Performans Değerlemesini Etkileyen Hatalar ve Yanılgılar

İnsan yargılarının hepsi sıklıkla yanlılık, önyargı ve diğer öznel ve yabancı etkilerin etkisine maruz kaldığından, bu etkiler tarafından renklendirilmemiş objektif ve doğru değerlendirmeler elde etme problemi çok zordur. Guilford (1954), derecelendirme sürecinde oluşabilecek farklı türlerdeki sabit hataları sınıflandırmış ve alınabilecek bazı önlemleri önermektedir. Sabit hatalar, puanlayıcı kısmındaki bazı sistematik önyargılardan kaynaklanır ve genellikle başa çıkması, sistematik olmayan veya rastgele olan puanlayıcı hatalarından daha kolay olur.

1. Tazminat Hataları:

Her puanlayıcı, performans değerlendirme kararları verirken kullandığı kendi yerleşik standartlarını veya referans çerçevesini taşıma eğilimindedir. En büyük sorunlardan biri, standartlarındaki farklılıklar için farklı puanlayıcıları eşitlemektir, böylece derecelendirmeleri karşılaştırılabilir.

Bazı puanlayıcılar en iyisi genel olarak “kolay” ya da esnek olarak nitelendirilirken, bazıları kararlarında ya da değerlendirmelerinde “sert” ya da şiddetli olarak sınıflandırılabilir. Bir puanlayıcı aşırı şiddetli olduğunda, olumsuz esneklik hatası yaptığı söylenirken, kolay puanlayıcılar pozitif esneklik hatası yapar. Aşağıdaki şemada, biri aşırı esnek, diğeri aşırı ağır olan, iki farklı puanlayıcıdan alabileceğiniz puan dağılımları gösterilmektedir.

İhbar hatalarından kaçınmak için derecelendirme sistemlerinin tasarlanmasının birkaç yolu vardır. İlk yöntem, ölçekte kullanılan kategorileri veya “bağlantı noktalarını” açıkça tanımlamaktır. Örneğin, eğer süpervizörlerden astlarını “toplam yeterlilik” üzerine derecelendirmelerini istiyorsak, aşağıda gösterilen iki skaladan birini kullanabiliriz.

A Ölçeği, puanlayıcının rehber olarak kullanabileceği çapa veya referans noktalarına sahip değildir; kendisinin kurması gerekir. Risk, farklı puanlayıcıların noktaları farklı şekilde tanımlamasıdır. B Ölçeği ile, puanlayıcı için problemin azaltılması olasılığıyla bir takım noktalar belirlenmiştir. Bu bağlantı noktaları, ödünç verme sorununu tam olarak çözmez, çünkü bir derecelendiricinin “düşük” değeri, diğer bir derecelendiricinin “ortalaması” olabilir. Ancak sözel ölçek, ortak bir referans çerçevesi olasılığını ortaya koymaktadır.

B Ölçeğinde verilenden potansiyel olarak daha etkili olan bir bağlama prosedürü “Anahtar-Adam” yöntemi olarak bilinir. Zorunluluk hatası ile mücadelede en yaygın kullanılan yöntemlerden biri, zorunlu dağıtım tekniğini kullanmaktır. Bu, değerlendiricinin cevaplarının belirli bir kısmını farklı kategorilere koymasını gerektiren bir prosedürdür. Böyle bir dağılım Şekil 7.1'de gösterilmektedir.

Tüm puanlayıcıların, her bir kategoriye atanması gereken kişi sayısı bakımından standart bir dağılıma uymasını zorunlu kılma, hatalardan kaçınmanın etkin bir yöntemidir. Bununla birlikte, genellikle, puanlayıcıların çok katı bir yanıt paternine zorlanma konusunda biraz hoşnutsuzluğa neden olur. Ayrıca, her kategoride doğru numaraya dikkat edilmesi gerektiğinden daha fazla zaman alır.

2. Halo Etkisi:

Halo hatası, bir özellikteki bir birey hakkındaki değerlendirmemizin o kişinin diğer belirli özelliklere ilişkin değerlendirmesini etkilemesine izin verme eğilimidir. Bu nedenle, İşçi X'in bir açıdan birinci sınıf bir çalışan olduğunu hissedersek, bazılarına göre vasat olsa da, onu tüm özelliklerde çok yüksek oranda değerlendirebiliriz.

Bu çok yaygın bir hata türüdür ve düzeltilmesi çok zor olan da bir sorundur. Symonds (1925), aşağıdaki özelliklerle ortaya çıkma ihtimalinin yüksek olduğunu belirtti:

1. Kolayca gözlemlenmeyen özellikler

2. Bilinmeyen özellikler

3. Kolayca tanımlanmayan özellikler

4. Kişilerarası reaksiyonları içeren özellikler

5. Karakter özellikleri

3. Mantıksal Değerlendirme Hataları:

Bu hata halo hatasına oldukça benzer. Halo hatasında, puanlayıcı istemeden, belirli özellikleri değerlendirmesinin, bireyin diğer özellikler hakkındaki değerlendirmesinden etkilenmesini sağlar. Mantıksal bir hata, bir bireye belirli bir özellik üzerinde yüksek puan verme eğiliminde olan, yalnızca bireyin ikinci bir spesifik özelliğe sahip olduğu ve iki özelliğin mantıksal olarak ilişkili olduğunu düşündüğü bir puanlayıcıyı içerir. Bir puanlayıcı, özellikler arasındaki gerçek ilişkiyi abartma eğiliminde olduğunda, muhtemelen bu derecelendirme hatasını kabul eder.

4. Kontrast ve Benzerlik Hataları:

Kontrast hatası oldukça ilginç bir önyargı türüdür. Diğerlerini, kendini algılayış biçiminin karşısındaki bir denizcide yargılamak için bir puanlayıcı tarafındaki genel bir eğilim anlamına gelir. Örneğin, kendisini çok dürüst olarak algılarsa, eğilimi diğerlerini “dürüstlük” boyutunda normalden biraz daha düşük olarak derecelendirme olacaktır.

Benzerlik hatası olarak adlandırılabilecek bir kontrast hatasının tam tersi, puan verenin diğer insanları kendi algıladığı şekilde derecelendirmesidir. Bunun bir örneği, kendisini çok dürüst hisseden, diğer tüm bireylere de yüksek dürüstlüğü bağlayan bir puanlayıcı olacaktır. Başka bir deyişle, puanlayıcılar kendilerini değil, başkalarını derecelendirmek için eğitilmelidir.

5. Merkezi Eğilim Hataları:

Bazı hakimler veya puanlayıcılar, diğer bireyler hakkında aşırı kararlar vermek için genellikle çok isteksizdir. Bu isteksizlik, derecelendirme enstrümanındaki aşırı ölçek puanlarının kullanılmamasına meyillidir. Bu da, Şekil 7.2'de görülebileceği gibi, o puanlayıcı için puan dağılımında önemli bir şekil değişikliği ile sonuçlanmaktadır. Kararların dağılmasının (değişkenliğinin), puanlayıcı için merkezi bir eğilim hatası yapan çok daha az olduğuna dikkat edin. Bu nedenle bu tür bir hata, daha sonraki geçerlilik katsayılarını etkileyebilecek bir artefakt olan kriter puanlarının sınırlandırılmasına neden olur. Bu hatayı önlemenin en iyi yollarından biri, daha önce tartışılan zorunlu dağıtım sistemini kullanmaktır.

6. Yakınlık Hataları:

Göz önünde bulundurmamız gereken son hata genellikle çeşitli öğelerin derecelendirme formuna yerleştirilme veya sipariş edilme şekillerinden kaynaklanmaktadır. Bazen “sipariş etkisi” olarak adlandırılan bu hata, çevresindeki öğelerin bir kişiye belirli bir öğe için verdiği derecelendirme üzerindeki etkisini gösterir.

Eğer önceki öğeye, bireye çok olumlu bir derece verildiği bir özellik ise, puanlayıcı “ayarlanan” olumlu cevabın listedeki bir sonraki maddeye geçmesine izin verme eğiliminde olabilir. Sonuç, bir sonraki maddede, aksi belirtilenden biraz daha yüksek bir derecelendirme olacaktır. Her zaman ters reaksiyon oluşma olasılığı vardır. Eğer önceki maddeler, işçinin genel olarak yüksek puan aldığı özelliklere sahipse, puanlayıcı, işçinin yalnızca “ılımlı” bir sıralamayı hak ettiği bir özelliğe ulaştığında, sadece kontrast etkisi nedeniyle oldukça olumsuz bir puan verebilir. önceki öğelerin

Yakınlık hatasını en aza indirmek için en yaygın yöntem, derecelendirme ölçeğinin birkaç farklı biçimine sahip olmak ve öğeler her bir formda farklı bir sıraya sahip olmaktır. Ne yazık ki, ürün sayısı genişlediğinde, Ürün siparişi üzerindeki sistematik kontrol çoğu pratik durumda oldukça karmaşık ve zor hale gelir. Bu hatanın önlenmesinde yaygın olarak kullanılan uygulama genellikle rastgele sayılar tablosu kullanarak her forma atanan öğelerle birlikte yalnızca iki form oluşturmakla sınırlıdır.