Sprachanalysen werden immer öfter in der Personalauswahl eingesetzt. In arbeitnehmerdominierten Rekrutierungsmärkten wird jedoch die Akzeptanz des Auswahlverfahrens seitens der Bewerber immer wichtiger. Die vorliegende Studie testen verschiedene Maßnahmen, wie man die Akzeptanz auf Seiten der Bewerber erhöhen könnte.

1. Personalauswahl in Zeiten von Big Data:
Möglichkeiten zur Erhöhung der Akzeptanz
von KI-basierten Auswahlinstrumenten am
Beispiel der Sprachanalyse
L. Stier & C. Bosau
GWPs 2022
www.RFH-Koeln.de

2. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Aktuelle Relevanz
• Perspektivwandel in der Personalauswahl (sinkende Basisrate,
demographischer Wandel) (Kersting, 2006; Kersting, 2008)
à War for talent
• Empfundene Arbeitgeberattraktivität aufseiten der Bewerber:innen
wichtig wie nie
• Digitalisierungsschub in der Personalauswahl durch Corona
Pandemie (Kersting & Ziegler, 2020)
• Neue ‚innovative‘ Methoden in der Personalauswahl (z.B. Precire)
• KI als aktueller Trend in der Personalauswahl (Lochner & Preuß,
2018)

3. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Bisherige Forschungsergebnisse
• Vorteile von KI: Keine subjektiven Verzerrungen (Kanning, 2020) in
Medizin oder Persönlichkeitsdiagnostik menschlichen Urteilen überlegen
(Grove et al., 2000)
• Kritik an KI: Fortführen historischer Benachteiligungen (Kersting, 2020),
Datenschutzprobleme (Kanning, 2020)
• Geringere positive Wahrnehmung bei Einsatz von Algorithmen aufseiten
von Bewerber:innen (Biemann & Weckmüller, 2016)
• Eingesetztes Auswahlverfahren hat Auswirkungen auf Image und
Attraktivität des Arbeitgebers (z.B. Hausknecht et al., 2004; Chapman et
al., 2005)
• Personenvariablen haben Einfluss auf Akzeptanzurteil (Kersting, 1998)
• Fähigkeit der Ability to Identify Criteria (ATIC) relevant für Performance
(u.a. Kleinmann, 1993; Griffin, 2014; Preckel & Schüpbach, 2005)
• Empfundene Leichtigkeit und Kontrollierbarkeit relevant für
Wahrnehmung / Akzeptanz eines Auswahlverfahrens (Ryan & Ployhart,
2000; Hausknecht et al., 2004; Kersting, 2008)

4. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Ziel der Studie
• Entwicklung und Untersuchung von Maßnahmen zur Erhöhung
der Akzeptanz von KI in der Personalauswahl
• Auswirkung der Akzeptanz auf die empfundene
Arbeitgeberattraktivität
• Einfluss der ATIC-Ausprägung auf das Akzeptanzurteil
Wozu diese Studie Erkenntnisse liefern soll
Aktueller Stand
• Dilemma zwischen guter / genauer Eignungsdiagnostik und
hoher Akzeptanz / hoher Attraktivität

5. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Die Studie
Methode:
• Experimentelle Studie (4x2 Design), Online Fragebogen mit vorheriger Durchführung einer fiktiven
Sprachanalyse (keine reale Aufnahme), vorherige Darbietung verschiedener Treatments
• N = 287, Weiblich: 172 / 60%, Männlich: 114 / 40% (angefallene Stichprobe)
• Alter: MW = 31.25 Jahre, StAb = 13.275
Bisherige Studien:
• Untersuchung klassischer
Personalauswahlverfahren, seltener KI, keine
Untersuchung möglicher Maßnahmen zur
Erhöhung der Akzeptanz von KI, Untersuchung
der ATIC in Bezug auf Leistung im
Auswahlverfahren, Bewertung der Sprachanalyse
ohne vorherige Durchführung
Diese Studie:
• Untersuchung der Akzeptanz eines KI-gestützten
Personalauswahlverfahrens, Untersuchung
möglicher akzeptanzförderlicher Treatments,
Untersuchung der ATIC-Ausprägung in Bezug auf
Akzeptanz, konkrete Erhebung der Auswirkung
des Einsatzes der Sprachanalyse auf die
Arbeitgeberattraktivität, Durchführung einer
Sprachanalyse vor Ausfüllen des Fragebogens
Forschungsfragen:
1) Welcher Zusammenhang besteht zwischen der bewerberseitigen Nutzerakzeptanz der
Sprachanalyse und der Arbeitgeberattraktivität?
2) Welche Auswirkung haben verschiedene experimentelle Treatments, welche vor Durchführung der
Sprachanalyse dargeboten werden, sowie die individuelle ATIC-Ausprägung auf die Akzeptanz?

6. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Aufbau der Studie
Unabhängige Variablen
Art des Treatments
4 Ausprägungsstufen
ATIC-Ausprägung
2 Ausprägungsstufen
Technologieakzeptanz Arbeitgeberattraktivität
Abhängige Variablen
Treatment ATIC
Technologieakzeptanz
Technologieakzeptanz
Arbeitgeberattraktivität
1. Analyse 2. Analyse

7. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Inhalte der Treatments
Neutrales
Treatment (KG)
Keinerlei Beschreibung
der Sprachanalyse
Technologisches
Treatment (EG1)
Erläuterung der
Funktionsweise
Wissenschaftliche
Fundierung (Validierung)
Ausprobierbarkeit
Psychologisches
Treatment (EG2)
Aufzeigen von Vorteilen
Minimieren möglicher
Risiken (Datenschutz)
Möglichkeit Feedback
Positive soziale Norm
Kombiniertes
Treatment (EG3)
Kombination des
technologischen und
psychologischen
Treatments

8. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Die erfassten Aspekte I Operationalisierung
Technologieakzeptanz
• Verhaltensintention als Maß für Akzeptanz (Davis, 1989)
• Technologieakzeptanz wird in einer Vielzahl von Studien über die
Verhaltensintention erfasst (z.B. Davis, 1989; Venkatesh et al.,
2003; Miltgen et al., 2013)
• Anpassung auf KI-basierte Auswahlinstrumente (Dahm & Dregger,
2019)
• Item: „Ich würde an der Sprachanalyse im Rahmen eines (reellen)
Personalauswahlverfahrens teilnehmen“
• 6-stufige Likert Skala von „Stimme überhaupt nicht zu“ bis
„Stimme voll und ganz zu“

9. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Die erfassten Aspekte I Operationalisierung
ATIC
• In früheren Studien Erfassung der ATIC direkt in Bezug auf das
eingesetzte Verfahren (u.a. Kleinmann, 1993; Kleinmann et al.,
2011; Ingold et al., 2015)
• Z.B. Precire jedoch über 500.000 Features (Hübner et al., 2018)
• Subjektive Selbsteinschätzung
• Cronbach‘s Alpha: .936
• Beispielitem: „Ich meine zu wissen, worauf es bei einer
Sprachanalyse ankommt, um positiv bewertet zu werden“
• 8-stufige Likert Skala von „Stimme gar nicht zu“ bis „Stimme voll
und ganz zu“
• Mediansplit zur Einteilung in eine hohe und niedrige Ausprägung
(Split bei 3)

10. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Die erfassten Aspekte I Operationalisierung
Arbeitgeberattraktivität
• Subjektiv empfundener Nutzen, für ein Unternehmen zu arbeiten
(Berthon et al., 2005)
• 8 Items mit Gegensatzpaaren wie bei Kanning et al., 2019
• Einstufung des fiktiven Unternehmens, welche Sprachanalyse
einsetzt, zwischen den gegensätzlichen Polen
• Cronbach‘s Alpha bei Kanning et al. (2019): .91, in dieser Studie:
.946
• Beispielitem: Geringes Ansehen I hohes Ansehen
• 7-stufige Likert Skala zwischen den Gegensätzen

11. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Versuchsablauf
Hineinversetzen
in ein fiktives
Auswahlver-
fahren
Darbietung des
jeweiligen
Treatments
Durchführung der
Sprachanalyse
(Nachgestellt in
Anlehnung an
Precire, kein
reales Tool)
Manipulations-
check
Ausfüllen des
Fragebogens

12. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Ergebnisse I
Typ III
Quadratsumme df
Mittel der
Quadrate F p
ηp
2
Korrigiertes Modell 52.113 7 7.445 6.109 .000 .133
Konstanter Term 3105.863 1 3105.863 2548.438 .000 .901
ATIC 17.658 1 17.658 14.489 .000 .049
Art des Treatments 24.725 3 8.242 6.763 .000 .068
ATIC * Art des
Treatments 4.368 3 1.456 1.195
.312 .013
Fehler 340.026 279 1.219
Gesamt 3484.000 287
Korrigierte
Gesamtvariation 392.139 286
Tests der Zwischensubjekteffekte (Technologiekazeptanz als AV)
Anmerkung. R2 = .133, korrigiertes R2 = .111.
Gesamtmodell ist hochsignifikant (F(7,279) = 6.109, p < .001, korrigiertes R2
= .111, N = 287)
• Signifikanter Haupteffekt für die Art des Treatments (F = 6.763, p<.001)
• Signifikanter Haupteffekt für die ATIC-Ausprägung (F = 14.489, p< .001)
– Bei hoher ATIC-Ausprägung höhere Akzeptanz der Sprachanalyse
• Kein signifikanter Interaktionseffekt (F = 1.195, p< .321)
– Treatments wirken unabhängig von ATIC-Ausprägung
Treatment ATIC
Technologieak-
zeptanz

13. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Ergebnisse II
Abhängige Variable: Verhaltensintention
Bonferroni
95% Konfidenzintervall
Treat-
ment
Treatment
Mittewert-
differenz
(I-J) SE p Untergrenze Obergrenze
NT TT -.44 .177 .077 -.91 .03
PT -.56* .183 .014 -1.05 -.07
KT -.87* .182 .000 -1.35 -.38
TT PT -.12 .189 1.000 -.62 .38
KT -.42 .188 .146 -.92 .07
PT TT .12 .189 1.000 -.38 .62
KT -.31 .194 .692 -.82 .21
KT TT .42 .188 .146 -.07 .92
PT .31 .194 .692 -.21 .82
Post-hoc-Tests mit Bonferroni-Korrektur
Anmerkungen. *. Die Mittelwertdifferenz ist in Stufe .05 signifikant.
Insbesondere die Inhalte des psychologischen Treatments scheinen einen Einfluss auf
das Akzeptanzurteil zu haben, da sich beide Treatments, welche diese beinhalten
(psychologisch (p < .001) & kombiniert (p < .05)) signifikant vom neutralen Treatment
unterscheiden.
2,5
2,7
2,9
3,1
3,3
3,5
3,7
3,9
Neutrales Technologisches Psychologisches Kombiniertes
Geschätztes
Randmittel
Art des Treatments
Geschätzes Randmittel Technologieakzeptanz

14. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Ergebnisse III
Technologieakzeptanz
Arbeitgeberattraktivität
Ergebnisse der Regressionsanalyse zum Effekt der Akzeptanz auf die Arbeitgeberattraktivität
Nicht standardisierte
Koeffizienten
Standardisierte
Koeffizienten
Skala B SE (B) β T p
Konstante 1.934 .293 6.602 .000
Technologieakzeptanz .693 .096 .624 7.235 .000
Modellzusammenhang (Arbeitgeberattraktivität (AK) als AV)
Varianzau;lärung der Arbeitgebera<rak=vität: 38.2%
(R2 = .390 (korrigiertes R2 = .382)), F(1,82) = 52.343, p < .001)
à starker Effekt (Cohen, 1988)
Die Technologieakzeptanz kann die Arbeitgebera<rak=vität
signifikant vorhersagen (β = .624, p < .001)

15. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Fazit I
• Übertragbarkeit des Einflusses von Akzeptanz eines Auswahlverfahrens auf
die Arbeitgeberattraktivität auf das System der Sprachanalyse.
• Signifikanter Haupteffekt des Treatments zeigt, dass die Akzeptanz der
Sprachanalyse effektiv durch bestimmte Treatments gesteigert werden
kann. Losgelöste Informationen zur technischen Funktionsweise können die
Akzeptanz nicht signifikant steigern.
• Eine höhere ATIC-Ausprägung einer Person führt zu einer höheren
Akzeptanz der Sprachanalyse. Dies lässt sich möglicherweise auf die
empfundene höhere Kontrollierbarkeit der Situation zurückführen.
• Ein signifikanter Interaktionseffekt zwischen der Art des Treatments und der
ATIC-Ausprägung auf die Akzeptanz der Sprachanalyse konnte nicht
bestätigt werden. Dies ist gegebenenfalls auf die mangelnde Involviertheit
der Proband:innen zurückzuführen.

16. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Fazit II
• Eine hohe Akzeptanz eines Auswahlverfahrens ist wichtig, um als attraktiver
Arbeitgeber auf dem Markt zu bestehen. Dennoch sollte eine hohe Validität
eines Verfahrens niemals für eine höhere Akzeptanz geopfert werden
(Kersting, 2018).
• Softwares kein universeller Problemlöser (Kanning, 2020); eher zur
Verkleinerung des Bewerberpools (Biemann & Weckmüller).
• Diese Arbeit liefert wertvolle Handlungsimplikationen zur Erhöhung der
Akzeptanz von KI-basierten Auswahlinstrumenten.

17. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Literaturquellen
• Berthon, P., Ewing, M. & Hah, L. L. (2005). Captivating company: dimensions of attractiveness in employer branding. International
Journal of Advertising, 24(2), 151-172.
• Biemann, T. & Weckmüller, H. (2016). Mensch gegen Maschine: Wie gut sind Algorithmen im HR? PERSONALquarterly, 4, 44-47.
• Chapman, D. S., Uggerslev, K. L., Carroll, S. A., Piasentin, K. A. & Jones, D. A. (2005). Applicant Attraction to Organizations and Job
Choice: A Meta-Analytic Review of the Correlates of Recruiting Outcomes. Journal of Applied Psychology, 90(5), 928-944.
• Dahm, M. & Dregger, A. (2019). Der Einsatz von künstlicher Intelligenz im HR: Die Wirkung und Förderung der Akzeptanz von KI-
basierten Recruiting-Tools bei potenziellen Nutzern. In B. Hermeier, T. Heupel, S. Fichtner-Rosada (Hrsg.), Arbeitswelten der Zukunft:
Wie die Digitalisierung unsere Arbeitsplätze und Arbeitsweise verändert (S. 249-271). Wiesbaden: Springer.
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 13(3),
319-340.
• Griffin, B. (2014). The Ability to Identify Criteria: Its Relationship With Social Understanding, Preparation, and Impression Management
in Affecting Predictor Performance in a High-Stakes Selection Context. Human Performance, 27, 147-164.
• Grove, W. M., Zald, D. H., Lebow, B. S., Snitz, B. E. & Nelson, C. (2000). Clinical Versus Mechanical Prediction: A Meta-Analysis.
Psychological Assessment, 12(1), 19-30.
• Hausknecht, J. P., Day, D. V., & Thomas, S. C. (2004). Applicant reactions to selection procedures: An updated model and
meta-analysis. Personnel Psychology, 57(3), 639-683.
• Hübner, R., Schaumlöffel L., Thiel, S. & Stulle, K. P. (2018) Externe Validierung der Sprachanalysetechnologie PRECIRE® –
Verbindungen mit Impression Management, self-monitoring und politischen Fertigkeiten. In K. P. Stulle (Hrsg.) Psychologische
Diagnostik durch Sprachanalyse - Validierung der PRECIRE®-Technologie für die Personalarbeit (S. 159-280). Wiesbaden: Springer.
• Ingold, P. V., Kleinmann, M., König, C. J., Melchers, K. G. & Van Iddekinge, C. H. (2015). Why do Situational Interviews Predict Job
Performance? The Role of Interviewees` Ability to Identify Criteria. Journal of Business Psychology, 30, 387-398.
• Kanning, U. P. (2020). Chancen und Risiken der Digitalisierung in der Personaldiagnostik. Personalpsychologische Schriften, 2, 1-4.
• Kanning, U. P., Kraul, L. F. & Litz, R. Z. (2019). Einstellungen zu digitalen Methoden der Personalauswahl. Journal of Business and
Media Psychology, 10(1), 57-71.

18. www.RFH-Koeln.de
Rheinische Fachhochschule Köln
Literaturquellen
• Kersting, M. (1998). Differentielle Aspekte der sozialen Akzeptanz von Intelligenztests und Problemlöseszenarien als
Personalauswahlverfahren. Zeitschrift für Arbeits- und Organisationspsychologie, 42, 61-75.
• Kersting, M. (2006). Stand, Herausforderungen und Perspektiven der Managementdiagnostik. Personalführung, 10, 16-27.
• Kersting, M. (2008). Zur Akzeptanz von Intelligenz- und Leistungstests. Report Psychologie, 33, 420-433.
• Kersting, M. (2020). Big Data und KI in der Personalarbeit. Personalführung, 4, 30-34.
• Kersting, M. & Ziegler, M. (2020). Same same but different. Eignungsdiagnostik auf Distanz. Personalmagazin, 8, 34-40.
• Kleinmann, M. (1993). Are assessment center rating dimensions transparent for participants? Consequences for criterion and construct
validity. Journal of Applied Psychology, 78, 988-993.
• Kleinmann, M., Ingold, P. V., Lievens, F., Jansen, A., Melchers, K. G. & König, C. J. (2011). A different look at why selection
procedures work: The role of candidates ability to identify criteria. Organizational Psychology Review, 1, 128-146
• Lochner, K., & Preuß, A. (2018), Digitales Recruiting. Die Evolution des Assessments mittels künstlicher Intelligenz. Gruppe.
Interaktion. Organisation. Zeitschrift für Angewandte Organisationspsychologie, 49(3), 193-202.
• Miltgen, C. L., Popovič, A., & Oliveira, T. (2013). Determinants of end-user acceptance of biometrics: Integrating the “Big 3” of
technology acceptance with privacy context. Decision Support Systems, 56, 103-114.
• Preckel, D. & Schüpbach, H. (2005). Zusammenhänge zwischen rezeptiver Selbstdarstellungskompetenz und Leistung im Assessment
Center. Zeitschrift für Personalpsychologie, 4(4), 151-158.
• Ryan, A. M. & Ployhart, R. E. (2000). Applicants´ Perceptions of Selection Procedures and Decisions: A Critical Review and Agenda
for the Future. Journal of Management, 26(3), 565-606.
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view.
MIS Quarterly, 27(3), 425-478. doi: 10.2307/30036540

19. Vielen Dank für Ihre
Aufmerksamkeit!
Laura.stier@online.de
Christian.bosau@rfh-koeln.de
Schaevenstraße 1a–b
50676 Köln
Tel. 0221-20 30 20