LinkedIn‐based assessments of applicant personality, cognitive ability, and likelihood of organizational citizenship behaviors: Comparing self‐, other‐, and language‐based automated ratings
Notice bibliographique
Résumé
Abstract We compared self‐reports or test‐based assessments of personality, cognitive ability, and likelihood or tendencies to engage in organizational citizenship behaviors (OCB) from experienced workers ( targets , N = 154) with one approach to rate these traits based on LinkedIn profiles using hiring professionals ( panel raters , N = 200), graduate students in Industrial‐Organizational Psychology ( I‐O raters, N = 6), and automated assessments with the language‐based tool Receptiviti (for personality only). We also explored the potential for adverse impact associated with this approach of LinkedIn profile assessments and how profile elements are associated with ratings. Results demonstrated that raters can reliably assess personality, cognitive ability, and OCB with one‐item measures. LinkedIn showed little promise for valid assessments of personality (except some weak evidence for honesty‐humility) and OCB tendencies for all data sources. And, we only found modest evidence of convergent validity for cognitive ability. Automated assessments of personality with Receptiviti were more consistent with raters' assessments than targets' self‐reports. LinkedIn‐based hiring recommendations did also not differ on the basis of gender, race, or age. Finally, in terms of profile content, longer LinkedIn profiles with more professional connections, more skills listed, or including a professional picture were viewed more positively by both types of raters. But these content elements were largely unrelated to targets' self‐reports or test scores. Thus, organizations should be careful when relying on LinkedIn‐based assessments of applicants' traits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».