Calibration Committees and Rating Distribution Guidance Effects on Leniency Bias in Subjective Performance Evaluations
Notice bibliographique
Résumé
Firms use both calibration committees and rating distribution guidance to reduce leniency bias in subjective performance ratings. Leniency bias is the tendency to provide subordinates with higher ratings than deserved which can weaken the link between incentives and effort, leading to suboptimal and subordinate performance. I employ a 2x2 online experiment to assess how the presence versus absence of peer calibration committees [PCCs] and rating distribution guidance [RDG] affects leniency bias present in supervisors’ ratings of subordinates’ performance. I find support that supervisors may display more leniency in ratings prepared in anticipation of a PCC, especially among low performers. As the increased bias appears to impact low-performers, this may create additional fairness concerns for moderate and high-performers, which could demotivate these subordinates. Next, I find support that rating distribution guidance does have a main effect of reducing the leniency bias displayed among low and high performers. Further, using planned contrast testing, I find support for my predicted pattern of results for low performers. That is, the presence of a PCC has a main effect of increasing leniency bias, the presence of RDG has the main effect of reducing leniency bias, and the interactive effect such that when a PCC is present, the presence of RDG weakens the effect of PCCs on leniency bias. This finding indicates that rating distribution guidance may be helpful in settings with a PCC.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,070 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».