijn dat dit soort
assessment wel degelijk gebruikt wordt, kan het vertrouwen in sociale media en online
diensten in het algemeen enorm schaden. Het kan individuen bovendien afschrikken om
dergelijke technologie nog te gebruiken (Kosinski et al., 2013). Door het gevoel dat de
privacy van de sollicitant geschonden werd, kan dit verder resulteren in een lagere
organisatie attractiviteit, vooral bij sollicitanten met een lage score voor de trek
agreeableness. Dit voornamelijk door de lagere perceptie van procedurele
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
12
rechtvaardigheid. Het screeningsproces vormt een eerste indruk op hoe een organisatie
omgaat met haar werknemers, waardoor bijvoorbeeld een slechte behandeling bij deze
eerste stap een indicatie vormt van het wel en wee op de toekomstige werkvloer
(Stoughton, Thompson, & Meade, 2015). Het Applicant Reactions Model van
Hausknecht et al. (2004) kan theoretische ondersteuning bieden om de eventuele
acceptatie van social media assessment door sollicitanten te begrijpen. Dit model geeft
tal van variabelen die een antecedent vormen van reacties van sollicitanten, onder andere
gepercipieerde rechtvaardigheidsregels en schending van de privacy. Veel van die
antecedenten suggereren dat reacties op social media assessment negatief kunnen zijn
(Roth et al., 2016). Een voorbeeld hiervan komt uit een studie waar men vond dat 48%
van de individuen bezorgd was over het feit dat organisaties hun activiteiten op het
internet nagaan (Annenberg, 2011). Sollicitanten zullen bijgevolg hun conceptualisatie
van sociale netwerksites moeten wijzigen, dit door het perspectief van de toekomstige
werknemer in te nemen (Stoughton et al., 2015). Transparantie en controle over
informatie die de sollicitant post kan daarenboven voor een individueel gecontroleerde
balans zorgen tussen de kansen en bedreigingen van ons digitaal tijdperk (Kosinski et al.,
2013).
Context. Als zevende is het vooral belangrijk om als werkgever ook de context
van de verkregen informatie op sociale media in kaart te brengen. Wanneer er niet
gekeken wordt naar de context van bijvoorbeeld negatieve informatie of indrukken, kan
de Fundamental Attribution Error een bedreiging vormen (Harvey, Town, & Yarkin,
1981). Deze fout kan immers een overhaaste beslissing om de sollicitant niet aan te nemen
als gevolg hebben, terwijl dit misschien niet gerechtvaardigd is (Brown & Vaughn, 2011).
Dit omdat de Fundamental Attribution Error de tendens is van beoordelaars om de impact
van situationele factoren te onderschatten en de rol van dispositionele factoren in het
controlerende gedrag te overschatten (Ross, 1977).
Customization. Ten achtste werd customization al aangehaald bij de voordelen,
maar kan dit evengoed bestempeld worden als een nadeel. Door verschillende individuen
anders te benaderen, komt het probleem van standaardisatie alweer naar boven. Ook
zullen verschillende individuen verschillend behandeld worden door de informatie
gevonden op sociale media. Een beoordelaar kan misschien kritischer omspringen met
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
13
een individu, waardoor dit de kans verkleint dat deze aangenomen zal worden (McFarland
& Ployhart, 2015).
Derden. Ten laatste moet ook in rekening worden gebracht dat de sollicitant geen
volledige controle heeft over de informatie beschikbaar op zijn of haar sociale media. Een
studie meent zelfs dat opmerkingen door derden op Facebook een groter effect hebben op
de impressie van een beoordelaar dan de opmerkingen van de sollicitant zelf (Walther,
Van der Heide, Kim, Westerman, & Tong, 2008).
Validiteit en Betrouwbaarheid
De Algemene Wet Gelijke Behandeling (cf. Equal Employment Opportunity Law
in de Verenigde Staten) bespreekt onder andere de noodzaak aan evidentie voor validiteit
bij tests gebruikt voor personeelsbeslissingen.
Inhoudsvaliditeit. Bij social media assessment kan deze validiteit gerealiseerd
worden door op voorhand een job-analyse uit te voeren, waardoor de link tussen een
(hoger) construct en een taak duidelijk wordt en men zekerheid verkrijgt dat informatie
op sociale netwerksites een job-relevante vaardigheid, kennis of ander karakteristiek
reflecteert (Brown & Vaughn, 2011).
Convergente validiteit. De consistentie van de informatie kan niet enkel
bestudeerd worden over tijd, maar ook over verschillende bronnen. Doordat meerdere
beoordelaars social media assessment kunnen vergelijken met traditionele screenings-
procedures, wordt er convergente validiteit gerealiseerd (Davison et al., 2011). Deze stelt
voorop dat constructen, zoals beoordelingen op sociale netwerksites, moeten
samenhangen met andere constructen, zoals zelfbeoordelingen, om valide te zijn. Volgens
verschillende studies vertonen beoordelingen van sociale netwerksites gelukkigerwijs een
convergente validiteit met zelfbeoordeling (Kluemper et al., 2012; Lievens & Iddekinge,
2016). Informatie verkregen uit zelfbeoordeling, bijvoorbeeld geplaatste foto’s of
berichten van het individu, kan gecorreleerd worden met informatie verkregen van
derden, bijvoorbeeld onderschrijvingen op LinkedIn en commentaren op Facebook.
(Lievens & Iddekinge, 2016).
Predictieve validiteit. Wanneer men de beoordeling op sociale netwerksites
vervolgens nog eens correleert met de job-prestatie wanneer de sollicitant effectief
aangenomen wordt en daaruit een positieve relatie uitvloeit, is er sprake van predictieve
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
14
validiteit. De huidige job-prestatie kan op zijn beurt het toekomstige job-succes
voorspellen van diezelfde persoon (Davison et al., 2011). De link tussen social media
assessment en job-prestatie werd onder meer door Kluemper bestudeerd aan de hand van
beoordelingen op de Big Five persoonlijkheidstrekken. In een studie die dateert uit 2009
suggereerde men dat de trek consciëntieusheid de beste predictor is voor algemene job-
prestatie (Kluemper & Rosen, 2009). In een latere studie vond men een correlatie van
0.28 tussen de evaluatie via sociale netwerksites en de werkelijke job-prestatie. Deze
correlatie was zelf sterker dan voor beoordelingen door de sollicitant zelf over zijn of haar
persoonlijkheid. Wanneer men nader keek naar de relatie tussen de Big Five factoren en
job-prestatie, vond men enkel voor Facebook-beoordelingen van neuroticisme en
agreeableness een significante correlatie met job-prestatie (Kluemper et al., 2012). In de
studie van Van Iddekinge daarentegen, vond men dat de beoordeling van de rekruteerder
op basis van social media assessment ongerelateerd was met de latere job-prestatie (Van
Iddekinge et al., 2016). Resultaten omtrent validiteit en de relatie tussen de beoordeling
en de job-prestatie zijn dus eerder tegenstrijdig.
Interbeoordelaarsbetrouwbaarheid. Er rijst natuurlijk ook altijd de vraag of
beoordelaars wel consistent zijn in hun beoordelingen, ofwel hoe de interbeoordelaars-
betrouwbaarheid standgehouden wordt (Kluemper & Rosen, 2009). Door meerdere
beoordelaars in te schakelen bij social media assessment kan deze betrouwbaarheid
verzekerd worden (Davison et al., 2011). Volgens de ene studie vertonen beoordelingen
van sociale netwerksites zowel een voldoende interbeoordelaarsbetrouwbaarheid als
interne consistentie tussen beoordelingen (Kluemper et al., 2012). Uit een ander
onderzoek kwam alsnog voort dat beoordelaars consistent zijn in hun beoordelingen
tussen individuen en dat ze accuraat hoge van lage performanten kunnen onderscheiden.
Meer nog, beoordelaars die een hogere intelligentie en emotionele stabiliteit hebben,
tonen nog meer accuraatheid in hun beoordelingen (Kluemper & Rosen, 2009). Wanneer
er meerdere beoordelaars ingesteld worden om bijvoorbeeld een Facebook-pagina van
een sollicitant te screenen, is dit redelijk valide. Een correlatie van 0.3-0.5 werd gevonden
tussen zelf-rapportage van persoonlijkheidskenmerken en de evaluaties van de
beoordelaars (Kluemper et al., 2012). Uit nog een andere studie vond men geen evidentie
voor interbeoordelaarsbetrouwbaarheid (Van Iddekinge et al., 2016). Door deze
tegenstrijdigheid is verder onderzoek dus zeker aan te raden.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
15
De Machine binnen Social Media Assessment
Machinaal leren (machine learning), ofwel automatisch leren, is een benadering
die algoritmes en technieken ontwikkelt waarmee computers kunnen leren en als
oplossing kunnen dienen in verschillende onderzoeksvelden. Het is gerelateerd aan data
mining, waarbij grote hoeveelheden gegevens geanalyseerd kunnen worden en daarna op
een geautomatiseerde manier patronen en relaties in gezocht kunnen worden. Machinaal
leren is een inductief proces die automatisch een soort sorteermachine opbouwt voor een
categorie aan de hand van verschillende kenmerken in een bepaald document (Sebastiani,
2002).
Aangezien de doelstelling van deze Masterproef het onderzoek naar taal-
gebaseerde assessment verkregen uit sociale netwerksites weergeeft, wordt de focus hier
vooral gelegd op één enkel onderdeel van machinaal leren, namelijk het taalanalyse
programma Linguistic Inquiry and Word Count van Pennebaker.
Linguistic Inquiry and Word Count (LIWC)
Om de potentiële nadelen en problemen omtrent standaardisatie, validiteit en
betrouwbaarheid bij een menselijke aanpak van social media assessment te
minimaliseren, kan er gebruik gemaakt worden van Pennebaker’s Linguistic Inquiry and
Word Count, ofwel LIWC (uitgesproken als “Luke”).
LIWC werd ontworpen om te onderzoeken welke kenmerken van het schrijven
omtrent negatieve levensgebeurtenissen de daaropvolgende verbeterde gezondheids-
toestand kan voorspellen (Pennebaker, Mehl, & Niederhoffer, 2003). De dag van vandaag
is LIWC het meest gebruikte computer-gebaseerd taalanalyse programma in studies die
de relatie tussen woordgebruik en psychologische variabelen onderzoeken. LIWC is
eigenlijk een geavanceerde teller van woorden, ofwel een programma die “gesloten”
woordenschatanalyse hanteert. LIWC 2015 bevat maar liefst 89 verschillende categorieën
of dimensies met bijna 6400 woorden of woordstammen. De opgenomen categorieën
variëren van standaard taalcategorieën (bv. ‘prepositions’), psychologische processen
(bv. ‘positive emotions’, ‘negative emotions’), cognitieve processen (bv. ‘discrepancies’),
relatief gerelateerde woorden (bv. ‘time’, ‘motion’, ‘space’) tot traditionele
inhoudscategorieën (bv. ‘sex’, ‘death’, ‘home’) (Pennebaker et al., 2003; Tausczik &
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
16
Pennebaker, 2010; Yarkoni, 2010). De verschillende woorden binnen bepaalde
categorieën kunnen zowel emotionele woorden (bv. “happy”, “sad”, “angry”, “joyful”)
zijn, als cognitieve woorden (bv. “realize”, “understand”, “think”) en zelfreferenties
(“I”, “we”) (Pennebaker & Graybeal, 2001). Scores van elke categorie bekom je door
het aantal keer dat de woorden binnen een categorie voorkomen te delen door het aantal
woorden in de gegeven tekst (Pennebaker et al., 2003; Yarkoni, 2010). Je bekomt dus een
percentage van woorden die in een bepaalde categorie vallen (Pennebaker & Graybeal,
2001). De tekstbronnen kunnen verspreid zijn over klassieke literatuur, persoonlijke
verhalen, persconferenties, transcripties, alledaagse conversaties enzovoort (Pennebaker
et al., 2003).
Om samen te vatten, bevat het programma LIWC dus twee kernpunten, namelijk
een verwerkingscomponent en een woordenboekbestand. De verwerkingscomponent is
het programma zelf die de tekstbron opent om alle woorden te screenen en te vergelijken
met het woordenboekbestand, waarna deze woorden geassocieerd worden met de
bijhorende categorieën. Wanneer alle woorden in de tekstbron gescreend worden,
berekent LIWC het percentage van elke categorie en wordt deze opgelijst in een output
(Tausczik & Pennebaker, 2010).
Belang en Relevantie
Computergestuurde tekstanalyse-instrumenten zijn in de laatste tien jaar
toegankelijker geworden, waardoor veel studies hier gretig gebruik van maken. Een
programma als LIWC heeft dan ook veel toepassingsgebieden.
Bedrijfspsychologie. Dit is het toepassingsdomein die in deze Masterproef
besproken wordt, met name LIWC in een werkgerelateerde context. In dit domein kan
LIWC gebruikt worden als hulp bij het screeningsproces van de sollicitant. Zo kunnen
allerlei tekstbronnen gehaald worden uit sociale netwerksites van de sollicitant,
bijvoorbeeld Facebook, Twitter, blogs, enzovoort. Hierop kunnen analyses uitgevoerd
worden, waardoor bijvoorbeeld persoonlijkheidstrekken van de Big Five achterhaald
kunnen worden, simpelweg door het taalgebruik van de sollicitant. Omdat er een
correlatie bestaat tussen deze persoonlijkheidstrekken en professionele relaties, kan dit
een eerste belangrijke indruk vormen over de sollicitant die implicaties heeft voor het
verdere screeningsproces (Golbeck, 2011).
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
17
Sociale psychologie. Het programma LIWC kan ook ingezet worden om teksten
te analyseren van participanten uit sociaalpsychologisch onderzoek. Een onderzoeks-
doelstelling is bijvoorbeeld het in kaart brengen van individuele verschillen, leeftijds-
verschillen of geslachtsverschillen in taalgebruik (Tausczik & Pennebaker, 2010).
Politiek. Niet alleen in de psychologie, maar ook in de politieke wereld kunnen
computergestuurde tekstanalyse-instrumenten, zoals LIWC, hun steentje bijdragen. Zo
zijn er niet enkel geruchten, maar ook feiten die aantonen dat het team achter de huidige
president van de Verenigde Staten, Donald Trump, tijdens zijn campagnes in 2016 een
aangepaste database, ‘Project Alamno’ (Winston, 2016), gebruikt heeft om Twitter en
Facebook te screenen. Zo konden zij via bepaalde ‘hashtags’ en kernwoorden zijn
tegenstanders opsporen, achterhalen en overtuigen om niet voor Hillary Clinton, maar
voor Donald Trump te stemmen. Niet alleen het team achter Trump zelf heeft ervaring
met dergelijke programma’s, ook zijn er onderzoeken gebeurd via LIWC om te
achterhalen wie de voor- en tegenstanders van Trump zijn. Een studie uit het boek
‘Designing Networks for Innovation and Improvisation’ van Zylka, Fuehres, Colladon en
Gloor (Winston, 2016) profileerde de voor- en tegenstanders van verschillende
kandidaten aan de hand van frequenties van verschillende woordtypes, onder andere
‘negations’, ‘articles’ en ‘prepositions’. Uit deze studie kwam de meest waarschijnlijk
gekozen president naar voren: Donald Trump. Verder onderzoek moest uitwijzen waarom
net zij voor Trump zouden stemmen (of gestemd hebben) en LIWC heeft hen hierbij
geholpen. Zo vonden ze vijf categorieën van woorden die voorstanders van Trump
gebruikten, namelijk ‘achievement’, ‘reward’, ‘money’, ‘leisure’ en ‘power’ (Carpenter,
2016). Dit helpt om een beter inzicht te verkrijgen in het wel en wee van de verkiezingen.
Juridisch. In de context van het gerecht en een verhoor bij de politie, kan LIWC
ook zijn dienst bewijzen. Een studie beweert dat (politie)mensen over het algemeen slecht
zijn in het detecteren van een leugen, aangezien spraakinhoud vaak te weinig in rekening
wordt gebracht en men bijgevolg het non-verbale gedrag bestudeert om dit te
compenseren. Het is dan ook niet onbegrijpelijk dat er soms verkeerde conclusies worden
getrokken, wanneer bijvoorbeeld een verdachte als schuldig wordt bevonden enkel
gebaseerd op het feit dat hij wat zenuwachtig leek tijdens het verhoor (Vrij, 2004). Om
deze vaak nietszeggende non-verbale signalen te vermijden, kan LIWC ingezet worden.
Uit een studie waarin lieggedrag in vijf experimenten onderzocht werd, bleek dat 67%
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
18
van de leugenaars en niet-leugenaars achterhaald kan worden met behulp van LIWC. Zo
gebruiken leugenaars bijvoorbeeld meer negatieve emoties, meer bewegingswoorden (bv.
“arrive”, “car”, “go”) en minder enkelvoudige woorden in eerste persoon. Ook zullen
complexe woorden vermeden worden, doordat het liegen een hoge cognitieve belasting
vereist (Newman, Pennebaker, Berry, & Richards, 2003; Tausczik & Pennebaker, 2010).
Voordelen
Informatieopslag. In het algemeen zijn computer-gebaseerde modellen
significant accurater dan mensen in een kern sociaal-cognitieve taak, bijvoorbeeld een
persoonlijkheidsbeoordeling. Volgens het Realistic Accuracy Model (Funder, 1995) is de
accuraatheid van een persoonlijkheidsbeoordeling afhankelijk van de beschikbaarheid en
de hoeveelheid van relevante gedragsinformatie, samen met de vaardigheid van de
beoordelaar om deze informatie correct te detecteren en te gebruiken (Funder, 1995,
2012; Wu et al., 2015). Omdat een computer-gebaseerd model alle nodige informatie
zonder moeite kan opslaan, heeft deze veel voordelen op mensen (Wu et al., 2015).
Taalgebruik en persoonlijkheid. Met behulp van computerprogramma’s, zoals
LIWC, kan taalgebruik op sociale netwerksites aan een razendsnel tempo geanalyseerd
worden. In de tijd die het in beslag neemt om één enkel individu te onderzoeken op basis
van zijn of haar taalgebruik, worden er nu duizenden tekstbronnen gedownload die
geanalyseerd worden in enkele seconden (Tausczik & Pennebaker, 2010). Doordat
individuen veel van zichzelf prijsgeven op sociale media en het individu zelf het
frequentste discussieonderwerp is, kan een computerprogramma dit vrij gemakkelijk
analyseren (Golbeck, 2011). Woorden die gebruikt worden in het dagelijkse leven
reflecteren wie iemand is en taal is de meest gebruikte manier om interne gedachten en
emoties te vertalen naar de buitenwereld toe (Tausczik & Pennebaker, 2010). Taalgebruik
is een psychologisch rijk en stabiel individueel verschil dat onder andere gecorreleerd is
met persoonlijkheid. Aangezien persoonlijkheidstrekken tevens gecorreleerd zijn met
zowel succes in persoonlijke als professionele relaties, maakt het dit onderzoek hiernaar
dus zeer interessant (Golbeck, 2011; Park et al., 2015). Taal-gebaseerde assessment vormt
bovendien een valide persoonlijkheidsmeting. Dit werd aangetoond in een studie die
vaststelde dat de Big Five persoonlijkheidstrekken van een sollicitant voorspeld kunnen
worden aan de hand van gedeelde informatie op bijvoorbeeld Facebook. Deze studie
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
19
maakte gebruik van een “gesloten” woordenschatanalyse (Golbeck, 2011). Deze
vaststelling werd echter ook gevonden in een andere studie, met behulp van een
programma die een “open” woordenschatanalyse van taal op sociale media hanteerde.
Deze “open” woordenschatanalyse maakt gebruik van taalkenmerken van de
geanalyseerde tekst zelf in plaats van te starten met een vooraf opgemaakte lijst van
woorden bij een “gesloten” woordenschatanalyse, zoals LIWC. Zo komt taal-gebaseerde
assessment overeen met zelfbeoordeling van de Big Five persoonlijkheidstrekken.
Extraverte individuen gebruiken bijvoorbeeld frequenter woorden met een positieve
bijklank (bv. “great”, “happy”, “amazing”). In het algemeen is er daarnaast van
individuen met een hoge score voor extraversie een grotere hoeveelheid woorden
beschikbaar, maar dit zijn dan vooral kortere woorden (Park et al., 2015; Tausczik &
Pennebaker, 2010). De persoonlijkheidstrek openheid is dan weer sterk positief
geassocieerd met meer formeel taalgebruik, het gebruik van intellectuele onderwerpen en
een brede waaier aan cognitieve vaardigheden (Yarkoni, 2010).
Taalgebruik en andere psychologische kenmerken. Taal-gebaseerde
assessment is niet gelimiteerd tot het beoordelen van persoonlijkheid, maar kan
bijvoorbeeld ook gebruikt worden om taalmodellen rond psychologisch welzijn te creëren
aan de hand van bijvoorbeeld het HEXACO-model (Ashton & Lee, 2007).
Impliciete meting. Vele onderzoekers menen dat taal-gebaseerde assessment
sociaalpsychologische processen onthullen die niet makkelijk te onderzoeken vallen en
het ware zelf van het individu blootleggen. Dit vooral aan de hand van functie- of
stijlwoorden, zoals voornaamwoorden, voorzetsels, voegwoorden en hulpwerkwoorden
(bv. “it”, “was”, “a”, “and”). Een verklaring hiervoor ligt in het feit dat deze woorden
reflecteren hoe een individu communiceert en dit veel dichter ligt bij metingen van de
sociaalpsychologische wereld van een individu. Dit in tegenstelling tot inhoudswoorden
zoals zelfstandige naamwoorden, regelmatige werkwoorden en bijwoorden die gewoon
overbrengen wat een individu zegt (Tausczik & Pennebaker, 2010).
Nadelen
Context. Waar mensen dan wel beter op scoren, is het feit dat beoordelaars een
breder spectrum van contextuele en semantische cues kunnen hanteren. Alle
taalvariabelen zijn immers afkomstig van simpele tellingen van woordgebruik, zonder
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
20
contextuele factoren en hogere-orde semantische variabelen in rekening te brengen (bv.
ironie, sarcasme, afbeeldingen, taaleigenheden). Een computer-gebaseerd taalanalyse
programma zoals LIWC blijft een probabilistisch systeem en mag niet gezien worden als
een programma dat foutloos een accuraat beeld geeft van het ware zelf van een individu
aan de hand van zijn of haar taalgebruik (Back et al., 2010; Marcus, Machilek, & Schutz,
2006; Tausczik & Pennebaker, 2010; Vazire & Gosling, 2004).
Imperfectie. Een programma zoals LIWC is enkel een overgangsprogramma in
afwachting van een nieuw tijdperk van taalanalyses. Analyses van complexere taal en
flexibiliteit in het opzet aan de hand van de onderzoeksvraag van de onderzoeker zijn
hierbij een must (Tausczik & Pennebaker, 2010).
Discriminatie. Door het gebruik van een computer-gebaseerde taalanalyse, komt
het ethische probleem weer naar boven. Er bestaan heel wat culturele verschillen in
taalgebruik, waardoor de afkomst van een sollicitant achterhaald kan worden. De mate
van bijvoorbeeld formaliteit en vriendelijkheid in het taalgebruik is zelfs inherent aan
functiewoorden. Leeftijd en geslacht van de sollicitant kan men bijvoorbeeld makkelijk
voorspellen, zonder daar op voorhand van op de hoogte te zijn (Tausczik & Pennebaker,
2010). Zo zullen oudere individuen meer gebruik maken van inzichtwoorden (bv. “think”,
“know”, “consider”), woorden in toekomende tijd en exclusieve woorden (bv. “because”,
“effect”) (Pennebaker & Stone, 2003). Het grote verschil in taalgebruik bij mannen en
vrouwen zit hem in de complexiteit van de taal en de mate van sociale referenties. Terwijl
mannen meer de intentie hebben tot gebruik van langere woorden en voorzetsels,
gebruiken vrouwen meer sociale woorden (bv. “family”, “friends”) en voornaamwoorden
(Newman, Groom, Handelman, & Pennebaker, 2008). Hiervan op de hoogte zijn tijdens
het screeningsproces, kan een belangrijke en negatieve impact hebben voor de sollicitant.
Validiteit en Betrouwbaarheid
Inhoudsvaliditeit. In een studie waarin LIWC geëvalueerd werd op validiteit aan
de hand van tekst verworven uit een online groep, detecteerde het woordenboekbestand
van LIWC 80.3% van de woorden uit de tekst, ondanks dat deze gebruikte woorden sterk
verschilden van de originele toepassing van LIWC (Alpers et al., 2005).
Convergente validiteit. In diezelfde studie van Alpers et al. (2005) werd tekst
verkregen uit een online groep vergeleken met tekst verkregen uit gerelateerde
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
21
krantenartikelen waarop LIWC hetzelfde zou moeten scoren. Evidentie voor deze
validiteit werd gevonden. Een andere studie aan de hand van een programma die “open”
woordenschatanalyse hanteerde vergeleek taal-gebaseerde assessment met zelf-
beoordeling. Ook in deze studie vond men evidentie voor deze validiteit, met een
gemiddelde convergente correlatie van 0.38 (Park et al., 2015).
Predictieve validiteit. Computer-gebaseerde beoordelingen van persoonlijkheid
hebben hogere predictieve validiteit dan beoordeling door rekruteerders bij het
voorspellen van levensuitkomsten (bv. middelenmisbruik, politieke attitude, fysieke
gezondheid) en andere gedragsgerelateerde eigenschappen. In bepaalde gevallen is de
predictieve validiteit zelfs hoger dan zelfbeoordeling van persoonlijkheid (Wu et al.,
2015).
Discriminante validiteit. De “open” woordenschatanalyse van Park et al. (2015)
vond echter geen evidentie voor discriminante validiteit, waarbij de grootte van tussen-
trek correlaties binnen taal-gebaseerde assessment vergeleken werd met die van
zelfbeoordeling. Zo zouden deze correlaties tussen trekken zo laag mogelijk moeten zijn,
maar de gemiddelde absolute waarde van de coëfficiënten van taal-gebaseerde
assessment was significant hoger (r = 0.29) dan deze van zelfbeoordeling (r = 0.19). Dit
wijst erop dat taal-gebaseerde assessment een minder goed onderscheid maakt tussen
trekken.
Concurrente validiteit. In een studie correleerden de meeste LIWC-scores laag
tot gemiddeld met de gelijktijdig beschikbare criteriumgegevens van de menselijke
rekruteerder. Aangezien deze correlatie wel significant was, is er evidentie voor een
positieve associatie tussen bepaalde categorieën van de LIWC en menselijke beoordeling.
Een verklaring voor de categorieën waar geen evidentie voor concurrente validiteit werd
gevonden, is het feit dat een simpele woordtelling geen context in rekening brengt (Alpers
et al., 2005).
Interbeoordelaarsbetrouwbaarheid. Computer-gebaseerde modellen in het
algemeen vertonen een hogere interbeoordelaarsbetrouwbaarheid bij het voorspellen van
levensuitkomsten (bv. middelenmisbruik, politieke attitude, fysieke gezondheid) en
andere gedragsgerelateerde eigenschappen dan menselijke beoordelaars (Wu et al.,
2015).
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
22
Test-hertest betrouwbaarheid. In de studie van Park et al. met de “open”
woordenschatanalyse werd deze betrouwbaarheid reeds onderzocht door correlaties van
persoonlijkheidsvoorspellingen aan de hand van taal te onderzoeken tussen vier
intervallen van zes maanden. Zo bleek taal-gebaseerde assessment stabiel te zijn over
deze intervallen voor alle trekken van de Big Five, met een gemiddelde test-hertest
correlatie van 0.70. Een hoge correlatie dus, zeker wanneer dit vergeleken wordt met de
test-hertest correlatie van zelfbeoordeling op deze persoonlijkheidstrekken die varieert
van 0.65 tot 0.85 (Park et al., 2015).
Conclusie
Doelstelling
Het eerste deel van deze Masterproef gaf een theoretisch kader van de rol van
zowel de mens als de “machine” binnen social media assessment. In het tweede deel van
deze Masterproef volgt de praktische studie van de “machinale” benadering aan de hand
van Pennebaker’s Linguistic Inquiry and Word Count. Zo zullen de ‘posts’ en ‘tweets’ op
de sociale netwerksites Facebook en Twitter van participanten beoordeeld worden door
het programma LIWC. Dit met als doel de voorspellende waarde van social media
assessment op taakgedrag na te gaan en de overeenstemming met een traditioneel
instrument te onderzoeken, namelijk met een persoonlijkheidsvragenlijst.
Onderzoeksvragen en Hypotheses
De volgende drie onderzoeksvragen worden opgesteld:
1) Kan een hedendaags “machinaal” instrument, zoals het Pennebaker’s programma
LIWC, informatie halen uit de sociale netwerksites Facebook en Twitter, waarbij
informatie op grond van Facebook correleert met informatie op grond van Twitter?
2) Kan een hedendaags “machinaal” instrument, zoals het Pennebaker’s programma
LIWC, informatie halen uit de sociale netwerksites Facebook en Twitter, consistent
met een traditioneel instrument, namelijk een persoonlijkheidsvragenlijst?
3) Kan een hedendaags “machinaal” instrument, zoals het Pennebaker’s programma
LIWC, informatie halen uit de sociale netwerksites Facebook en Twitter, die een
relevante voorspellende waarde heeft voor taakgedrag?
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
23
Uit deze onderzoeksvragen kunnen drie hypotheses opgesteld worden. De
verwachte correlaties binnen hypothese 2 zijn voornamelijk gebaseerd op het onderzoek
van Yarkoni (2010). Hypothese 3a is gebaseerd op verscheidene onderzoeken die stellen
dat consciëntieusheid de beste predictor is voor taakgedrag (Barrick & Mount, 1991;
Kluemper & Rosen, 2009).
1) Scores van individuen berekend op grond van de sociale netwerksite Facebook door
middel van Pennebaker’s LIWC correleren significant met de scores van deze
individuen berekend op grond van de sociale netwerksite Twitter.
2) Scores van individuen berekend op grond van de sociale netwerksites Facebook en
Twitter door middel van Pennebaker’s LIWC correleren significant met hun scores
op een persoonlijkheidsvragenlijst.
a. Het construct extraversie van de Big Five correleert significant positief met de
constructen ‘second person’, ‘power’, ‘reward’ en ‘risk’ van Pennebaker’s
LIWC.
b. Het construct agreeableness van de Big Five correleert significant positief met
de constructen ‘first person plural’, ‘positive emotion’, ‘social processes’,
‘family’, ‘friends’ en ‘affiliation’ van Pennebaker’s LIWC.
c. Het construct consciëntieusheid van de Big Five correleert significant negatief
met het construct ‘negations’ en positief met het construct ‘achievement’ van
Pennebaker’s LIWC.
d. Het construct neuroticisme van de Big Five correleert significant positief met
de constructen ‘first person singular’, ‘affective processes’, ‘negative
emotion’, ‘anxiety’, ‘anger’ en ‘sadness’ van Pennebaker’s LIWC.
e. Het construct openheid van de Big Five correleert significant positief met de
constructen ‘cognitive processes’, ‘insight’, ‘causation’, ‘discrepancy’,
‘differentiation’ en ‘leisure’ van Pennebaker’s LIWC.
3) Scores van individuen berekend op grond van de sociale netwerksites Facebook en
Twitter door middel van Pennebaker’s LIWC zijn een significante voorspeller voor
taakgedrag van deze individuen.
a. Het construct consciëntieusheid van de Big Five correleert significant met
taakgedrag en is dus een significante voorspeller van taakgedrag.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
24
METHODE
Steekproef
Participanten
Op basis van een raadpleging van het eigen netwerk via sociale media (Facebook,
Twitter en LinkedIn) en de daaropvolgende sneeuwbal sampling, bedraagt de steekproef
71 participanten die de procedure volledig afwerkten. De gemiddelde leeftijd is 22 jaar
(M = 21.76, SD = 5.47), met een minimum- en maximumleeftijd van respectievelijk 18
en 52 jaar. Er zijn 53 vrouwen (74.65%) en 18 mannen (25.35%). De participanten hebben
gemiddeld vier jaar (M = 3.65, SD = 5.46) en zes maanden (M = 5.82, SD = 3.50)
werkervaring, dit hoofdzakelijk als student binnen een studentenjob (74.65%) en een
stage (18.3%). Daarna volgt de werkervaring binnen een voltijdse job van onbepaalde
duur (9.86%), een voltijdse job van bepaalde duur (7.04%), een deeltijdse job van
onbepaalde duur (2.82%) en een deeltijdse job van bepaalde duur (2.82%). De meeste
participanten zijn actief binnen de sector ‘Handel en dienstverlening’ (36.62%), met
daaropvolgend de sectoren ‘Toerisme, recreatie en horeca’ (29.58%), ‘Onderwijs, cultuur
en wetenschap (18.31%), ‘Gezondheidszorg en welzijn’ (15.49%), ‘Landbouw, natuur en
visserij’ (7.04%), ‘ICT’ (5.63%), ‘Justitie, veiligheid en openbaar bestuur’ (4.23%),
‘Transport en logistiek’ (4.23%), ‘Media en communicatie’ (4.23%) en ‘Bouw, productie
en techniek’ (4.23%). Een kleine kanttekening die hierbij gemaakt kan worden, is dat het
cumulatief percentage van werkervaring en sectoren geen 100% bedraagt. Dit aangezien
er meerdere antwoorden op deze vragen aangeduid konden worden.
Derden
Elk van de 71 participanten gaf één of meerdere derden door, bedoeld om hen
door middel van een vragenlijst te beoordelen op zowel persoonlijkheid als taakgedrag.
In totaal zijn er 159 derden, waarvan 61 leidinggevenden (38.36%) en 98 collega’s
(61.64%). Gemiddeld werd elke participant door één leidinggevende (M = 0.86, SD =
0.45) en één collega (M = 1.38, SD = 0.78) beoordeeld. De gemiddelde leeftijd bedraagt
32 jaar (M = 31.78, SD = 8.54). De minimum- en maximumleeftijd zijn respectievelijk
18 en 59 jaar. In totaal zijn er 100 vrouwen (62.89%) en 59 mannen (37.11%). De duur
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
25
van de relatie tussen de derde en de participant is gemiddeld zes jaar (M = 5.68, SD =
3.52) en zeven maanden (M = 7.05, SD = 2.35). De kwaliteit van de relatie met de
participant wordt hoofzakelijk als “redelijk goed” benoemd (32.70%), met daaropvolgend
“goed” (27.67%), “zeer goed” (22.64%) en “niet zo goed” (12.58%). Er is slechts 4.40%
die aangeeft de participant “nauwelijks” te kennen1.
Procedure
De eerste stap binnen het onderzoek was het “rekruteren” van de participanten.
Dit via verschillende sociale netwerksites, namelijk Facebook, Twitter en LinkedIn. Op
basis van de daaropvolgende sneeuwbal sampling werd er een pool verzameld van 73
participanten. Deze deelnemende participanten stemden in eerste instantie elk in om hun
sociale netwerksites Facebook en Twitter open te stellen voor onderzoek. Elke participant
deelde ook hun e-mailadres mee en werd daarna via e-mail ingelicht over het verdere
verloop van de procedure2.
Bij inlichting van de verdere procedure werd er in een tweede stap aan de
participanten gevraagd om een online vragenlijst in te vullen. Deze vragenlijst nam
gemiddeld vijf minuten tijd in beslag en peilde naar persoonlijkheid via zelfbeoordeling
op de Big Five persoonlijkheidstrekken. Er vulden 71 participanten de vragenlijst volledig
in. Twee participanten vulden slechts een deel in, waardoor hun deelname aan het
onderzoek niet langer geldig was. Bijgevolg werden deze twee participanten uit het
onderzoek verwijderd.
Congruent met de tweede stap, werd er ook aan de participanten gevraagd om elk
het e-mailadres van één of meerdere collega’s en/of leidinggevenden door te geven. In
deze derde stap werden de collega’s en/of leidinggevenden vervolgens gecontacteerd en
gevraagd om ook een online vragenlijst in te vullen die peilde naar zowel de
1 Deze groep derden die aangeeft de participant “nauwelijks” te kennen werd in de steekproef gelaten om de analyses uit te voeren. Er werd een vergelijkende analyse uitgevoerd, waarbij er geen verschillen teruggevonden werden tussen beide correlatiematrixen met en zonder deze groep (zie Bijlage 3, Tabel 1 en Tabel 2). Deze 4,40% heeft bijgevolg geen invloed op de resultaten. 2 De uitgestuurde e-mail werd gebaseerd op het informed consent formulier van de Faculteit Psychologie en Psychologische Wetenschappen UGent. Alle affirmatieve antwoorden op deze e-mail zijn raadpleegbaar via de auteur van deze Masterproef.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
26
persoonlijkheid van de participant op de Big Five persoonlijkheidstrekken, als het
taakgedrag3. Deze vragenlijst nam maximum tien minuten tijd in beslag.
In stap vier werden de ‘posts’ en ‘tweets’ van Facebook en Twitter afgehaald.
Voor elke participant afzonderlijk werden er twee Word-documenten opgemaakt, één
voor Facebook en één voor Twitter. De verschillende teksten werden handmatig
gekopieerd en geplakt naar het juiste Word-document. Daaropvolgend werd het Word-
document opgeslagen als ‘tekst zonder opmaak’. Elk bestand werd zorgvuldig nagelezen,
waarbij spellingsfouten verbeterd werden en anderstalige teksten (dialect, Engels en
Frans) vertaald werden naar het Nederlands. Voorts bevat elk bestand minimum 50
woorden. Dit aangezien een analyse met een kleiner aantal woorden minder betrouwbare
resultaten oplevert en met een zekere sceptische blik bestudeerd moet worden.
Alvorens de statistische analyses, werd er in de vijfde en laatste stap gebruik
gemaakt van het tekstanalyseprogramma LIWC. Zo werd elk document van elke
participant afzonderlijk in het programma opgeladen en geanalyseerd, waarbij een output
verkregen werd die nadien als een Excel-bestand opgeslagen werd.
Materiaal
Om zowel de vragenlijst voor de participanten als derden vorm te geven, werd er
gebruik gemaakt van de online software ‘Qualtrics’. Beide vragenlijst zijn opgenomen
in Bijlage 1 en Bijlage 2.
Vragenlijst Participant
Meting persoonlijkheid. De vragenlijst van de participant omvat een
zelfbeoordeling van persoonlijkheid aan de hand van een 5-punts Likertschaal, gaande
van ‘helemaal oneens’, ‘oneens’, ‘noch eens, noch oneens’, ‘eens’ tot ‘helemaal eens’.
Deze persoonlijkheidsmeting is gebaseerd op de ‘Mini-IPIP Scales’ (Donnellan, Oswald,
Baird, & Lucas, 2006), een verkorte vorm van de ‘International Personality Item Pool
(IPIP) – Five Factor Model (FFM)’ (Goldberg, 1999). De ‘Mini-IPIP Scales’ bestaat uit
20 items, waarbij elke Big Five trek over vier items beschikt. De schaal is voor het
3 De uitgestuurde e-mail werd gebaseerd op het informed consent formulier van de Faculteit Psychologie en Psychologische Wetenschappen UGent. Alle affirmatieve antwoorden op deze e-mail zijn raadpleegbaar via de auteur van deze Masterproef.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
27
grootste deel gebalanceerd, met name dat er een gelijk aantal positieve als negatieve
gecodeerde items zijn, behalve voor de trek openheid. In vergelijking met de ‘IPIP-FFM’,
hebben de ‘Mini-IPIP Scales’ een respectabele interne consistentie en test-hertest
correlatie. Daarenboven heeft de schaal een vergelijkbare convergente-, criterium- en
predictieve validiteit. Aangezien de ‘MINI-IPIP Scales’ onderzocht werd met behulp van
een steekproef met studenten vormt dit een voordeel voor mijn Masterproef, omdat het
overgrote deel uit dezelfde doelgroep bestaat. Voor het gebruik van de ‘MINI-IPIP
Scales’ in deze Masterproef, werd de schaal tenslotte vertaald naar het Nederlands. Voor
elke Big Five persoonlijkheidstrek afzonderlijk werd de interne consistentie van de vier
items berekend aan de hand van Cronbach’s alfa. Deze worden in Tabel 1 weergegeven.
Er is een zwakke interne consistentie voor de persoonlijkheidstrek agreeableness (a =
0.45). De overige trekken hebben een acceptabele tot goede interne consistentie.
Tabel 1
Cronbach’s alfa’s van de Big Five persoonlijkheidstrekken voor de vragenlijst van de
participant, gebaseerd op telkens vier items Vragenlijst participant
(N = 71)
Extraversie 0.76
Agreeableness 0.45
Consciëntieusheid 0.70
Neuroticisme 0.82
Openheid 0.71
Vragenlijst Derde
Meting persoonlijkheid. In het eerste deel van de vragenlijst voor de derde
beoordeelt een collega en/of leidinggevende de participant op vlak van persoonlijkheid.
Deze persoonlijkheidsmeting is, net zoals bij de vragenlijst voor de participant, ook
gebaseerd op de ‘Mini-IPIP Scales’ met gelijke vier items en wordt beoordeeld aan de
hand van eenzelfde 5-punts Likertschaal. De items werden eerst aangepast naar de
‘hij/zij-vorm’, zodat er niet meer gepeild wordt naar een zelfbeoordeling, en tenslotte ook
vertaald naar het Nederlands. Voor het berekenen van de interne consistentie van de vier
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
28
items, weergegeven in Tabel 2, werden de scores opgesplitst in de beoordeling door hetzij
collega’s, hetzij leidinggevenden. De interne consistentie voor de trek openheid
beoordeeld door een collega is betwistbaar (a = 0.61). De overige
persoonlijkheidstrekken bij diezelfde beoordelaar scoren acceptabel tot goed. Bij de
beoordeling van een leidinggevende zijn de interne consistenties voor de trekken
consciëntieusheid, neuroticisme en openheid betwistbaar (respectievelijk a = 0.64, a =
0.65, a = 0.64). De overige persoonlijkheidstrekken halen een acceptabele tot goede
interne consistentie.
Meting taakgedrag. Daarnaast werd er in het tweede deel van de vragenlijst voor
de derden gevraagd om de participant ook te beoordelen op taakgedrag. Dit mede op een
5-punts Likertschaal, gaande van ‘helemaal oneens’, ‘oneens’, ‘noch eens, noch oneens’,
‘eens’ tot ‘helemaal eens’. Deze meting is gebaseerd op de eerste zeven prestatie-items
uit het onderzoek van Williams en Anderson (1991). Vorig onderzoek liet zien dat de
gekozen items de hoogste correlaties hebben met ‘in-role behavior’ (r = 0.52-0.88). Dit
begrip verwijst naar job-prestatie in termen van de effectiviteit waarbij werknemers
formele job verantwoordelijkheden uitvoeren (Turnley, Bolino, Lester, & Bloodgood,
2003). Zowel de kennis en accuraatheid van de job, als de productiviteit behoren hiertoe
(Werner, 1994). Net zoals de persoonlijkheidsmeting, werden de items voor taakgedrag
ook vertaald naar het Nederlands. De interne consistentie voor de zeven items werd
evenzeer berekend aan de hand van Cronbach’s alfa. Deze worden in onderstaande Tabel
3 weergegeven. De interne consistenties van de zeven items van taakgedag beoordeeld
door een collega en een leidinggevende, zijn respectievelijk goed en betwistbaar.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
29
Tabel 2
Cronbach’s alfa’s van de Big Five persoonlijkheidstrekken voor de vragenlijst van de
derden, gebaseerd op telkens vier items Vragenlijst collega
(N = 68)
Vragenlijst leidinggevende
(N = 58)
Extraversie 0.81 0.74
Agreeableness 0.78 0.80
Consciëntieusheid 0.78 0.64
Neuroticisme 0.73 0.65
Openheid 0.61 0.64
Tabel 3
Cronbach’s alfa’s voor de zeven items van taakgedrag, beoordeeld door de derden
Taakgedrag beoordeeld door
collega
(N = 68)
Taakgedrag beoordeeld door
leidinggevende
(N = 58)
0.80 0.68
Linguistic Inquiry and Word Count (LIWC)
Om de ‘posts’ en ‘tweets’ van Facebook en Twitter te analyseren, werd gebruik
gemaakt van het tekstanalyseprogramma LIWC 2015 van Pennebaker. Het belang, de
voor- en nadelen en de validiteit en betrouwbaarheid van LIWC werden in de inleiding
van deze Masterproef reeds uitvoerig besproken. Aangezien LIWC oorspronkelijk in de
Engelse taal voorgeschreven staat, werd er tevens een Nederlandstalig woordenboek in
het programma geüpload. Het gebruikte woordenboek is een experimentele
geautomatiseerde vertaling van de versie van LIWC 2015, dat een aantal extra
categorieën bevat bovenop LIWC 2007 (Boot, Zijlstra, & Geenen, 2017). De output van
LIWC 2015 geeft 89 categorieën weer, echter werd er slechts een selectie van 24
relevante categorieën in rekening gebracht voor dit onderzoek (Tabel 4). De selectie van
deze categorieën gebeurde voornamelijk op basis van het onderzoek van Yarkoni. Zo
werden de hoogste en/of meest significante correlaties tussen een categorie van LIWC en
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
30
een persoonlijkheidstrek van de Big Five geselecteerd (Yarkoni, 2010). Daarnaast werd
er ook gekeken welke categorieën al dan niet relevant zijn voor dit onderzoek in de
werkcontext.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
31
Tabel 4
LIWC-categorieën opgenomen in het onderzoek, gebaseerd op Yarkoni (2010) en
geordend per Big Five persoonlijkheidstrek
LIWC-categorieën
Extraversie
2nd person
Power
Reward
Risk
Agreeableness
1st person plural
Positive emotion
Social processes
Family
Friends
Affiliation
Consciëntieusheid
Negations
Achievement
Neuroticisme
1st person singular
Affective processes
Negative emotion
Anxiety
Anger
Sadness
Openheid
Cognitive processes
Insight
Causation
Discrepancy
Differentiation
Leisure
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
32
Statistische Analyse
In dit onderzoek wordt er beoogd om een antwoord te vinden op drie
onderzoeksvragen, met als uiteindelijke doel om te achterhalen of LIWC een
voorspellende waarde heeft voor taakgedrag. In functie van de drie onderzoeksvragen
werden er verschillende correlatiematrixen opgemaakt met behulp van het statistisch
softwarepakket SPSS. Om tot deze correlatiematrixen te komen, werden er eerst heel wat
voorbereidingen getroffen. De predictoren binnen huidig onderzoek zijn de
zelfbeoordeling op de Big Five persoonlijkheidstrekken en de scores van de participanten
op de LIWC-categorieën. De scores van taakgedrag van de participant beoordeeld door
de derden zijn de criteria binnen dit onderzoek. In eerste instantie werden de nodige items
gehercodeerd en werden de beoordelingen van derden gesplitst in hetzij collega’s of
leidinggevenden. Verder werden de gemiddeldes van de scores op de Big Five
persoonlijkheidstrekken, zowel uit zelfbeoordeling als beoordeling van derden, als de
scores op taakgedrag berekend. Om tot slot de drie hypotheses te toetsen, werden
bivariate correlaties berekend.
Ter illustratie zijn er daarnaast ook gelijkaardige analyses uitgevoerd die correlaties
weergeven met metingen van de derden. Deze correlaties, raadpleegbaar in Bijlage 4,
worden niet verder besproken aangezien deze geen verband houden met de
onderzoeksvragen van deze Masterproef.
RESULTATEN
Hypothese 1
Om hypothese 1, die stelt dat de scores van individuen berekend op grond van de
sociale netwerksite Facebook door middel van Pennebaker’s LIWC significant correleren
met de scores van deze individuen berekend op grond van de sociale netwerksite Twitter,
te toetsen werd er een MTMM-matrix opgemaakt. Deze matrix correleerde de LIWC-
constructen bekomen door analyse van Facebook met de LIWC-constructen bekomen
door analyse van Twitter. Uit de MTMM-matrix werd er specifiek belang gehecht aan de
scores die wijzen op convergente validiteit tussen beide LIWC-constructen. Deze
convergente scores worden in Tabel 5 weergegeven. Er zijn zeven significant positieve
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
33
relaties die wijzen op convergente validiteit tussen de LIWC-constructen van Facebook
en Twitter. Dit van de constructen ‘second person’ (r = 0.34, p < 0.01), ‘social processes’
(r = 0.37, p < 0.01), ‘first person singular’ (r = 0.44, p < 0.01), ‘negative emotion’ (r =
0.41, p < 0.01), ‘anxiety’ (r = 0.35, p < 0.01), ‘anger’ (r = 0.34, p < 0.01) en ‘cognitive
processes’ (r = 0.39, p < 0.01). Hypothese 1 kan bijgevolg gedeeltelijk bevestigd worden.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
34
Tabel 5
De scores van convergente validiteit tussen LIWC-constructen van Facebook en LIWC-
constructen van Twitter
Convergente validiteit
Extraversie
2nd person .34**
Power -0.13
Reward -0.01
Risk 0.06
Agreeableness
1st person plural -0.05
Positive emotion 0.06
Social processes .37**
Family -0.05
Friends 0.17
Affiliation 0.01
Consciëntieusheid
Negations 0.21
Achievement -0.18
Neuroticisme
1st person singular .44**
Affective processes 0.15
Negative emotion .41**
Anxiety .35**
Anger .34**
Sadness 0.06
Openheid
Cognitive processes .39**
Insight 0.11
Causation 0.14
Discrepancy -0.04
Differentiation 0.12
Leisure 0.16
N = 71
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
35
Hypothese 2
De tweede hypothese, die stelt dat de scores van individuen berekend op grond
van de sociale netwerksites Facebook en Twitter door middel van Pennebaker’s
LIWC significant correleren met hun scores op een persoonlijkheidsvragenlijst, werd
ook getoetst aan de hand van enkele correlatiematrixen. Ten eerste werden bivariate
correlaties berekend tussen de LIWC-constructen geanalyseerd met Facebook en de
scores van zelfbeoordeling van de participant op basis van de Big Five
persoonlijkheidstrekken (Tabel 6). Ten tweede werden er tevens bivariate correlaties
berekend tussen de LIWC-constructen geanalyseerd met Twitter en de scores van
zelfbeoordeling van de participant op basis van de Big Five persoonlijkheidstrekken
(Tabel 7). De correlaties aangegeven in het vet zijn correlaties die worden beoogd te
meten.
Hypothese 2a. Er zijn geen aanwijzingen, noch bij de analyse met Facebook, noch
bij de analyse met Twitter, om hypothese 2a te bevestigen. Deze hypothese stelt dat het
construct extraversie van de Big Five significant positief correleert met de constructen
‘second person’, ‘power’, ‘reward’ en ‘risk’ van Pennebaker’s LIWC.
Hypothese 2b. Vermits er een significant positieve relatie bestaat tussen zowel
‘friends’ (r = 0.28, p < 0.05) en ‘affiliation’ (r = 0.30, p < 0.05) met de trek agreeableness
op basis van de analyse door Twitter (Tabel 7), kan hypothese 2b gedeeltelijk worden
bevestigd. Deze stelt namelijk dat het construct agreeableness van de Big Five significant
positief correleert met de constructen ‘first person plural’, ‘positive emotion’, ‘social
processes’, ‘family’, ‘friends’ en ‘affiliation’ van Pennebaker’s LIWC.
Hypothese 2c. In Tabel 6 wordt hypothese 2c, die stelt dat het construct
consciëntieusheid van de Big Five significant negatief correleert met het construct
‘negations’ en significant positief correleert met het construct ‘achievement’ van
Pennebaker’s LIWC, gedeeltelijk bevestigd bij Facebook. We zien namelijk een
significant negatieve correlatie tussen het construct ‘negations’ en de
persoonlijkheidstrek consciëntieusheid (r = -0.26, p < 0.05).
Hypothese 2d. Deze hypothese, die stelt dat het construct neuroticisme van de
Big Five significant positief correleert met de constructen ‘first person singular’,
‘affective processes’, ‘negative emotion’, ‘anxiety’, ‘anger’ en ‘sadness’ van
Pennebaker’s LIWC, kan gedeeltelijk worden bevestigd op basis van Twitter (Tabel 7).
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
36
Dit door de significant positieve correlatie tussen het construct ‘anxiety’ en de trek
neuroticisme (r = 0.28, p < 0.05).
Hypothese 2e. Ook hypothese 2d, die stelt dat het construct openheid van de Big
Five significant positief correleert met de constructen ‘cognitive processes’, ‘insight’,
‘causation’, ‘discrepancy’, ‘differentiation’ en ‘leisure’ van Pennebaker’s LIWC, kan
gedeeltelijk worden bevestigd bij Facebook (Tabel 6). Dit aangezien het construct
‘insight’ een significant positieve relatie toont met de trek openheid (r = 0.28, p < 0.05).
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
37
Tabel 6
Correlatiematrix met correlaties tussen de LIWC-constructen van Facebook en de
zelfbeoordeling van de participant op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid
Extraversie
2nd person 0.17 -0.01 -0.17 0.06 -0.01
Power 0.05 0.19 0.21 0.03 -0.18
Reward 0.07 0.05 0.08 -0.05 -0.07
Risk -0.07 0.06 0.00 0.12 0.10
Agreeableness
1st person plural 0.15 0.09 0.12 -0.10 -0.01
Positive emotion 0.07 0.12 0.14 0.08 -0.15
Social processes 0.13 0.09 0.03 0.19 0.00
Family -0.19 -0.02 0.22 -0.09 -0.11
Friends 0.20 -0.05 -0.10 0.08 0.20
Affiliation 0.15 0.07 0.07 0.10 0.07
Consciëntieusheid
Negations -0.01 -0.08 -.26* 0.14 -0.07
Achievement 0.16 0.21 0.17 -0.07 -0.04
Neuroticisme
1st person singular 0.16 0.19 -0.13 0.15 0.09
Affective processes 0.10 0.14 0.13 0.09 -0.16
Negative emotion 0.08 0.08 0.00 0.00 -0.09
Anxiety -0.08 -0.12 -0.02 0.13 0.05
Anger 0.02 0.16 -0.03 -0.11 -0.08
Sadness 0.12 0.14 -0.06 0.00 -0.12
Openheid
Cognitive processes 0.08 -0.06 -.27* 0.20 0.14
Insight 0.12 -0.07 -.27* 0.08 .28*
Causation 0.08 -0.13 -0.11 0.09 0.14
Discrepancy -0.04 0.07 -0.08 0.02 -0.01
Differentiation 0.08 -0.04 -0.21 0.18 0.01
Leisure 0.02 0.11 0.07 0.00 0.03
N = 71
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
38
Tabel 7
Correlatiematrix met correlaties tussen de LIWC-constructen van Twitter en de
zelfbeoordeling van de participant op basis van de Big Five persoonlijkheidstrekken
Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid
Extraversie
2nd person 0.09 0.10 0.10 0.22 -0.08
Power -0.08 0.03 -0.10 -0.15 0.13
Reward -0.17 -0.08 0.06 -0.06 -0.05
Risk 0.00 0.07 -0.07 0.19 0.05
Agreeableness
1st person plural 0.08 0.13 -0.07 -0.03 0.11
Positive emotion 0.21 0.14 0.12 -0.10 0.07
Social processes 0.17 0.04 0.00 0.22 -0.04
Family 0.09 -0.06 -0.13 0.11 -0.15
Friends 0.19 .28* 0.14 -0.08 0.03
Affiliation .24* .30* 0.01 -0.02 0.18
Consciëntieusheid
Negations -0.12 0.00 -0.11 0.15 0.06
Achievement -0.19 -0.06 0.06 -0.14 -0.04
Neuroticisme
1st person singular 0.03 0.08 -0.11 0.22 0.05
Affective processes .24* 0.22 0.09 0.05 0.02
Negative emotion 0.10 0.15 -0.04 0.23 -0.08
Anxiety 0.05 -0.19 -0.14 .28* -0.01
Anger 0.13 0.07 -0.06 0.13 -0.07
Sadness 0.22 0.09 0.01 0.18 -0.08
Openheid
Cognitive processes 0.06 -0.05 -0.09 .30* -0.03
Insight 0.14 -0.02 -0.08 .26* 0.03
Causation 0.03 -0.11 -0.22 0.23 0.01
Discrepancy 0.01 -0.15 -0.04 .28* -0.20
Differentiation -0.15 -0.02 -0.19 0.20 0.15
Leisure 0.19 0.16 0.04 -0.17 0.03
N = 71
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
39
Hypothese 3
Om tot slot de derde hypothese, die stelt dat de scores van individuen berekend
op grond van de sociale netwerksites Facebook en Twitter door middel van Pennebaker’s
LIWC een significante voorspeller zijn voor taakgedrag, te toetsen werden er alsook
correlatiematrixen opgemaakt. Ditmaal werd er een bivariate correlatie berekend tussen
zowel de LIWC-constructen van Facebook (Tabel 8) als Twitter (Tabel 9) en taakgedrag
van de participant beoordeeld door een collega en een leidinggevende. De correlaties
aangegeven in het vet zijn correlaties die worden beoogd te meten.
Hypothese 3a. Op basis van de significant negatieve correlatie tussen het
construct ‘negations’, dat verband houdt met de persoonlijkheidstrek consciëntieusheid,
en taakgedrag beoordeeld door een leidinggevende (r = -0.33, p < 0.05) op basis van de
analyse van Twitter, kan hypothese 3a gedeeltelijk worden bevestigd (Tabel 9). Deze
hypothese stelt namelijk dat het construct consciëntieusheid van de Big Five significant
correleert met taakgedrag en dus een significante voorspeller is van taakgedrag.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
40
Tabel 8
Correlatiematrix met correlaties tussen de LIWC-constructen van Facebook en
taakgedrag van de participant beoordeeld door collega en leidinggevende
Taakgedrag beoordeeld door
collega
(N = 68)
Taakgedrag beoordeeld door
leidinggevende
(N = 58)
Extraversie
2nd person -0.13 -0.01
Power 0.06 -0.23
Reward 0.11 -0.25
Risk .25* 0.01
Agreeableness
1st person plural -0.02 -0.15
Positive emotion -0.02 -0.24
Social processes 0.19 -0.05
Family 0.15 .28*
Friends 0.02 0.01
Affiliation 0.19 -0.09
Consciëntieusheid
Negations 0.04 0.04
Achievement 0.13 -0.21
Neuroticisme
1st person singular -0.06 -0.05
Affective processes -0.01 -0.23
Negative emotion -0.01 -0.03
Anxiety 0.24 0.21
Anger -0.07 0.07
Sadness -.26* -0.09
Openheid
Cognitive processes -0.05 -0.10
Insight -0.10 -0.05
Causation -0.04 0.07
Discrepancy -0.16 -.29*
Differentiation 0.07 0.10
Leisure 0.05 0.14
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
41
Tabel 9
Correlatiematrix met correlaties tussen de LIWC-constructen van Twitter en taakgedrag
van de participant beoordeeld door collega en leidinggevende
Taakgedrag beoordeeld door
collega
(N = 68)
Taakgedrag beoordeeld door
leidinggevende
(N = 58)
Extraversie
2nd person 0.12 -0.21
Power -0.04 0.02
Reward -0.07 -0.11
Risk 0.10 -0.12
Agreeableness
1st person plural -0.05 0.21
Positive emotion 0.02 0.10
Social processes 0.08 -0.01
Family 0.03 0.14
Friends -0.20 0.10
Affiliation -0.06 .26*
Consciëntieusheid
Negations 0.06 -.33*
Achievement -0.10 -0.12
Neuroticisme
1st person singular -0.01 0.01
Affective processes 0.04 -0.10
Negative emotion 0.07 -.31*
Anxiety .24* -0.08
Anger 0.07 -0.18
Sadness 0.05 -.39**
Openheid
Cognitive processes 0.12 -0.18
Insight 0.13 -0.14
Causation -0.06 0.07
Discrepancy .30* -0.11
Differentiation 0.03 -0.16
Leisure -0.16 .26*
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
42
DISCUSSIE
Bespreking Onderzoeksresultaten
In de literatuur is er reeds veel te lezen rond de nieuwe trend social media
assessment en hoe deze screening van participanten al dan niet in verband kan worden
gebracht met persoonlijkheid (Golbeck, 2011; Kluemper & Rosen, 2009; Kluemper et al.,
2012; Roth et al., 2016; Van Iddekinge et al., 2016; Vazire & Gosling, 2004). Ook
Pennebaker’s tekstanalyseprogramma LIWC deed zijn intrede en is voor vele
onderzoekers in dit vakgebied niet meer onbekend (Park et al., 2015; Yarkoni, 2010).
Bekend is echter niet per se bemind. Er heerst nog veel onduidelijkheid omtrent de link
tussen enerzijds sociale netwerksites en persoonlijkheid en anderzijds persoonlijkheid en
LIWC. Aan de hand van de huidige studie binnen deze Masterproef wordt er nog een
stapje verder gegaan en wordt er nagegaan of social media assessment al dan niet een
voorspellende waarde kan hebben voor taakgedrag, dit met behulp van LIWC.
Hoewel er voor de convergente validiteit tussen de sociale netwerksites Facebook
en Twitter op basis van LIWC, getoetst met hypothese 1, slechts gedeeltelijk evidentie
gevonden wordt, kunnen de significante correlaties tussen de convergerende constructen
wel als middelmatig tot groot (r > 0.30) beschouwd worden. Bovendien, wanneer de
LIWC-constructen voor elke Big Five persoonlijkheidstrek samengenomen worden,
hebben drie van de vijf trekken een convergente validiteit tussen Facebook en Twitter,
met uitzondering van de trekken extraversie en consciëntieusheid (zie Bijlage 5, Tabel 1).
Desondanks worden er in hypothese 2 verschillende resultaten teruggevonden
voor Facebook en Twitter. Waarbij er in eerste instantie verondersteld werd dat de
resultaten van Twitter een replicatie zouden vormen op de resultaten van Facebook,
suggereren de bekomen resultaten in hypothese 2 dat er kritisch met de bevindingen
omgesprongen moet worden. Deze hypothese stelt namelijk dat de scores van individuen
berekend op grond van de sociale netwerksites Facebook en Twitter door middel van
Pennebaker’s LIWC significant correleren met hun scores op een persoonlijkheids-
vragenlijst. Op basis van de resultaten kunnen we slechts gedeeltelijke evidentie vinden
voor vier van de vijf Big Five persoonlijkheidstrekken, met uitzondering van de trek
extraversie. Een vorige studie van Park et al. die mede gebruik maakt van een
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
43
“machinale” beoordelaar, hetzij aan de hand van een “open” woordenschatanalyse, deed
het beter. In deze studie indiceert elke Big Five persoonlijkheidstrek een significant
positieve correlatie tussen social media assessment en zelfbeoordeling (Kluemper et al.,
2012; Park et al., 2015). Daarnaast zijn er ook geen eenduidige resultaten tussen huidig
onderzoek en de studie van Yarkoni die reeds de constructen van LIWC in verband bracht
met de Big Five persoonlijkheidstrekken (Yarkoni, 2010). Zo werd er weinig evidentie
teruggevonden voor constructen die Yarkoni wel suggereerde te correleren met een
bepaalde Big Five persoonlijkheidstrek. In tegenstelling tot de bevindingen van Yarkoni,
wordt er geen evidentie gevonden voor significante correlaties tussen de constructen van
LIWC en de zelfbeoordeling op de trek extraversie. In dit onderzoek laat de
zelfbeoordeling op de trek agreeableness wel een significant positieve correlatie zien met
de LIWC-constructen ‘friends’ en ‘affiliation’, waarbij de correlatie met het construct
‘friends’ consistentie vertoont met het onderzoek van Yarkoni. Dit betekent dat we met
enige zekerheid kunnen vaststellen dat individuen die woorden gebruiken die verband
houden met of die verwijzen naar hun vrienden, hoger scoren op de Big Five
persoonlijkheidstrek agreeableness. Daarnaast wordt er ook consistentie teruggevonden
tussen huidig onderzoek en onderzoek van Yarkoni voor de trek consciëntieusheid. Zo is
er in beide studies een significant negatieve correlatie met het construct ‘negations’. Een
persoon die weinig negaties gebruikt in een zin scoort bijgevolg waarschijnlijk hoger op
de Big Five persoonlijkheidstrek consciëntieusheid. Beide onderzoeken suggereren
eveneens een significant positieve correlatie tussen de trek neuroticisme en het construct
‘anxiety’, waardoor we kunnen besluiten dat individuen die meermaals gebruik maken
van woorden die angst uitdrukken, vermoedelijk een hogere score vertonen op de Big
Five persoonlijkheidstrek neuroticisme. Hoewel men tevens in verschillende studies
indicaties had dat individuen die hoger scoren op de trek neuroticisme frequenter woorden
in de ik-vorm gebruiken (Park et al., 2015; Tausczik & Pennebaker, 2010; Yarkoni,
2010), wordt de consistentie tussen het LIWC-construct ‘first person singular’ en de
zelfbeoordeling op de trek neuroticisme niet teruggevonden. Tenslotte wijst de significant
positieve correlatie tussen zelfbeoordeling op de trek openheid en het construct ‘insight’
in dit onderzoek op het feit dat individuen die de neiging hebben om woorden als
“denken”, “weten” en “overwegen” te hanteren, plausibel hoger zullen scoren op de Big
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
44
Five persoonlijkheidstrek openheid. In het onderzoek van Yarkoni werd dit echter niet
teruggevonden. We kunnen derhalve deze laatste correlatie niet als betrouwbaar achten.
In de derde en laatste hypothese wordt er beoogd na te gaan of scores van
individuen berekend op grond van de sociale netwerksites Facebook en Twitter door
middel van Pennebaker’s LIWC een significante voorspeller zijn voor taakgedrag. Hierbij
wordt de Big Five persoonlijkheidstrek consciëntieusheid geacht significant te correleren
met taakgedrag. Niettegenstaande er in verscheidene studies reeds aangetoond werd dat
de trek consciëntieusheid de beste predictor is voor taakgedrag (Barrick & Mount, 1991;
Kluemper & Rosen, 2009), wordt er in dit onderzoek slechts gedeeltelijke evidentie
gevonden voor deze bevinding. Enkel het construct ‘negations’ dat verband houdt met de
trek consciëntieusheid, zoals eerder aangetoond in hypothese 2, vertoont een significant
negatieve correlatie met taakgedrag beoordeeld door een leidinggevende. De bevinding
dat wanneer individuen minder negaties aanwenden derhalve hoger scoren op taakgedrag
moet gezien de weinige evidentie met een zeer sceptische blik bekeken worden. Het is in
deze studie dan ook niet zozeer verwonderlijk dat losse ‘posts’ en ‘tweets’ in de
privécontext weinig verband houden met taakgedrag in een werkcontext. Dit is tevens
wat Van Iddekinge constateerde in zijn studie, waar de beoordeling van de rekruteerder
op basis van Facebook ongerelateerd was met latere job-prestatie (Van Iddekinge et al.,
2016).
Sterktes en Beperkingen van het Onderzoek
Sterktes
Hoewel reeds veel onderzoek is uitgebracht naar de link tussen LIWC en
persoonlijkheid, de link tussen sociale media en persoonlijkheid en de link tussen
persoonlijkheid en taakgedrag, is deze Masterproef het eerste onderzoek dat deze drie
linken samenbrengt. Dit is dan ook de eerste grote sterkte en de grootste bijdrage
verbonden aan deze Masterproef. Aangezien er zich de laatste jaren een trend voortdoet
om de sociale media van sollicitanten te screenen, vaak ongeweten en ongewild, is het
noodzakelijk om de validiteit, betrouwbaarheid en voorspellende waarde van dit gebeuren
na te gaan. Reeds verscheidene onderzoeken gingen dit na door middel van menselijke
rekruteerders (Kluemper et al., 2012; Roth et al., 2016; Van Iddekinge et al., 2016), deze
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
45
Masterproef is echter vernieuwend in het feit dat er gebruik gemaakt wordt van een
“machinaal” instrument, namelijk het tekstanalyseprogramma LIWC van Pennebaker.
Een tweede sterkte kadert binnen het gebruik van twee sociale netwerksites,
namelijk Facebook en Twitter, om niet “op één paard te wedden” en de consistentie tussen
beide na te gaan.
Het onderzoek is ten derde vooral gebaseerd op studenten. Hoewel dit ook een
aantal beperkingen met zich meebrengt, besproken in de volgende sectie, kunnen we deze
participanten pool ook als een sterkte beschouwen. De groep van “twenty somethings”
zijn per slot van rekening de toekomst voor de arbeidsmarkt en zullen meer dan ooit
geconfronteerd worden met de trend van social media assessment.
Niettegenstaande de aldus homogene participanten pool, kan er een zekere
heterogeniteit vastgesteld worden tussen de sectoren waarin de studenten reeds ervaring
opgebouwd hebben. De resultaten zijn gebaseerd op verschillende sectoren, waarvan de
grootste zich bevinden binnen ‘Handel en dienstverlening’, ‘Toerisme, recreatie en
horeca’ en ‘Onderwijs, cultuur en wetenschap’.
Elke participant heeft gemiddeld één collega en één leidinggevende opgegeven
om hen te beoordelen op vlak van zowel persoonlijkheid als taakgedrag. Een vijfde sterkte
is niet alleen dat meer beoordelaars een meer betrouwbare beoordeling opleveren, maar
ook dat een derde in bepaalde gevallen een accuratere beoordeling kan geven dan de
participant zelf (Vazire, 2010). Dit geldt vooral voor de sociaal wenselijke Big Five
persoonlijkheidstrekken agreeableness en consciëntieusheid (Park et al., 2015; Vazire &
Carlson, 2011).
Een laatste sterkte van dit onderzoek is dat de derden weldegelijk ook capabel
waren om de participant te beoordelen. Vermits de duur van de relatie gemiddeld zes jaar
en zeven maand bedraagt en de kwaliteit van de relatie hoofdzakelijk als “redelijk goed”,
“goed” en “zeer goed” bestempeld wordt, kunnen we uitgaan van een realistische
beoordeling.
Beperkingen
Het is belangrijk om de bekomen resultaten te kunnen plaatsen binnen dit
onderzoek dat enkele cruciale beperkingen vertoont. Vooreerst dienen we er bewust van
te zijn dat het onderzoek van deze Masterproef op een kleine steekproef van 71
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
46
participanten gebaseerd is. Bijgevolg moeten we zorgvuldig omspringen met het
generaliseren van de verworven resultaten. De kans bestaat er immers in dat een grotere
steekproef een groter aantal statistisch significante resultaten zou opleveren. Een oorzaak
van de kleine steekproef kan gevonden worden in het feit dat Twitter minder actief
gebruikt wordt dan gedacht. De meeste Twitteraars bekijken deze sociale netwerksite
passief en/of ‘retweeten’ van andere gebruikers, wat voor dit onderzoek niet relevant is.
Een tweede oorzaak van de kleine steekproef is de uitval van participanten, die bij verdere
toelichting van het onderzoek niet meer bereid waren om een derde, met meer specifiek
een leidinggevende, te contacteren.
Daarnaast is het waarschijnlijk dat er ook sprake is van een selection bias binnen
de participanten pool, wat leidt tot de tweede beperking van het onderzoek. Aangezien er
enkel participanten opgenomen werden in het onderzoek die zeer actief zijn op zowel
Facebook als Twitter, is de kans groot dat zij over een systematisch verschillende
persoonlijkheid beschikken dan de niet-fervente gebruikers. Daar zij in eerste instantie
moesten instemmen om hun sociale media open te stellen voor onderzoek en hen
gevraagd werd hun e-mailadres mee te delen, scoren deze participanten vermoedelijk
hoger op de Big Five persoonlijkheidstrekken agreeableness en openheid (Yarkoni,
2010). Deze trend kan tevens teruggevonden worden in de resultaten, gezien de hoogste
gemiddelde scores voor deze twee Big Five persoonlijkheidstrekken (zie Bijlage 4, Tabel
1). Bijgevolg moeten de resultaten wederom met een korreltje zout genomen worden,
aangezien ze de ware populatie-effecten kunnen onderschatten.
Een derde beperking kadert zich binnen de demografische gegevens van de
participanten. Er is namelijk geen gelijke verdeling tussen mannelijke en vrouwelijke
participanten. Daarnaast bedraagt de gemiddelde leeftijd 22 jaar, vermits het groot
aandeel aan studenten. Dit leidt tot een lage externe validiteit omdat de resultaten minder
bereid zijn om te voorspellen voor de volledige populatie.
Vermits niet elke participant een gelijk aantal collega’s en/of leidinggevenden
raadpleegde om aan het onderzoek deel te nemen, bracht dit ook enkele onverwachte
moeilijkheden met zich mee doorheen de statistische analyses. Zo kon er bijvoorbeeld
geen interbeoordelaarsbetrouwbaarheid berekend worden.
Wel kon de interne consistentie van de items uit zowel de persoonlijkheidsmeting
als de meting van taakgedrag berekend worden. Desondanks leverde dit geen eenduidige
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
47
resultaten op en vormt dit een vijfde beperking van het onderzoek. De scores van
Cronbach’s alfa varieerden van zwak tot goed.
Een zesde beperking die in rekening moet worden gebracht is dat sociale
wenselijkheid bij de zelfbeoordeling van de participant op de Big Five
persoonlijkheidstrekken een zekere rol heeft gespeeld. Deze vragenlijst werd namelijk
niet anoniem ingevuld, dit om de link te kunnen maken tussen de beoordeling van de
participant en die van zijn of haar opgegeven derden. Hoewel er wel duidelijk meegedeeld
werd dat de vragenlijst anoniem verwerkt zou worden, kan sociale wenselijkheid hier
vanzelfsprekend niet door vermeden worden.
Een laatste beperking houdt zich schuil onder het gebruik van het
tekstanalyseprogramma LIWC van Pennebaker. Dit programma hanteert een gesloten
woordenboek, waardoor er enkel woorden geanalyseerd worden die het woordenboek
herkent (Park et al., 2015). Bovendien kunnen individuele woorden fout geclassificeerd
worden bij meerdere mogelijke interpretaties en houdt LIWC geen rekening met ironie,
sarcasme of metaforen. Hierdoor kunnen veel relevante woorden verloren raken en
kunnen de resultaten bijgevolg vertekend zijn (Tausczik & Pennebaker, 2010).
Praktische Implicaties
Niettegenstaande de beperkingen van het onderzoek, lijkt het mede uit voorgaande
studies dat social media assessment weinig voorspellende waarde kan opbrengen voor
taakgedrag (Van Iddekinge et al., 2016). Hoewel in de praktijk meer en meer gebruik
gemaakt wordt van deze trend zonder eenduidige wetenschappelijke evidentie, blijkt
maar weer dat social media assessment weinig gevalideerd is. Laat het een les wezen voor
rekruteerders die steevast geloven in de meerwaarde van het screenen van de sociale
netwerksites van sollicitanten. Wanneer zelfs een meer gestandaardiseerd instrument als
LIWC weinig significante resultaten oplevert in het verband tussen social media
assessment en taakgedrag, moet het stilaan duidelijk worden dat men zéér waakzaam
moet zijn bij dergelijke screenings. Indien verder onderzoek toch een bepaald verband
weet aan te tonen tussen beide, moet men nog steeds in het achterhoofd houden dat taal
binnen Facebook en Twitter simpelweg moeilijk te generaliseren valt naar een context
buiten deze sociale netwerksites (Park et al., 2015). Rekruteerders moeten dus op hun
hoede zijn en stellen het screenen via sociale media bij assessment best uit naar het einde
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
48
van het screeningsproces om vooroordelen en ‘selecting out’ op basis van job-irrelevante
zaken zo veel mogelijk te vermijden.
Richtlijnen voor Toekomstig Onderzoek
De beperkingen en praktische implicaties van dit onderzoek vormen
vanzelfsprekend geen reden tot het weerhouden van toekomstige onderzoekers in dit
vakgebied om verdere studies naar social media assessment te realiseren. Enkel door alles
uit de kan te halen kan een definitief antwoord gegeven worden op de vraag of social
media assessment weldegelijk te verantwoorden valt.
Zo is er ten eerste een noodzaak aan een grootschalige studie, die zowel
nationaliteit, gender en verschillende leeftijdscategorieën in rekening brengt. In de
inleiding van deze Masterproef werd reeds het onderwerp omtrent discriminatie
aangehaald, doch zou men de invloed van discriminatie bij een “machinale” beoordelaar
verder kunnen onderzoeken. Naast de participatie van studenten in huidig onderzoek, is
het ook noodzakelijk om andere populaties te betrekken bij verdere studies. Oudere, en
derhalve meer ervarene, individuen vertonen waarschijnlijk andere gedragingen op
sociale netwerksites. Zij sturen vermoedelijk meer mature en doordachte ‘posts’ en
‘tweets’ uit (Van Iddekinge et al., 2016), waardoor de link tussen social media assessment
en taakgedrag plausibel sterker wordt.
Een tweede aanzet tot verder onderzoek om de link tussen social media
assessment en taakgedrag te versterken, is om in eerste instantie selectiever te werk te
gaan in het screenen van de sociale netwerksites. Zodoende kan men enkel de
werkgerelateerde ‘posts’ en ‘tweets’ uit de vele “noisy signals” halen om ruis te
verminderen. Daarna kan men in tweede instantie gelijkaardig te werk gaan als huidig
onderzoek en social media assessment laten uitvoeren door een “machinale” beoordelaar
zoals LIWC.
Ten derde voeren toekomstige onderzoekers best ook een test-hertest analyse uit
na zes maand, aangezien er voortdurend nieuwe ‘posts’ en ‘tweets’ online komen met
extra informatie (Park et al., 2015).
Ten slotte is het in huidig onderzoek onduidelijk in welke mate participanten
veranderingen aanbrachten aan hun Facebook- en/of Twitterprofiel na het instemmen om
deel te nemen aan het onderzoek. Hoewel dit in realiteit ook kan voorkomen dat
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
49
sollicitanten hun profiel op verschillende sociale netwerksites aanpassen vooraleer ze
zich inschrijven voor een sollicitatieprocedure, kan de mate van aanpassingen wel
nagegaan worden (Kluemper & Rosen, 2009).
CONCLUSIE
Deze Masterproef heeft een eerste stap gezet in het verband tussen zowel
persoonlijkheid, Pennebaker’s LIWC als taakgedrag en zette daarmee tegelijk een eerste
stap in het ongewisse. Uit bovenstaande resultaten blijkt dat er weinig evidentie kan
worden gevonden om te kunnen besluiten dat social media assessment weldegelijk een
voorspellende waarde heeft voor taakgedrag. Enkel bij de sociale netwerksite Twitter is
er een significante correlatie gevonden tussen een LIWC-construct van de voorspellende
Big Five persoonlijkheidstrek consciëntieusheid, met name ‘negations’, en taakgedrag
beoordeeld door een leidinggevende. Er wordt tevens slechts gedeeltelijke evidentie
gevonden voor de convergente validiteit van social media assessment tussen beide sociale
netwerksites. Dit blijkt later ook uit de verschillende bekomen resultaten in de correlaties
tussen de LIWC-constructen en de zelfbeoordeling van de participant op de Big Five
persoonlijkheidstrekken. Hier is er eveneens slechts gedeeltelijke evidentie te vinden bij
hetzij Facebook, hetzij Twitter. Dit voor vier van de vijf Big Five persoonlijkheids-
trekken, met uitzondering van de trek extraversie. Er is aldus weinig consistentie tussen
social media assessment op basis van LIWC en zelfbeoordeling van de Big Five
persoonlijkheidstrekken. In vergelijking met bestaande literatuur, kan er enkel evidentie
gevonden worden voor de consistentie tussen het LIWC-construct ‘friends’ bij Twitter en
zelfbeoordeling op de trek agreeableness, het construct ‘negations’ bij Facebook en
zelfbeoordeling op de trek consciëntieusheid en ten slotte het construct ‘anxiety’ bij
Twitter en zelfbeoordeling op de trek neuroticisme.
Verder onderzoek is logischerwijze noodzakelijk om sluitend antwoord te kunnen
geven op dergelijke verbanden. Social media assessment lijkt voorlopig eerder een hype
dan wetenschappelijk gevalideerd. Wat zeggen ‘posts’ en ‘tweets’ in een privécontext
immers over gedrag in een werkcontext? Niet veel, zo blijkt.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
50
REFERENTIES
Alpers, G. W., Winzelberg, A. J., Classen, C., Roberts, H., Dev, P., Koopman, C., &
Taylor, C. B. (2005). Evaluation of computerized text analysis in an Internet
breast cancer support group. Computers in Human Behavior, 21(2), 361-376.
doi:10.1016/j.chb.2004.02.008
Annenberg. (2011). The digital future project: Surveying the digital future year 10. In.
Los Angeles, CA: Annenberg School for Communication & Journalism.
Ashton, M. C., & Lee, K. (2007). Empirical, theoretical, and practical advantages of the
HEXACO model of personality structure. Personality and Social Psychology
Review, 11(2), 150-166. doi:10.1177/1088868306294907
Back, M. D., Stopfer, J. M., Vazire, S., Gaddis, S., Schmukle, S. C., Egloff, B., &
Gosling, S. D. (2010). Facebook Profiles Reflect Actual Personality, Not Self-
Idealization. Psychological Science, 21(3), 372-374.
doi:10.1177/0956797609360756
Barrick, M. R., & Mount, M. K. (1991). THE BIG 5 PERSONALITY DIMENSIONS
AND JOB-PERFORMANCE - A METAANALYSIS. Personnel Psychology,
44(1), 1-26. doi:10.1111/j.1744-6570.1991.tb00688.x
Baumeister, R. F., Bratslavsky, E., Finkenauwer, C., Vohs, K.D. (2001). Bad is stronger
than good. Review of General Psychology, 5, 323-370. doi:10.1037/1089-
2680.5.4.323
Bertrand, M., & Mullainathan, S. (2004). Are Emily and Greg more employable than
Lakisha and Jamal? A field experiment on labor market discrimination.
American Economic Review, 94(4), 991-1013. doi:10.1257/0002828042002561
Boot, P., Zijlstra, H., & Geenen, R. (2017). The Dutch translation of the Linguistic
Inquiry and Word Count (LIWC) 2007 dictionary. Dutch Journal of Applied
Linguistics, 6(1), 65-76. doi:10.1075/dujal.6.1.04boo
Boyd, D. M., & Ellison, N. B. (2007). Social network sites: Definition, history, and
scholarship. Journal of Computer-Mediated Communication, 13(1), 210-230.
doi:10.1111/j.1083-6101.2007.00393.x
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
51
Brown, V. R., & Vaughn, E. D. (2011). The Writing on the (Facebook) Wall: The Use
of Social Networking Sites in Hiring Decisions. Journal of Business and
Psychology, 26(2), 219-225. doi:10.1007/s10869-011-9221-x
Byrne, D. E. (1971). The attraction paradigm. In. New York: Academic Press. doi:10.1016/s0005-7894(72)80121-7
Carpenter, J. (2016). Insights to the 2016 Election. Retrieved from
http://wwbp.org/blog/insights-to-the-2016-election/
Chai, K., Potdar, V., & Dillon, T. (2009). Content Quality Assessment Related
Frameworks for Social Media. Computational Science and Its Applications,
791-805. doi:10.1007/978-3-642-02457-3_65
Davison, H. K., Maraist, C., & Bing, M. N. (2011). Friend or Foe? The Promise and
Pitfalls of Using Social Networking Sites for HR Decisions. Journal of Business
and Psychology, 26(2), 153-159. doi:10.1007/s10869-011-9215-8
Donnellan, M. B., Oswald, F. L., Baird, B. M., & Lucas, R. E. (2006). The Mini-IPIP
scales: Tiny-yet-effective measures of the big five factors of personality.
Psychological Assessment, 18(2), 192-203. doi:10.1037/1040-3590.18.2.192
Funder, D. C. (1995). ON THE ACCURACY OF PERSONALITY JUDGMENT - A
REALISTIC APPROACH. Psychological Review, 102(4), 652-670.
doi:10.1037//0033-295x.102.4.652
Funder, D. C. (2012). Accurate Personality Judgment. Current Directions in
Psychological Science, 21(3), 177-182. doi:10.1177/0963721412445309
Golbeck, J., Robles, C., Turner, K. (2011). Predicting personality with social media. In:
Proceedings of the 2011 Annual Conference on Human Factors in Computing
Systems - CHI '11. doi:10.1145/1979742.1979614
Goldberg, L. R. (1999). A broad-bandwidth, public domain, personality inventory
measuring the lower-level facets of several five-factor models. In: Personality
psychology in Europe , 7 (1), 7-28.
Grasmuck, S., Martin, J., & Zhao, S. Y. (2009). Ethno-Racial Identity Displays on
Facebook. Journal of Computer-Mediated Communication, 15(1), 158-188.
doi:10.1111/j.1083-6101.2009.01498.x
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
52
Grasz, J. (2009). Forty-five percent of employers use social networking sites to research
job candidates, CareerBuilder survey finds. In: CareerBuilder Press
Releases. Retrieved June 5 , 2012.
Grasz, J. (2012). Thirty-seven percent of companies use social networks to research
potential job candidates, according to new CareerBuilder survey. In:
CareerBuilder. Retrieved from http://www.careerbuilder.com.
Harvey, J. H., Town, J. P., & Yarkin, K. L. (1981). HOW FUNDAMENTAL IS THE
FUNDAMENTAL ATTRIBUTION ERROR. Journal of Personality and Social
Psychology, 40(2), 346-349. doi:10.1037//0022-3514.40.2.346
Hough, L. M., Oswald, F. L., & Ployhart, R. E. (2001). Determinants, detection and
amelioration of adverse impact in personnel selection procedures: Issues,
evidence and lessons learned. International Journal of Selection and
Assessment, 9(1-2), 152-194. doi:10.1111/1468-2389.00171
Karl, K., Peluchette, J., & Schlaegel, C. (2010). Who's Posting Facebook Faux Pas? A
Cross-Cultural Examination of Personality Differences. International Journal of
Selection and Assessment, 18(2), 174-186. doi:10.1111/j.1468-
2389.2010.00499.x
Kluemper, D. H., & Rosen, P. A. (2009). Future employment selection methods:
evaluating social networking web sites. Journal of Managerial Psychology,
24(6), 567-580. doi:10.1108/02683940910974134
Kluemper, D. H., Rosen, P. A., & Mossholder, K. W. (2012). Social Networking
Websites, Personality Ratings, and the Organizational Context: More Than
Meets the Eye? Journal of Applied Social Psychology, 42(5), 1143-1172.
doi:10.1111/j.1559-1816.2011.00881.x
Kosinski, M., Stillwell, D., & Graepel, T. (2013). Private traits and attributes are
predictable from digital records of human behavior. Proceedings of the National
Academy of Sciences of the United States of America, 110(15), 5802-5805.
doi:10.1073/pnas.1218772110
Levinson. (2010). Social networking even more critical to job search success. In:
CIO.com.
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
53
Lieu, D. (2012). Hispanics and Blacks more likely than Whites to support causes on
line. In: Chronicle of Philanthropy , June. Retrieved from
http://philanthropy.com.
Lievens, F., & Iddekinge, C. H. (2016). Reducing the Noise From Scraping Social
Media Content: Some Evidence-Based Recommendations. Industrial and
Organizational Psychology-Perspectives on Science and Practice, 9(3), 660-
666. doi:10.1017/iop.2016.67
Marcus, B., Machilek, F., & Schutz, A. (2006). Personality in cyberspace: Personal
Web sites as media for personality expressions and impressions. Journal of
Personality and Social Psychology, 90(6), 1014-1031. doi:10.1037/0022-
3514.90.6.1014
McCarthy, J. M., Van Iddekinge, C. H., & Campion, M. A. (2010). ARE HIGHLY
STRUCTURED JOB INTERVIEWS RESISTANT TO DEMOGRAPHIC
SIMILARITY EFFECTS? Personnel Psychology, 63(2), 325-359.
doi:10.1111/j.1744-6570.2010.01172.x
McFarland, L. A., & Ployhart, R. E. (2015). Social Media: A Contextual Framework to
Guide Research and Practice. Journal of Applied Psychology, 100(6), 1653-
1677. doi:10.1037/a0039244
Newman, M. L., Groom, C. J., Handelman, L. D., & Pennebaker, J. W. (2008). Gender
differences in language use: An analysis of 14,000 text samples. Discourse
Processes, 45(3), 211-236. doi:10.1080/01638530802073712
Newman, M. L., Pennebaker, J. W., Berry, D. S., & Richards, J. M. (2003). Lying
words: Predicting deception from linguistic styles. Personality and Social
Psychology Bulletin, 29(5), 665-675. doi:10.1177/0146167203251529
Park, G., Schwartz, H. A., Eichstaedt, J. C., Kern, M. L., Kosinski, M., Stillwell, D. J.,
Seligman, M. E. P. (2015). Automatic Personality Assessment Through Social
Media Language. Journal of Personality and Social Psychology, 108(6), 934-+.
doi:10.1037/pspp0000020
Pennebaker, J. W., & Graybeal, A. (2001). Patterns of natural language use: disclosure,
personality, and social integration. Current Directions in Psychological Science,
10(3), 90-93. doi:10.1111/1467-8721.00123
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
54
Pennebaker, J. W., Mehl, M. R., & Niederhoffer, K. G. (2003). Psychological aspects of
natural language use: Our words, our selves. Annual Review of Psychology, 54,
547-577. doi:10.1146/annurev.psych.54.101601.145041
Pennebaker, J. W., & Stone, L. D. (2003). Words of wisdom: Language use over the life
span. Journal of Personality and Social Psychology, 85(2), 291-301.
doi:10.1037/0022-3514.85.2.291
Potosky, D. (2008). A conceptual framework for the role of the administration medium
in the personnel assessment process. Academy of Management Review, 33(3),
629-648. doi:10.5465/amr.2008.32465704
Ross, L. (1977). The intuitive psychologist and his shortcomings: Distortions in the
attribution process. In (pp. 173-220): Advances in experimental social
psychology 10. doi:10.1016/s0065-2601(08)60357-3
Roth, P. L., Bobko, P., Van Iddekinge, C. H., & Thatcher, J. B. (2016). Social Media in
Employee-Selection-Related Decisions: A Research Agenda for Uncharted
Territory. Journal of Management, 42(1), 269-298.
doi:10.1177/0149206313503018
Roth, P. L., Buster, M. A., & Barnes-Farrell, J. (2010). Work Sample Exams and
Gender Adverse Impact Potential: The influence of self-concept, social skills,
and written skills. International Journal of Selection and Assessment, 18(2),
117-130. doi:10.1111/j.1468-2389.2010.00494.x
Sacco, J. M., Scheu, C. R., Ryan, A. M., & Schmitt, N. (2003). An investigation of race
and sex similarity effects in interviews: A multilevel approach to relational
demography. Journal of Applied Psychology, 88(5), 852-865. doi:10.1037/0021-
9010.88.5.852
Sackett, P. R., Zedeck, S., & Fogli, L. (1988). RELATIONS BETWEEN MEASURES
OF TYPICAL AND MAXIMUM JOB-PERFORMANCE. Journal of Applied
Psychology, 73(3), 482-486. doi:10.1037/0021-9010.73.3.482
Scott, M. B. (1981). IMPRESSION MANAGEMENT - THE SELF-CONCEPT,
SOCIAL IDENTITY, AND INTERPERSONAL-RELATIONS -
SCHLENKER,BR. Contemporary Sociology-a Journal of Reviews, 10(4), 582-
583. doi:10.2307/2067758
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
55
Sebastiani, F. (2002). Machine learning in automated text categorization. Acm
Computing Surveys, 34(1), 1-47. doi:10.1145/505282.505283
Segal, J. A. (2014). Social media use in hiring: Assessing the risks. In: HR Magazine,
59(9).
SHRM. (2008). Online technologies and their impact on recruitment strategies. SHRM
Staffing Research , July-September. In: www.shrm.org.
SHRM. (2016). Using social media for talent acquisition, recruitment and screening.
In: www.shrm.org.
Stoughton, J. W., Thompson, L. F., & Meade, A. W. (2015). Examining Applicant
Reactions to the Use of Social Networking Websites in Pre-Employment
Screening. Journal of Business and Psychology, 30(1), 73-88.
doi:10.1007/s10869-013-9333-6
Tausczik, Y. R., & Pennebaker, J. W. (2010). The Psychological Meaning of Words:
LIWC and Computerized Text Analysis Methods. Journal of Language and
Social Psychology, 29(1), 24-54. doi:10.1177/0261927x09351676
Tsui, A. S., & Gutek, B. A. (1984). A ROLE SET ANALYSIS OF GENDER
DIFFERENCES IN PERFORMANCE, AFFECTIVE RELATIONSHIPS, AND
CAREER SUCCESS OF INDUSTRIAL MIDDLE MANAGERS. Academy of
Management Journal, 27(3), 619-635. doi:10.2307/256049
Turnley, W. H., Bolino, M. C., Lester, S. W., & Bloodgood, J. M. (2003). The impact of
psychological contract fulfillment on the performance of in-role and
organizational citizenship behaviors. Journal of Management, 29(2), 187-206.
doi:10.1016/s0149-2063(02)00214-3
Van Iddekinge, C. H., Lanivich, S. E., Roth, P. L., & Junco, E. (2016). Social Media for
Selection? Validity and Adverse Impact Potential of a Facebook-Based
Assessment. Journal of Management, 42(7), 1811-1835.
doi:10.1177/0149206313515524
Vazire, S. (2010). Who Knows What About a Person? The Self-Other Knowledge
Asymmetry (SOKA) Model. Journal of Personality and Social Psychology,
98(2), 281-300. doi:10.1037/a0017908
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
56
Vazire, S., & Carlson, E. N. (2011). Others Sometimes Know Us Better Than We Know
Ourselves. Current Directions in Psychological Science, 20(2), 104-108.
doi:10.1177/0963721411402478
Vazire, S., & Gosling, S. D. (2004). e-Perceptions: Personality impressions based on
personal websites. Journal of Personality and Social Psychology, 87(1), 123-
132. doi:10.1037/0022-3514.87.1.123
Vrij, A. (2004). Why professionals fail to catch liars and how they can improve. Legal
and Criminological Psychology, 9, 159-181. doi:10.1348/1355325041719356
Walther, J. B. (1992). INTERPERSONAL EFFECTS IN COMPUTER-MEDIATED
INTERACTION - A RELATIONAL PERSPECTIVE. Communication
Research, 19(1), 52-90. doi:10.1177/009365092019001003
Walther, J. B., Van der Heide, B., Kim, S. Y., Westerman, D., & Tong, S. T. (2008).
The role of friends' appearance and behavior on evaluations of individuals on
facebook: Are we known by the company we keep? Human Communication
Research, 34(1), 28-U60. doi:10.1111/j.1468-2958.2007.00312.x
Wathen, C. N., & Burkell, J. (2002). Believe it or not: Factors influencing credibility on
the Web. Journal of the American Society for Information Science and
Technology, 53(2), 134-144. doi:10.1002/asi.10016
Wellman, B. (1997). Life on the screen: Identity in the age of the Internet - Turkle,S.
Contemporary Sociology-a Journal of Reviews, 26(4), 445-449.
doi:10.2307/2655085
Werner, J. M. (1994). DIMENSIONS THAT MAKE A DIFFERENCE - EXAMINING
THE IMPACT OF IN-ROLE AND EXTRAROLE BEHAVIORS ON
SUPERVISORY RATINGS. Journal of Applied Psychology, 79(1), 98-107.
doi:10.1037/0021-9010.79.1.98
Williams, L. J., & Anderson, S. E. (1991). JOB-SATISFACTION AND
ORGANIZATIONAL COMMITMENT AS PREDICTORS OF
ORGANIZATIONAL CITIZENSHIP AND IN-ROLE BEHAVIORS. Journal
of Management, 17(3), 601-617. doi:10.1177/014920639101700305
Winston, J. (2016). How the Trump Campaign Built an Identity Database and Used
Facebook Ads to Win The Election. Retrieved from https://medium.com/startup-
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
57
grind/how-the-trump-campaign-built-an-identity-database-and-used-facebook-
ads-to-win-the-election-4ff7d24269ac#.7ygct5m4e
Winter, J. L. (2013). Social media and talent acquisition: Emerging trends and
implications. In. R.F. Miguel (Chair), The promise and perils of social media
data for selection. Symposium presented at the Society for Industrial and
Organizational Psychology, Houston.
Wu, Y. Y., Kosinski, M., & Stillwell, D. (2015). Computer-based personality judgments
are more accurate than those made by humans. Proceedings of the National
Academy of Sciences of the United States of America, 112(4), 1036-1040.
doi:10.1073/pnas.1418680112
Yarkoni, T. (2010). Personality in 100,000 Words: A large-scale analysis of personality
and word use among bloggers. Journal of Research in Personality, 44(3), 363-
373. doi:10.1016/j.jrp.2010.04.001
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
58
BIJLAGEN
Bijlage 1: Vragenlijst Participant
Wat is je voornaam? Deze vraag dient om zowel de link te maken tussen jouw vragenlijst en deze ingevuld door de persoon door wie je beoordeeld wordt, als om deze vragenlijst te koppelen met je sociale media. Wat is je achternaam? Deze vraag dient om zowel de link te maken tussen jouw vragenlijst en deze ingevuld door de persoon door wie je beoordeeld wordt, als om deze vragenlijst te koppelen met je sociale media. Wat is je geslacht?
o Man (1)
o Vrouw (2)
o Neutraal (3) Wat is je leeftijd?
0 10 20 30 40 50 60 70 80 90 100
Gelieve aan te duiden op deze balk: (1)
Hoeveel werkervaring heb je in maanden (bij benadering)?
0 1 2 3 4 6 7 8 9 10 11
Aantal maanden (1)
Hoeveel werkervaring heb je in jaren (bij benadering)?
0 5 9 14 18 23 27 32 36 41 45
Aantal jaren (1)
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
59
Wat is je huidige werksituatie?
o Student (1)
o Werkend (2)
o Werkzoekend (3)
o Niet-werkend en niet-werkzoekend (4) Op welke werksituatie word je beoordeeld door een derde?
▢ Stage (1)
▢ Studentenjob/vakantiejob (2)
▢ Voltijdse job van bepaalde duur (3)
▢ Voltijdse job van onbepaalde duur (4)
▢ Deeltijdse job van bepaalde duur (5)
▢ Deeltijdse job van onbepaalde duur (6) In welke sector van de arbeidsmarkt word je beoordeeld door een derde?
▢ ICT (1)
▢ Gezondheidszorg en welzijn (2)
▢ Handel en dienstverlening (3)
▢ Landbouw, natuur en visserij (4)
▢ Onderwijs, cultuur en wetenschap (5)
▢ Justitie, veiligheid en openbaar bestuur (6)
▢ Transport en logistiek (7)
▢ Media en communicatie (8)
▢ Toerisme, recreatie en horeca (9)
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
60
▢ Bouw, productie en techniek (10) Gelieve volgende uitspraken zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze op jezelf van toepassing is. Wees eerlijk in je antwoorden: geef het antwoord dat het beste weergeeft hoe jezelf bent, niet hoe je zou willen zijn of wat je denkt dat het beste zou zijn om te antwoorden. Er zijn geen goede of foute antwoorden.
Helemaal oneens (1) Oneens (2)
Noch eens, noch oneens
(3) Eens (4) Helemaal eens
(5)
Ik vind het niet erg om in het middelpunt van de belangstelling te
staan. (1) o o o o o
Ik voel mee met de gevoelens van anderen. (2) o o o o o
Ik knap karweitjes onmiddellijk op. (3) o o o o o
Ik heb vaak stemmingswisselingen.
(4) o o o o o Ik heb een rijke
fantasie. (5) o o o o o Ik praat niet zoveel.
(6) o o o o o Ik ben niet
geïnteresseerd in problemen van andere
mensen. (7) o o o o o
Ik vergeet vaak dingen terug op zijn plaats te
zetten. (8) o o o o o Ik ben meestal ontspannen. (9) o o o o o
Ik ben niet geïnteresseerd in
abstracte ideeën. (10) o o o o o Gelieve volgende uitspraken zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze op jezelf van toepassing is. Wees eerlijk in je antwoorden: geef het antwoord
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
61
dat het beste weergeeft hoe jezelf bent, niet hoe je zou willen zijn of wat je denkt dat het beste zou zijn om te antwoorden. Er zijn geen goede of foute antwoorden.
Helemaal oneens (1) Oneens (2) Noch eens, noch
oneens (3) Eens (4) Helemaal eens (5)
Ik start vaak conversaties. (1) o o o o o
Ik voel de emoties van
anderen aan. (2) o o o o o Ik hou van orde.
(3) o o o o o Ik raak
gemakkelijk overstuur. (4) o o o o o
Ik heb het moeilijk om
abstracte ideeën te begrijpen. (5)
o o o o o Ik hou me vaak
op de achtergrond. (6) o o o o o Ik ben niet echt geïnteresseerd
in andere mensen. (7)
o o o o o Ik maak vaak een knoeiboel
van dingen. (8) o o o o o Ik voel me
zelden neerslachtig. (9) o o o o o Ik heb niet veel
verbeelding. (10) o o o o o
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
62
Bijlage 2: Vragenlijst Derde
Gelieve volgende uitspraken rond functieprestatie zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze van toepassing is op de persoon die je beoordeelt. Wees eerlijk in je antwoorden: geef het antwoord dat het beste weergeeft hoe je de persoon ziet in een werkcontext, niet wat je denkt dat het beste zou zijn om te antwoorden. Er zijn geen goede of foute antwoorden. De persoon heeft namelijk geen baat bij valse percepties van anderen.
Helemaaloneens(1) Oneens(2)
Nocheens,nochoneens
(3)Eens(4) Helemaaleens
(5)
Hij/zijbrengttoegewezentakentoteengoedeinde.
(1) o o o o o Hij/zijvoldoetaan
verantwoordelijkhedendiezijngespecificeerdindefunctieomschrijving.(2)
o o o o o Hij/zijvoerttakenuitdievanhem/haarworden
verwacht.(3) o o o o o Hij/zijvoldoetaande
formelevereistenvandejob.(4) o o o o o
Hij/zijneemtdeelaanactiviteitendiedirectvaninvloedzijnopzijn/haar
prestatie.(5)o o o o o
Hij/zijveronachtzaamtaspectenvandejobdathij/zijverplichtisuitte
voeren.(6)o o o o o
Hij/zijisnietinstaatomessentiëletakenuitte
voeren.(7) o o o o o Gelieve volgende uitspraken rond persoonlijkheid zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze van toepassing is op de persoon die je beoordeelt. Wees eerlijk in je antwoorden: geef het antwoord dat het beste weergeeft hoe je de persoon ziet in een werkcontext, niet wat je denkt dat het beste zou zijn om te
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
63
antwoorden. Er zijn geen goede of foute antwoorden. De persoon heeft namelijk geen baat bij valse percepties van anderen.
Helemaaloneens(1) Oneens(2)
Nocheens,nochoneens
(3)Eens(4) Helemaaleens
(5)
Hij/zijvindthetnietergominhet
middelpuntvandebelangstellingtestaan.
(1)
o o o o o Hij/zijvoeltmeemetdegevoelensvan
anderen.(2) o o o o o Hij/zijknaptkarweitjesonmiddellijkop.(3) o o o o o Hij/zijheeftvaak
stemmingswisselingen.(4) o o o o o
Hij/zijheefteenrijkefantasie.(5) o o o o o
Hij/zijpraatnietzoveel.(6) o o o o o Hij/zijisniet
geïnteresseerdinproblemenvanandere
mensen.(7)o o o o o
Hij/zijvergeetvaakdingenterugopzijnplaatstezetten.(8) o o o o o Hij/zijismeestalontspannen.(9) o o o o o Hij/zijisniet
geïnteresseerdinabstracteideeën.(10) o o o o o
Gelieve volgende uitspraken rond persoonlijkheid zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze van toepassing is op de persoon die je beoordeelt. Wees eerlijk in je antwoorden: geef het antwoord dat het beste weergeeft hoe je de persoon ziet in een werkcontext, niet wat je denkt dat het beste zou zijn om te
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
64
antwoorden. Er zijn geen goede of foute antwoorden. De persoon heeft namelijk geen baat bij valse percepties van anderen.
Helemaaloneens(1) Oneens(2) Nocheens,
nochoneens(3) Eens(4) Helemaaleens(5)
Hij/zijstartvaakconversaties.
(1) o o o o o Hij/zijvoeltdeemotiesvananderenaan.
(2)o o o o o
Hij/zijhoudtvanorde.(3) o o o o o Hij/zijraaktgemakkelijkoverstuur.(4) o o o o o Hij/zijheefthetmoeilijkomabstracteideeënte
begrijpen.(5)
o o o o o Hij/zijhoudt
zichvaakopdeachtergrond.(6) o o o o o Hij/zijisniet
echtgeïnteresseerd
inanderemensen.(7)
o o o o o Hij/zijmaaktvaakeen
knoeiboelvandingen.(8)
o o o o o Hij/zijvoeltzich
zeldenneerslachtig.(9) o o o o o Hij/zijheeftniet
veelverbeelding.
(10)o o o o o
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
65
Volgende bijkomende vragen zijn noodzakelijk voor het onderzoek. De antwoorden worden ook strikt vertrouwelijk behandeld. Wat is de voornaam van wie je zonet hebt beoordeeld? Wat is de achternaam van wie je zonet hebt beoordeeld? Hoe goed ken je de persoon die je zonet hebt beoordeeld?
o Nauwelijks (maandelijks contact) (1)
o Niet zo goed (2)
o Redelijk goed (3)
o Goed (4)
o Zeer goed (dagelijks contact) (5) Wat is jouw positie ten opzichte van de persoon die je zonet hebt beoordeeld? Ik ben zijn/haar:
o Leidinggevende (1)
o Collega (2)
o Medewerker (d.w.z. hij/zij is jouw leidinggevende) (3) Hoe lang ken je de persoon al die je zonet hebt beoordeeld in maanden (bij benadering)?
1 2 3 4 5 7 8 9 10 11
Aantalmaanden(1)
Hoe lang ken je de persoon al die je zonet hebt beoordeeld in jaren (bij benadering)?
1 6 10 15 19 24 28 33 37 42 45
Aantaljaar(1)
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
66
In welke mate... (1= helemaal niet; 5= in grote mate) 0 1 2 3 4 5
Respecteerjedezepersoon?(1)
Bewonderjedezepersoon?(2)
Waardeerjedezepersoon?(3)
Wat is je leeftijd?
0 10 20 30 40 50 60 70 80 90 100
Gelieveaanteduidenopdezebalk:(1)
Wat is je geslacht?
o Man (1)
o Vrouw (2)
o Neutraal (3)
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
67
Bijlage 3: Vergelijkende Analyse
Tabel 1
De scores van convergente validiteit tussen zelfbeoordeling van de participant op basis
van de Big Five persoonlijkheidstrekken en persoonlijkheid van de participant
beoordeeld door een collega, met exclusie van de 4,40% derden die aangaven de
participant “nauwelijks” te kennen
Convergente validiteit
Extraversie 0.20
Agreeableness .31**
Consciëntieusheid .34**
Neuroticisme 0.23
Openheid 0.13
N = 68
* p < 0.05; ** p < 0.01
Tabel 2
De scores van convergente validiteit tussen zelfbeoordeling van de participant op basis
van de Big Five persoonlijkheidstrekken en persoonlijkheid van de participant
beoordeeld door een leidinggevende, met exclusie van de 4,40% derden die aangaven de
participant “nauwelijks” te kennen
Convergente validiteit
Extraversie 0.25
Agreeableness 0.20
Consciëntieusheid .29*
Neuroticisme .34**
Openheid 0.11
N = 58
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
68
Bijlage 4: Illustratie Extra Tabellen
Tabel 1
Correlatiematrix met correlaties tussen zelfbeoordeling van de participant op basis van
de Big Five persoonlijkheidstrekken en taakgedrag van de participant beoordeeld door
collega en leidinggevende
M SD Taakgedrag
beoordeeld door
collega
(N = 68)
Taakgedrag
beoordeeld door
leidinggevende
(N = 58)
Taakgedrag
gemiddeld
Extraversie 3.48 0.70 -.24* 0.09 -0.08
Agreeableness 4.08 0.51 0.01 0.06 0.04
Consciëntieusheid 3.41 0.72 0.14 -0.03 0.06
Neuroticisme 2.91 0.78 0.11 -0.02 0.05
Openheid 3.67 0.60 -0.09 0.17 0.04
* p < 0.05; ** p < 0.01
Tabel 2
De scores van convergente validiteit tussen zelfbeoordeling van de participant op basis
van de Big Five persoonlijkheidstrekken en persoonlijkheid van de participant
beoordeeld door een collega
Convergente validiteit
Extraversie 0.20
Agreeableness .31**
Consciëntieusheid .34**
Neuroticisme 0.23
Openheid 0.13
N = 68
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
69
Tabel 3
De scores van convergente validiteit tussen zelfbeoordeling van de participant op basis
van de Big Five persoonlijkheidstrekken en persoonlijkheid van de participant
beoordeeld door een leidinggevende
Convergente validiteit
Extraversie 0.25
Agreeableness 0.20
Consciëntieusheid .29*
Neuroticisme .34**
Openheid 0.11
N = 58
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
70
Tabel 4
Correlatiematrix met correlaties tussen de LIWC-constructen van Facebook en de
beoordeling van een collega op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid
Extraversie
2nd person 0.01 0.01 -0.09 .35** -0.11
Power -0.22 -0.05 0.03 -0.03 -0.13
Reward 0.03 0.03 0.14 0.00 -0.04
Risk -0.19 0.08 0.08 -0.02 -0.04
Agreeableness
1st person plural 0.06 0.04 0.17 -0.04 0.01
Positive emotion -0.05 -0.01 -0.02 0.00 -0.15
Social processes 0.14 .26* 0.20 .25* 0.10
Family 0.10 0.09 0.20 -0.21 0.20
Friends 0.12 0.17 0.06 0.17 0.19
Affiliation .25* .30* .42** 0.06 0.20
Consciëntieusheid
Negations 0.21 0.00 -0.14 0.12 0.11
Achievement 0.04 0.12 0.20 -0.03 0.02
Neuroticisme
1st person singular 0.14 0.20 0.01 .26* 0.13
Affective processes -0.02 0.05 0.01 0.06 -0.15
Negative emotion 0.01 0.09 -0.01 0.16 -0.12
Anxiety -0.04 0.10 0.00 0.06 -0.12
Anger 0.09 0.05 0.02 0.20 0.11
Sadness -0.02 -0.07 -0.17 0.15 -0.17
Openheid
Cognitive processes 0.07 0.03 -0.10 .30* -0.02
Insight 0.02 0.08 -0.05 .26* 0.09
Causation 0.01 -0.14 -0.23 0.20 -0.07
Discrepancy -0.12 0.00 -0.09 0.10 -0.02
Differentiation 0.05 -0.08 -0.14 0.16 -0.10
Leisure 0.02 0.03 -0.06 0.03 0.00
N = 68
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
71
Tabel 5
Correlatiematrix met correlaties tussen de LIWC-constructen van Twitter en de
beoordeling van een collega op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid
Extraversie
2nd person 0.11 0.18 0.14 0.07 0.09
Power -0.17 0.04 -0.11 0.06 .29*
Reward -0.11 0.03 -0.04 -0.17 0.23
Risk 0.12 0.02 0.13 -0.02 0.05
Agreeableness
1st person plural 0.04 0.11 -0.01 -0.08 0.13
Positive emotion -0.10 0.19 0.16 -0.03 -0.07
Social processes 0.16 0.23 0.08 0.11 0.04
Family 0.10 0.01 0.01 0.07 -0.11
Friends 0.08 0.12 0.01 0.04 -0.17
Affiliation -0.02 0.17 0.02 0.06 -0.05
Consciëntieusheid
Negations 0.20 0.15 0.00 0.16 .31*
Achievement -0.06 0.00 -0.08 -0.15 0.22
Neuroticisme
1st person singular 0.20 0.09 -0.06 0.18 0.00
Affective processes -0.01 .26* 0.22 0.07 -0.03
Negative emotion 0.16 0.15 0.15 0.13 0.05
Anxiety 0.07 0.09 0.19 -0.02 0.23
Anger 0.17 0.11 0.09 0.14 0.08
Sadness 0.19 0.13 0.18 0.16 0.03
Openheid
Cognitive processes .25* 0.17 0.00 0.22 0.12
Insight 0.22 0.10 0.15 0.13 0.18
Causation 0.12 -0.11 -0.12 0.18 0.05
Discrepancy 0.09 0.09 0.00 0.06 0.00
Differentiation .27* .25* -0.03 0.21 .33**
Leisure 0.00 0.00 -0.08 0.01 -.27*
N = 68
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
72
Tabel 6
Correlatiematrix met correlaties tussen de LIWC-constructen van Facebook en de
beoordeling van een leidinggevende op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid
Extraversie
2nd person 0.00 -0.02 -0.10 0.23 -0.06
Power 0.04 -0.16 -0.09 -0.15 -0.19
Reward 0.03 -0.15 0.00 0.09 0.04
Risk -0.05 -0.03 -0.19 0.03 -0.03
Agreeableness
1st person plural -0.20 -0.09 -0.14 0.25 -0.02
Positive emotion 0.02 -0.03 0.07 0.17 -0.02
Social processes 0.13 0.12 0.08 ,32* -0.18
Family 0.16 0.14 0.17 0.09 0.00
Friends 0.08 0.05 0.02 0.10 -0.07
Affiliation 0.01 0.07 0.02 ,30* 0.00
Consciëntieusheid
Negations 0.21 0.07 -0.20 0.06 -0.04
Achievement 0.18 0.05 0.08 0.03 -0.02
Neuroticisme
1st person singular 0.05 0.21 0.10 0.10 0.11
Affective processes 0.10 0.00 -0.04 0.21 0.00
Negative emotion 0.20 0.07 -.29* 0.17 0.01
Anxiety 0.07 -0.08 -0.17 0.12 -0.10
Anger 0.20 0.05 -0.25 0.06 0.10
Sadness 0.11 0.06 -0.20 0.15 0.00
Openheid
Cognitive processes 0.01 0.07 -0.13 0.14 -,34**
Insight 0.00 0.15 0.06 0.09 -0.11
Causation -0.08 -0.03 -0.10 -0.10 -0.21
Discrepancy -0.13 -0.10 -0.09 0.11 -0.21
Differentiation 0.12 0.00 -,32* 0.16 -0.15
Leisure -0.19 -0.03 0.20 -0.08 0.21
N = 58
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
73
Tabel 7
Correlatiematrix met correlaties tussen de LIWC-constructen van Twitter en de
beoordeling van een leidinggevende op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid
Extraversie
2nd person -0.17 -0.04 0.01 0.22 -0.14
Power 0.00 0.20 -0.16 -0.08 .26*
Reward -0.16 0.11 0.20 -0.01 0.22
Risk 0.08 0.12 -.32* 0.09 -0.11
Agreeableness
1st person plural 0.08 0.11 0.12 -0.07 0.05
Positive emotion 0.10 0.08 0.09 0.09 0.23
Social processes -0.04 -0.07 -0.08 0.22 -0.17
Family -0.03 -0.10 0.00 0.14 -0.04
Friends 0.19 .31* 0.18 0.01 0.04
Affiliation 0.17 .28* 0.14 0.07 0.15
Consciëntieusheid
Negations -0.21 -0.14 -0.16 0.18 0.00
Achievement -0.03 -0.06 -0.06 0.01 0.19
Neuroticisme
1st person singular 0.10 0.16 -0.06 .33* 0.06
Affective processes 0.12 0.10 -0.08 0.22 0.12
Negative emotion 0.08 0.06 -0.26 0.23 -0.11
Anxiety -0.13 -0.04 -.36** .26* -0.21
Anger -0.01 0.04 -0.16 0.20 0.04
Sadness -0.02 -0.09 -0.04 0.20 0.07
Openheid
Cognitive processes -0.04 -0.06 -0.25 0.14 -0.14
Insight 0.05 -0.06 -0.24 0.10 -0.18
Causation 0.02 0.06 -0.14 0.09 -0.06
Discrepancy -0.10 -0.13 -0.15 -0.01 -0.15
Differentiation -0.13 0.03 -0.04 0.08 0.04
Leisure 0.17 0.14 0.14 0.14 0.22
N = 58
* p < 0.05; ** p < 0.01
SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT
74
Bijlage 5: Convergente Validiteit
Tabel 1
De scores van convergente validiteit tussen LIWC-constructen van Facebook en LIWC-
constructen van Twitter, indien de constructen worden samengenomen per Big Five
persoonlijkheidstrek
Convergente validiteit
Extraversie 0.36
Agreeableness ,24*
Consciëntieusheid 0,07
Neuroticisme ,43**
Openheid ,38**
N = 71
* p < 0.05; ** p < 0.01