SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT · Screening via sociale media bij assessment is dit...

SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT OVEREENKOMST MET TRADITIONELE INSTRUMENTEN? Gail Carpentier Studentennummer: 01304672 Promotor: Prof. Dr. Filip Lievens Begeleiding: Prof. Dr. Filip Lievens Masterproef voorgelegd tot het behalen van de graad Master in de Psychologie, afstudeerrichting Bedrijfspsychologie en Personeelsbeleid Academiejaar: 2017 – 2018 Eerste examenperiode

SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT

II

Ondergetekende, Gail Carpentier, geeft toelating tot het raadplegen van deze Masterproef door derden.


III

Dankwoord

Een Masterproef maak je nooit alleen. Daarom wil ik graag van de gelegenheid gebruik

maken om enkele personen te bedanken.

In eerste instantie wil ik mijn promotor Prof. Dr. Filip Lievens bedanken, die mede de rol

van begeleider op zich nam. Ondanks – letterlijk – een wereld van verschil, kon ik door

zijn jaren ervaring in dit onderzoeksveld altijd op de nodige bijstand rekenen. Het was

me een waar genoegen om telkens te kunnen terugvallen op zijn wijsheden die me steeds

een stap verder in de juiste richting duwden. Ook Christoph Herde wil ik bedanken. Dit

om de aanzet te geven bij de statistische analyses en om me het gevoel te geven iets meer

expert dan leek te zijn geworden in de wondere wereld van SPSS.

Daarnaast wil ik uiteraard mijn ouders bedanken die me de kans gaven om deze opleiding

te volgen en die steevast in me geloofden de voorbije vijf jaar. Eveneens mijn vriend, die

de laatste twee jaar als een waar klankbord fungeerde, ben ik zeer dankbaar. Hij gaf me

de onvoorwaardelijke steun die ik nodig had tijdens woelige periodes. Alsook mijn beide

broers, schoonzussen en vele vriend(inn)en verdienen een plaatsje in mijn dankwoord

voor hun luisterend oor en de ontspannende babbels.

Tot slot wil ik mijn participanten bedanken. Zonder hun inzet en het raadplegen van hun

eigen netwerk zou deze Masterproef niet zijn wat ze is.


IV

Abstract

Screening via sociale media bij assessment, ofwel social media assessment, is een

belangrijke techniek geworden in het screeningsproces bij aanwerving van een sollicitant.

Echter blijft de link tussen social media assessment en taakgedrag nog onduidelijk. In

deze Masterproef wordt dit begrip in eerste instantie theoretisch gedefinieerd en

onderzocht aan de hand van bestaande literatuur. De voor- en nadelen van twee

benaderingen, namelijk de uitvoering door de mens als door een “machine”, worden

uitvoerig opgelijst. Ook de validiteit en betrouwbaarheid van beide benaderingen worden

beschreven. In het tweede deel van deze Masterproef wordt dieper ingegaan op de

“machinale” uitvoering van social media assessment, met name aan de hand van het

programma Linguistic Inquiry and Word Count (LIWC) ontworpen door Pennebaker. Zo

wordt er praktisch onderzocht of een “machine”, zoals LIWC, informatie kan halen uit

de sociale netwerksites Facebook en Twitter die consistent is met traditionele

instrumenten, zoals een persoonlijkheidsvragenlijst. Daarna wordt de voorspellende

waarde van social media assessment aan de hand van LIWC nagegaan voor taakgedrag.

De steekproef bestaat uit 71 participanten en 159 derden, hetzij collega’s of

leidinggevenden. De metingen zijn enerzijds gebaseerd op een (zelf)beoordeling op de

Big Five persoonlijkheidstrekken, anderzijds op taakgedrag van de participant beoordeeld

door de derden. Uit de resultaten blijkt dat social media assessment voorlopig eerder een

belofte blijft. Er wordt slechts gedeeltelijke evidentie teruggevonden voor de drie

hypotheses, waardoor er geen sluitend antwoord kan gegeven worden op de vraag of

social media assessment al dan niet te verantwoorden valt. Verder onderzoek is

noodzakelijk.


V

Inhoudsopgave

INLEIDING ...................................................................................................................... 1Probleemstelling ........................................................................................................... 1Sociale Media ................................................................................................................ 1Social Media Assessment .............................................................................................. 3De Mens binnen Social Media Assessment ................................................................... 3

Rol Rekruteerder ....................................................................................................... 3Belang en Relevantie ................................................................................................ 4Voordelen .................................................................................................................. 5Nadelen ..................................................................................................................... 8Validiteit en Betrouwbaarheid ................................................................................ 13

De Machine binnen Social Media Assessment ............................................................ 15Linguistic Inquiry and Word Count (LIWC) .......................................................... 15Belang en Relevantie .............................................................................................. 16Voordelen ................................................................................................................ 18Nadelen ................................................................................................................... 19Validiteit en Betrouwbaarheid ................................................................................ 20

Conclusie ..................................................................................................................... 22Doelstelling ............................................................................................................. 22Onderzoeksvragen en Hypotheses .......................................................................... 22

METHODE ..................................................................................................................... 24Steekproef .................................................................................................................... 24

Participanten ........................................................................................................... 24Derden ..................................................................................................................... 24

Procedure .................................................................................................................... 25Materiaal ..................................................................................................................... 26

Vragenlijst Participant ............................................................................................ 26Vragenlijst Derde .................................................................................................... 27Linguistic Inquiry and Word Count (LIWC) .......................................................... 29

Statistische Analyse ..................................................................................................... 32

RESULTATEN ............................................................................................................... 32Hypothese 1 ............................................................................................................ 32Hypothese 2 ............................................................................................................ 35Hypothese 3 ............................................................................................................ 39

DISCUSSIE .................................................................................................................... 42Bespreking Onderzoeksresultaten ............................................................................... 42Sterktes en Beperkingen van het Onderzoek ............................................................... 44

Sterktes .................................................................................................................... 44Beperkingen ............................................................................................................ 45

Praktische Implicaties ................................................................................................. 47Richtlijnen voor Toekomstig Onderzoek ..................................................................... 48

CONCLUSIE .................................................................................................................. 49

REFERENTIES .............................................................................................................. 50BIJLAGEN ..................................................................................................................... 58


VI

Bijlage 1: Vragenlijst Participant ............................................................................... 58Bijlage 2: Vragenlijst Derde ....................................................................................... 62Bijlage 3: Vergelijkende Analyse ................................................................................ 67Bijlage 4: Illustratie Extra Tabellen ........................................................................... 68Bijlage 5: Convergente Validiteit ............................................................................... 74


1

INLEIDING

Probleemstelling

Een screeningsproces is een belangrijke eerste stap na rekrutering bij het

aanwerven van een werknemer. Deze heeft immers niet enkel implicaties voor het bedrijf,

maar ook voor de sollicitant zelf. Hoe wordt zo een dergelijke screening uitgevoerd? Is

de gebruikte procedure wel valide genoeg? De vraag rijst of de traditionele procedures

zoals het klassieke interview of de persoonlijkheidsvragenlijsten niet al te veel gebaseerd

zijn op het oordeel van de beoordelaar of vertekend worden door de sociale wenselijkheid

van de sollicitant. Daarom wordt meer en meer gezocht naar alternatieven om het

screeningproces uit te voeren en biedt de technologie zich steeds vaker aan als

hulpmiddel. Wanneer je bedenkt dat een tiental jaar geleden het idee om een

achtergrondscreening te doen van de sollicitant als hulpmiddel voor het rekruteren nieuw

was, waarom dan nu niet nog een stapje verder gaan en sociale media gebruiken om

sollicitanten vooraf te screenen? Misschien is dit wel een nieuw middel om de sollicitant

beter te leren kennen en kan deze extra informatie als ijsbreker dienen bij een face-to-

face gesprek nadien.

“Social media is no longer cutting-edge; it is mainstream. For HR to overlook it

today would be like ignoring e-mail 20 years ago.” (Segal, 2014)

Sociale Media

Een studie over sociale media is de dag van vandaag geen koers meer naar

onbekende wateren. Screening via sociale media bij assessment is dit echter wel.

Sociale media is een verzamelnaam van digitale Web 2.0 platformen die het delen

van informatie en de samenwerking tussen mensen vergemakkelijkt, zowel via het web

als mobiele toestellen. Sociale media heeft radicaal het menselijk interacteren en

communiceren veranderd en kan niet enkel als technologie beschouwd worden

(McFarland & Ployhart, 2015). Het is een verzamelterm die zowel technologie, sociale

interactie en door gebruikers gegenereerde inhoud integreert. Deze inhoud varieert sterk


2

binnen sociale media, door de diverse populatie met verschillende geografische locatie,

achtergrond, geloof, motivatie en ervaring (Chai, Potdar, & Dillon, 2009). Sociale media

stelt een menselijk gecreëerde context voor die sterk verschilt van traditionele (bv. face-

to-face) en andere digitale Web 1.0 platformen (bv. e-mail) om te interacteren en

communiceren. Sociale media wordt beschouwd als meer interactief, dynamisch en de

tijds- en plaats barrières worden geminimaliseerd of zelfs doorbroken (McFarland &

Ployhart, 2015).

Web-gebaseerde tools en technologie zoals sociale netwerksites laten gebruikers

toe om een web-gebaseerd profiel aan te maken waar individuen kunnen interacteren met

wie ze willen binnen een systeem (Annenberg, 2011; Boyd & Ellison, 2007). Sociale

netwerksites focussen op het bouwen van een online gemeenschap van mensen die hun

interesses en activiteiten delen of die geïnteresseerd zijn in het exploreren van de

interesses of activiteiten van anderen. Deze sites variëren vaak in de demografie van

gebruikers, wat het onderzoek alleen maar sterker en interessanter maakt. Er zijn drie

categorieën van sociale netwerksites. Onder de eerste, algemene, categorie vallen

Facebook en Twitter. LinkedIn is een voorbeeld van een professionele sociale netwerksite

en ResearchGate is eerder functie-specifiek (Kluemper & Rosen, 2009).

Sociale media heeft daarnaast ook een sterke invloed op de cognitie en het gedrag

van een individu in een organisatie. Sociale media kan onder meer gebruikt worden in tal

van Human Resource functies, zoals rekrutering en selectie. Werkgevers switchen

doorheen het screeningsproces meer en meer tussen digitale en non-digitale contexten.

Na een face-to-face meeting het betrokken individu opsporen via sociale media en daarna

nog even de mailbox controleren is geen ongewone dagelijkse routine meer bij

rekruteerders. Nooit in de geschiedenis is het zo makkelijk geweest om als werkgever zo

veel te ontdekken over de (potentiële) werknemer (McFarland & Ployhart, 2015). Daarom

verdient dit luik, het gebruik van sociale media in een bedrijfscontext, ook wel een

bijzondere aandacht.


3

Social Media Assessment

Screening via sociale media bij assessment, ofwel social media assessment, is een

recent en sterk opkomend begrip in het veld van Human Resource Management.

Alhoewel bijvoorbeeld vacatures plaatsen op LinkedIn en online testen al gebruikt

worden in de Human Resources, is het gebruik van sociale netwerken in het proces van

rekruteren, aanwerven en ontslaan van individuen redelijk nieuw (Davison, Maraist, &

Bing, 2011). Een goed omvattende definitie is noodzakelijk voor een goede toepassing

ervan. Daarom definieerden Roth et al. social media assessment als een overzicht van

online informatie ontworpen om individuen te connecteren voor het gebruik van

beslissingen rond werknemers en hun werkgelegenheid. Onder online informatie verstaat

men informatie op websites die men in staat stelt om werknemers te selecteren,

promoveren en herplaatsen (Roth, Bobko, Van Iddekinge, & Thatcher, 2016). Om een

juiste kijk te hebben op wat social media assessment net inhoudt, is het ook belangrijk

om te wijzen op wat niet de bedoeling is ervan. Wanneer social media assessment enkel

en alleen gebruikt wordt om sollicitanten te diskwalificeren of uit te sluiten, op basis van

potentieel problematische informatie, wordt het gebruik ervan niet goedgekeurd.

De Mens binnen Social Media Assessment

Rol Rekruteerder

Sociale media wordt beoordeeld door mensen, namelijk rekruteerders. Hun rol

hierin is van cruciaal belang voor de effectiviteit van het screeningsproces. Organisaties

moeten een routine ontwikkelen om sociale media optimaal te gebruiken en kunnen

hiervoor terugvallen op het raamwerk van Wathen en Burkell (2002). Een initiële stap

voorafgaand aan het vooropgestelde proces is het bepalen welke sociale netwerksites

gebruikt zullen worden en welke inhoud van belang is, wat varieert naargelang

organisatie. Wanneer dit bepaald is, worden eerst de oppervlaktekenmerken van de

sociale netwerksites onderzocht om de algemene betrouwbaarheid na te gaan. Zo moet er

onder andere achterhaald worden of er een correcte identificatie is. Ook kan in deze stap

een al dan niet professionele eerste indruk nagelaten worden over de sollicitant. In de

tweede stap wordt er gekeken naar de werkelijke inhoud van de sociale netwerksite en


4

wordt de relevantie en geloofwaardigheid geschat. Een derde en laatste stap houdt een

ultieme inhoudsevaluatie in, waarbij informatie wordt vergeleken en geverifieerd om het

gebruik en de impact van deze informatie op het screeningsproces in te schatten.

Belang en Relevantie

De opkomst en daarmee het belang van sociale media op het werkveld kan

makkelijk aangetoond worden met een aantal cijfers, aangezien er al vele onderzoeken

naar zijn gebeurd. De noodzaak tot onderzoek hiernaar heeft een boost gekregen door de

bestaande ‘war for talent’ en het sterk stijgende gebruik van sociale netwerksites. Bij een

onderzoek door Society for Human Resource Management (SHRM) in 2008 had 44% van

de bevraagde organisaties sociale netwerksites gebruikt voor Human Resource

doeleinden, terwijl dit in 2006 slechts 21% bedroeg. Het gebruik van deze sites om

sollicitanten te screenen was toen reeds aan het groeien. 13% gebruikte dit voor screening

en 18% gaf aan dit te gebruiken in de toekomst (SHRM, 2008). Een studie met 825

rekruteerders onthulde dat maar liefst 73% sociale netwerksites, onder andere Facebook,

gebruikten om sollicitanten te rekruteren (Levinson, 2010). Een meer recente studie uit

2012 van CareerBuilder vond dat 37% uit een groep van 2303 aanwervingsmanagers

sociale netwerksites gebruikten om meer te leren over sollicitanten. In 2008 was dit

slechts 22%. In datzelfde onderzoek wordt vermeld dat 29% van de werkgevers toegeven

dat ze een sollicitant niet aanwerven door informatie gevonden op sociale netwerksites.

Dit kan gaan om proactieve of ongepaste foto’s, slechte communicatievaardigheden,

associatie met alcohol en/of drugs en informatie die de kwalificatie op het cv falsifieert

(Grasz, 2009, 2012). Ook in de recentste studie van SHRM wordt vermeld dat 36% van

de organisaties al een sollicitant hebben gediskwalificeerd omwille van dergelijke reden.

Meer verontrustend is het feit dat deze organisaties de sollicitant niet toelaten om zich te

verdedigen (SHRM, 2016). Verder onderzoek gaf aan dat het gebruik van social media

assessment in organisaties met 20% gestegen was van 2010 tot 2012 (Winter, 2013). De

twee hoofdredenen waarom werkgevers sociale netwerksites gebruiken, zoals vermeld in

de CareerBuilder studie van 2012 en de recentste SHRM studie van 2016, zou zijn om te

kijken of er een goede person-organization fit is en om meer informatie te achterhalen

dan deze verkregen door een cv (Grasz, 2012; SHRM, 2016). De recentste studie van

SHRM geeft weer dat nog steeds 44% van de HR-professionals toegeeft dat social media


5

assessment belangrijke informatie kan vrijgeven over werkgerelateerde potentieel of

prestatie (SHRM, 2016).

Sociale netwerksites worden vooral gebruikt voor rekrutering en het daarop

volgende screeningsproces, zowel binnen profit-organisaties (88%) als bij de overheid

(68%). De meest gebruikte sociale netwerksites voor de screeningsfase zijn LinkedIn

(93%), Facebook (63%), Twitter (29%) en functierelevante sociale netwerksites, zoals

ResearchGate (29%). Slechts 50% geeft aan niet aan social media assessment te doen, dit

vooral met het legale risico en de discriminatiewetgeving als reden (SHRM, 2016).

Alhoewel sociale media dus al veel gebruikt wordt bij organisaties, is het van

cruciaal belang om dit soort assessment te onderzoeken. Wat zijn de voor- en nadelen,

welke kansen en bedreigingen hangen hieraan vast, zijn de beoordelingen valide en

betrouwbaar genoeg? Zoals eerder vermeld heeft social media assessment zowel

implicaties voor het bedrijf als voor de sollicitant. Onderzoek is noodzakelijk doordat het

screenen aan de hand van sociale netwerksites invloed heeft op de kwaliteit en diversiteit

van het menselijk kapitaal in de organisatie (Van Iddekinge, Lanivich, Roth, & Junco,

2016).

Voordelen

Recent onderzoek ontbreekt nog, maar het is al een begin om aan te tonen dat

social media assessment niet meer onder stoelen of banken gestoken kan worden. Deze

resultaten zijn dan ook niet verontrustend, want social media assessment heeft tal van

voordelen.

Praktisch. Omdat sociale media ten eerste een gebruiksklaar publiek forum is met

minimale kosten, wordt social media assessment steeds vaker gebruikt in een

screeningsproces. Vele onderzoekers menen dat organisaties die geen social media

assessment hanteren een belangrijke kans missen omdat de kost van het gebruik zo laag

is (Roth et al., 2016). McFarland en Ployhart (2015) stellen zelfs dat de Return On

Investment groter is bij gebruik van sociale media. Daarnaast verstrekt sociale media een

lopende experimentele steekproefmethode in een natuurlijke sociale setting, moet de

sollicitant niet eens aanwezig zijn, duurt een gemiddelde social media assessment

ongeveer vijf tot tien minuten en kan data retroactief verzameld worden. Een laatste

praktische voordeel is het feit dat er geen non-verbale signalen geanalyseerd moeten


6

worden, aangezien de hele boodschap weerspiegeld wordt in de geschreven tekst (Alpers

et al., 2005).

Theoretische basis. Het concept social media assessment vindt zijn theoretische

basis terug in zowel het Realistic Accuracy Model (Funder, 1995) als in de Social

Information Processing Theory (Walther, 1992). Deze stellen beide dat impressies

geformuleerd worden via percepties van meerdere types informatie en dat de accuraatheid

van de beoordelingen stijgt met de hoeveelheid informatie. In vergelijking met

traditionele procedures, bijvoorbeeld het klassieke interview, geeft deze opkomende

techniek extra informatie over educatie, werkervaring, persoonlijkheid, karakter,

motivatie enzovoort (Brown & Vaughn, 2011; Van Iddekinge et al., 2016).

Type gedrag. Social media assessment is daarnaast gebaseerd op ‘typical

behavior’ en kan dusdanig accurater zijn dan het ‘maximal behavior’ dat onderzocht

wordt door interviews en dergelijke die zelf-representaties vooropstellen. Doordat de

sollicitant er zich vaak niet van bewust is dat zijn of haar profiel gescreend wordt via

sociale media, kan de beoordelaar mogelijk een veel breder spectrum van informatie

krijgen (Kluemper & Rosen, 2009; Sackett, Zedeck, & Fogli, 1988).

Anonimiteit. In contrast tot wat men vaak denkt, stellen mensen zichzelf online

niet veel beter voor dan ze werkelijk zijn (Wellman, 1997). Ze houden echter een online

identiteit aan die zowel door henzelf als door anderen gezien wordt (Back et al., 2010).

Dit werd reeds vroeg onderzocht. Een studie stelde vast dat mensen zich meer

waarheidsgetrouw representeren naar een groter publiek toe (Scott, 1981). Ook

McFarland en Ployhart (2015) zijn ervan overtuigd dat mensen anders denken en zich

anders gedragen op sociale media, door de perceptie van anonimiteit. Intentioneel

vervalsen van informatie op sociale media zou daarnaast tegenstrijdig zijn met de

fundamentele opzet van sociale netwerksites, namelijk het onderhouden van online

sociale relaties. Dit alles in tegenstelling tot cv’s en zelf-rapportages, waar sociale

wenselijkheid wel een belangrijke rol speelt (Kluemper & Rosen, 2009; Kluemper,

Rosen, & Mossholder, 2012).

‘Likes’. Een sociale netwerksite zoals Facebook stelt, zelfs wanneer de privacy-

instellingen strikt opgesteld worden, nog steeds bepaalde informatie beschikbaar aan de

buitenwereld. Individuen kunnen bijvoorbeeld hun positieve associatie met inhoud op

sociale media kenbaar maken. Zo kan er onder andere achterhaald worden wat de


7

activiteiten, attitudes en preferenties zijn van een bepaald individu aan de hand van welke

berichten, foto’s, muziekgroepen, films, merken, restaurants enzovoort deze ‘leuk vindt’

(Kosinski, Stillwell, & Graepel, 2013; Wu, Kosinski, & Stillwell, 2015). Deze

zogenoemde ‘likes’ zijn een vijfde voordeel van social media assessment, want deze zijn

immers diagnostisch voor persoonlijkheid en vooral voor openheid binnen de Big Five.

Deze Big Five bestaat uit vijf dimensies of trekken waarmee de persoonlijkheid van een

individu beschreven kan worden, namelijk extraversie, agreeableness (welwillendheid),

consciëntieusheid, neuroticisme (emotionele instabiliteit) en openheid tegenover nieuwe

ervaringen. Dit is interessant aangezien persoonlijkheidstrekken kunnen functioneren als

indicator van gedragstendenties in organisatorische contexten. Daarnaast is openheid een

persoonlijkheidstrek die zeer moeilijk te observeren en te beoordelen valt, waardoor deze

inkijk in de ‘likes’ een zekere meerwaarde heeft tegenover traditionele methodes van

assessment. Openheid drukt zich immers uit in interesses, preferenties en waarden van

het individu, die wel te meten zijn via bijvoorbeeld de ‘likes’ op Facebook. De

gemiddelde accuraatheid van de computer die de ‘likes’ analyseert geeft bovendien een

accuratere voorspelling dan wanneer bijvoorbeeld Facebookvrienden een

persoonlijkheidsvragenlijst invullen over desbetreffende individu (Wu et al., 2015). In

een andere studie werd zelfs geconcludeerd dat de observatie van ‘likes’, gerelateerd aan

de trek openheid, ongeveer even informatief is als de score van openheid op een

persoonlijkheidstest ingevuld door het individu zelf (Kosinski et al., 2013). Naast

persoonlijkheid kunnen er ook andere persoonlijke attributen achterhaald worden,

simpelweg door de ‘likes’ van een individu te bestuderen. Dit gaande van leeftijd tot

seksuele oriëntatie en intelligentie (Kosinski et al., 2013). Naast dit alles kunnen deze

‘likes’ voor een grotere customization zorgen. De latere stappen in het screeningsproces

kunnen namelijk aangepast worden aan het individu. Gesprekken verlopen logischerwijze

vlotter wanneer een werkgever meer kennis heeft over het individu, zoals zijn of haar

preferenties en gerelateerde informatie (McFarland & Ployhart, 2015).

Extra informatie. Een zesde voordeel is dat niet alleen de ‘likes’ diagnostisch

zijn voor persoonlijkheid, ook informatie op sociale media in het algemeen kan gelinkt

worden aan de persoonlijkheid van het individu (Back et al., 2010; Kluemper & Rosen,

2009; Vazire & Gosling, 2004). Het aantal vrienden en reacties met positieve woorden

van deze vrienden over het individu kan wijzen op de Big Five persoonlijkheidstrekken


8

agreeableness en extraversie. Hoe open een individu is tegenover ervaring kan men

ondervinden door bijvoorbeeld te kijken hoe creatief een Facebook-profiel is opgemaakt

en welke zaken er op deze sociale netwerksite gepost worden. Wanneer een individu

echter een lage score heeft voor consciëntieusheid, vergroot dit de kans tot het posten van

ongepaste informatie op sociale media. Een individu met een hoge score voor

neuroticisme zou meer de neiging hebben tot het posten van inhoud die wijst op grote

schommelingen van persoonlijke of emotionele ervaringen en woorden die angst

uitdrukken (Golbeck, 2011; Karl, Peluchette, & Schlaegel, 2010; Kluemper et al., 2012;

Van Iddekinge et al., 2016).

Nadelen

Standaardisatie. Meer gedetailleerde informatie over sollicitanten op sociale

netwerksites kan accuraat zijn, maar heeft ook potentiële beperkingen en zowel ethische

als juridische uitdagingen. De data die men verkrijgt door social media assessment is ten

eerste niet gestandaardiseerd, terwijl consistentie inzake inhoud, afname, scoring,

sollicitanten, beoordelaars en tijd wel noodzakelijk is (Brown & Vaughn, 2011). Net zoals

bij het klassieke interview is het ook zeer moeilijk om social media assessment te

standaardiseren en structureren, omdat beide methodes veel kwalitatieve informatie te

verwerken hebben en gebaseerd zijn op beoordelingen van het individu op verschillende

dimensies. Door het mogelijke gebrek aan identificeerbare theoretische constructen in het

screeningsproces, is het moeilijk om elke sollicitant op eenzelfde set van dimensies en

karakteristieken te beoordelen. Standaardisatie is echter nodig om de predictieve validiteit

te optimaliseren (Roth et al., 2016). Maatregelen zullen getroffen moeten worden door

Human Resources om eerlijke en uniforme procedures te garanderen bij evaluaties van

sociale netwerksites (Brown & Vaughn, 2011). Resultaten uit een studie verschenen in

2016 tonen immers aan dat nog steeds ¾ van de organisaties geen beleid hebben, zowel

formeel als informeel, omtrent het gebruik van informatie die via sociale netwerksites

wordt verkregen. Van de overige organisaties met een beleid, verbiedt bijna de helft het

screenen van kandidaten op basis van publieke sociale media profielen (SHRM, 2016).

Privacy-instellingen. Als tweede punt kan men het privacy-issue aanhalen, die

deels ook de standaardisatie van het screeningsproces bedreigt. Sollicitanten kunnen zelf


9

hun privacy-instellingen aanpassen, waardoor werkgevers niet van elke sollicitant

evenveel informatie verkrijgen (Brown & Vaughn, 2011).

Discriminatie. In een onderzoek van Bertrand en Mullainathan (2004) werd reeds

gevonden dat sollicitanten met Kaukasische namen, zoals Emily en Greg, 50% meer kans

hebben om teruggebeld te worden dan Afro-Amerikaanse namen, zoals Lakisha en Jamal.

Discriminatie is niet enkel een probleem in het klassieke screeningsproces, ook social

media assessment is gevaarlijk voor potentiële discriminatie. Dit kan als derde nadeel

gezien worden, want een groot deel van de demografische informatie is beschikbaar op

sociale netwerksites, maar deze is niet altijd even relevant. Volgens Roth et al. (2016)

zijn er drie constructen of variabelen terug te vinden op sociale netwerksites die subgroep

verschillen en potentiële negatieve gevolgen in het screeningsproces kunnen

veroorzaken, namelijk verbale vaardigheid, academische prestatie en specifieke

werkinteresses. Discriminatie kan zelfs in de hand gewerkt worden, simpelweg door het

vermogen of de interesse om zaken te posten op sociale netwerksites. Zo kunnen onder

andere Zwarten of Hispanics, door het gebrek aan een computer of internettoegang, vaak

sociale netwerksites niet onderhouden (Roth et al., 2016). Wanneer deze etnische

minderheden wel actief zijn op sociale media, zijn zij meer geneigd om zaken te posten

gerelateerd aan hun etnische afkomst en participeren zij meer in sociale en politieke

groepen. Dit heeft bijgevolg ook een invloed op het screeningsproces, te verklaren door

het Attraction-Similarity Paradigm. Beoordelaars van meerderheidsgroepen kunnen

echter een ongelijkheid ervaren tussen zichzelf en de sollicitant uit een minderheidsgroep,

waardoor ze de neiging hebben deze een lagere beoordeling te geven (Byrne, 1971;

Grasmuck, Martin, & Zhao, 2009; Lieu, 2012). Ook oudere individuen zijn vaak niet

vertrouwd met dit soort technologie, waardoor er verschillen ontstaan tussen diverse

groepen die tot negatieve gevolgen kunnen leiden binnen het screeningsproces (Roth et

al., 2016). Geslacht heeft daarnaast ook een invloed op het screeningsproces. Een studie

vond dat vrouwen een stapje voor hebben op mannen, doordat zij minder de neiging

hebben om problematische inhoud te posten (bv. alcoholmisbruik) en over een hogere

verbale- en schrijfvaardigheid beschikken (Hough, Oswald, & Ployhart, 2001; Karl et al.,

2010; Roth, Buster, & Barnes-Farrell, 2010). Naast dit alles, kan er ten laatste ook een

positive/negative asymmetry effect optreden. Dit effect verklaart dat negatieve informatie

sterker zal doorwegen, wat tot een vertekening kan leiden. Dit is dan ook niet anders bij


10

social media assessment, waar maar al te vaak een ongepaste foto of een ambigue post

op sociale media kan leiden tot diskwalificatie van een sollicitant (Baumeister, 2001).

Beoordelaar. Ten vierde moet ook in rekening worden gebracht dat de

beoordelaar een sterke invloed heeft op hoe een individu als positief of negatief wordt

gescreend. Er zijn twee paradigma’s of theorieën waarbij individuele verschillen of

gelijkenissen tussen de beoordelaar en de sollicitant het screeningsproces kunnen

beïnvloeden, namelijk het Attraction-Similarity Paradigm (Byrne, 1971) en de Relational

Demography Theory (Tsui & Gutek, 1984). Beide komen neer op het feit dat wanneer er

gelijkenissen bestaan tussen beoordelaar en sollicitant in termen van etniciteit en geslacht,

dit leidt tot betere evaluaties. Deze vertekening kan geminimaliseerd of weggewerkt

worden door social media assessment te standaardiseren en structureren. (McCarthy, Van

Iddekinge, & Campion, 2010; Sacco, Scheu, Ryan, & Schmitt, 2003). Dit door

verschillende rubrieken of secties te onderscheiden op bijvoorbeeld LinkedIn of

Facebook en een vast stramien te volgen van wat er in beschouwing wordt genomen op

deze sociale netwerksites en wat niet (Kluemper et al., 2012; Lievens & Iddekinge, 2016).

Ook het simpelweg trainen van de beoordelaars of hen helpen met het gebruik van rating

scorecards om sociale netwerksites van een individu te beoordelen is een mogelijkheid

tot standaardisatie (McFarland & Ployhart, 2015). Automatische scoring door middel van

mechanische of statistische integratie via algoritmes is een derde mogelijkheid tot

standaardisatie, wat in het tweede deel van deze Masterproef praktisch wordt onderzocht.

Job-(ir)relevantie. Ten vijfde is het noodzakelijk dat informatie gevonden op

sociale media een zekere job-relevantie omvat. Zonder deze job-relevantie heeft social

media assessment geen legale basis. Er is echter geen eenduidige evidentie dat social

media assessment relevante jobgerelateerde kennis en vaardigheden screent, die wel

duidelijk uit persoonlijkheidstesten en cognitieve vaardigheidstesten gehaald kan worden

(Roth et al., 2016). Uit de studie van CareerBuilder vond men dat er vaak informatie

gebruikt wordt die geen directe link heeft met job-relevantie (Grasz, 2009). Sociale

media, zoals Facebook, is in eerste instantie ontworpen om te connecteren met vrienden

en niet om job-relevante attributen te meten, waardoor er vooral vrijetijds-gerelateerde

interesses en activiteiten op te vinden zijn. Laat het nu net deze job-irrelevante factoren

zijn die het oordeel van de beoordelaar bij ongestructureerde assessment het meest

beïnvloeden (Brown & Vaughn, 2011). Doordat men via sociale media snel, goedkoop


11

en gemakkelijk informatie kan vinden die men niet kan achterhalen met een traditioneel

cv, worden er vaak onbenutte en job-irrelevante karakteristieken onthuld die beschermd

worden door discriminatiewetten. De Algemene Wet Gelijke Behandeling (cf. Equal

Employment Opportunity Law in de Verenigde Staten) en cao nr. 38 zijn hier een

voorbeeld van. Deze eerste wet limiteert het type van informatie die een werkgever mag

nagaan en gebruiken (Kluemper & Rosen, 2009). Informatie op sociale media is vaak

direct gerelateerd aan etniciteit, geslacht, politieke voorkeur, religie, burgerlijke stand en

een eventuele handicap (Roth et al., 2016). Door dit soort “verboden” informatie toch te

gebruiken in het screeningsproces kunnen er allerhande vertekeningen optreden (Brown

& Vaughn, 2011; Davison et al., 2011). Zelfs wanneer deze informatie niet bewust

gebruikt wordt om het screeningsproces te leiden, is deze informatie moeilijk om te

negeren en kan dit de werkgever heuse problemen opleveren door het schenden van de

wetgeving. Het is namelijk niet makkelijk om het argument te weerleggen dat wanneer

sociale media gescreend wordt, deze “verboden” informatie niet in rekening werd

gebracht bij het beslissingsproces (Karl et al., 2010; Van Iddekinge et al., 2016).

Sollicitant. Ten zesde is het belangrijk om de sollicitanten goed te informeren

over het gebruik van social media assessment. Waarom en hoe wordt deze nieuwe

techniek gebruikt? Hier is er een tweestrijd, namelijk tussen de sociale wenselijkheid en

het recht op privacy. Wanneer het gebruik van social media assessment medegedeeld

wordt, kan er misschien toch sociale wenselijkheid optreden. Wanneer dit echter niet

medegedeeld wordt, kan dit als oneerlijk gezien worden en negatieve reacties uitlokken

(Brown & Vaughn, 2011). Deze negatieve reacties omtrent het gebruik van social media

assessment kunnen uitgelokt worden door het gebrek aan tweerichtings- en zelf

éénrichtingscommunicatie. Sollicitanten kunnen immers niet reageren op vermoedelijk

werkgerelateerde vragen (Potosky, 2008). Laat het nu net die onzekerheid zijn die de

negatieve reacties van de sollicitanten uitlokt. Het groeiende bewustzijn dat dit soort

assessment wel degelijk gebruikt wordt, kan het vertrouwen in sociale media en online

diensten in het algemeen enorm schaden. Het kan individuen bovendien afschrikken om

dergelijke technologie nog te gebruiken (Kosinski et al., 2013). Door het gevoel dat de

privacy van de sollicitant geschonden werd, kan dit verder resulteren in een lagere

organisatie attractiviteit, vooral bij sollicitanten met een lage score voor de trek

agreeableness. Dit voornamelijk door de lagere perceptie van procedurele


12

rechtvaardigheid. Het screeningsproces vormt een eerste indruk op hoe een organisatie

omgaat met haar werknemers, waardoor bijvoorbeeld een slechte behandeling bij deze

eerste stap een indicatie vormt van het wel en wee op de toekomstige werkvloer

(Stoughton, Thompson, & Meade, 2015). Het Applicant Reactions Model van

Hausknecht et al. (2004) kan theoretische ondersteuning bieden om de eventuele

acceptatie van social media assessment door sollicitanten te begrijpen. Dit model geeft

tal van variabelen die een antecedent vormen van reacties van sollicitanten, onder andere

gepercipieerde rechtvaardigheidsregels en schending van de privacy. Veel van die

antecedenten suggereren dat reacties op social media assessment negatief kunnen zijn

(Roth et al., 2016). Een voorbeeld hiervan komt uit een studie waar men vond dat 48%

van de individuen bezorgd was over het feit dat organisaties hun activiteiten op het

internet nagaan (Annenberg, 2011). Sollicitanten zullen bijgevolg hun conceptualisatie

van sociale netwerksites moeten wijzigen, dit door het perspectief van de toekomstige

werknemer in te nemen (Stoughton et al., 2015). Transparantie en controle over

informatie die de sollicitant post kan daarenboven voor een individueel gecontroleerde

balans zorgen tussen de kansen en bedreigingen van ons digitaal tijdperk (Kosinski et al.,

2013).

Context. Als zevende is het vooral belangrijk om als werkgever ook de context

van de verkregen informatie op sociale media in kaart te brengen. Wanneer er niet

gekeken wordt naar de context van bijvoorbeeld negatieve informatie of indrukken, kan

de Fundamental Attribution Error een bedreiging vormen (Harvey, Town, & Yarkin,

1981). Deze fout kan immers een overhaaste beslissing om de sollicitant niet aan te nemen

als gevolg hebben, terwijl dit misschien niet gerechtvaardigd is (Brown & Vaughn, 2011).

Dit omdat de Fundamental Attribution Error de tendens is van beoordelaars om de impact

van situationele factoren te onderschatten en de rol van dispositionele factoren in het

controlerende gedrag te overschatten (Ross, 1977).

Customization. Ten achtste werd customization al aangehaald bij de voordelen,

maar kan dit evengoed bestempeld worden als een nadeel. Door verschillende individuen

anders te benaderen, komt het probleem van standaardisatie alweer naar boven. Ook

zullen verschillende individuen verschillend behandeld worden door de informatie

gevonden op sociale media. Een beoordelaar kan misschien kritischer omspringen met


13

een individu, waardoor dit de kans verkleint dat deze aangenomen zal worden (McFarland

& Ployhart, 2015).

Derden. Ten laatste moet ook in rekening worden gebracht dat de sollicitant geen

volledige controle heeft over de informatie beschikbaar op zijn of haar sociale media. Een

studie meent zelfs dat opmerkingen door derden op Facebook een groter effect hebben op

de impressie van een beoordelaar dan de opmerkingen van de sollicitant zelf (Walther,

Van der Heide, Kim, Westerman, & Tong, 2008).

Validiteit en Betrouwbaarheid

De Algemene Wet Gelijke Behandeling (cf. Equal Employment Opportunity Law

in de Verenigde Staten) bespreekt onder andere de noodzaak aan evidentie voor validiteit

bij tests gebruikt voor personeelsbeslissingen.

Inhoudsvaliditeit. Bij social media assessment kan deze validiteit gerealiseerd

worden door op voorhand een job-analyse uit te voeren, waardoor de link tussen een

(hoger) construct en een taak duidelijk wordt en men zekerheid verkrijgt dat informatie

op sociale netwerksites een job-relevante vaardigheid, kennis of ander karakteristiek

reflecteert (Brown & Vaughn, 2011).

Convergente validiteit. De consistentie van de informatie kan niet enkel

bestudeerd worden over tijd, maar ook over verschillende bronnen. Doordat meerdere

beoordelaars social media assessment kunnen vergelijken met traditionele screenings-

procedures, wordt er convergente validiteit gerealiseerd (Davison et al., 2011). Deze stelt

voorop dat constructen, zoals beoordelingen op sociale netwerksites, moeten

samenhangen met andere constructen, zoals zelfbeoordelingen, om valide te zijn. Volgens

verschillende studies vertonen beoordelingen van sociale netwerksites gelukkigerwijs een

convergente validiteit met zelfbeoordeling (Kluemper et al., 2012; Lievens & Iddekinge,

2016). Informatie verkregen uit zelfbeoordeling, bijvoorbeeld geplaatste foto’s of

berichten van het individu, kan gecorreleerd worden met informatie verkregen van

derden, bijvoorbeeld onderschrijvingen op LinkedIn en commentaren op Facebook.

(Lievens & Iddekinge, 2016).

Predictieve validiteit. Wanneer men de beoordeling op sociale netwerksites

vervolgens nog eens correleert met de job-prestatie wanneer de sollicitant effectief

aangenomen wordt en daaruit een positieve relatie uitvloeit, is er sprake van predictieve


14

validiteit. De huidige job-prestatie kan op zijn beurt het toekomstige job-succes

voorspellen van diezelfde persoon (Davison et al., 2011). De link tussen social media

assessment en job-prestatie werd onder meer door Kluemper bestudeerd aan de hand van

beoordelingen op de Big Five persoonlijkheidstrekken. In een studie die dateert uit 2009

suggereerde men dat de trek consciëntieusheid de beste predictor is voor algemene job-

prestatie (Kluemper & Rosen, 2009). In een latere studie vond men een correlatie van

0.28 tussen de evaluatie via sociale netwerksites en de werkelijke job-prestatie. Deze

correlatie was zelf sterker dan voor beoordelingen door de sollicitant zelf over zijn of haar

persoonlijkheid. Wanneer men nader keek naar de relatie tussen de Big Five factoren en

job-prestatie, vond men enkel voor Facebook-beoordelingen van neuroticisme en

agreeableness een significante correlatie met job-prestatie (Kluemper et al., 2012). In de

studie van Van Iddekinge daarentegen, vond men dat de beoordeling van de rekruteerder

op basis van social media assessment ongerelateerd was met de latere job-prestatie (Van

Iddekinge et al., 2016). Resultaten omtrent validiteit en de relatie tussen de beoordeling

en de job-prestatie zijn dus eerder tegenstrijdig.

Interbeoordelaarsbetrouwbaarheid. Er rijst natuurlijk ook altijd de vraag of

beoordelaars wel consistent zijn in hun beoordelingen, ofwel hoe de interbeoordelaars-

betrouwbaarheid standgehouden wordt (Kluemper & Rosen, 2009). Door meerdere

beoordelaars in te schakelen bij social media assessment kan deze betrouwbaarheid

verzekerd worden (Davison et al., 2011). Volgens de ene studie vertonen beoordelingen

van sociale netwerksites zowel een voldoende interbeoordelaarsbetrouwbaarheid als

interne consistentie tussen beoordelingen (Kluemper et al., 2012). Uit een ander

onderzoek kwam alsnog voort dat beoordelaars consistent zijn in hun beoordelingen

tussen individuen en dat ze accuraat hoge van lage performanten kunnen onderscheiden.

Meer nog, beoordelaars die een hogere intelligentie en emotionele stabiliteit hebben,

tonen nog meer accuraatheid in hun beoordelingen (Kluemper & Rosen, 2009). Wanneer

er meerdere beoordelaars ingesteld worden om bijvoorbeeld een Facebook-pagina van

een sollicitant te screenen, is dit redelijk valide. Een correlatie van 0.3-0.5 werd gevonden

tussen zelf-rapportage van persoonlijkheidskenmerken en de evaluaties van de

beoordelaars (Kluemper et al., 2012). Uit nog een andere studie vond men geen evidentie

voor interbeoordelaarsbetrouwbaarheid (Van Iddekinge et al., 2016). Door deze

tegenstrijdigheid is verder onderzoek dus zeker aan te raden.


15

De Machine binnen Social Media Assessment

Machinaal leren (machine learning), ofwel automatisch leren, is een benadering

die algoritmes en technieken ontwikkelt waarmee computers kunnen leren en als

oplossing kunnen dienen in verschillende onderzoeksvelden. Het is gerelateerd aan data

mining, waarbij grote hoeveelheden gegevens geanalyseerd kunnen worden en daarna op

een geautomatiseerde manier patronen en relaties in gezocht kunnen worden. Machinaal

leren is een inductief proces die automatisch een soort sorteermachine opbouwt voor een

categorie aan de hand van verschillende kenmerken in een bepaald document (Sebastiani,

2002).

Aangezien de doelstelling van deze Masterproef het onderzoek naar taal-

gebaseerde assessment verkregen uit sociale netwerksites weergeeft, wordt de focus hier

vooral gelegd op één enkel onderdeel van machinaal leren, namelijk het taalanalyse

programma Linguistic Inquiry and Word Count van Pennebaker.

Linguistic Inquiry and Word Count (LIWC)

Om de potentiële nadelen en problemen omtrent standaardisatie, validiteit en

betrouwbaarheid bij een menselijke aanpak van social media assessment te

minimaliseren, kan er gebruik gemaakt worden van Pennebaker’s Linguistic Inquiry and

Word Count, ofwel LIWC (uitgesproken als “Luke”).

LIWC werd ontworpen om te onderzoeken welke kenmerken van het schrijven

omtrent negatieve levensgebeurtenissen de daaropvolgende verbeterde gezondheids-

toestand kan voorspellen (Pennebaker, Mehl, & Niederhoffer, 2003). De dag van vandaag

is LIWC het meest gebruikte computer-gebaseerd taalanalyse programma in studies die

de relatie tussen woordgebruik en psychologische variabelen onderzoeken. LIWC is

eigenlijk een geavanceerde teller van woorden, ofwel een programma die “gesloten”

woordenschatanalyse hanteert. LIWC 2015 bevat maar liefst 89 verschillende categorieën

of dimensies met bijna 6400 woorden of woordstammen. De opgenomen categorieën

variëren van standaard taalcategorieën (bv. ‘prepositions’), psychologische processen

(bv. ‘positive emotions’, ‘negative emotions’), cognitieve processen (bv. ‘discrepancies’),

relatief gerelateerde woorden (bv. ‘time’, ‘motion’, ‘space’) tot traditionele

inhoudscategorieën (bv. ‘sex’, ‘death’, ‘home’) (Pennebaker et al., 2003; Tausczik &


16

Pennebaker, 2010; Yarkoni, 2010). De verschillende woorden binnen bepaalde

categorieën kunnen zowel emotionele woorden (bv. “happy”, “sad”, “angry”, “joyful”)

zijn, als cognitieve woorden (bv. “realize”, “understand”, “think”) en zelfreferenties

(“I”, “we”) (Pennebaker & Graybeal, 2001). Scores van elke categorie bekom je door

het aantal keer dat de woorden binnen een categorie voorkomen te delen door het aantal

woorden in de gegeven tekst (Pennebaker et al., 2003; Yarkoni, 2010). Je bekomt dus een

percentage van woorden die in een bepaalde categorie vallen (Pennebaker & Graybeal,

2001). De tekstbronnen kunnen verspreid zijn over klassieke literatuur, persoonlijke

verhalen, persconferenties, transcripties, alledaagse conversaties enzovoort (Pennebaker

et al., 2003).

Om samen te vatten, bevat het programma LIWC dus twee kernpunten, namelijk

een verwerkingscomponent en een woordenboekbestand. De verwerkingscomponent is

het programma zelf die de tekstbron opent om alle woorden te screenen en te vergelijken

met het woordenboekbestand, waarna deze woorden geassocieerd worden met de

bijhorende categorieën. Wanneer alle woorden in de tekstbron gescreend worden,

berekent LIWC het percentage van elke categorie en wordt deze opgelijst in een output

(Tausczik & Pennebaker, 2010).

Belang en Relevantie

Computergestuurde tekstanalyse-instrumenten zijn in de laatste tien jaar

toegankelijker geworden, waardoor veel studies hier gretig gebruik van maken. Een

programma als LIWC heeft dan ook veel toepassingsgebieden.

Bedrijfspsychologie. Dit is het toepassingsdomein die in deze Masterproef

besproken wordt, met name LIWC in een werkgerelateerde context. In dit domein kan

LIWC gebruikt worden als hulp bij het screeningsproces van de sollicitant. Zo kunnen

allerlei tekstbronnen gehaald worden uit sociale netwerksites van de sollicitant,

bijvoorbeeld Facebook, Twitter, blogs, enzovoort. Hierop kunnen analyses uitgevoerd

worden, waardoor bijvoorbeeld persoonlijkheidstrekken van de Big Five achterhaald

kunnen worden, simpelweg door het taalgebruik van de sollicitant. Omdat er een

correlatie bestaat tussen deze persoonlijkheidstrekken en professionele relaties, kan dit

een eerste belangrijke indruk vormen over de sollicitant die implicaties heeft voor het

verdere screeningsproces (Golbeck, 2011).


17

Sociale psychologie. Het programma LIWC kan ook ingezet worden om teksten

te analyseren van participanten uit sociaalpsychologisch onderzoek. Een onderzoeks-

doelstelling is bijvoorbeeld het in kaart brengen van individuele verschillen, leeftijds-

verschillen of geslachtsverschillen in taalgebruik (Tausczik & Pennebaker, 2010).

Politiek. Niet alleen in de psychologie, maar ook in de politieke wereld kunnen

computergestuurde tekstanalyse-instrumenten, zoals LIWC, hun steentje bijdragen. Zo

zijn er niet enkel geruchten, maar ook feiten die aantonen dat het team achter de huidige

president van de Verenigde Staten, Donald Trump, tijdens zijn campagnes in 2016 een

aangepaste database, ‘Project Alamno’ (Winston, 2016), gebruikt heeft om Twitter en

Facebook te screenen. Zo konden zij via bepaalde ‘hashtags’ en kernwoorden zijn

tegenstanders opsporen, achterhalen en overtuigen om niet voor Hillary Clinton, maar

voor Donald Trump te stemmen. Niet alleen het team achter Trump zelf heeft ervaring

met dergelijke programma’s, ook zijn er onderzoeken gebeurd via LIWC om te

achterhalen wie de voor- en tegenstanders van Trump zijn. Een studie uit het boek

‘Designing Networks for Innovation and Improvisation’ van Zylka, Fuehres, Colladon en

Gloor (Winston, 2016) profileerde de voor- en tegenstanders van verschillende

kandidaten aan de hand van frequenties van verschillende woordtypes, onder andere

‘negations’, ‘articles’ en ‘prepositions’. Uit deze studie kwam de meest waarschijnlijk

gekozen president naar voren: Donald Trump. Verder onderzoek moest uitwijzen waarom

net zij voor Trump zouden stemmen (of gestemd hebben) en LIWC heeft hen hierbij

geholpen. Zo vonden ze vijf categorieën van woorden die voorstanders van Trump

gebruikten, namelijk ‘achievement’, ‘reward’, ‘money’, ‘leisure’ en ‘power’ (Carpenter,

2016). Dit helpt om een beter inzicht te verkrijgen in het wel en wee van de verkiezingen.

Juridisch. In de context van het gerecht en een verhoor bij de politie, kan LIWC

ook zijn dienst bewijzen. Een studie beweert dat (politie)mensen over het algemeen slecht

zijn in het detecteren van een leugen, aangezien spraakinhoud vaak te weinig in rekening

wordt gebracht en men bijgevolg het non-verbale gedrag bestudeert om dit te

compenseren. Het is dan ook niet onbegrijpelijk dat er soms verkeerde conclusies worden

getrokken, wanneer bijvoorbeeld een verdachte als schuldig wordt bevonden enkel

gebaseerd op het feit dat hij wat zenuwachtig leek tijdens het verhoor (Vrij, 2004). Om

deze vaak nietszeggende non-verbale signalen te vermijden, kan LIWC ingezet worden.

Uit een studie waarin lieggedrag in vijf experimenten onderzocht werd, bleek dat 67%


18

van de leugenaars en niet-leugenaars achterhaald kan worden met behulp van LIWC. Zo

gebruiken leugenaars bijvoorbeeld meer negatieve emoties, meer bewegingswoorden (bv.

“arrive”, “car”, “go”) en minder enkelvoudige woorden in eerste persoon. Ook zullen

complexe woorden vermeden worden, doordat het liegen een hoge cognitieve belasting

vereist (Newman, Pennebaker, Berry, & Richards, 2003; Tausczik & Pennebaker, 2010).

Voordelen

Informatieopslag. In het algemeen zijn computer-gebaseerde modellen

significant accurater dan mensen in een kern sociaal-cognitieve taak, bijvoorbeeld een

persoonlijkheidsbeoordeling. Volgens het Realistic Accuracy Model (Funder, 1995) is de

accuraatheid van een persoonlijkheidsbeoordeling afhankelijk van de beschikbaarheid en

de hoeveelheid van relevante gedragsinformatie, samen met de vaardigheid van de

beoordelaar om deze informatie correct te detecteren en te gebruiken (Funder, 1995,

2012; Wu et al., 2015). Omdat een computer-gebaseerd model alle nodige informatie

zonder moeite kan opslaan, heeft deze veel voordelen op mensen (Wu et al., 2015).

Taalgebruik en persoonlijkheid. Met behulp van computerprogramma’s, zoals

LIWC, kan taalgebruik op sociale netwerksites aan een razendsnel tempo geanalyseerd

worden. In de tijd die het in beslag neemt om één enkel individu te onderzoeken op basis

van zijn of haar taalgebruik, worden er nu duizenden tekstbronnen gedownload die

geanalyseerd worden in enkele seconden (Tausczik & Pennebaker, 2010). Doordat

individuen veel van zichzelf prijsgeven op sociale media en het individu zelf het

frequentste discussieonderwerp is, kan een computerprogramma dit vrij gemakkelijk

analyseren (Golbeck, 2011). Woorden die gebruikt worden in het dagelijkse leven

reflecteren wie iemand is en taal is de meest gebruikte manier om interne gedachten en

emoties te vertalen naar de buitenwereld toe (Tausczik & Pennebaker, 2010). Taalgebruik

is een psychologisch rijk en stabiel individueel verschil dat onder andere gecorreleerd is

met persoonlijkheid. Aangezien persoonlijkheidstrekken tevens gecorreleerd zijn met

zowel succes in persoonlijke als professionele relaties, maakt het dit onderzoek hiernaar

dus zeer interessant (Golbeck, 2011; Park et al., 2015). Taal-gebaseerde assessment vormt

bovendien een valide persoonlijkheidsmeting. Dit werd aangetoond in een studie die

vaststelde dat de Big Five persoonlijkheidstrekken van een sollicitant voorspeld kunnen

worden aan de hand van gedeelde informatie op bijvoorbeeld Facebook. Deze studie


19

maakte gebruik van een “gesloten” woordenschatanalyse (Golbeck, 2011). Deze

vaststelling werd echter ook gevonden in een andere studie, met behulp van een

programma die een “open” woordenschatanalyse van taal op sociale media hanteerde.

Deze “open” woordenschatanalyse maakt gebruik van taalkenmerken van de

geanalyseerde tekst zelf in plaats van te starten met een vooraf opgemaakte lijst van

woorden bij een “gesloten” woordenschatanalyse, zoals LIWC. Zo komt taal-gebaseerde

assessment overeen met zelfbeoordeling van de Big Five persoonlijkheidstrekken.

Extraverte individuen gebruiken bijvoorbeeld frequenter woorden met een positieve

bijklank (bv. “great”, “happy”, “amazing”). In het algemeen is er daarnaast van

individuen met een hoge score voor extraversie een grotere hoeveelheid woorden

beschikbaar, maar dit zijn dan vooral kortere woorden (Park et al., 2015; Tausczik &

Pennebaker, 2010). De persoonlijkheidstrek openheid is dan weer sterk positief

geassocieerd met meer formeel taalgebruik, het gebruik van intellectuele onderwerpen en

een brede waaier aan cognitieve vaardigheden (Yarkoni, 2010).

Taalgebruik en andere psychologische kenmerken. Taal-gebaseerde

assessment is niet gelimiteerd tot het beoordelen van persoonlijkheid, maar kan

bijvoorbeeld ook gebruikt worden om taalmodellen rond psychologisch welzijn te creëren

aan de hand van bijvoorbeeld het HEXACO-model (Ashton & Lee, 2007).

Impliciete meting. Vele onderzoekers menen dat taal-gebaseerde assessment

sociaalpsychologische processen onthullen die niet makkelijk te onderzoeken vallen en

het ware zelf van het individu blootleggen. Dit vooral aan de hand van functie- of

stijlwoorden, zoals voornaamwoorden, voorzetsels, voegwoorden en hulpwerkwoorden

(bv. “it”, “was”, “a”, “and”). Een verklaring hiervoor ligt in het feit dat deze woorden

reflecteren hoe een individu communiceert en dit veel dichter ligt bij metingen van de

sociaalpsychologische wereld van een individu. Dit in tegenstelling tot inhoudswoorden

zoals zelfstandige naamwoorden, regelmatige werkwoorden en bijwoorden die gewoon

overbrengen wat een individu zegt (Tausczik & Pennebaker, 2010).

Nadelen

Context. Waar mensen dan wel beter op scoren, is het feit dat beoordelaars een

breder spectrum van contextuele en semantische cues kunnen hanteren. Alle

taalvariabelen zijn immers afkomstig van simpele tellingen van woordgebruik, zonder


20

contextuele factoren en hogere-orde semantische variabelen in rekening te brengen (bv.

ironie, sarcasme, afbeeldingen, taaleigenheden). Een computer-gebaseerd taalanalyse

programma zoals LIWC blijft een probabilistisch systeem en mag niet gezien worden als

een programma dat foutloos een accuraat beeld geeft van het ware zelf van een individu

aan de hand van zijn of haar taalgebruik (Back et al., 2010; Marcus, Machilek, & Schutz,

2006; Tausczik & Pennebaker, 2010; Vazire & Gosling, 2004).

Imperfectie. Een programma zoals LIWC is enkel een overgangsprogramma in

afwachting van een nieuw tijdperk van taalanalyses. Analyses van complexere taal en

flexibiliteit in het opzet aan de hand van de onderzoeksvraag van de onderzoeker zijn

hierbij een must (Tausczik & Pennebaker, 2010).

Discriminatie. Door het gebruik van een computer-gebaseerde taalanalyse, komt

het ethische probleem weer naar boven. Er bestaan heel wat culturele verschillen in

taalgebruik, waardoor de afkomst van een sollicitant achterhaald kan worden. De mate

van bijvoorbeeld formaliteit en vriendelijkheid in het taalgebruik is zelfs inherent aan

functiewoorden. Leeftijd en geslacht van de sollicitant kan men bijvoorbeeld makkelijk

voorspellen, zonder daar op voorhand van op de hoogte te zijn (Tausczik & Pennebaker,

2010). Zo zullen oudere individuen meer gebruik maken van inzichtwoorden (bv. “think”,

“know”, “consider”), woorden in toekomende tijd en exclusieve woorden (bv. “because”,

“effect”) (Pennebaker & Stone, 2003). Het grote verschil in taalgebruik bij mannen en

vrouwen zit hem in de complexiteit van de taal en de mate van sociale referenties. Terwijl

mannen meer de intentie hebben tot gebruik van langere woorden en voorzetsels,

gebruiken vrouwen meer sociale woorden (bv. “family”, “friends”) en voornaamwoorden

(Newman, Groom, Handelman, & Pennebaker, 2008). Hiervan op de hoogte zijn tijdens

het screeningsproces, kan een belangrijke en negatieve impact hebben voor de sollicitant.

Validiteit en Betrouwbaarheid

Inhoudsvaliditeit. In een studie waarin LIWC geëvalueerd werd op validiteit aan

de hand van tekst verworven uit een online groep, detecteerde het woordenboekbestand

van LIWC 80.3% van de woorden uit de tekst, ondanks dat deze gebruikte woorden sterk

verschilden van de originele toepassing van LIWC (Alpers et al., 2005).

Convergente validiteit. In diezelfde studie van Alpers et al. (2005) werd tekst

verkregen uit een online groep vergeleken met tekst verkregen uit gerelateerde


21

krantenartikelen waarop LIWC hetzelfde zou moeten scoren. Evidentie voor deze

validiteit werd gevonden. Een andere studie aan de hand van een programma die “open”

woordenschatanalyse hanteerde vergeleek taal-gebaseerde assessment met zelf-

beoordeling. Ook in deze studie vond men evidentie voor deze validiteit, met een

gemiddelde convergente correlatie van 0.38 (Park et al., 2015).

Predictieve validiteit. Computer-gebaseerde beoordelingen van persoonlijkheid

hebben hogere predictieve validiteit dan beoordeling door rekruteerders bij het

voorspellen van levensuitkomsten (bv. middelenmisbruik, politieke attitude, fysieke

gezondheid) en andere gedragsgerelateerde eigenschappen. In bepaalde gevallen is de

predictieve validiteit zelfs hoger dan zelfbeoordeling van persoonlijkheid (Wu et al.,

2015).

Discriminante validiteit. De “open” woordenschatanalyse van Park et al. (2015)

vond echter geen evidentie voor discriminante validiteit, waarbij de grootte van tussen-

trek correlaties binnen taal-gebaseerde assessment vergeleken werd met die van

zelfbeoordeling. Zo zouden deze correlaties tussen trekken zo laag mogelijk moeten zijn,

maar de gemiddelde absolute waarde van de coëfficiënten van taal-gebaseerde

assessment was significant hoger (r = 0.29) dan deze van zelfbeoordeling (r = 0.19). Dit

wijst erop dat taal-gebaseerde assessment een minder goed onderscheid maakt tussen

trekken.

Concurrente validiteit. In een studie correleerden de meeste LIWC-scores laag

tot gemiddeld met de gelijktijdig beschikbare criteriumgegevens van de menselijke

rekruteerder. Aangezien deze correlatie wel significant was, is er evidentie voor een

positieve associatie tussen bepaalde categorieën van de LIWC en menselijke beoordeling.

Een verklaring voor de categorieën waar geen evidentie voor concurrente validiteit werd

gevonden, is het feit dat een simpele woordtelling geen context in rekening brengt (Alpers

et al., 2005).

Interbeoordelaarsbetrouwbaarheid. Computer-gebaseerde modellen in het

algemeen vertonen een hogere interbeoordelaarsbetrouwbaarheid bij het voorspellen van

levensuitkomsten (bv. middelenmisbruik, politieke attitude, fysieke gezondheid) en

andere gedragsgerelateerde eigenschappen dan menselijke beoordelaars (Wu et al.,

2015).


22

Test-hertest betrouwbaarheid. In de studie van Park et al. met de “open”

woordenschatanalyse werd deze betrouwbaarheid reeds onderzocht door correlaties van

persoonlijkheidsvoorspellingen aan de hand van taal te onderzoeken tussen vier

intervallen van zes maanden. Zo bleek taal-gebaseerde assessment stabiel te zijn over

deze intervallen voor alle trekken van de Big Five, met een gemiddelde test-hertest

correlatie van 0.70. Een hoge correlatie dus, zeker wanneer dit vergeleken wordt met de

test-hertest correlatie van zelfbeoordeling op deze persoonlijkheidstrekken die varieert

van 0.65 tot 0.85 (Park et al., 2015).

Conclusie

Doelstelling

Het eerste deel van deze Masterproef gaf een theoretisch kader van de rol van

zowel de mens als de “machine” binnen social media assessment. In het tweede deel van

deze Masterproef volgt de praktische studie van de “machinale” benadering aan de hand

van Pennebaker’s Linguistic Inquiry and Word Count. Zo zullen de ‘posts’ en ‘tweets’ op

de sociale netwerksites Facebook en Twitter van participanten beoordeeld worden door

het programma LIWC. Dit met als doel de voorspellende waarde van social media

assessment op taakgedrag na te gaan en de overeenstemming met een traditioneel

instrument te onderzoeken, namelijk met een persoonlijkheidsvragenlijst.

Onderzoeksvragen en Hypotheses

De volgende drie onderzoeksvragen worden opgesteld:

1) Kan een hedendaags “machinaal” instrument, zoals het Pennebaker’s programma

LIWC, informatie halen uit de sociale netwerksites Facebook en Twitter, waarbij

informatie op grond van Facebook correleert met informatie op grond van Twitter?


LIWC, informatie halen uit de sociale netwerksites Facebook en Twitter, consistent

met een traditioneel instrument, namelijk een persoonlijkheidsvragenlijst?


LIWC, informatie halen uit de sociale netwerksites Facebook en Twitter, die een

relevante voorspellende waarde heeft voor taakgedrag?


23

Uit deze onderzoeksvragen kunnen drie hypotheses opgesteld worden. De

verwachte correlaties binnen hypothese 2 zijn voornamelijk gebaseerd op het onderzoek

van Yarkoni (2010). Hypothese 3a is gebaseerd op verscheidene onderzoeken die stellen

dat consciëntieusheid de beste predictor is voor taakgedrag (Barrick & Mount, 1991;

Kluemper & Rosen, 2009).

1) Scores van individuen berekend op grond van de sociale netwerksite Facebook door

middel van Pennebaker’s LIWC correleren significant met de scores van deze

individuen berekend op grond van de sociale netwerksite Twitter.

2) Scores van individuen berekend op grond van de sociale netwerksites Facebook en

Twitter door middel van Pennebaker’s LIWC correleren significant met hun scores

op een persoonlijkheidsvragenlijst.

a. Het construct extraversie van de Big Five correleert significant positief met de

constructen ‘second person’, ‘power’, ‘reward’ en ‘risk’ van Pennebaker’s

LIWC.

b. Het construct agreeableness van de Big Five correleert significant positief met

de constructen ‘first person plural’, ‘positive emotion’, ‘social processes’,

‘family’, ‘friends’ en ‘affiliation’ van Pennebaker’s LIWC.

c. Het construct consciëntieusheid van de Big Five correleert significant negatief

met het construct ‘negations’ en positief met het construct ‘achievement’ van

Pennebaker’s LIWC.

d. Het construct neuroticisme van de Big Five correleert significant positief met

de constructen ‘first person singular’, ‘affective processes’, ‘negative

emotion’, ‘anxiety’, ‘anger’ en ‘sadness’ van Pennebaker’s LIWC.

e. Het construct openheid van de Big Five correleert significant positief met de

constructen ‘cognitive processes’, ‘insight’, ‘causation’, ‘discrepancy’,

‘differentiation’ en ‘leisure’ van Pennebaker’s LIWC.

3) Scores van individuen berekend op grond van de sociale netwerksites Facebook en

Twitter door middel van Pennebaker’s LIWC zijn een significante voorspeller voor

taakgedrag van deze individuen.

a. Het construct consciëntieusheid van de Big Five correleert significant met

taakgedrag en is dus een significante voorspeller van taakgedrag.


24

METHODE

Steekproef

Participanten

Op basis van een raadpleging van het eigen netwerk via sociale media (Facebook,

Twitter en LinkedIn) en de daaropvolgende sneeuwbal sampling, bedraagt de steekproef

71 participanten die de procedure volledig afwerkten. De gemiddelde leeftijd is 22 jaar

(M = 21.76, SD = 5.47), met een minimum- en maximumleeftijd van respectievelijk 18

en 52 jaar. Er zijn 53 vrouwen (74.65%) en 18 mannen (25.35%). De participanten hebben

gemiddeld vier jaar (M = 3.65, SD = 5.46) en zes maanden (M = 5.82, SD = 3.50)

werkervaring, dit hoofdzakelijk als student binnen een studentenjob (74.65%) en een

stage (18.3%). Daarna volgt de werkervaring binnen een voltijdse job van onbepaalde

duur (9.86%), een voltijdse job van bepaalde duur (7.04%), een deeltijdse job van

onbepaalde duur (2.82%) en een deeltijdse job van bepaalde duur (2.82%). De meeste

participanten zijn actief binnen de sector ‘Handel en dienstverlening’ (36.62%), met

daaropvolgend de sectoren ‘Toerisme, recreatie en horeca’ (29.58%), ‘Onderwijs, cultuur

en wetenschap (18.31%), ‘Gezondheidszorg en welzijn’ (15.49%), ‘Landbouw, natuur en

visserij’ (7.04%), ‘ICT’ (5.63%), ‘Justitie, veiligheid en openbaar bestuur’ (4.23%),

‘Transport en logistiek’ (4.23%), ‘Media en communicatie’ (4.23%) en ‘Bouw, productie

en techniek’ (4.23%). Een kleine kanttekening die hierbij gemaakt kan worden, is dat het

cumulatief percentage van werkervaring en sectoren geen 100% bedraagt. Dit aangezien

er meerdere antwoorden op deze vragen aangeduid konden worden.

Derden

Elk van de 71 participanten gaf één of meerdere derden door, bedoeld om hen

door middel van een vragenlijst te beoordelen op zowel persoonlijkheid als taakgedrag.

In totaal zijn er 159 derden, waarvan 61 leidinggevenden (38.36%) en 98 collega’s

(61.64%). Gemiddeld werd elke participant door één leidinggevende (M = 0.86, SD =

0.45) en één collega (M = 1.38, SD = 0.78) beoordeeld. De gemiddelde leeftijd bedraagt

32 jaar (M = 31.78, SD = 8.54). De minimum- en maximumleeftijd zijn respectievelijk

18 en 59 jaar. In totaal zijn er 100 vrouwen (62.89%) en 59 mannen (37.11%). De duur


25

van de relatie tussen de derde en de participant is gemiddeld zes jaar (M = 5.68, SD =

3.52) en zeven maanden (M = 7.05, SD = 2.35). De kwaliteit van de relatie met de

participant wordt hoofzakelijk als “redelijk goed” benoemd (32.70%), met daaropvolgend

“goed” (27.67%), “zeer goed” (22.64%) en “niet zo goed” (12.58%). Er is slechts 4.40%

die aangeeft de participant “nauwelijks” te kennen1.

Procedure

De eerste stap binnen het onderzoek was het “rekruteren” van de participanten.

Dit via verschillende sociale netwerksites, namelijk Facebook, Twitter en LinkedIn. Op

basis van de daaropvolgende sneeuwbal sampling werd er een pool verzameld van 73

participanten. Deze deelnemende participanten stemden in eerste instantie elk in om hun

sociale netwerksites Facebook en Twitter open te stellen voor onderzoek. Elke participant

deelde ook hun e-mailadres mee en werd daarna via e-mail ingelicht over het verdere

verloop van de procedure2.

Bij inlichting van de verdere procedure werd er in een tweede stap aan de

participanten gevraagd om een online vragenlijst in te vullen. Deze vragenlijst nam

gemiddeld vijf minuten tijd in beslag en peilde naar persoonlijkheid via zelfbeoordeling

op de Big Five persoonlijkheidstrekken. Er vulden 71 participanten de vragenlijst volledig

in. Twee participanten vulden slechts een deel in, waardoor hun deelname aan het

onderzoek niet langer geldig was. Bijgevolg werden deze twee participanten uit het

onderzoek verwijderd.

Congruent met de tweede stap, werd er ook aan de participanten gevraagd om elk

het e-mailadres van één of meerdere collega’s en/of leidinggevenden door te geven. In

deze derde stap werden de collega’s en/of leidinggevenden vervolgens gecontacteerd en

gevraagd om ook een online vragenlijst in te vullen die peilde naar zowel de

1 Deze groep derden die aangeeft de participant “nauwelijks” te kennen werd in de steekproef gelaten om de analyses uit te voeren. Er werd een vergelijkende analyse uitgevoerd, waarbij er geen verschillen teruggevonden werden tussen beide correlatiematrixen met en zonder deze groep (zie Bijlage 3, Tabel 1 en Tabel 2). Deze 4,40% heeft bijgevolg geen invloed op de resultaten. 2 De uitgestuurde e-mail werd gebaseerd op het informed consent formulier van de Faculteit Psychologie en Psychologische Wetenschappen UGent. Alle affirmatieve antwoorden op deze e-mail zijn raadpleegbaar via de auteur van deze Masterproef.


26

persoonlijkheid van de participant op de Big Five persoonlijkheidstrekken, als het

taakgedrag3. Deze vragenlijst nam maximum tien minuten tijd in beslag.

In stap vier werden de ‘posts’ en ‘tweets’ van Facebook en Twitter afgehaald.

Voor elke participant afzonderlijk werden er twee Word-documenten opgemaakt, één

voor Facebook en één voor Twitter. De verschillende teksten werden handmatig

gekopieerd en geplakt naar het juiste Word-document. Daaropvolgend werd het Word-

document opgeslagen als ‘tekst zonder opmaak’. Elk bestand werd zorgvuldig nagelezen,

waarbij spellingsfouten verbeterd werden en anderstalige teksten (dialect, Engels en

Frans) vertaald werden naar het Nederlands. Voorts bevat elk bestand minimum 50

woorden. Dit aangezien een analyse met een kleiner aantal woorden minder betrouwbare

resultaten oplevert en met een zekere sceptische blik bestudeerd moet worden.

Alvorens de statistische analyses, werd er in de vijfde en laatste stap gebruik

gemaakt van het tekstanalyseprogramma LIWC. Zo werd elk document van elke

participant afzonderlijk in het programma opgeladen en geanalyseerd, waarbij een output

verkregen werd die nadien als een Excel-bestand opgeslagen werd.

Materiaal

Om zowel de vragenlijst voor de participanten als derden vorm te geven, werd er

gebruik gemaakt van de online software ‘Qualtrics’. Beide vragenlijst zijn opgenomen

in Bijlage 1 en Bijlage 2.

Vragenlijst Participant

Meting persoonlijkheid. De vragenlijst van de participant omvat een

zelfbeoordeling van persoonlijkheid aan de hand van een 5-punts Likertschaal, gaande

van ‘helemaal oneens’, ‘oneens’, ‘noch eens, noch oneens’, ‘eens’ tot ‘helemaal eens’.

Deze persoonlijkheidsmeting is gebaseerd op de ‘Mini-IPIP Scales’ (Donnellan, Oswald,

Baird, & Lucas, 2006), een verkorte vorm van de ‘International Personality Item Pool

(IPIP) – Five Factor Model (FFM)’ (Goldberg, 1999). De ‘Mini-IPIP Scales’ bestaat uit

20 items, waarbij elke Big Five trek over vier items beschikt. De schaal is voor het

3 De uitgestuurde e-mail werd gebaseerd op het informed consent formulier van de Faculteit Psychologie en Psychologische Wetenschappen UGent. Alle affirmatieve antwoorden op deze e-mail zijn raadpleegbaar via de auteur van deze Masterproef.


27

grootste deel gebalanceerd, met name dat er een gelijk aantal positieve als negatieve

gecodeerde items zijn, behalve voor de trek openheid. In vergelijking met de ‘IPIP-FFM’,

hebben de ‘Mini-IPIP Scales’ een respectabele interne consistentie en test-hertest

correlatie. Daarenboven heeft de schaal een vergelijkbare convergente-, criterium- en

predictieve validiteit. Aangezien de ‘MINI-IPIP Scales’ onderzocht werd met behulp van

een steekproef met studenten vormt dit een voordeel voor mijn Masterproef, omdat het

overgrote deel uit dezelfde doelgroep bestaat. Voor het gebruik van de ‘MINI-IPIP

Scales’ in deze Masterproef, werd de schaal tenslotte vertaald naar het Nederlands. Voor

elke Big Five persoonlijkheidstrek afzonderlijk werd de interne consistentie van de vier

items berekend aan de hand van Cronbach’s alfa. Deze worden in Tabel 1 weergegeven.

Er is een zwakke interne consistentie voor de persoonlijkheidstrek agreeableness (a =

0.45). De overige trekken hebben een acceptabele tot goede interne consistentie.

Tabel 1

Cronbach’s alfa’s van de Big Five persoonlijkheidstrekken voor de vragenlijst van de

participant, gebaseerd op telkens vier items Vragenlijst participant

(N = 71)

Extraversie 0.76

Agreeableness 0.45

Consciëntieusheid 0.70

Neuroticisme 0.82

Openheid 0.71

Vragenlijst Derde

Meting persoonlijkheid. In het eerste deel van de vragenlijst voor de derde

beoordeelt een collega en/of leidinggevende de participant op vlak van persoonlijkheid.

Deze persoonlijkheidsmeting is, net zoals bij de vragenlijst voor de participant, ook

gebaseerd op de ‘Mini-IPIP Scales’ met gelijke vier items en wordt beoordeeld aan de

hand van eenzelfde 5-punts Likertschaal. De items werden eerst aangepast naar de

‘hij/zij-vorm’, zodat er niet meer gepeild wordt naar een zelfbeoordeling, en tenslotte ook

vertaald naar het Nederlands. Voor het berekenen van de interne consistentie van de vier


28

items, weergegeven in Tabel 2, werden de scores opgesplitst in de beoordeling door hetzij

collega’s, hetzij leidinggevenden. De interne consistentie voor de trek openheid

beoordeeld door een collega is betwistbaar (a = 0.61). De overige

persoonlijkheidstrekken bij diezelfde beoordelaar scoren acceptabel tot goed. Bij de

beoordeling van een leidinggevende zijn de interne consistenties voor de trekken

consciëntieusheid, neuroticisme en openheid betwistbaar (respectievelijk a = 0.64, a =

0.65, a = 0.64). De overige persoonlijkheidstrekken halen een acceptabele tot goede

interne consistentie.

Meting taakgedrag. Daarnaast werd er in het tweede deel van de vragenlijst voor

de derden gevraagd om de participant ook te beoordelen op taakgedrag. Dit mede op een

5-punts Likertschaal, gaande van ‘helemaal oneens’, ‘oneens’, ‘noch eens, noch oneens’,

‘eens’ tot ‘helemaal eens’. Deze meting is gebaseerd op de eerste zeven prestatie-items

uit het onderzoek van Williams en Anderson (1991). Vorig onderzoek liet zien dat de

gekozen items de hoogste correlaties hebben met ‘in-role behavior’ (r = 0.52-0.88). Dit

begrip verwijst naar job-prestatie in termen van de effectiviteit waarbij werknemers

formele job verantwoordelijkheden uitvoeren (Turnley, Bolino, Lester, & Bloodgood,

2003). Zowel de kennis en accuraatheid van de job, als de productiviteit behoren hiertoe

(Werner, 1994). Net zoals de persoonlijkheidsmeting, werden de items voor taakgedrag

ook vertaald naar het Nederlands. De interne consistentie voor de zeven items werd

evenzeer berekend aan de hand van Cronbach’s alfa. Deze worden in onderstaande Tabel

3 weergegeven. De interne consistenties van de zeven items van taakgedag beoordeeld

door een collega en een leidinggevende, zijn respectievelijk goed en betwistbaar.


29

Tabel 2

Cronbach’s alfa’s van de Big Five persoonlijkheidstrekken voor de vragenlijst van de

derden, gebaseerd op telkens vier items Vragenlijst collega

(N = 68)

Vragenlijst leidinggevende

(N = 58)

Extraversie 0.81 0.74

Agreeableness 0.78 0.80

Consciëntieusheid 0.78 0.64

Neuroticisme 0.73 0.65

Openheid 0.61 0.64

Tabel 3

Cronbach’s alfa’s voor de zeven items van taakgedrag, beoordeeld door de derden

Taakgedrag beoordeeld door

collega

(N = 68)


leidinggevende

(N = 58)

0.80 0.68

Linguistic Inquiry and Word Count (LIWC)

Om de ‘posts’ en ‘tweets’ van Facebook en Twitter te analyseren, werd gebruik

gemaakt van het tekstanalyseprogramma LIWC 2015 van Pennebaker. Het belang, de

voor- en nadelen en de validiteit en betrouwbaarheid van LIWC werden in de inleiding

van deze Masterproef reeds uitvoerig besproken. Aangezien LIWC oorspronkelijk in de

Engelse taal voorgeschreven staat, werd er tevens een Nederlandstalig woordenboek in

het programma geüpload. Het gebruikte woordenboek is een experimentele

geautomatiseerde vertaling van de versie van LIWC 2015, dat een aantal extra

categorieën bevat bovenop LIWC 2007 (Boot, Zijlstra, & Geenen, 2017). De output van

LIWC 2015 geeft 89 categorieën weer, echter werd er slechts een selectie van 24

relevante categorieën in rekening gebracht voor dit onderzoek (Tabel 4). De selectie van

deze categorieën gebeurde voornamelijk op basis van het onderzoek van Yarkoni. Zo

werden de hoogste en/of meest significante correlaties tussen een categorie van LIWC en


30

een persoonlijkheidstrek van de Big Five geselecteerd (Yarkoni, 2010). Daarnaast werd

er ook gekeken welke categorieën al dan niet relevant zijn voor dit onderzoek in de

werkcontext.


31

Tabel 4

LIWC-categorieën opgenomen in het onderzoek, gebaseerd op Yarkoni (2010) en

geordend per Big Five persoonlijkheidstrek

LIWC-categorieën

Extraversie

2nd person

Power

Reward

Risk

Agreeableness

1st person plural

Positive emotion

Social processes

Family

Friends

Affiliation

Consciëntieusheid

Negations

Achievement

Neuroticisme

1st person singular

Affective processes

Negative emotion

Anxiety

Anger

Sadness

Openheid

Cognitive processes

Insight

Causation

Discrepancy

Differentiation

Leisure


32

Statistische Analyse

In dit onderzoek wordt er beoogd om een antwoord te vinden op drie

onderzoeksvragen, met als uiteindelijke doel om te achterhalen of LIWC een

voorspellende waarde heeft voor taakgedrag. In functie van de drie onderzoeksvragen

werden er verschillende correlatiematrixen opgemaakt met behulp van het statistisch

softwarepakket SPSS. Om tot deze correlatiematrixen te komen, werden er eerst heel wat

voorbereidingen getroffen. De predictoren binnen huidig onderzoek zijn de

zelfbeoordeling op de Big Five persoonlijkheidstrekken en de scores van de participanten

op de LIWC-categorieën. De scores van taakgedrag van de participant beoordeeld door

de derden zijn de criteria binnen dit onderzoek. In eerste instantie werden de nodige items

gehercodeerd en werden de beoordelingen van derden gesplitst in hetzij collega’s of

leidinggevenden. Verder werden de gemiddeldes van de scores op de Big Five

persoonlijkheidstrekken, zowel uit zelfbeoordeling als beoordeling van derden, als de

scores op taakgedrag berekend. Om tot slot de drie hypotheses te toetsen, werden

bivariate correlaties berekend.

Ter illustratie zijn er daarnaast ook gelijkaardige analyses uitgevoerd die correlaties

weergeven met metingen van de derden. Deze correlaties, raadpleegbaar in Bijlage 4,

worden niet verder besproken aangezien deze geen verband houden met de

onderzoeksvragen van deze Masterproef.

RESULTATEN

Hypothese 1

Om hypothese 1, die stelt dat de scores van individuen berekend op grond van de

sociale netwerksite Facebook door middel van Pennebaker’s LIWC significant correleren

met de scores van deze individuen berekend op grond van de sociale netwerksite Twitter,

te toetsen werd er een MTMM-matrix opgemaakt. Deze matrix correleerde de LIWC-

constructen bekomen door analyse van Facebook met de LIWC-constructen bekomen

door analyse van Twitter. Uit de MTMM-matrix werd er specifiek belang gehecht aan de

scores die wijzen op convergente validiteit tussen beide LIWC-constructen. Deze

convergente scores worden in Tabel 5 weergegeven. Er zijn zeven significant positieve


33

relaties die wijzen op convergente validiteit tussen de LIWC-constructen van Facebook

en Twitter. Dit van de constructen ‘second person’ (r = 0.34, p < 0.01), ‘social processes’

(r = 0.37, p < 0.01), ‘first person singular’ (r = 0.44, p < 0.01), ‘negative emotion’ (r =

0.41, p < 0.01), ‘anxiety’ (r = 0.35, p < 0.01), ‘anger’ (r = 0.34, p < 0.01) en ‘cognitive

processes’ (r = 0.39, p < 0.01). Hypothese 1 kan bijgevolg gedeeltelijk bevestigd worden.


34

Tabel 5

De scores van convergente validiteit tussen LIWC-constructen van Facebook en LIWC-

constructen van Twitter

Convergente validiteit

Extraversie

2nd person .34**

Power -0.13

Reward -0.01

Risk 0.06

Agreeableness

1st person plural -0.05

Positive emotion 0.06

Social processes .37**

Family -0.05

Friends 0.17

Affiliation 0.01

Consciëntieusheid

Negations 0.21

Achievement -0.18

Neuroticisme

1st person singular .44**

Affective processes 0.15

Negative emotion .41**

Anxiety .35**

Anger .34**

Sadness 0.06

Openheid

Cognitive processes .39**

Insight 0.11

Causation 0.14

Discrepancy -0.04

Differentiation 0.12

Leisure 0.16

N = 71

* p < 0.05; ** p < 0.01


35

Hypothese 2

De tweede hypothese, die stelt dat de scores van individuen berekend op grond

van de sociale netwerksites Facebook en Twitter door middel van Pennebaker’s

LIWC significant correleren met hun scores op een persoonlijkheidsvragenlijst, werd

ook getoetst aan de hand van enkele correlatiematrixen. Ten eerste werden bivariate

correlaties berekend tussen de LIWC-constructen geanalyseerd met Facebook en de

scores van zelfbeoordeling van de participant op basis van de Big Five

persoonlijkheidstrekken (Tabel 6). Ten tweede werden er tevens bivariate correlaties

berekend tussen de LIWC-constructen geanalyseerd met Twitter en de scores van

zelfbeoordeling van de participant op basis van de Big Five persoonlijkheidstrekken

(Tabel 7). De correlaties aangegeven in het vet zijn correlaties die worden beoogd te

meten.

Hypothese 2a. Er zijn geen aanwijzingen, noch bij de analyse met Facebook, noch

bij de analyse met Twitter, om hypothese 2a te bevestigen. Deze hypothese stelt dat het

construct extraversie van de Big Five significant positief correleert met de constructen

‘second person’, ‘power’, ‘reward’ en ‘risk’ van Pennebaker’s LIWC.

Hypothese 2b. Vermits er een significant positieve relatie bestaat tussen zowel

‘friends’ (r = 0.28, p < 0.05) en ‘affiliation’ (r = 0.30, p < 0.05) met de trek agreeableness

op basis van de analyse door Twitter (Tabel 7), kan hypothese 2b gedeeltelijk worden

bevestigd. Deze stelt namelijk dat het construct agreeableness van de Big Five significant

positief correleert met de constructen ‘first person plural’, ‘positive emotion’, ‘social

processes’, ‘family’, ‘friends’ en ‘affiliation’ van Pennebaker’s LIWC.

Hypothese 2c. In Tabel 6 wordt hypothese 2c, die stelt dat het construct

consciëntieusheid van de Big Five significant negatief correleert met het construct

‘negations’ en significant positief correleert met het construct ‘achievement’ van

Pennebaker’s LIWC, gedeeltelijk bevestigd bij Facebook. We zien namelijk een

significant negatieve correlatie tussen het construct ‘negations’ en de

persoonlijkheidstrek consciëntieusheid (r = -0.26, p < 0.05).

Hypothese 2d. Deze hypothese, die stelt dat het construct neuroticisme van de

Big Five significant positief correleert met de constructen ‘first person singular’,

‘affective processes’, ‘negative emotion’, ‘anxiety’, ‘anger’ en ‘sadness’ van

Pennebaker’s LIWC, kan gedeeltelijk worden bevestigd op basis van Twitter (Tabel 7).


36

Dit door de significant positieve correlatie tussen het construct ‘anxiety’ en de trek

neuroticisme (r = 0.28, p < 0.05).

Hypothese 2e. Ook hypothese 2d, die stelt dat het construct openheid van de Big

Five significant positief correleert met de constructen ‘cognitive processes’, ‘insight’,

‘causation’, ‘discrepancy’, ‘differentiation’ en ‘leisure’ van Pennebaker’s LIWC, kan

gedeeltelijk worden bevestigd bij Facebook (Tabel 6). Dit aangezien het construct

‘insight’ een significant positieve relatie toont met de trek openheid (r = 0.28, p < 0.05).


37

Tabel 6

Correlatiematrix met correlaties tussen de LIWC-constructen van Facebook en de

zelfbeoordeling van de participant op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid

Extraversie

2nd person 0.17 -0.01 -0.17 0.06 -0.01

Power 0.05 0.19 0.21 0.03 -0.18

Reward 0.07 0.05 0.08 -0.05 -0.07

Risk -0.07 0.06 0.00 0.12 0.10

Agreeableness

1st person plural 0.15 0.09 0.12 -0.10 -0.01

Positive emotion 0.07 0.12 0.14 0.08 -0.15

Social processes 0.13 0.09 0.03 0.19 0.00

Family -0.19 -0.02 0.22 -0.09 -0.11

Friends 0.20 -0.05 -0.10 0.08 0.20

Affiliation 0.15 0.07 0.07 0.10 0.07

Consciëntieusheid

Negations -0.01 -0.08 -.26* 0.14 -0.07

Achievement 0.16 0.21 0.17 -0.07 -0.04

Neuroticisme

1st person singular 0.16 0.19 -0.13 0.15 0.09

Affective processes 0.10 0.14 0.13 0.09 -0.16

Negative emotion 0.08 0.08 0.00 0.00 -0.09

Anxiety -0.08 -0.12 -0.02 0.13 0.05

Anger 0.02 0.16 -0.03 -0.11 -0.08

Sadness 0.12 0.14 -0.06 0.00 -0.12

Openheid

Cognitive processes 0.08 -0.06 -.27* 0.20 0.14

Insight 0.12 -0.07 -.27* 0.08 .28*

Causation 0.08 -0.13 -0.11 0.09 0.14

Discrepancy -0.04 0.07 -0.08 0.02 -0.01

Differentiation 0.08 -0.04 -0.21 0.18 0.01

Leisure 0.02 0.11 0.07 0.00 0.03

N = 71

* p < 0.05; ** p < 0.01


38

Tabel 7

Correlatiematrix met correlaties tussen de LIWC-constructen van Twitter en de

zelfbeoordeling van de participant op basis van de Big Five persoonlijkheidstrekken

Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid

Extraversie

2nd person 0.09 0.10 0.10 0.22 -0.08

Power -0.08 0.03 -0.10 -0.15 0.13

Reward -0.17 -0.08 0.06 -0.06 -0.05

Risk 0.00 0.07 -0.07 0.19 0.05

Agreeableness

1st person plural 0.08 0.13 -0.07 -0.03 0.11

Positive emotion 0.21 0.14 0.12 -0.10 0.07

Social processes 0.17 0.04 0.00 0.22 -0.04

Family 0.09 -0.06 -0.13 0.11 -0.15

Friends 0.19 .28* 0.14 -0.08 0.03

Affiliation .24* .30* 0.01 -0.02 0.18

Consciëntieusheid

Negations -0.12 0.00 -0.11 0.15 0.06

Achievement -0.19 -0.06 0.06 -0.14 -0.04

Neuroticisme


Affective processes .24* 0.22 0.09 0.05 0.02

Negative emotion 0.10 0.15 -0.04 0.23 -0.08

Anxiety 0.05 -0.19 -0.14 .28* -0.01

Anger 0.13 0.07 -0.06 0.13 -0.07

Sadness 0.22 0.09 0.01 0.18 -0.08

Openheid

Cognitive processes 0.06 -0.05 -0.09 .30* -0.03

Insight 0.14 -0.02 -0.08 .26* 0.03

Causation 0.03 -0.11 -0.22 0.23 0.01

Discrepancy 0.01 -0.15 -0.04 .28* -0.20

Differentiation -0.15 -0.02 -0.19 0.20 0.15

Leisure 0.19 0.16 0.04 -0.17 0.03

N = 71

* p < 0.05; ** p < 0.01


39

Hypothese 3

Om tot slot de derde hypothese, die stelt dat de scores van individuen berekend

op grond van de sociale netwerksites Facebook en Twitter door middel van Pennebaker’s

LIWC een significante voorspeller zijn voor taakgedrag, te toetsen werden er alsook

correlatiematrixen opgemaakt. Ditmaal werd er een bivariate correlatie berekend tussen

zowel de LIWC-constructen van Facebook (Tabel 8) als Twitter (Tabel 9) en taakgedrag

van de participant beoordeeld door een collega en een leidinggevende. De correlaties

aangegeven in het vet zijn correlaties die worden beoogd te meten.

Hypothese 3a. Op basis van de significant negatieve correlatie tussen het

construct ‘negations’, dat verband houdt met de persoonlijkheidstrek consciëntieusheid,

en taakgedrag beoordeeld door een leidinggevende (r = -0.33, p < 0.05) op basis van de

analyse van Twitter, kan hypothese 3a gedeeltelijk worden bevestigd (Tabel 9). Deze

hypothese stelt namelijk dat het construct consciëntieusheid van de Big Five significant

correleert met taakgedrag en dus een significante voorspeller is van taakgedrag.


40

Tabel 8

Correlatiematrix met correlaties tussen de LIWC-constructen van Facebook en

taakgedrag van de participant beoordeeld door collega en leidinggevende


collega

(N = 68)


leidinggevende

(N = 58)

Extraversie

2nd person -0.13 -0.01

Power 0.06 -0.23

Reward 0.11 -0.25

Risk .25* 0.01

Agreeableness

1st person plural -0.02 -0.15

Positive emotion -0.02 -0.24

Social processes 0.19 -0.05

Family 0.15 .28*

Friends 0.02 0.01

Affiliation 0.19 -0.09

Consciëntieusheid

Negations 0.04 0.04

Achievement 0.13 -0.21

Neuroticisme

1st person singular -0.06 -0.05

Affective processes -0.01 -0.23

Negative emotion -0.01 -0.03

Anxiety 0.24 0.21

Anger -0.07 0.07

Sadness -.26* -0.09

Openheid

Cognitive processes -0.05 -0.10

Insight -0.10 -0.05

Causation -0.04 0.07

Discrepancy -0.16 -.29*

Differentiation 0.07 0.10

Leisure 0.05 0.14

* p < 0.05; ** p < 0.01


41

Tabel 9

Correlatiematrix met correlaties tussen de LIWC-constructen van Twitter en taakgedrag

van de participant beoordeeld door collega en leidinggevende


collega

(N = 68)


leidinggevende

(N = 58)

Extraversie

2nd person 0.12 -0.21

Power -0.04 0.02

Reward -0.07 -0.11

Risk 0.10 -0.12

Agreeableness

1st person plural -0.05 0.21

Positive emotion 0.02 0.10

Social processes 0.08 -0.01

Family 0.03 0.14

Friends -0.20 0.10

Affiliation -0.06 .26*

Consciëntieusheid

Negations 0.06 -.33*

Achievement -0.10 -0.12

Neuroticisme

1st person singular -0.01 0.01

Affective processes 0.04 -0.10

Negative emotion 0.07 -.31*

Anxiety .24* -0.08

Anger 0.07 -0.18

Sadness 0.05 -.39**

Openheid

Cognitive processes 0.12 -0.18

Insight 0.13 -0.14

Causation -0.06 0.07

Discrepancy .30* -0.11

Differentiation 0.03 -0.16

Leisure -0.16 .26*

* p < 0.05; ** p < 0.01


42

DISCUSSIE

Bespreking Onderzoeksresultaten

In de literatuur is er reeds veel te lezen rond de nieuwe trend social media

assessment en hoe deze screening van participanten al dan niet in verband kan worden

gebracht met persoonlijkheid (Golbeck, 2011; Kluemper & Rosen, 2009; Kluemper et al.,

2012; Roth et al., 2016; Van Iddekinge et al., 2016; Vazire & Gosling, 2004). Ook

Pennebaker’s tekstanalyseprogramma LIWC deed zijn intrede en is voor vele

onderzoekers in dit vakgebied niet meer onbekend (Park et al., 2015; Yarkoni, 2010).

Bekend is echter niet per se bemind. Er heerst nog veel onduidelijkheid omtrent de link

tussen enerzijds sociale netwerksites en persoonlijkheid en anderzijds persoonlijkheid en

LIWC. Aan de hand van de huidige studie binnen deze Masterproef wordt er nog een

stapje verder gegaan en wordt er nagegaan of social media assessment al dan niet een

voorspellende waarde kan hebben voor taakgedrag, dit met behulp van LIWC.

Hoewel er voor de convergente validiteit tussen de sociale netwerksites Facebook

en Twitter op basis van LIWC, getoetst met hypothese 1, slechts gedeeltelijk evidentie

gevonden wordt, kunnen de significante correlaties tussen de convergerende constructen

wel als middelmatig tot groot (r > 0.30) beschouwd worden. Bovendien, wanneer de

LIWC-constructen voor elke Big Five persoonlijkheidstrek samengenomen worden,

hebben drie van de vijf trekken een convergente validiteit tussen Facebook en Twitter,

met uitzondering van de trekken extraversie en consciëntieusheid (zie Bijlage 5, Tabel 1).

Desondanks worden er in hypothese 2 verschillende resultaten teruggevonden

voor Facebook en Twitter. Waarbij er in eerste instantie verondersteld werd dat de

resultaten van Twitter een replicatie zouden vormen op de resultaten van Facebook,

suggereren de bekomen resultaten in hypothese 2 dat er kritisch met de bevindingen

omgesprongen moet worden. Deze hypothese stelt namelijk dat de scores van individuen

berekend op grond van de sociale netwerksites Facebook en Twitter door middel van

Pennebaker’s LIWC significant correleren met hun scores op een persoonlijkheids-

vragenlijst. Op basis van de resultaten kunnen we slechts gedeeltelijke evidentie vinden

voor vier van de vijf Big Five persoonlijkheidstrekken, met uitzondering van de trek

extraversie. Een vorige studie van Park et al. die mede gebruik maakt van een


43

“machinale” beoordelaar, hetzij aan de hand van een “open” woordenschatanalyse, deed

het beter. In deze studie indiceert elke Big Five persoonlijkheidstrek een significant

positieve correlatie tussen social media assessment en zelfbeoordeling (Kluemper et al.,

2012; Park et al., 2015). Daarnaast zijn er ook geen eenduidige resultaten tussen huidig

onderzoek en de studie van Yarkoni die reeds de constructen van LIWC in verband bracht

met de Big Five persoonlijkheidstrekken (Yarkoni, 2010). Zo werd er weinig evidentie

teruggevonden voor constructen die Yarkoni wel suggereerde te correleren met een

bepaalde Big Five persoonlijkheidstrek. In tegenstelling tot de bevindingen van Yarkoni,

wordt er geen evidentie gevonden voor significante correlaties tussen de constructen van

LIWC en de zelfbeoordeling op de trek extraversie. In dit onderzoek laat de

zelfbeoordeling op de trek agreeableness wel een significant positieve correlatie zien met

de LIWC-constructen ‘friends’ en ‘affiliation’, waarbij de correlatie met het construct

‘friends’ consistentie vertoont met het onderzoek van Yarkoni. Dit betekent dat we met

enige zekerheid kunnen vaststellen dat individuen die woorden gebruiken die verband

houden met of die verwijzen naar hun vrienden, hoger scoren op de Big Five

persoonlijkheidstrek agreeableness. Daarnaast wordt er ook consistentie teruggevonden

tussen huidig onderzoek en onderzoek van Yarkoni voor de trek consciëntieusheid. Zo is

er in beide studies een significant negatieve correlatie met het construct ‘negations’. Een

persoon die weinig negaties gebruikt in een zin scoort bijgevolg waarschijnlijk hoger op

de Big Five persoonlijkheidstrek consciëntieusheid. Beide onderzoeken suggereren

eveneens een significant positieve correlatie tussen de trek neuroticisme en het construct

‘anxiety’, waardoor we kunnen besluiten dat individuen die meermaals gebruik maken

van woorden die angst uitdrukken, vermoedelijk een hogere score vertonen op de Big

Five persoonlijkheidstrek neuroticisme. Hoewel men tevens in verschillende studies

indicaties had dat individuen die hoger scoren op de trek neuroticisme frequenter woorden

in de ik-vorm gebruiken (Park et al., 2015; Tausczik & Pennebaker, 2010; Yarkoni,

2010), wordt de consistentie tussen het LIWC-construct ‘first person singular’ en de

zelfbeoordeling op de trek neuroticisme niet teruggevonden. Tenslotte wijst de significant

positieve correlatie tussen zelfbeoordeling op de trek openheid en het construct ‘insight’

in dit onderzoek op het feit dat individuen die de neiging hebben om woorden als

“denken”, “weten” en “overwegen” te hanteren, plausibel hoger zullen scoren op de Big


44

Five persoonlijkheidstrek openheid. In het onderzoek van Yarkoni werd dit echter niet

teruggevonden. We kunnen derhalve deze laatste correlatie niet als betrouwbaar achten.

In de derde en laatste hypothese wordt er beoogd na te gaan of scores van

individuen berekend op grond van de sociale netwerksites Facebook en Twitter door

middel van Pennebaker’s LIWC een significante voorspeller zijn voor taakgedrag. Hierbij

wordt de Big Five persoonlijkheidstrek consciëntieusheid geacht significant te correleren

met taakgedrag. Niettegenstaande er in verscheidene studies reeds aangetoond werd dat

de trek consciëntieusheid de beste predictor is voor taakgedrag (Barrick & Mount, 1991;

Kluemper & Rosen, 2009), wordt er in dit onderzoek slechts gedeeltelijke evidentie

gevonden voor deze bevinding. Enkel het construct ‘negations’ dat verband houdt met de

trek consciëntieusheid, zoals eerder aangetoond in hypothese 2, vertoont een significant

negatieve correlatie met taakgedrag beoordeeld door een leidinggevende. De bevinding

dat wanneer individuen minder negaties aanwenden derhalve hoger scoren op taakgedrag

moet gezien de weinige evidentie met een zeer sceptische blik bekeken worden. Het is in

deze studie dan ook niet zozeer verwonderlijk dat losse ‘posts’ en ‘tweets’ in de

privécontext weinig verband houden met taakgedrag in een werkcontext. Dit is tevens

wat Van Iddekinge constateerde in zijn studie, waar de beoordeling van de rekruteerder

op basis van Facebook ongerelateerd was met latere job-prestatie (Van Iddekinge et al.,

2016).

Sterktes en Beperkingen van het Onderzoek

Sterktes

Hoewel reeds veel onderzoek is uitgebracht naar de link tussen LIWC en

persoonlijkheid, de link tussen sociale media en persoonlijkheid en de link tussen

persoonlijkheid en taakgedrag, is deze Masterproef het eerste onderzoek dat deze drie

linken samenbrengt. Dit is dan ook de eerste grote sterkte en de grootste bijdrage

verbonden aan deze Masterproef. Aangezien er zich de laatste jaren een trend voortdoet

om de sociale media van sollicitanten te screenen, vaak ongeweten en ongewild, is het

noodzakelijk om de validiteit, betrouwbaarheid en voorspellende waarde van dit gebeuren

na te gaan. Reeds verscheidene onderzoeken gingen dit na door middel van menselijke

rekruteerders (Kluemper et al., 2012; Roth et al., 2016; Van Iddekinge et al., 2016), deze


45

Masterproef is echter vernieuwend in het feit dat er gebruik gemaakt wordt van een

“machinaal” instrument, namelijk het tekstanalyseprogramma LIWC van Pennebaker.

Een tweede sterkte kadert binnen het gebruik van twee sociale netwerksites,

namelijk Facebook en Twitter, om niet “op één paard te wedden” en de consistentie tussen

beide na te gaan.

Het onderzoek is ten derde vooral gebaseerd op studenten. Hoewel dit ook een

aantal beperkingen met zich meebrengt, besproken in de volgende sectie, kunnen we deze

participanten pool ook als een sterkte beschouwen. De groep van “twenty somethings”

zijn per slot van rekening de toekomst voor de arbeidsmarkt en zullen meer dan ooit

geconfronteerd worden met de trend van social media assessment.

Niettegenstaande de aldus homogene participanten pool, kan er een zekere

heterogeniteit vastgesteld worden tussen de sectoren waarin de studenten reeds ervaring

opgebouwd hebben. De resultaten zijn gebaseerd op verschillende sectoren, waarvan de

grootste zich bevinden binnen ‘Handel en dienstverlening’, ‘Toerisme, recreatie en

horeca’ en ‘Onderwijs, cultuur en wetenschap’.

Elke participant heeft gemiddeld één collega en één leidinggevende opgegeven

om hen te beoordelen op vlak van zowel persoonlijkheid als taakgedrag. Een vijfde sterkte

is niet alleen dat meer beoordelaars een meer betrouwbare beoordeling opleveren, maar

ook dat een derde in bepaalde gevallen een accuratere beoordeling kan geven dan de

participant zelf (Vazire, 2010). Dit geldt vooral voor de sociaal wenselijke Big Five

persoonlijkheidstrekken agreeableness en consciëntieusheid (Park et al., 2015; Vazire &

Carlson, 2011).

Een laatste sterkte van dit onderzoek is dat de derden weldegelijk ook capabel

waren om de participant te beoordelen. Vermits de duur van de relatie gemiddeld zes jaar

en zeven maand bedraagt en de kwaliteit van de relatie hoofdzakelijk als “redelijk goed”,

“goed” en “zeer goed” bestempeld wordt, kunnen we uitgaan van een realistische

beoordeling.

Beperkingen

Het is belangrijk om de bekomen resultaten te kunnen plaatsen binnen dit

onderzoek dat enkele cruciale beperkingen vertoont. Vooreerst dienen we er bewust van

te zijn dat het onderzoek van deze Masterproef op een kleine steekproef van 71


46

participanten gebaseerd is. Bijgevolg moeten we zorgvuldig omspringen met het

generaliseren van de verworven resultaten. De kans bestaat er immers in dat een grotere

steekproef een groter aantal statistisch significante resultaten zou opleveren. Een oorzaak

van de kleine steekproef kan gevonden worden in het feit dat Twitter minder actief

gebruikt wordt dan gedacht. De meeste Twitteraars bekijken deze sociale netwerksite

passief en/of ‘retweeten’ van andere gebruikers, wat voor dit onderzoek niet relevant is.

Een tweede oorzaak van de kleine steekproef is de uitval van participanten, die bij verdere

toelichting van het onderzoek niet meer bereid waren om een derde, met meer specifiek

een leidinggevende, te contacteren.

Daarnaast is het waarschijnlijk dat er ook sprake is van een selection bias binnen

de participanten pool, wat leidt tot de tweede beperking van het onderzoek. Aangezien er

enkel participanten opgenomen werden in het onderzoek die zeer actief zijn op zowel

Facebook als Twitter, is de kans groot dat zij over een systematisch verschillende

persoonlijkheid beschikken dan de niet-fervente gebruikers. Daar zij in eerste instantie

moesten instemmen om hun sociale media open te stellen voor onderzoek en hen

gevraagd werd hun e-mailadres mee te delen, scoren deze participanten vermoedelijk

hoger op de Big Five persoonlijkheidstrekken agreeableness en openheid (Yarkoni,

2010). Deze trend kan tevens teruggevonden worden in de resultaten, gezien de hoogste

gemiddelde scores voor deze twee Big Five persoonlijkheidstrekken (zie Bijlage 4, Tabel

1). Bijgevolg moeten de resultaten wederom met een korreltje zout genomen worden,

aangezien ze de ware populatie-effecten kunnen onderschatten.

Een derde beperking kadert zich binnen de demografische gegevens van de

participanten. Er is namelijk geen gelijke verdeling tussen mannelijke en vrouwelijke

participanten. Daarnaast bedraagt de gemiddelde leeftijd 22 jaar, vermits het groot

aandeel aan studenten. Dit leidt tot een lage externe validiteit omdat de resultaten minder

bereid zijn om te voorspellen voor de volledige populatie.

Vermits niet elke participant een gelijk aantal collega’s en/of leidinggevenden

raadpleegde om aan het onderzoek deel te nemen, bracht dit ook enkele onverwachte

moeilijkheden met zich mee doorheen de statistische analyses. Zo kon er bijvoorbeeld

geen interbeoordelaarsbetrouwbaarheid berekend worden.

Wel kon de interne consistentie van de items uit zowel de persoonlijkheidsmeting

als de meting van taakgedrag berekend worden. Desondanks leverde dit geen eenduidige


47

resultaten op en vormt dit een vijfde beperking van het onderzoek. De scores van

Cronbach’s alfa varieerden van zwak tot goed.

Een zesde beperking die in rekening moet worden gebracht is dat sociale

wenselijkheid bij de zelfbeoordeling van de participant op de Big Five

persoonlijkheidstrekken een zekere rol heeft gespeeld. Deze vragenlijst werd namelijk

niet anoniem ingevuld, dit om de link te kunnen maken tussen de beoordeling van de

participant en die van zijn of haar opgegeven derden. Hoewel er wel duidelijk meegedeeld

werd dat de vragenlijst anoniem verwerkt zou worden, kan sociale wenselijkheid hier

vanzelfsprekend niet door vermeden worden.

Een laatste beperking houdt zich schuil onder het gebruik van het

tekstanalyseprogramma LIWC van Pennebaker. Dit programma hanteert een gesloten

woordenboek, waardoor er enkel woorden geanalyseerd worden die het woordenboek

herkent (Park et al., 2015). Bovendien kunnen individuele woorden fout geclassificeerd

worden bij meerdere mogelijke interpretaties en houdt LIWC geen rekening met ironie,

sarcasme of metaforen. Hierdoor kunnen veel relevante woorden verloren raken en

kunnen de resultaten bijgevolg vertekend zijn (Tausczik & Pennebaker, 2010).

Praktische Implicaties

Niettegenstaande de beperkingen van het onderzoek, lijkt het mede uit voorgaande

studies dat social media assessment weinig voorspellende waarde kan opbrengen voor

taakgedrag (Van Iddekinge et al., 2016). Hoewel in de praktijk meer en meer gebruik

gemaakt wordt van deze trend zonder eenduidige wetenschappelijke evidentie, blijkt

maar weer dat social media assessment weinig gevalideerd is. Laat het een les wezen voor

rekruteerders die steevast geloven in de meerwaarde van het screenen van de sociale

netwerksites van sollicitanten. Wanneer zelfs een meer gestandaardiseerd instrument als

LIWC weinig significante resultaten oplevert in het verband tussen social media

assessment en taakgedrag, moet het stilaan duidelijk worden dat men zéér waakzaam

moet zijn bij dergelijke screenings. Indien verder onderzoek toch een bepaald verband

weet aan te tonen tussen beide, moet men nog steeds in het achterhoofd houden dat taal

binnen Facebook en Twitter simpelweg moeilijk te generaliseren valt naar een context

buiten deze sociale netwerksites (Park et al., 2015). Rekruteerders moeten dus op hun

hoede zijn en stellen het screenen via sociale media bij assessment best uit naar het einde


48

van het screeningsproces om vooroordelen en ‘selecting out’ op basis van job-irrelevante

zaken zo veel mogelijk te vermijden.

Richtlijnen voor Toekomstig Onderzoek

De beperkingen en praktische implicaties van dit onderzoek vormen

vanzelfsprekend geen reden tot het weerhouden van toekomstige onderzoekers in dit

vakgebied om verdere studies naar social media assessment te realiseren. Enkel door alles

uit de kan te halen kan een definitief antwoord gegeven worden op de vraag of social

media assessment weldegelijk te verantwoorden valt.

Zo is er ten eerste een noodzaak aan een grootschalige studie, die zowel

nationaliteit, gender en verschillende leeftijdscategorieën in rekening brengt. In de

inleiding van deze Masterproef werd reeds het onderwerp omtrent discriminatie

aangehaald, doch zou men de invloed van discriminatie bij een “machinale” beoordelaar

verder kunnen onderzoeken. Naast de participatie van studenten in huidig onderzoek, is

het ook noodzakelijk om andere populaties te betrekken bij verdere studies. Oudere, en

derhalve meer ervarene, individuen vertonen waarschijnlijk andere gedragingen op

sociale netwerksites. Zij sturen vermoedelijk meer mature en doordachte ‘posts’ en

‘tweets’ uit (Van Iddekinge et al., 2016), waardoor de link tussen social media assessment

en taakgedrag plausibel sterker wordt.

Een tweede aanzet tot verder onderzoek om de link tussen social media

assessment en taakgedrag te versterken, is om in eerste instantie selectiever te werk te

gaan in het screenen van de sociale netwerksites. Zodoende kan men enkel de

werkgerelateerde ‘posts’ en ‘tweets’ uit de vele “noisy signals” halen om ruis te

verminderen. Daarna kan men in tweede instantie gelijkaardig te werk gaan als huidig

onderzoek en social media assessment laten uitvoeren door een “machinale” beoordelaar

zoals LIWC.

Ten derde voeren toekomstige onderzoekers best ook een test-hertest analyse uit

na zes maand, aangezien er voortdurend nieuwe ‘posts’ en ‘tweets’ online komen met

extra informatie (Park et al., 2015).

Ten slotte is het in huidig onderzoek onduidelijk in welke mate participanten

veranderingen aanbrachten aan hun Facebook- en/of Twitterprofiel na het instemmen om

deel te nemen aan het onderzoek. Hoewel dit in realiteit ook kan voorkomen dat


49

sollicitanten hun profiel op verschillende sociale netwerksites aanpassen vooraleer ze

zich inschrijven voor een sollicitatieprocedure, kan de mate van aanpassingen wel

nagegaan worden (Kluemper & Rosen, 2009).

CONCLUSIE

Deze Masterproef heeft een eerste stap gezet in het verband tussen zowel

persoonlijkheid, Pennebaker’s LIWC als taakgedrag en zette daarmee tegelijk een eerste

stap in het ongewisse. Uit bovenstaande resultaten blijkt dat er weinig evidentie kan

worden gevonden om te kunnen besluiten dat social media assessment weldegelijk een

voorspellende waarde heeft voor taakgedrag. Enkel bij de sociale netwerksite Twitter is

er een significante correlatie gevonden tussen een LIWC-construct van de voorspellende

Big Five persoonlijkheidstrek consciëntieusheid, met name ‘negations’, en taakgedrag

beoordeeld door een leidinggevende. Er wordt tevens slechts gedeeltelijke evidentie

gevonden voor de convergente validiteit van social media assessment tussen beide sociale

netwerksites. Dit blijkt later ook uit de verschillende bekomen resultaten in de correlaties

tussen de LIWC-constructen en de zelfbeoordeling van de participant op de Big Five

persoonlijkheidstrekken. Hier is er eveneens slechts gedeeltelijke evidentie te vinden bij

hetzij Facebook, hetzij Twitter. Dit voor vier van de vijf Big Five persoonlijkheids-

trekken, met uitzondering van de trek extraversie. Er is aldus weinig consistentie tussen

social media assessment op basis van LIWC en zelfbeoordeling van de Big Five

persoonlijkheidstrekken. In vergelijking met bestaande literatuur, kan er enkel evidentie

gevonden worden voor de consistentie tussen het LIWC-construct ‘friends’ bij Twitter en

zelfbeoordeling op de trek agreeableness, het construct ‘negations’ bij Facebook en

zelfbeoordeling op de trek consciëntieusheid en ten slotte het construct ‘anxiety’ bij

Twitter en zelfbeoordeling op de trek neuroticisme.

Verder onderzoek is logischerwijze noodzakelijk om sluitend antwoord te kunnen

geven op dergelijke verbanden. Social media assessment lijkt voorlopig eerder een hype

dan wetenschappelijk gevalideerd. Wat zeggen ‘posts’ en ‘tweets’ in een privécontext

immers over gedrag in een werkcontext? Niet veel, zo blijkt.


50

REFERENTIES

Alpers, G. W., Winzelberg, A. J., Classen, C., Roberts, H., Dev, P., Koopman, C., &

Taylor, C. B. (2005). Evaluation of computerized text analysis in an Internet

breast cancer support group. Computers in Human Behavior, 21(2), 361-376.

doi:10.1016/j.chb.2004.02.008

Annenberg. (2011). The digital future project: Surveying the digital future year 10. In.

Los Angeles, CA: Annenberg School for Communication & Journalism.

Ashton, M. C., & Lee, K. (2007). Empirical, theoretical, and practical advantages of the

HEXACO model of personality structure. Personality and Social Psychology

Review, 11(2), 150-166. doi:10.1177/1088868306294907

Back, M. D., Stopfer, J. M., Vazire, S., Gaddis, S., Schmukle, S. C., Egloff, B., &

Gosling, S. D. (2010). Facebook Profiles Reflect Actual Personality, Not Self-

Idealization. Psychological Science, 21(3), 372-374.

doi:10.1177/0956797609360756

Barrick, M. R., & Mount, M. K. (1991). THE BIG 5 PERSONALITY DIMENSIONS

AND JOB-PERFORMANCE - A METAANALYSIS. Personnel Psychology,

44(1), 1-26. doi:10.1111/j.1744-6570.1991.tb00688.x

Baumeister, R. F., Bratslavsky, E., Finkenauwer, C., Vohs, K.D. (2001). Bad is stronger

than good. Review of General Psychology, 5, 323-370. doi:10.1037/1089-

2680.5.4.323

Bertrand, M., & Mullainathan, S. (2004). Are Emily and Greg more employable than

Lakisha and Jamal? A field experiment on labor market discrimination.

American Economic Review, 94(4), 991-1013. doi:10.1257/0002828042002561

Boot, P., Zijlstra, H., & Geenen, R. (2017). The Dutch translation of the Linguistic

Inquiry and Word Count (LIWC) 2007 dictionary. Dutch Journal of Applied

Linguistics, 6(1), 65-76. doi:10.1075/dujal.6.1.04boo

Boyd, D. M., & Ellison, N. B. (2007). Social network sites: Definition, history, and

scholarship. Journal of Computer-Mediated Communication, 13(1), 210-230.

doi:10.1111/j.1083-6101.2007.00393.x


51

Brown, V. R., & Vaughn, E. D. (2011). The Writing on the (Facebook) Wall: The Use

of Social Networking Sites in Hiring Decisions. Journal of Business and

Psychology, 26(2), 219-225. doi:10.1007/s10869-011-9221-x

Byrne, D. E. (1971). The attraction paradigm. In. New York: Academic Press. doi:10.1016/s0005-7894(72)80121-7

Carpenter, J. (2016). Insights to the 2016 Election. Retrieved from

http://wwbp.org/blog/insights-to-the-2016-election/

Chai, K., Potdar, V., & Dillon, T. (2009). Content Quality Assessment Related

Frameworks for Social Media. Computational Science and Its Applications,

791-805. doi:10.1007/978-3-642-02457-3_65

Davison, H. K., Maraist, C., & Bing, M. N. (2011). Friend or Foe? The Promise and

Pitfalls of Using Social Networking Sites for HR Decisions. Journal of Business

and Psychology, 26(2), 153-159. doi:10.1007/s10869-011-9215-8

Donnellan, M. B., Oswald, F. L., Baird, B. M., & Lucas, R. E. (2006). The Mini-IPIP

scales: Tiny-yet-effective measures of the big five factors of personality.

Psychological Assessment, 18(2), 192-203. doi:10.1037/1040-3590.18.2.192

Funder, D. C. (1995). ON THE ACCURACY OF PERSONALITY JUDGMENT - A

REALISTIC APPROACH. Psychological Review, 102(4), 652-670.

doi:10.1037//0033-295x.102.4.652

Funder, D. C. (2012). Accurate Personality Judgment. Current Directions in

Psychological Science, 21(3), 177-182. doi:10.1177/0963721412445309

Golbeck, J., Robles, C., Turner, K. (2011). Predicting personality with social media. In:

Proceedings of the 2011 Annual Conference on Human Factors in Computing

Systems - CHI '11. doi:10.1145/1979742.1979614

Goldberg, L. R. (1999). A broad-bandwidth, public domain, personality inventory

measuring the lower-level facets of several five-factor models. In: Personality

psychology in Europe , 7 (1), 7-28.

Grasmuck, S., Martin, J., & Zhao, S. Y. (2009). Ethno-Racial Identity Displays on

Facebook. Journal of Computer-Mediated Communication, 15(1), 158-188.

doi:10.1111/j.1083-6101.2009.01498.x


52

Grasz, J. (2009). Forty-five percent of employers use social networking sites to research

job candidates, CareerBuilder survey finds. In: CareerBuilder Press

Releases. Retrieved June 5 , 2012.

Grasz, J. (2012). Thirty-seven percent of companies use social networks to research

potential job candidates, according to new CareerBuilder survey. In:

CareerBuilder. Retrieved from http://www.careerbuilder.com.

Harvey, J. H., Town, J. P., & Yarkin, K. L. (1981). HOW FUNDAMENTAL IS THE

FUNDAMENTAL ATTRIBUTION ERROR. Journal of Personality and Social

Psychology, 40(2), 346-349. doi:10.1037//0022-3514.40.2.346

Hough, L. M., Oswald, F. L., & Ployhart, R. E. (2001). Determinants, detection and

amelioration of adverse impact in personnel selection procedures: Issues,

evidence and lessons learned. International Journal of Selection and

Assessment, 9(1-2), 152-194. doi:10.1111/1468-2389.00171

Karl, K., Peluchette, J., & Schlaegel, C. (2010). Who's Posting Facebook Faux Pas? A

Cross-Cultural Examination of Personality Differences. International Journal of

Selection and Assessment, 18(2), 174-186. doi:10.1111/j.1468-

2389.2010.00499.x

Kluemper, D. H., & Rosen, P. A. (2009). Future employment selection methods:

evaluating social networking web sites. Journal of Managerial Psychology,

24(6), 567-580. doi:10.1108/02683940910974134

Kluemper, D. H., Rosen, P. A., & Mossholder, K. W. (2012). Social Networking

Websites, Personality Ratings, and the Organizational Context: More Than

Meets the Eye? Journal of Applied Social Psychology, 42(5), 1143-1172.

doi:10.1111/j.1559-1816.2011.00881.x

Kosinski, M., Stillwell, D., & Graepel, T. (2013). Private traits and attributes are

predictable from digital records of human behavior. Proceedings of the National

Academy of Sciences of the United States of America, 110(15), 5802-5805.

doi:10.1073/pnas.1218772110

Levinson. (2010). Social networking even more critical to job search success. In:

CIO.com.


53

Lieu, D. (2012). Hispanics and Blacks more likely than Whites to support causes on

line. In: Chronicle of Philanthropy , June. Retrieved from

http://philanthropy.com.

Lievens, F., & Iddekinge, C. H. (2016). Reducing the Noise From Scraping Social

Media Content: Some Evidence-Based Recommendations. Industrial and

Organizational Psychology-Perspectives on Science and Practice, 9(3), 660-

666. doi:10.1017/iop.2016.67

Marcus, B., Machilek, F., & Schutz, A. (2006). Personality in cyberspace: Personal

Web sites as media for personality expressions and impressions. Journal of

Personality and Social Psychology, 90(6), 1014-1031. doi:10.1037/0022-

3514.90.6.1014

McCarthy, J. M., Van Iddekinge, C. H., & Campion, M. A. (2010). ARE HIGHLY

STRUCTURED JOB INTERVIEWS RESISTANT TO DEMOGRAPHIC

SIMILARITY EFFECTS? Personnel Psychology, 63(2), 325-359.

doi:10.1111/j.1744-6570.2010.01172.x

McFarland, L. A., & Ployhart, R. E. (2015). Social Media: A Contextual Framework to

Guide Research and Practice. Journal of Applied Psychology, 100(6), 1653-

1677. doi:10.1037/a0039244

Newman, M. L., Groom, C. J., Handelman, L. D., & Pennebaker, J. W. (2008). Gender

differences in language use: An analysis of 14,000 text samples. Discourse

Processes, 45(3), 211-236. doi:10.1080/01638530802073712

Newman, M. L., Pennebaker, J. W., Berry, D. S., & Richards, J. M. (2003). Lying

words: Predicting deception from linguistic styles. Personality and Social

Psychology Bulletin, 29(5), 665-675. doi:10.1177/0146167203251529

Park, G., Schwartz, H. A., Eichstaedt, J. C., Kern, M. L., Kosinski, M., Stillwell, D. J.,

Seligman, M. E. P. (2015). Automatic Personality Assessment Through Social

Media Language. Journal of Personality and Social Psychology, 108(6), 934-+.

doi:10.1037/pspp0000020

Pennebaker, J. W., & Graybeal, A. (2001). Patterns of natural language use: disclosure,

personality, and social integration. Current Directions in Psychological Science,

10(3), 90-93. doi:10.1111/1467-8721.00123


54

Pennebaker, J. W., Mehl, M. R., & Niederhoffer, K. G. (2003). Psychological aspects of

natural language use: Our words, our selves. Annual Review of Psychology, 54,

547-577. doi:10.1146/annurev.psych.54.101601.145041

Pennebaker, J. W., & Stone, L. D. (2003). Words of wisdom: Language use over the life

span. Journal of Personality and Social Psychology, 85(2), 291-301.

doi:10.1037/0022-3514.85.2.291

Potosky, D. (2008). A conceptual framework for the role of the administration medium

in the personnel assessment process. Academy of Management Review, 33(3),

629-648. doi:10.5465/amr.2008.32465704

Ross, L. (1977). The intuitive psychologist and his shortcomings: Distortions in the

attribution process. In (pp. 173-220): Advances in experimental social

psychology 10. doi:10.1016/s0065-2601(08)60357-3

Roth, P. L., Bobko, P., Van Iddekinge, C. H., & Thatcher, J. B. (2016). Social Media in

Employee-Selection-Related Decisions: A Research Agenda for Uncharted

Territory. Journal of Management, 42(1), 269-298.

doi:10.1177/0149206313503018

Roth, P. L., Buster, M. A., & Barnes-Farrell, J. (2010). Work Sample Exams and

Gender Adverse Impact Potential: The influence of self-concept, social skills,

and written skills. International Journal of Selection and Assessment, 18(2),

117-130. doi:10.1111/j.1468-2389.2010.00494.x

Sacco, J. M., Scheu, C. R., Ryan, A. M., & Schmitt, N. (2003). An investigation of race

and sex similarity effects in interviews: A multilevel approach to relational

demography. Journal of Applied Psychology, 88(5), 852-865. doi:10.1037/0021-

9010.88.5.852

Sackett, P. R., Zedeck, S., & Fogli, L. (1988). RELATIONS BETWEEN MEASURES

OF TYPICAL AND MAXIMUM JOB-PERFORMANCE. Journal of Applied

Psychology, 73(3), 482-486. doi:10.1037/0021-9010.73.3.482

Scott, M. B. (1981). IMPRESSION MANAGEMENT - THE SELF-CONCEPT,

SOCIAL IDENTITY, AND INTERPERSONAL-RELATIONS -

SCHLENKER,BR. Contemporary Sociology-a Journal of Reviews, 10(4), 582-

583. doi:10.2307/2067758


55

Sebastiani, F. (2002). Machine learning in automated text categorization. Acm

Computing Surveys, 34(1), 1-47. doi:10.1145/505282.505283

Segal, J. A. (2014). Social media use in hiring: Assessing the risks. In: HR Magazine,

59(9).

SHRM. (2008). Online technologies and their impact on recruitment strategies. SHRM

Staffing Research , July-September. In: www.shrm.org.

SHRM. (2016). Using social media for talent acquisition, recruitment and screening.

In: www.shrm.org.

Stoughton, J. W., Thompson, L. F., & Meade, A. W. (2015). Examining Applicant

Reactions to the Use of Social Networking Websites in Pre-Employment

Screening. Journal of Business and Psychology, 30(1), 73-88.

doi:10.1007/s10869-013-9333-6

Tausczik, Y. R., & Pennebaker, J. W. (2010). The Psychological Meaning of Words:

LIWC and Computerized Text Analysis Methods. Journal of Language and

Social Psychology, 29(1), 24-54. doi:10.1177/0261927x09351676

Tsui, A. S., & Gutek, B. A. (1984). A ROLE SET ANALYSIS OF GENDER

DIFFERENCES IN PERFORMANCE, AFFECTIVE RELATIONSHIPS, AND

CAREER SUCCESS OF INDUSTRIAL MIDDLE MANAGERS. Academy of

Management Journal, 27(3), 619-635. doi:10.2307/256049

Turnley, W. H., Bolino, M. C., Lester, S. W., & Bloodgood, J. M. (2003). The impact of

psychological contract fulfillment on the performance of in-role and

organizational citizenship behaviors. Journal of Management, 29(2), 187-206.

doi:10.1016/s0149-2063(02)00214-3

Van Iddekinge, C. H., Lanivich, S. E., Roth, P. L., & Junco, E. (2016). Social Media for

Selection? Validity and Adverse Impact Potential of a Facebook-Based

Assessment. Journal of Management, 42(7), 1811-1835.

doi:10.1177/0149206313515524

Vazire, S. (2010). Who Knows What About a Person? The Self-Other Knowledge

Asymmetry (SOKA) Model. Journal of Personality and Social Psychology,

98(2), 281-300. doi:10.1037/a0017908


56

Vazire, S., & Carlson, E. N. (2011). Others Sometimes Know Us Better Than We Know

Ourselves. Current Directions in Psychological Science, 20(2), 104-108.

doi:10.1177/0963721411402478

Vazire, S., & Gosling, S. D. (2004). e-Perceptions: Personality impressions based on

personal websites. Journal of Personality and Social Psychology, 87(1), 123-

132. doi:10.1037/0022-3514.87.1.123

Vrij, A. (2004). Why professionals fail to catch liars and how they can improve. Legal

and Criminological Psychology, 9, 159-181. doi:10.1348/1355325041719356

Walther, J. B. (1992). INTERPERSONAL EFFECTS IN COMPUTER-MEDIATED

INTERACTION - A RELATIONAL PERSPECTIVE. Communication

Research, 19(1), 52-90. doi:10.1177/009365092019001003

Walther, J. B., Van der Heide, B., Kim, S. Y., Westerman, D., & Tong, S. T. (2008).

The role of friends' appearance and behavior on evaluations of individuals on

facebook: Are we known by the company we keep? Human Communication

Research, 34(1), 28-U60. doi:10.1111/j.1468-2958.2007.00312.x

Wathen, C. N., & Burkell, J. (2002). Believe it or not: Factors influencing credibility on

the Web. Journal of the American Society for Information Science and

Technology, 53(2), 134-144. doi:10.1002/asi.10016

Wellman, B. (1997). Life on the screen: Identity in the age of the Internet - Turkle,S.

Contemporary Sociology-a Journal of Reviews, 26(4), 445-449.

doi:10.2307/2655085

Werner, J. M. (1994). DIMENSIONS THAT MAKE A DIFFERENCE - EXAMINING

THE IMPACT OF IN-ROLE AND EXTRAROLE BEHAVIORS ON

SUPERVISORY RATINGS. Journal of Applied Psychology, 79(1), 98-107.

doi:10.1037/0021-9010.79.1.98

Williams, L. J., & Anderson, S. E. (1991). JOB-SATISFACTION AND

ORGANIZATIONAL COMMITMENT AS PREDICTORS OF

ORGANIZATIONAL CITIZENSHIP AND IN-ROLE BEHAVIORS. Journal

of Management, 17(3), 601-617. doi:10.1177/014920639101700305

Winston, J. (2016). How the Trump Campaign Built an Identity Database and Used

Facebook Ads to Win The Election. Retrieved from https://medium.com/startup-


57

grind/how-the-trump-campaign-built-an-identity-database-and-used-facebook-

ads-to-win-the-election-4ff7d24269ac#.7ygct5m4e

Winter, J. L. (2013). Social media and talent acquisition: Emerging trends and

implications. In. R.F. Miguel (Chair), The promise and perils of social media

data for selection. Symposium presented at the Society for Industrial and

Organizational Psychology, Houston.

Wu, Y. Y., Kosinski, M., & Stillwell, D. (2015). Computer-based personality judgments

are more accurate than those made by humans. Proceedings of the National

Academy of Sciences of the United States of America, 112(4), 1036-1040.

doi:10.1073/pnas.1418680112

Yarkoni, T. (2010). Personality in 100,000 Words: A large-scale analysis of personality

and word use among bloggers. Journal of Research in Personality, 44(3), 363-

373. doi:10.1016/j.jrp.2010.04.001


58

BIJLAGEN

Bijlage 1: Vragenlijst Participant

Wat is je voornaam? Deze vraag dient om zowel de link te maken tussen jouw vragenlijst en deze ingevuld door de persoon door wie je beoordeeld wordt, als om deze vragenlijst te koppelen met je sociale media. Wat is je achternaam? Deze vraag dient om zowel de link te maken tussen jouw vragenlijst en deze ingevuld door de persoon door wie je beoordeeld wordt, als om deze vragenlijst te koppelen met je sociale media. Wat is je geslacht?

o Man (1)

o Vrouw (2)

o Neutraal (3) Wat is je leeftijd?

0 10 20 30 40 50 60 70 80 90 100

Gelieve aan te duiden op deze balk: (1)

Hoeveel werkervaring heb je in maanden (bij benadering)?

0 1 2 3 4 6 7 8 9 10 11

Aantal maanden (1)

Hoeveel werkervaring heb je in jaren (bij benadering)?

0 5 9 14 18 23 27 32 36 41 45

Aantal jaren (1)


59

Wat is je huidige werksituatie?

o Student (1)

o Werkend (2)

o Werkzoekend (3)

o Niet-werkend en niet-werkzoekend (4) Op welke werksituatie word je beoordeeld door een derde?

▢ Stage (1)

▢ Studentenjob/vakantiejob (2)

▢ Voltijdse job van bepaalde duur (3)

▢ Voltijdse job van onbepaalde duur (4)

▢ Deeltijdse job van bepaalde duur (5)

▢ Deeltijdse job van onbepaalde duur (6) In welke sector van de arbeidsmarkt word je beoordeeld door een derde?

▢ ICT (1)

▢ Gezondheidszorg en welzijn (2)

▢ Handel en dienstverlening (3)

▢ Landbouw, natuur en visserij (4)

▢ Onderwijs, cultuur en wetenschap (5)

▢ Justitie, veiligheid en openbaar bestuur (6)

▢ Transport en logistiek (7)

▢ Media en communicatie (8)

▢ Toerisme, recreatie en horeca (9)


60

▢ Bouw, productie en techniek (10) Gelieve volgende uitspraken zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze op jezelf van toepassing is. Wees eerlijk in je antwoorden: geef het antwoord dat het beste weergeeft hoe jezelf bent, niet hoe je zou willen zijn of wat je denkt dat het beste zou zijn om te antwoorden. Er zijn geen goede of foute antwoorden.

Helemaal oneens (1) Oneens (2)

Noch eens, noch oneens

(3) Eens (4) Helemaal eens

(5)

Ik vind het niet erg om in het middelpunt van de belangstelling te

staan. (1) o o o o o

Ik voel mee met de gevoelens van anderen. (2) o o o o o

Ik knap karweitjes onmiddellijk op. (3) o o o o o

Ik heb vaak stemmingswisselingen.

(4) o o o o o Ik heb een rijke

fantasie. (5) o o o o o Ik praat niet zoveel.

(6) o o o o o Ik ben niet

geïnteresseerd in problemen van andere

mensen. (7) o o o o o

Ik vergeet vaak dingen terug op zijn plaats te

zetten. (8) o o o o o Ik ben meestal ontspannen. (9) o o o o o

Ik ben niet geïnteresseerd in

abstracte ideeën. (10) o o o o o Gelieve volgende uitspraken zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze op jezelf van toepassing is. Wees eerlijk in je antwoorden: geef het antwoord


61

dat het beste weergeeft hoe jezelf bent, niet hoe je zou willen zijn of wat je denkt dat het beste zou zijn om te antwoorden. Er zijn geen goede of foute antwoorden.

Helemaal oneens (1) Oneens (2) Noch eens, noch

oneens (3) Eens (4) Helemaal eens (5)

Ik start vaak conversaties. (1) o o o o o

Ik voel de emoties van

anderen aan. (2) o o o o o Ik hou van orde.

(3) o o o o o Ik raak

gemakkelijk overstuur. (4) o o o o o

Ik heb het moeilijk om

abstracte ideeën te begrijpen. (5)

o o o o o Ik hou me vaak

op de achtergrond. (6) o o o o o Ik ben niet echt geïnteresseerd

in andere mensen. (7)

o o o o o Ik maak vaak een knoeiboel

van dingen. (8) o o o o o Ik voel me

zelden neerslachtig. (9) o o o o o Ik heb niet veel

verbeelding. (10) o o o o o


62

Bijlage 2: Vragenlijst Derde

Gelieve volgende uitspraken rond functieprestatie zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze van toepassing is op de persoon die je beoordeelt. Wees eerlijk in je antwoorden: geef het antwoord dat het beste weergeeft hoe je de persoon ziet in een werkcontext, niet wat je denkt dat het beste zou zijn om te antwoorden. Er zijn geen goede of foute antwoorden. De persoon heeft namelijk geen baat bij valse percepties van anderen.

Helemaaloneens(1) Oneens(2)

Nocheens,nochoneens

(3)Eens(4) Helemaaleens

(5)

Hij/zijbrengttoegewezentakentoteengoedeinde.

(1) o o o o o Hij/zijvoldoetaan

verantwoordelijkhedendiezijngespecificeerdindefunctieomschrijving.(2)

o o o o o Hij/zijvoerttakenuitdievanhem/haarworden

verwacht.(3) o o o o o Hij/zijvoldoetaande

formelevereistenvandejob.(4) o o o o o

Hij/zijneemtdeelaanactiviteitendiedirectvaninvloedzijnopzijn/haar

prestatie.(5)o o o o o

Hij/zijveronachtzaamtaspectenvandejobdathij/zijverplichtisuitte

voeren.(6)o o o o o

Hij/zijisnietinstaatomessentiëletakenuitte

voeren.(7) o o o o o Gelieve volgende uitspraken rond persoonlijkheid zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze van toepassing is op de persoon die je beoordeelt. Wees eerlijk in je antwoorden: geef het antwoord dat het beste weergeeft hoe je de persoon ziet in een werkcontext, niet wat je denkt dat het beste zou zijn om te


63

antwoorden. Er zijn geen goede of foute antwoorden. De persoon heeft namelijk geen baat bij valse percepties van anderen.

Helemaaloneens(1) Oneens(2)

Nocheens,nochoneens

(3)Eens(4) Helemaaleens

(5)

Hij/zijvindthetnietergominhet

middelpuntvandebelangstellingtestaan.

(1)

o o o o o Hij/zijvoeltmeemetdegevoelensvan

anderen.(2) o o o o o Hij/zijknaptkarweitjesonmiddellijkop.(3) o o o o o Hij/zijheeftvaak

stemmingswisselingen.(4) o o o o o

Hij/zijheefteenrijkefantasie.(5) o o o o o

Hij/zijpraatnietzoveel.(6) o o o o o Hij/zijisniet

geïnteresseerdinproblemenvanandere

mensen.(7)o o o o o

Hij/zijvergeetvaakdingenterugopzijnplaatstezetten.(8) o o o o o Hij/zijismeestalontspannen.(9) o o o o o Hij/zijisniet

geïnteresseerdinabstracteideeën.(10) o o o o o

Gelieve volgende uitspraken rond persoonlijkheid zorgvuldig te lezen en per uitspraak aan te duiden in welke mate deze van toepassing is op de persoon die je beoordeelt. Wees eerlijk in je antwoorden: geef het antwoord dat het beste weergeeft hoe je de persoon ziet in een werkcontext, niet wat je denkt dat het beste zou zijn om te


64

antwoorden. Er zijn geen goede of foute antwoorden. De persoon heeft namelijk geen baat bij valse percepties van anderen.

Helemaaloneens(1) Oneens(2) Nocheens,

nochoneens(3) Eens(4) Helemaaleens(5)

Hij/zijstartvaakconversaties.

(1) o o o o o Hij/zijvoeltdeemotiesvananderenaan.

(2)o o o o o

Hij/zijhoudtvanorde.(3) o o o o o Hij/zijraaktgemakkelijkoverstuur.(4) o o o o o Hij/zijheefthetmoeilijkomabstracteideeënte

begrijpen.(5)

o o o o o Hij/zijhoudt

zichvaakopdeachtergrond.(6) o o o o o Hij/zijisniet

echtgeïnteresseerd

inanderemensen.(7)

o o o o o Hij/zijmaaktvaakeen

knoeiboelvandingen.(8)

o o o o o Hij/zijvoeltzich

zeldenneerslachtig.(9) o o o o o Hij/zijheeftniet

veelverbeelding.

(10)o o o o o


65

Volgende bijkomende vragen zijn noodzakelijk voor het onderzoek. De antwoorden worden ook strikt vertrouwelijk behandeld. Wat is de voornaam van wie je zonet hebt beoordeeld? Wat is de achternaam van wie je zonet hebt beoordeeld? Hoe goed ken je de persoon die je zonet hebt beoordeeld?

o Nauwelijks (maandelijks contact) (1)

o Niet zo goed (2)

o Redelijk goed (3)

o Goed (4)

o Zeer goed (dagelijks contact) (5) Wat is jouw positie ten opzichte van de persoon die je zonet hebt beoordeeld? Ik ben zijn/haar:

o Leidinggevende (1)

o Collega (2)

o Medewerker (d.w.z. hij/zij is jouw leidinggevende) (3) Hoe lang ken je de persoon al die je zonet hebt beoordeeld in maanden (bij benadering)?

1 2 3 4 5 7 8 9 10 11

Aantalmaanden(1)

Hoe lang ken je de persoon al die je zonet hebt beoordeeld in jaren (bij benadering)?

1 6 10 15 19 24 28 33 37 42 45

Aantaljaar(1)


66

In welke mate... (1= helemaal niet; 5= in grote mate) 0 1 2 3 4 5

Respecteerjedezepersoon?(1)

Bewonderjedezepersoon?(2)

Waardeerjedezepersoon?(3)

Wat is je leeftijd?

0 10 20 30 40 50 60 70 80 90 100

Gelieveaanteduidenopdezebalk:(1)

Wat is je geslacht?

o Man (1)

o Vrouw (2)

o Neutraal (3)


67

Bijlage 3: Vergelijkende Analyse

Tabel 1

De scores van convergente validiteit tussen zelfbeoordeling van de participant op basis

van de Big Five persoonlijkheidstrekken en persoonlijkheid van de participant

beoordeeld door een collega, met exclusie van de 4,40% derden die aangaven de

participant “nauwelijks” te kennen


Extraversie 0.20

Agreeableness .31**

Consciëntieusheid .34**

Neuroticisme 0.23

Openheid 0.13

N = 68

* p < 0.05; ** p < 0.01

Tabel 2



beoordeeld door een leidinggevende, met exclusie van de 4,40% derden die aangaven de

participant “nauwelijks” te kennen


Extraversie 0.25

Agreeableness 0.20

Consciëntieusheid .29*

Neuroticisme .34**

Openheid 0.11

N = 58

* p < 0.05; ** p < 0.01


68

Bijlage 4: Illustratie Extra Tabellen

Tabel 1

Correlatiematrix met correlaties tussen zelfbeoordeling van de participant op basis van

de Big Five persoonlijkheidstrekken en taakgedrag van de participant beoordeeld door

collega en leidinggevende

M SD Taakgedrag

beoordeeld door

collega

(N = 68)

Taakgedrag

beoordeeld door

leidinggevende

(N = 58)

Taakgedrag

gemiddeld

Extraversie 3.48 0.70 -.24* 0.09 -0.08

Agreeableness 4.08 0.51 0.01 0.06 0.04

Consciëntieusheid 3.41 0.72 0.14 -0.03 0.06

Neuroticisme 2.91 0.78 0.11 -0.02 0.05

Openheid 3.67 0.60 -0.09 0.17 0.04

* p < 0.05; ** p < 0.01

Tabel 2



beoordeeld door een collega


Extraversie 0.20

Agreeableness .31**

Consciëntieusheid .34**

Neuroticisme 0.23

Openheid 0.13

N = 68

* p < 0.05; ** p < 0.01


69

Tabel 3



beoordeeld door een leidinggevende


Extraversie 0.25

Agreeableness 0.20

Consciëntieusheid .29*

Neuroticisme .34**

Openheid 0.11

N = 58

* p < 0.05; ** p < 0.01


70

Tabel 4


beoordeling van een collega op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid

Extraversie

2nd person 0.01 0.01 -0.09 .35** -0.11

Power -0.22 -0.05 0.03 -0.03 -0.13

Reward 0.03 0.03 0.14 0.00 -0.04

Risk -0.19 0.08 0.08 -0.02 -0.04

Agreeableness

1st person plural 0.06 0.04 0.17 -0.04 0.01

Positive emotion -0.05 -0.01 -0.02 0.00 -0.15

Social processes 0.14 .26* 0.20 .25* 0.10

Family 0.10 0.09 0.20 -0.21 0.20

Friends 0.12 0.17 0.06 0.17 0.19

Affiliation .25* .30* .42** 0.06 0.20

Consciëntieusheid

Negations 0.21 0.00 -0.14 0.12 0.11

Achievement 0.04 0.12 0.20 -0.03 0.02

Neuroticisme

1st person singular 0.14 0.20 0.01 .26* 0.13

Affective processes -0.02 0.05 0.01 0.06 -0.15


Anxiety -0.04 0.10 0.00 0.06 -0.12

Anger 0.09 0.05 0.02 0.20 0.11

Sadness -0.02 -0.07 -0.17 0.15 -0.17

Openheid

Cognitive processes 0.07 0.03 -0.10 .30* -0.02

Insight 0.02 0.08 -0.05 .26* 0.09

Causation 0.01 -0.14 -0.23 0.20 -0.07

Discrepancy -0.12 0.00 -0.09 0.10 -0.02

Differentiation 0.05 -0.08 -0.14 0.16 -0.10

Leisure 0.02 0.03 -0.06 0.03 0.00

N = 68

* p < 0.05; ** p < 0.01


71

Tabel 5


beoordeling van een collega op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid

Extraversie

2nd person 0.11 0.18 0.14 0.07 0.09

Power -0.17 0.04 -0.11 0.06 .29*

Reward -0.11 0.03 -0.04 -0.17 0.23

Risk 0.12 0.02 0.13 -0.02 0.05

Agreeableness

1st person plural 0.04 0.11 -0.01 -0.08 0.13

Positive emotion -0.10 0.19 0.16 -0.03 -0.07

Social processes 0.16 0.23 0.08 0.11 0.04

Family 0.10 0.01 0.01 0.07 -0.11

Friends 0.08 0.12 0.01 0.04 -0.17

Affiliation -0.02 0.17 0.02 0.06 -0.05

Consciëntieusheid

Negations 0.20 0.15 0.00 0.16 .31*

Achievement -0.06 0.00 -0.08 -0.15 0.22

Neuroticisme


Affective processes -0.01 .26* 0.22 0.07 -0.03

Negative emotion 0.16 0.15 0.15 0.13 0.05

Anxiety 0.07 0.09 0.19 -0.02 0.23

Anger 0.17 0.11 0.09 0.14 0.08

Sadness 0.19 0.13 0.18 0.16 0.03

Openheid

Cognitive processes .25* 0.17 0.00 0.22 0.12

Insight 0.22 0.10 0.15 0.13 0.18

Causation 0.12 -0.11 -0.12 0.18 0.05

Discrepancy 0.09 0.09 0.00 0.06 0.00

Differentiation .27* .25* -0.03 0.21 .33**

Leisure 0.00 0.00 -0.08 0.01 -.27*

N = 68

* p < 0.05; ** p < 0.01


72

Tabel 6


beoordeling van een leidinggevende op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid

Extraversie

2nd person 0.00 -0.02 -0.10 0.23 -0.06

Power 0.04 -0.16 -0.09 -0.15 -0.19

Reward 0.03 -0.15 0.00 0.09 0.04

Risk -0.05 -0.03 -0.19 0.03 -0.03

Agreeableness

1st person plural -0.20 -0.09 -0.14 0.25 -0.02

Positive emotion 0.02 -0.03 0.07 0.17 -0.02

Social processes 0.13 0.12 0.08 ,32* -0.18

Family 0.16 0.14 0.17 0.09 0.00

Friends 0.08 0.05 0.02 0.10 -0.07

Affiliation 0.01 0.07 0.02 ,30* 0.00

Consciëntieusheid

Negations 0.21 0.07 -0.20 0.06 -0.04

Achievement 0.18 0.05 0.08 0.03 -0.02

Neuroticisme

1st person singular 0.05 0.21 0.10 0.10 0.11

Affective processes 0.10 0.00 -0.04 0.21 0.00

Negative emotion 0.20 0.07 -.29* 0.17 0.01

Anxiety 0.07 -0.08 -0.17 0.12 -0.10

Anger 0.20 0.05 -0.25 0.06 0.10

Sadness 0.11 0.06 -0.20 0.15 0.00

Openheid

Cognitive processes 0.01 0.07 -0.13 0.14 -,34**

Insight 0.00 0.15 0.06 0.09 -0.11

Causation -0.08 -0.03 -0.10 -0.10 -0.21

Discrepancy -0.13 -0.10 -0.09 0.11 -0.21

Differentiation 0.12 0.00 -,32* 0.16 -0.15

Leisure -0.19 -0.03 0.20 -0.08 0.21

N = 58

* p < 0.05; ** p < 0.01


73

Tabel 7


beoordeling van een leidinggevende op basis van de Big Five persoonlijkheidstrekken Extraversie Agreeableness Consciëntieusheid Neuroticisme Openheid

Extraversie

2nd person -0.17 -0.04 0.01 0.22 -0.14

Power 0.00 0.20 -0.16 -0.08 .26*

Reward -0.16 0.11 0.20 -0.01 0.22

Risk 0.08 0.12 -.32* 0.09 -0.11

Agreeableness

1st person plural 0.08 0.11 0.12 -0.07 0.05

Positive emotion 0.10 0.08 0.09 0.09 0.23

Social processes -0.04 -0.07 -0.08 0.22 -0.17

Family -0.03 -0.10 0.00 0.14 -0.04

Friends 0.19 .31* 0.18 0.01 0.04

Affiliation 0.17 .28* 0.14 0.07 0.15

Consciëntieusheid

Negations -0.21 -0.14 -0.16 0.18 0.00

Achievement -0.03 -0.06 -0.06 0.01 0.19

Neuroticisme

1st person singular 0.10 0.16 -0.06 .33* 0.06

Affective processes 0.12 0.10 -0.08 0.22 0.12


Anxiety -0.13 -0.04 -.36** .26* -0.21

Anger -0.01 0.04 -0.16 0.20 0.04

Sadness -0.02 -0.09 -0.04 0.20 0.07

Openheid

Cognitive processes -0.04 -0.06 -0.25 0.14 -0.14

Insight 0.05 -0.06 -0.24 0.10 -0.18

Causation 0.02 0.06 -0.14 0.09 -0.06

Discrepancy -0.10 -0.13 -0.15 -0.01 -0.15

Differentiation -0.13 0.03 -0.04 0.08 0.04

Leisure 0.17 0.14 0.14 0.14 0.22

N = 58

* p < 0.05; ** p < 0.01


74

Bijlage 5: Convergente Validiteit

Tabel 1

De scores van convergente validiteit tussen LIWC-constructen van Facebook en LIWC-

constructen van Twitter, indien de constructen worden samengenomen per Big Five

persoonlijkheidstrek


Extraversie 0.36

Agreeableness ,24*

Consciëntieusheid 0,07

Neuroticisme ,43**

Openheid ,38**

N = 71

* p < 0.05; ** p < 0.01

SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT · Screening via sociale media bij assessment is dit...

Documents

Transcript of SCREENING VIA SOCIALE MEDIA BIJ ASSESSMENT · Screening via sociale media bij assessment is dit...