रोजगार निर्णय लेने के लिए भविष्यवाणी प्रणाली

विशिष्ट भविष्यवाणी की समस्या, यह चयन, प्लेसमेंट या दोनों हो सकता है, जिसमें कई भविष्यवक्ता शामिल होते हैं। इन भविष्यवक्ताओं को रोजगार के बारे में निर्णय लेने में मार्गदर्शक के रूप में सर्वोत्तम तरीके से उपयोग किया जाता है। ऐसे निर्णय हैं जैसे "क्या उसे इस काम के लिए नियुक्त किया जाना चाहिए?" या "क्या उसे इस प्रशिक्षण कार्यक्रम में भेजा जाना चाहिए?" ऐसी कई रणनीतियाँ हैं जिन्हें मनोवैज्ञानिक निर्णय लेने की प्रक्रिया के लिए अपने दृष्टिकोण के अनुसार अपना सकते हैं। अपनाई गई विशेष भविष्यवाणी प्रणाली के आधार पर, रोजगार निर्णय काफी अलग हो सकते हैं।

जबकि प्रत्येक प्रणाली के अपने फायदे और नुकसान हैं, प्रत्येक व्यक्ति को नौकरी की सफलता के लिए प्रासंगिक माना जाता है जो गुणों या गुणों (भविष्यवक्ताओं) के समूह के आधार पर लोगों के बारे में निर्णय लेने के लिए एक विधि प्रदान करता है।

प्रमुख प्रणालियां हैं:

(1) एकाधिक प्रतिगमन प्रणाली,

(2) कई कट-ऑफ सिस्टम,

(3) प्रोफ़ाइल मिलान प्रणाली, और

(4) कई बाधा प्रणाली।

प्रत्येक प्रणाली की जांच निम्नलिखित खंडों में अधिक विस्तार से की जाएगी।

एकाधिक प्रतिगमन प्रणाली:

जैसा कि नाम से ही स्पष्ट है, यह प्लेसमेंट सिस्टम व्यक्तियों के बारे में निर्णय लेने के लिए कई प्रतिगमन मॉडल का उपयोग करता है। एकाधिक प्रतिगमन मॉडल फॉर्म y = b ₁ x ₁ + b ₂ x ₂ (मान = 0) (3.6) लेता है

चयन में इस तरह के एक मॉडल का उपयोग मानता है कि (1) गुण x ₁ और x ₂ रेखीय रूप से कसौटी प्रदर्शन से संबंधित हैं, और (2) लक्षणों में से एक का "बहुत" कब्जे में केवल "थोड़ा" होने के लिए क्षतिपूर्ति करता है “दूसरी विशेषता।

एक स्थिति को देखते हुए, उदाहरण के लिए, जहां द्वि = 2 और b ₂ = 4 और a = 0, सूत्र y = 2x ₁ + 4x ₂ (3.7)

नौकरी की सफलता की भविष्यवाणी के लिए इस्तेमाल किया जाएगा। आइए हम मान लें कि 50 के मानदंड स्कोर को कर्मचारियों द्वारा संतोषजनक प्रदर्शन माना जा सकता है और कुछ भी नहीं के परिणामस्वरूप संतोषजनक प्रदर्शन नहीं हो सकता है। तालिका 3.2 चार सैद्धांतिक नौकरी आवेदकों के लिए दो भविष्यवाणियों पर कुछ परीक्षण स्कोर दिखाती है। प्रत्येक आवेदक के लिए अनुमानित मानदंड स्कोर भी समीकरण 3.7 का उपयोग करके गणना की गई है। ध्यान दें कि सभी चार आवेदकों के पास एक ही अनुमानित मानदंड प्रदर्शन है, भले ही उनके परीक्षण स्कोर पैटर्न काफी स्पष्ट रूप से भिन्न हों। जैसे ही हम व्यक्ति D के माध्यम से व्यक्ति A से आगे बढ़ते हैं, हम देखते हैं कि परीक्षण 2 पर उनके अंक व्यवस्थित रूप से कम हो गए हैं।

हालाँकि, इस ड्रॉप की भरपाई टेस्ट 1 के प्रदर्शन में इसी वृद्धि के द्वारा की जाती है। वास्तव में, एक करीबी निरीक्षण यह दिखाएगा कि परीक्षण 1 पर प्रत्येक बिंदु के नुकसान की भरपाई के लिए परीक्षण 1 पर दो बिंदुओं का लाभ आवश्यक है। यह आश्चर्य की बात नहीं होनी चाहिए, क्योंकि परीक्षण 2 को दिए गए सापेक्ष वजन दो बार दिए गए हैं हमारे प्रतिगमन मॉडल में परीक्षण 1 (यानी, बी ₁ = 2, बी ₂ = 4)।

चित्र 3.5 तालिका 3.2 में डेटा द्वारा बनाई गई चयन प्रक्रिया की गतिशीलता को और भी स्पष्ट रूप से दिखाता है। चित्र 3.5 के स्कैटर-प्लॉट में दिखाए गए अंकों का लिफाफा एक ऐसी स्थिति प्रस्तुत करता है, जहां प्रदर्शन के दो पूर्वसूचक, x ₁ और x ₂, सकारात्मक रूप से सहसंबद्ध होते हैं। यदि सहसंबंध r ₁₂ शून्य था, तो स्कैटर-प्लॉट निश्चित रूप से एक चक्र होगा।

हालाँकि, बहु-प्रतिगमन प्रणाली में निहित व्यापार-बंद अवधारणा के लिए स्कैटर-प्लॉट का आकार महत्वपूर्ण नहीं है। चूंकि हमने कहा है कि 50 या उससे बेहतर अंक वाले किसी भी व्यक्ति को "संतोषजनक" माना जाता है, इसलिए हम चित्र 3.5 में "50-पॉइंट लाइन" को प्लॉट कर सकते हैं, जो परीक्षण 1 के सभी संभावित संयोजनों को दिखाता है और 2 अंकों का परीक्षण करेगा जो समीकरण 3.7 का उपयोग करके बिल्कुल 50 अंक के मानदंड स्कोर में परिणाम। जैसा कि आंकड़ा बताता है, सभी चार आवेदक इस लाइन के साथ हैं।

चित्र 3.5 का एक दिलचस्प पहलू यह है कि यह पंक्ति नौकरी के आवेदकों की आबादी को दो समूहों या क्षेत्रों में विभाजित करती है। दाएं और रेखा के ऊपर के सभी आवेदकों के पास मानदंड स्कोर (समीकरण 3.7 का उपयोग करते हुए) होने वाला है जो 50 से ऊपर होगा। सभी आवेदकों को बाईं ओर और रेखा के नीचे 50 से कम का मानदंड स्कोर होगा। इस प्रकार, केवल पूर्व इच्छा रोजगार के लिए स्वीकार किया जाता है क्योंकि यह अनुमान लगाया जाता है कि उनका प्रदर्शन संतोषजनक होगा।

बाद के आवेदकों को संतोषजनक प्रदर्शन से कम की भविष्यवाणी के साथ, इस चयन प्रणाली के साथ खारिज कर दिया जाएगा। चित्र 3.6 चित्र 3.5 को तीन आयामों में विस्तारित करता है, जिसमें मनाया गया मानदंड स्कोर और साथ ही सभी व्यक्तियों के लिए पूर्वसूचक स्कोर दिखा रहा है।

यह ध्यान रखना महत्वपूर्ण है कि चित्रा 3.6 में विमान, उन कर्मचारियों को विभाजित करता है जिन्हें समीकरण 3.7 द्वारा दिए गए कई प्रतिगमन मॉडल का उपयोग करके चुना जाएगा और जिन्हें अस्वीकार किया जाएगा वे प्रतिगमन विमान नहीं हैं। इसे अधिक उचित रूप से चयन विमान कहा जाता है। दो-भविष्यवक्ता एकाधिक प्रतिगमन प्रणाली में प्रतिगमन विमान के चित्रण के लिए पाठक को चित्र 3.4 पर वापस भेजा जाता है।

एकाधिक प्रतिगमन प्रणाली के अनुमान, लाभ और नुकसान:

कई प्रतिगमन भविष्यवाणी प्रणाली उचित रूप से उपयोग किए जाने पर एक शक्तिशाली चयन प्रक्रिया है। बशर्ते कि सभी रिश्ते रैखिक हैं सच है, यह एक गणितीय लालित्य है कि अधिक से अधिक कठिन है। एक जानता है, उदाहरण के लिए, मॉडल भविष्यवाणी में त्रुटियों को कम करता है। इस प्रणाली का एक और लाभ यह है कि भविष्यवाणियों को बाद के प्रदर्शन का सबसे कुशल अनुमान प्राप्त करने के लिए संयुक्त किया जाता है।

कई प्रतिगमन मॉडल के विषय में विवाद के प्रमुख बिंदुओं में से एक व्यापार-बंद सिद्धांत शामिल है ताकि इसके उपयोग में निहित हो। एक चर की X इकाइयों को दूसरे चर पर X इकाइयों के लिए प्रतिस्थापित किया जा सकता है या नहीं, यह हमेशा एक सवाल है। निश्चित रूप से विधि एक अत्यंत लचीली हो सकती है। एक ही या अलग-अलग भविष्यवक्ताओं का उपयोग करके कई नौकरियों में से प्रत्येक के लिए समीकरण स्थापित करना संभव है। परिणामस्वरूप, प्रत्येक नौकरी के लिए प्रत्येक व्यक्ति के लिए अनुमानित स्कोर की गणना की जा सकती है।

फिर निम्न प्रक्रियाओं में से एक या अधिक का उपयोग करके लोगों को एक विशिष्ट नौकरी पर रखा और रखा जा सकता है:

1. प्रत्येक व्यक्ति को उस नौकरी पर रखें, जिसके लिए अनुमानित स्कोर उच्चतम है। यह मानता है कि संगठन को सबसे अधिक लाभ होगा यदि प्रत्येक व्यक्ति को उस स्थान पर रखा जाए जहां उसके पास सबसे अधिक योग्यता है, भले ही उस योग्यता की पूर्ण राशि की परवाह किए बिना। यदि उस नौकरी में कोई पद नहीं खुला है, तो उसे दूसरी नौकरी पर रखा जाएगा, जिसके लिए उसे दूसरा "सर्वश्रेष्ठ मानदंड स्कोर प्राप्त हुआ।"

इस तरह की प्रक्रिया के साथ एक समस्या यह है कि यह संभव है कि नौकरियों में सफलता के लिए अलग-अलग न्यूनतम आवश्यकताएं हों। इस प्रकार, यह हो सकता है कि उसका सर्वश्रेष्ठ स्कोर (नौकरी ए के लिए अनुमानित प्रदर्शन) नौकरी ए पर अनुमानित सफलता के लिए पर्याप्त नहीं हो सकता है, जबकि उसका दूसरा सर्वश्रेष्ठ स्कोर (नौकरी बी पर पूर्वानुमानित प्रदर्शन) सफलता की भविष्यवाणी करने के लिए आवश्यक मूल्य से अधिक हो सकता है। नौकरी बी।

2. प्रत्येक व्यक्ति को उस नौकरी पर रखें जहाँ उसका अनुमानित स्कोर संतोषजनक माना जाना आवश्यक न्यूनतम स्कोर से कहीं अधिक है। यह विधि उस प्रणाली की कुल दक्षता से अधिक चिंतित है जिसके बजाय प्रत्येक व्यक्ति को उस सीमा पर रखा जाता है जिस पर वह सर्वश्रेष्ठ प्रदर्शन कर सकता है। यह किसी को भी नौकरी पर रखने से बचता है जहां उसका प्रदर्शन घटिया होगा।

एकाधिक कट-ऑफ सिस्टम:

यह कई प्रतिगमन प्रणाली की चर्चा में स्पष्ट रूप से इंगित किया गया था कि मॉडल का उपयोग भविष्यवक्ताओं और मानदंड के बीच रैखिक संबंधों को मानता है। इस तरह की प्रणाली पर अक्सर इस आधार पर आपत्ति जताई जाती है कि कई लक्षणों के लिए, अधिकांश सीमा पर पूर्वसूचक और मानदंड के बीच एक रैखिक संबंध हो सकता है, इस विशेषता के कुछ न्यूनतम स्वीकार्य राशि हो सकती है जो सफल होने के लिए आवश्यक है कार्यकर्ता। नौकरी के प्रदर्शन और परीक्षण के बीच इस तरह का संबंध चित्र 3.7 में दिखाया गया है।

चित्र 3.7 में पूर्वसूचक-मानदंड फ़ंक्शन दिखाता है कि जब कोई मानता है तो क्या होता है:

(1) नौकरी की सफलता के लिए आवश्यक कुछ कम से कम भविष्य कहनेवाला क्षमता (विशेषता X) है, और

(२) इस न्यूनतम से नीचे के गुणांक X में किसी भी तरह की कमी या कमी की भरपाई कुछ अन्य क्षमता के द्वारा नहीं की जा सकती है, जो नौकरी की सफलता की भविष्यवाणी करने के लिए भी दिखाई गई है।

ऐसी स्थिति का एक उदाहरण अच्छी दृष्टि और मैनुअल निपुणता दोनों के लिए आवश्यक असेंबली काम हो सकता है। आम तौर पर, कोई भी यह कह सकता है कि एक कार्यकर्ता की दृष्टि जितनी बेहतर होगी और उसकी निपुणता उतनी ही अधिक सफल होगी, जो उस कार्यकर्ता के काम पर जाएगा। हालांकि, दृष्टि आयाम के साथ एक बिंदु हो सकता है जिसके आगे किसी भी तरह की निपुणता मदद नहीं करेगी।

चयन और नियुक्ति प्रक्रिया जो न्यूनतम स्वीकार्य मूल्यों की इस समस्या को ध्यान में रखती है, को एकाधिक कट-ऑफ विधि कहा जाता है, जिसका अर्थ है कि प्रत्येक भविष्यवक्ता के लिए एक कट-ऑफ बिंदु अलग से स्थापित किया जाता है। जब तक किसी व्यक्ति को दिए गए काम के लिए सभी भविष्यवाणियों पर कट-ऑफ से ऊपर का स्कोर नहीं होता है, तब तक उसे उस नौकरी पर नहीं रखा जाएगा।

इस प्रकार, additively लक्षण की कोई अवधारणा इस पद्धति के साथ मौजूद है। किसी भी भविष्यवक्ता पर न्यूनतम से नीचे गिरना व्यक्ति को अयोग्य घोषित कर देगा। आंकड़े 3.8 और 3.9 आंकड़ों के लिए कई कट-ऑफ सिस्टम का उपयोग करके स्वीकृति और अस्वीकृति के क्षेत्रों को दिखाते हैं जो कि आंकड़े 3.5 और 3.6 में कई प्रतिगमन प्रणाली को चित्रित करने के लिए उपयोग किया जाता है।

शायद दो तरीकों की तुलना करने का सबसे अच्छा तरीका यह इंगित करना है कि वे किस तरह से नौकरी के लिए चुने जाएंगे, इसके संदर्भ में भिन्न हैं। चित्रा 3.10 दोनों चयन विधियों के लिए कट-ऑफ लाइनें दिखाती है। ध्यान दें, सबसे पहले, कि इस्तेमाल की गई विधि की परवाह किए बिना, क्षेत्र 7 में उन लोगों को हमेशा स्वीकार किया जाएगा और 1, 3, और 5 क्षेत्रों में उन लोगों को हमेशा खारिज कर दिया जाएगा। जिन लोगों को चयन प्रक्रिया के एक समारोह के रूप में अंतर माना जाएगा, वे क्षेत्र 2, 4 और 6 हैं।

एकाधिक प्रतिगमन चयन प्रणाली का उपयोग करते हुए, क्षेत्रों 2 और 6 के सभी लोगों को स्वीकार किया जाएगा, जबकि क्षेत्र 4 में उन लोगों को अस्वीकार कर दिया जाएगा। रिवर्स कई कट-ऑफ प्रक्रिया का उपयोग करके होगा; क्षेत्र 4 के लोगों को स्वीकार किया जाएगा और 2 और 6 के क्षेत्रों को अस्वीकार कर दिया जाएगा। इस प्रकार यह प्रश्न व्यक्तियों के इन दो समूहों के सापेक्ष वांछनीयता में से एक का समाधान करता है।

समाधान गणितीय रूप से जटिल है और भगवान (1963) द्वारा दिखाया गया है कि मुख्य रूप से दो भविष्यवक्ताओं की विश्वसनीयता का कार्य है। वास्तव में, अधिकांश परिस्थितियों में शायद न तो प्रक्रिया उच्चतम औसत मानदंड स्कोर वाले कर्मचारियों के उस समूह को चुनने में सबसे अच्छा समाधान देती है। इसके बजाय, इष्टतम चयन रणनीति दो तरीकों के बीच किसी प्रकार का समझौता प्रतीत होती है (चित्र 3.10 में बिंदीदार रेखा देखें)।

कटिंग स्कोर का निर्धारण:

यदि कोई कई कटिंग स्कोर तकनीक को अपनाता है, तो प्रत्येक भविष्यवक्ता के लिए अलग-अलग न्यूनतम स्वीकार्य स्कोर तय करना आवश्यक हो जाता है। यह एक आसान काम नहीं है क्योंकि नीचे एक स्कोर स्थापित करने का कोई निर्दिष्ट "सही" तरीका नहीं है जिसके तहत सभी लोग अयोग्य हो जाएंगे। चयन अनुपात में शामिल रिश्तों और कर्मचारियों के प्रतिशत को संतोषजनक (कटिंग स्कोर) माना जाता है, वह यह देखना शुरू कर देगा कि दो भविष्यवक्ता शामिल होने पर समस्या कितनी जटिल है।

आम तौर पर, स्कोर मानों को स्थापित करने की प्रक्रिया परीक्षण और त्रुटि में से एक बन जाती है जिसमें प्रत्येक भविष्यवक्ता के लिए अलग-अलग मान आज़माए जाते हैं। कटिंग स्कोर की प्रत्येक जोड़ी के लिए, शोधकर्ता को यह निर्धारित करना चाहिए कि चयनित कटिंग स्कोर संयोजनों के संबंध में उन चयनित लोगों का औसत या समग्र मानदंड कितना ऊंचा है। उसे आवेदकों की कुल संख्या (चयन अनुपात माप) के संबंध में नौकरी के उद्घाटन की संख्या को भी ध्यान में रखना चाहिए।

कई कटाव स्कोर के लाभ, लाभ, और नुकसान:

ऊपर वर्णित बिंदुओं को संक्षेप में बताने के लिए, स्कोर काटने की विधि वास्तव में भविष्यवक्ताओं और कसौटी के बीच एक nonlinear संबंध मानती है। दूसरा, यह कम से कम सीमा के कुछ हिस्सों में परीक्षण स्कोर के प्रतिस्थापन की अवधारणा को नष्ट कर देता है। एक स्पष्ट लाभ यह है कि यह आमतौर पर कर्मियों को लागू करने के लिए एक आसान तरीका है क्योंकि कोई विस्तृत कम्प्यूटेशनल प्रक्रियाओं या सूत्रों की आवश्यकता नहीं होती है।

हालांकि, जैसा कि उल्लेख किया गया था, कटिंग स्कोर प्राप्त करने के लिए एक निश्चित राशि का परीक्षण और त्रुटि आवश्यक है जो सबसे संतोषजनक तरीके से काम करेगा। इसके अधिक महत्वपूर्ण नुकसानों में से एक यह है कि यह प्रत्येक व्यक्ति के लिए एक भी अंक प्रदान नहीं करता है, जिसका उपयोग यह अनुमान लगाने के लिए किया जा सकता है कि वह एक नौकरी पर दूसरी नौकरी के सापेक्ष कितना सफल होगा। इस प्रकार, कटिंग स्कोर के माध्यम से वास्तविक नौकरी प्लेसमेंट अत्यधिक बोझिल हो सकता है।

प्रोफ़ाइल मिलान प्रणाली:

कर्मचारी चयन और प्लेसमेंट के लिए एक तीसरा तरीका है प्रोफाइल मिलान प्रणाली। इस पद्धति के कई संस्करण हैं जो मुख्य रूप से प्रोफाइल के मिलान के तरीके से भिन्न हैं। हालाँकि, प्रक्रिया के शेष पहलू संस्करण से संस्करण के बजाय अपरिवर्तनीय हैं। विधि ही सरल है। यदि किसी के k चर (भविष्यवक्ता) हैं, जिन्हें काम पर सफलता के लिए महत्वपूर्ण माना जाता है, तो इनमें से प्रत्येक k भविष्यवक्ता के काम पर सभी "सफल" कर्मचारियों को मापता है। स्कोर को तब एक सफल कार्यकर्ता की "विशिष्ट" प्रोफाइल प्राप्त करने के लिए औसत किया जाता है। चित्र 3.11 में एक काल्पनिक विशिष्ट प्रोफ़ाइल दिखाई गई है।

इस उदाहरण में नौकरी के लिए विशिष्ट सफल कार्यकर्ता का वर्णन करने के लिए दस भविष्यवक्ताओं का उपयोग किया गया है। जैसा कि डेटा इंगित करता है, नौकरी ए पर एक सफल कार्यकर्ता 2, 3, 5, 6 पर उच्च स्कोर (अन्य श्रमिकों के सापेक्ष) होगा।, और 8. चर 1, 4, 7, 9 और 10 पर उनके स्कोर सामान्य रूप से श्रमिकों के औसत प्रदर्शन से बहुत भिन्न नहीं हैं। एक बार इस प्रकार की आदर्श प्रोफ़ाइल प्राप्त हो जाने के बाद, इसे तब एक मानक के रूप में उपयोग किया जाता है, जिसके विरुद्ध सभी नए आवेदकों के व्यक्तिगत प्रोफाइल की तुलना की जाती है।

इस बिंदु पर प्रोफ़ाइल विधि में दो नहीं बल्कि महत्वपूर्ण सवाल उठते हैं। सबसे पहले, कोई यह कैसे तय करता है कि भविष्यवक्ता क्या प्रासंगिक हैं, अर्थात, किन लोगों को प्रोफ़ाइल में शामिल किया जाना चाहिए? दूसरा, यह देखते हुए कि प्रोफ़ाइल तत्वों को सफलतापूर्वक चुना गया है, कोई व्यक्ति किसी व्यक्ति की प्रोफ़ाइल को आदर्श प्रोफ़ाइल से मेल खाने वाली डिग्री को पर्याप्त रूप से कैसे निर्धारित करता है? जिस तरह से इन दो समस्याओं को हल किया जाता है, वह किसी भी प्रोफ़ाइल मिलान प्रणाली की अंतिम ध्वनि और वैधता को काफी प्रभावित कर सकता है।

प्रोफ़ाइल तत्वों का चयन:

प्रत्येक प्रोफ़ाइल तत्व का उपयोग नौकरी की सफलता के पूर्वसूचक के रूप में किया जाता है, जैसा कि पहले चर्चा की गई विधियों में पूर्वसूचक हैं। तब प्रत्येक प्रोफाइल तत्व की वैधता स्थापित करने के लिए निश्चित रूप से आवश्यक है कि इसे काम पर रखने और / या व्यक्तियों को रखने के साधन के रूप में उपयोग करें। उदाहरण के लिए, हमारे पास क्या आश्वासन है कि गरीब या असंतोषजनक श्रमिकों के पास एक समग्र प्रोफ़ाइल नहीं है जो बिल्कुल वैसा ही दिखता है जैसा कि चित्र 3.11 में दिखाया गया है? हमारे पास कोई भी नहीं है, वास्तव में, जब तक कि हम अनुभवजन्य रूप से यह पता लगाने के लिए आगे नहीं बढ़ते हैं कि असंतोषजनक समग्रता वास्तव में एक ही लक्षण और कंप्यूटिंग समूह औसत पर इन लोगों के एक समूह को मापने के द्वारा कैसा दिखता है।

यह स्पष्ट होना चाहिए कि केवल उन भविष्यवाणियों जो संतोषजनक और असंतोषजनक समूहों के बीच औसत स्कोर में महत्वपूर्ण अंतर प्रदर्शित करते हैं, उन्हें आदर्श प्रोफ़ाइल पर शामिल किया जाना चाहिए। कोई भी गुण जो "अच्छे" और "गरीब" कर्मचारियों के बीच स्पष्ट रूप से अंतर नहीं करता है, केवल चयन प्रक्रिया में हस्तक्षेप होने से त्रुटि और भ्रम को जोड़ देगा। चूंकि प्रत्येक गुण का सत्यापन एक आवश्यक है (लेकिन सभी को अक्सर अनदेखा किया जाता है) प्रोफ़ाइल आइटम चयन में कदम है, यह पूछने का एक वैध प्रश्न हो सकता है कि क्यों न केवल एक एकाधिक प्रतिगमन समीकरण (या शायद एक भी कट-ऑफ में सभी प्रोफ़ाइल भविष्यवाणियों का उपयोग करें) )। दरअसल, इसका उत्तर इस बात पर निर्भर करता है कि प्रोफाइल की तुलना के लिए कौन सी विधि नियोजित है, जैसा कि निम्नलिखित अनुभाग में देखा जाएगा।

तुलनात्मक प्रोफाइल के तरीके:

दो अलग-अलग प्रक्रियाएं हैं जिन्हें प्रत्येक व्यक्ति के प्रोफाइल की तुलना आदर्श-लाभकारी के रूप में किया जा सकता है। एक विधि उन लोगों का चयन करती है जिनके पास प्रोफ़ाइल हैं जो समग्र रूप से सबसे निकटता से मेल खाते हैं। यह बदले में प्रक्रियाओं का एक विकल्प होता है, इस पर निर्भर करता है कि टर्म मैच को कैसे परिभाषित किया जाता है।

एक अच्छे मैच को परिभाषित करने का एक तरीका यह है कि एक प्रोफ़ाइल के अंक दूसरे प्रोफ़ाइल के बिंदुओं के जितने करीब होंगे, उतना ही बेहतर होगा। इस पद्धति, तब, समानता (या असमानता) का एक उपाय प्राप्त करने के लिए प्रत्येक विशेषता पर दो अंकों के बीच के अंतर का उपयोग करती है। सबसे सामान्य प्रक्रिया इन अंतरों की गणना करती है, उन्हें वर्ग बनाती है, और फिर उन्हें समानता का माप प्राप्त करने के लिए जोड़ देती है। इस प्रकार, यदि हमारे पास k लक्षण के साथ एक प्रोफ़ाइल है, और यदि हम आगे परिभाषित करते हैं

एक्स _आईजे - विशेषता जे पर व्यक्ति का स्कोर

X _8j = विशेषता j पर मानक प्रोफ़ाइल का स्कोर

फिर D ² = (X _ij - X _aj ) 2

और profileD ² उस डिग्री का प्रतिनिधित्व करता है, जिस व्यक्ति की प्रोफ़ाइल मैं मानक प्रोफ़ाइल से मेल खाता था। बड़ा .D ², मैच जितना खराब। यह महसूस करना महत्वपूर्ण है कि डी ² विधि खुद से बिल्कुल भी चिंता नहीं करती है कि व्यक्ति के स्कोर मैं कंपोजिट के ऊपर या नीचे गिरता हूं या नहीं, इस मिलान प्रक्रिया के साथ दिशा महत्वपूर्ण नहीं है। सभी मायने रखता है प्रोफ़ाइल बिंदुओं की निकटता।

प्रोफ़ाइल समानता को परिभाषित करने का एक दूसरा तरीका हमारे पुराने मित्र के सहसंबंध गुणांक के रूप में व्यक्त किया गया है। व्यक्तिगत स्कोर के बीच एक उच्च सहसंबंध प्रोफ़ाइल है और आदर्श प्रोफ़ाइल के स्कोर इंगित करते हैं कि दो प्रोफाइल में समान पैटर्न हैं, अर्थात, व्यक्तिगत रूप से मैं उन लक्षणों पर उच्च स्कोर करता हूं, जिन पर आदर्श प्रोफ़ाइल में भी उच्च स्कोर हैं और वह उन पर कम स्कोर करता है लक्षण जहां आदर्श प्रोफ़ाइल भी कम स्कोर है। चित्रा 3.12 उन प्रोफाइलों के उदाहरण दिखाती है, जो बताती हैं कि समानता का आकलन करने के लिए विभिन्न तरीकों के उपयोग से विभिन्न व्यक्तियों को नौकरी के लिए चुना जा सकता है। चित्र 3.12 की परीक्षा से यह पता चलता है कि व्यक्ति B के अंकों का सामान्य पैटर्न आदर्श या मानक प्रोफ़ाइल की नकल करता है, जो व्यक्ति A के अंकों की तुलना में अधिक निकटता से करता है।

हालांकि, व्यक्ति ए द्वारा प्राप्त वास्तविक स्कोर व्यक्तिगत बी प्रोफाइल पर स्कोर की तुलना में मानक प्रोफाइल के मूल्य के करीब प्रतीत होता है। इसलिए, हम यह अनुमान लगा सकते हैं कि व्यक्तिगत A के पास निम्न (अधिक वांछनीय) shouldD ² स्कोर होना चाहिए जबकि व्यक्तिगत B का मानक के साथ उच्च सहसंबंध (अधिक वांछनीय) होना चाहिए।

जैसा कि तालिका 3.3 में डेटा इंगित करता है, वास्तव में ऐसा ही होता है। जब चित्रा 3.12 में दिए गए मानों का उपयोग 2D ², व्यक्ति A के स्कोर (2D ² _as ) की गणना 500 के लिए किया जाता है, जबकि व्यक्ति B का स्कोर (2D ² _bs ) बहुत बड़ा होता है, जिसका मान 2000 होता है। दूसरी ओर, जब प्रोफ़ाइलों के बीच सहसंबंधों की गणना की जाती है, प्रोफ़ाइल A और मानक प्रोफ़ाइल के बीच संबंध को r = = 1.00 के _रूप में परिकलित किया _{जाता है}, जबकि प्रोफ़ाइल B और मानक, r b के बीच संबंध, 1.00-पूर्ण अनुबंध हो जाता है। इस प्रकार, यदि D2 पद्धति को चयन मानदंड के रूप में उपयोग किया जाता है, तो हम व्यक्ति A का चयन करेंगे; यदि हम विधि के रूप में प्रोफाइल के बीच सहसंबंध का उपयोग करते हैं, तो हम व्यक्ति बी का चयन करेंगे।

एक प्रक्रिया का चयन:

कौन सी प्रक्रिया सबसे अच्छी है यह एक प्रश्न है जिसका उत्तर केवल किसी विशेष सेटिंग में अनुभवजन्य साधनों द्वारा दिया जा सकता है। सभी संभावना में, हालांकि, न तो डी 2 और न ही सहसंबंध विधि सबसे अच्छी तकनीक है। यदि प्रोफ़ाइल पर लक्षण अच्छे और गरीब कर्मचारियों के बीच काफी भेदभाव किए जाने के आधार पर चुने गए हैं (जैसा कि वास्तव में उन्हें निश्चित रूप से चुना जाना चाहिए),, तो तार्किक कटौती यह है कि किसी विशेषता पर उच्च अंक वांछित हैं और कम स्कोरर से बचा जाना चाहिए (या इसके विपरीत, विशेषता के आधार पर)।

यदि हम मानते हैं, जैसा कि हमारे पास आम तौर पर है, कि प्रोफ़ाइल पर प्रत्येक विशेषता और नौकरी की सफलता के बीच महत्वपूर्ण संबंध सकारात्मक और रैखिक है, तो हम निम्नलिखित प्रक्रियाओं में से एक के अनुसार लोगों का चयन करना चाहेंगे:

1. उन लोगों का चयन करें जिनके प्रोफ़ाइल अंक उच्चतम हैं, अर्थात, उनका औसत प्रोफ़ाइल स्कोर चयन सूचकांक के रूप में उपयोग किया जाता है। इस प्रक्रिया का उपयोग करके एक व्यक्ति के पास एक बड़ा andD ² स्कोर हो सकता है और अभी भी चुना जा सकता है, जब तक कि उसके प्रोफ़ाइल अंक मानक के लिए संबंधित प्रोफ़ाइल बिंदुओं से ऊपर होने की प्रवृत्ति रखते हैं। यह प्रक्रिया एक बहु प्रतिगमन चयन मॉडल का उपयोग करने के लिए समान है जहां प्रत्येक प्रोफ़ाइल विशेषता एक भविष्यवक्ता है और प्रतिगमन भार प्रत्येक भविष्यवक्ता के लिए समान माना जाता है। एक विशेषता पर कम प्रोफ़ाइल स्कोर की भरपाई दूसरे प्रोफ़ाइल के उच्च प्रोफ़ाइल स्कोर द्वारा की जा सकती है।

2. उन लोगों का चयन करें, जिनके पास उच्चतम औसत प्रोफ़ाइल स्कोर के साथ प्रोफ़ाइल हैं और जिनके अंक सभी उनके संबंधित आदर्श प्रोफ़ाइल समकक्षों से ऊपर हैं। यह, निश्चित रूप से, कई कट-ऑफ चयन विधि और कई प्रतिगमन विधि के संयोजन के बराबर है।

आदर्श प्रोफ़ाइल बिंदुओं का उपयोग न्यूनतम स्वीकार्य स्कोर मूल्यों को स्थापित करने के लिए किया जाता है। इस प्रकार अर्हक सभी लोगों का मूल्यांकन कई प्रतिगमन प्रणाली के माध्यम से किया जाता है। इस तरह की प्रक्रिया शायद केवल उन मामलों में काम कर सकती है जहां चयन अनुपात पर्याप्त रूप से छोटा है, ताकि किसी को कड़े कट-ऑफ मानों को नियोजित करने में सक्षम किया जा सके। निश्चित रूप से सफल कर्मचारियों के समूह के लिए प्रत्येक विशेषता पर औसत स्कोर का उपयोग करने के लिए न्यूनतम स्वीकार्य मूल्य नए आवेदकों के लिए एक कड़ी बाधा पैदा कर रहे हैं।

इनमें से किसी भी बाद की प्रक्रिया पहले दो प्रक्रियाओं, डी 'या आर की तुलना में चयन के लिए प्रोफाइल का उपयोग करने के लिए एक और अधिक उचित तरीका लगता है। एक "आदर्श" प्रोफाइल की अवधारणा जिसमें किसी भी दिशा में विचलन को बुरा माना जाता है डी तार्किक आधार पर गंभीरता से पूछताछ कर सकता है।

एकाधिक बाधा प्रणाली:

अधिकांश चयन स्थितियों में नौकरी आवेदन के समय प्राप्त एक या एक से अधिक भविष्य कहनेवाला उपायों के उपयोग के माध्यम से किसी कार्य पर बाद की सफलता की भविष्यवाणी करने के प्रयास शामिल हैं। हालाँकि, प्रबंधन प्रशिक्षण जैसी कुछ चयन स्थितियों में कुछ समय के बाद कुछ लंबी अवधि और अंतिम मूल्यांकन शामिल हैं, लेकिन प्रगति के विभिन्न बिंदुओं पर अंतरिम मूल्यांकन या बाधा के साथ।

चित्रा 3.13 में चित्रित स्थिति पर विचार करें। यहां हमने एक प्रशिक्षण कार्यक्रम को आरेखित किया है जो एक बड़े निगम द्वारा स्क्रीनिंग, प्रशिक्षण और निगम के भीतर नए कॉलेज स्नातकों को रखने के साधन के रूप में उपयोग किया जा सकता है। कंपनी शुरू में कॉलेज के स्नातकों की दी गई संख्या को काम पर रखती है, शायद कॉलेज ग्रेड, साक्षात्कार, सिफारिश के पत्र और लोगों का चयन करने के साधन के रूप में परीक्षण। सभी को बताया जाता है कि उनका चयन परिवीक्षाधीन आधार पर है और उनके प्रशिक्षण कार्यक्रम के दौरान उनका लगातार मूल्यांकन किया जाएगा। यदि प्रशिक्षण के दौरान प्रदर्शन संतोषजनक नहीं है, तो उन्हें कार्यक्रम से जारी किया जा सकता है।

प्रत्येक व्यक्ति के बारे में सटीक निर्णय लेना कंपनी के हित में निश्चित रूप से संभव है। इसी तरह, यह कर्मचारी के हित में समान रूप से है कि जल्द से जल्द निर्णय लिया जाए। हालांकि, प्रशिक्षण कार्यक्रम के परिणामस्वरूप सफलता की भविष्यवाणी करना जिस हद तक संभव है, वह सही है (यानी वैधता बढ़ जाती है) अब हम प्रशिक्षण के दौरान व्यक्ति के प्रदर्शन का निरीक्षण करने में सक्षम हैं। तीसरे मूल्यांकन की अवधि के अंत तक हमें निश्चित रूप से अधिक सटीक अनुमान लगाने में सक्षम होना चाहिए कि क्या ट्राम उस पाठ्यक्रम को सफलतापूर्वक समाप्त करने जा रहा है, जब हम उस समय काम पर रखने में सक्षम थे।

कॉलेज के छात्रों के अंतिम ग्रेड की भविष्यवाणी करने की समस्या के लिए स्थिति काफी अनुरूप है। जाहिर है, कोई उस समय तक बेहतर भविष्यवाणियां कर सकता है जब वह अपने वरिष्ठ वर्ष की शुरुआत कर रहा होता है, जब वह कॉलेज में प्रवेश करता है। चित्रा 3.14 वैधता में परिवर्तन को दर्शाता है कि कोई व्यक्ति ऐसी स्थिति में होने की उम्मीद कर सकता है जैसे कि चित्र 3.13 में चित्र।

एक अर्थ में एक स्थिति के यांत्रिकी जैसा कि चित्रा 3.13 में दिखाया गया है, सामान्य रूप से कई पूर्वानुमानकर्ता स्थितियों के समान हैं: सफलता की भविष्यवाणियों की संख्या उपलब्ध है, लेकिन प्रत्येक अतिरिक्त भविष्यवक्ता को प्राप्त करने के लिए यह आवश्यक है कि अतिरिक्त समय और धन का निवेश किया जाए। प्रशिक्षु। अनुक्रमिक भविष्यवाणियों का उपयोग कई तरीकों से किया जाता है।

सबसे अधिक बार, निम्न विधियों में से एक कार्यरत है:

1. प्रत्येक मूल्यांकन चरण में एक व्यक्ति को कुछ न्यूनतम वांछनीय स्कोर से ऊपर होना चाहिए। इस प्रकार, प्रत्येक चरण एक बाधा बन जाता है जिसे प्रशिक्षु को स्पष्ट करना चाहिए कि क्या उसे कार्यक्रम में रखा जाना है।

2. प्रत्येक क्रमिक मूल्यांकन बिंदु पर एक समग्र एकाधिक प्रतिगमन की गणना की जाती है, और कार्यक्रम में शेष प्रत्येक व्यक्ति के लिए सफलता की संभावना की गणना की जाती है। जब भी यह संभावना कुछ मनमाने मूल्य से नीचे चली जाती है (उदाहरण के लिए, 25 प्रतिशत), उसे कार्यक्रम से हटा दिया जाता है।

सीमा के प्रतिबंध की समस्या:

अनुक्रमिक चयन स्थितियों में उभरने वाली एक कठिनाई वैधता अनुमानों पर "रेंज के प्रतिबंध" के प्रभाव के रूप में ज्ञात एक समस्या है। यदि हमने शुरू में लोगों का चयन करने के लिए 1 का पूर्वानुमान लगाया है, और फिर यदि हम बाद में पूर्वसूचक I और मानदंड के बीच सहसंबंध की गणना करते हैं या किसी अन्य भविष्यवक्ता 2 और कसौटी के बीच सहसंबंध की गणना करते हैं, तो हमारी गणना वैधता गुणांक r _1c या r _2c lection जगह ले ली । प्राइलेक्ट करके हमने क्षमता की सीमा (और इसलिए भविष्यवक्ता स्कोर) को सीमित कर दिया है जो सहसंबंध गुणांक को कम कर देगा। वास्तव में, हमारे भविष्यवक्ता 1 आंशिक सहसंबंध में नियंत्रण चर के समान तरीके से कार्य करते हैं; चूंकि यह पहले से ही विचरण के एक हिस्से के लिए जिम्मेदार है, इसलिए सहसंबंध r _2c कम हो जाएगा। वास्तव में वैधता आर _{2 सी} क्या है, इसका अनुमान लगाने के लिए, एक सुधार सूत्र का उपयोग कर सकता है।