Comment la portion de biais de contamination du critère contribue-t-elle à un coefficient de validité anormalement élevé?

Auparavant, le terme contamination par critère était défini comme la partie du critère réel qui ne chevauchait pas avec le critère ultime. En outre, il a été souligné que le critère de contamination se composait de deux parties, l’erreur et le biais. Erreur, par définition; est généralement considérée comme une variation aléatoire et ne peut, sauf par hasard, être corrélée avec quoi que ce soit, y compris la variable prédictive. Cependant, la portion de biais de la contamination par critère est une variation systématique et peut être corrélée avec le prédicteur. Ceci est visible dans notre modèle, où une contamination corrélée à un prédicteur (qui doit donc être un biais corrélé à un prédicteur) contribue à une validité obtenue extrêmement élevée.

Quels types de biais sont susceptibles d'entrer dans la contamination par critère et quels types sont également susceptibles d'être corrélés à la variable prédictive? Peut-être que la définition formelle du biais de critère donnée par Brogden et Taylor (1950) aidera à répondre à cette question.

Ils définissent le biais en termes de «toute variable, à l'exception des erreurs de mesure et d'erreur d'échantillonnage, produisant un écart des scores obtenus par rapport aux critères obtenus par rapport à un score hypothétique« réel ». La figure 6.4 illustre ce point. De tels facteurs biaisants sont plus fréquents qu'on pourrait le penser et doivent être surveillés de près. Ils peuvent survenir en raison de diverses circonstances et en fonction d’un certain nombre de variables.

1. Biais d'opportunité:

Ce type de biais de critère renvoie aux situations dans lesquelles des facteurs indépendants de la volonté du travailleur ont une influence considérable sur la quantité produite. Les exemples de biais d'opportunité sont nombreux. Dans le travail de vente, le territoire ou le comptoir de vente peut affecter le volume des ventes d'un employé, peut-être même plus que ses propres capacités. Dans le travail en usine, le biais d’opportunité peut être attribué à des choses aussi simples que la qualité des outils et l’état des machines dont dispose un ouvrier, qu’il travaille ou non, le travail de jour ou de nuit, le lieu de travail de son poste de travail, sa qualité. son éclairage est, et une variété d'autres variables.

En bref, à moins que les environnements de travail et les travaux ne soient identiques, la comparaison des enregistrements de performances de travail entre individus présente des limites. Si la performance au travail est corrélée avec des prédicteurs dans de telles circonstances, on ne peut vraiment pas savoir si la corrélation résultante est une corrélation avec la vraie performance au travail ou est principalement une corrélation avec, par exemple, la qualité de son poste de travail. Bien que le biais d'opportunité ne soit pas nécessairement en corrélation avec le prédicteur, même s'il est dépourvu de prédicteur, il aura une influence sur la validité obtenue.

On peut souvent trouver d'autres exemples plus subtils de biais d'opportunité en examinant de plus près la validité des prédicteurs d'éléments tels que l'âge et l'expérience. Dans de nombreux emplois, les personnes plus âgées et plus expérimentées obtiennent de meilleurs scores de performance simplement en raison de l'ancienneté du syndicat, en ce sens qu'elles obtiennent les meilleurs postes de travail, de meilleurs comptoirs de vente, etc.

2. Biais caractéristique du groupe:

Une autre source importante de biais de critère concerne les caractéristiques du groupe auquel une personne appartient. Par exemple, si une personne appartient à un groupe qui limite artificiellement la productivité de ses membres, les données des critères seront clairement biaisées. De même, si une personne appartient à un groupe présélectionné a priori, et si ce groupe est ensuite comparé à un groupe non sélectionné, toute variable de sélection associée à la variable a priori est susceptible de présenter une validité fallacieuse.

Brogden et Taylor (1950) donnent un exemple de la situation dans laquelle un exécutif a décrété que tous les employés de bureau embauchés devaient avoir une éducation secondaire. Si, aux fins de la validation des tests, un groupe d’employés est comparé à un échantillon de candidats, il est pratiquement certain que tout prédicteur susceptible d’être en corrélation avec le niveau d’éducation démontrera sa validité!

Le problème de l'âge et de la durée de l'emploi est une autre illustration du biais d'opportunité. Lorsque le poste est un poste dans lequel la productivité tend à augmenter avec l’expérience et où il existe un large éventail d’expériences (c’est-à-dire qu’il ya des employés expérimentés et des employés inexpérimentés), il est inévitable que le critère (productivité) et l’expérience soient corrélés. . Ainsi, le critère est biaisé par la caractéristique de l'expérience, et tout prédicteur susceptible de se corréler avec l'expérience est susceptible de se retrouver avec une validité faussement élevée.

3. Biais dans les évaluations:

L'un des critères les plus fréquemment utilisés dans l'industrie - l'évaluation de la compétence par les superviseurs - est également sujet à des biais. Il convient de souligner ici que toutes les sources habituelles de biais dans les enregistrements de production sont également susceptibles de biaiser les évaluations des compétences individuelles. Les superviseurs peuvent-ils, lorsqu’ils évaluent leurs compétences, procéder à des ajustements pour tenir compte de l’inégalité des chances entre ceux qui sont évalués? S'ils le peuvent, leurs cotes vont conduire à un critère moins biaisé que le record de production réel ne le serait.

L’effet de biais le plus souvent cité dans les notations est le phénomène appelé «effet de halo». En bref, il s’agit de la situation dans laquelle un évaluateur considère qu’une personne est remarquable pour tous les traits simplement parce qu’elle (la personne évaluée) en possède un exceptionnel. caractéristiques.

Par exemple, si une personne a remarquablement performé dans un aspect du travail, une erreur de halo serait commise si nous supposions que la personne doit également être performante dans tous les autres aspects de son travail. Les erreurs de halo se produisent souvent lorsque l’on demande à un évaluateur d’évaluer des personnes ayant une personnalité agréable («Si une personne est belle, il doit aussi être capable») et des caractéristiques agréables («Si une fille est jolie, elle doit aussi être talentueuse»). Bien sûr, les tests fortement corrélés avec les notes ayant un biais de halo peuvent simplement être en corrélation avec la variable halo plutôt qu'avec la «vraie» compétence professionnelle.

4. Connaissance du biais des prédicteurs:

Lorsque les données de critère sont obtenues à l'aide de notations, l'erreur la plus grave qui puisse se produire est que l'évaluateur ait une connaissance préalable des scores du prédicteur. Ceci s'appelle la connaissance du biais de prédicteur. Si un évaluateur connaît les scores que les personnes ont obtenus avec la variable prédictive, il est tout à fait possible qu'il laisse ses jugements de critères influencés par cette connaissance. Une telle erreur peut entraîner une augmentation totalement fausse de la validité obtenue.

Malheureusement, non seulement ce type d'erreur est le plus grave dans les critères d'évaluation (puisqu'il s'agit par définition d'un biais qui sera toujours corrélé par un prédicteur), mais il s'agit également de l'une des erreurs les plus fréquemment rencontrées. Les exemples sont peut-être les plus faciles à trouver dans les établissements scolaires, où les enseignants jugent du talent académique de leurs élèves après avoir vu leurs scores aux tests d'entrée.

On ne saurait trop insister sur la nécessité absolue de toujours isoler les informations relatives aux prédicteurs des personnes fournissant des données de critères. Ainsi, les superviseurs ne devraient jamais avoir accès aux scores de la batterie de tests d'un candidat. Une fois que ce biais de contamination est apparu, toute tentative ultérieure de validation empirique du test peut facilement entraîner des coefficients de corrélation sur-gonflés.