Language has long been seen as a source of truth for personality – it defines who we are.

It should not be surprising then that language is also the basis of most traditional forms of personality testing.

This lexical hypothesis is a thesis, current primarily in early personality psychology. Subsequently subsumed by many later efforts in that subfield. Despite some variation in its definition and application, the hypothesis is generally defined by two postulates.

• The first states that those personality characteristics that are important to a group of people will eventually become a part of that group’s language.
• Second follows, stating that more important personality characteristics are more likely to be encoded into language as a single word.

Lexical hypothesis is a major foundation of the Big Five personality traits. The HEXACO model of personality structure and the 16PF Questionnaire and has been used to study the structure of personality traits in a number of cultural and linguistic settings.

Noam Chomsky summed up the power of language nicely:

“Language is a mirror of mind in a deep and significant sense. It is a product of human intelligence … By studying the properties of natural languages, their structure, organization, and use, we may hope to learn something about human nature; something significant …”

Language is the basis of conversational Ai and it’s very different (and way smarter) than a simple chatbot.

Where chatbots can be programmed to provide answers to basic questions real-time, so that your people don’t need to do that, these answers are canned answers to basic questions delivered through text. They lack the smarts to truly discover what your text responses say about you.   The engagement between the chatbot and the individual is purely transactional.

Conversational AI is more about a relationship built through understanding, using natural language to make human-to-machine conversations more like human-to-human ones. It offers a more sophisticated and more personalized solution to engage candidates through multiple forms of communication. Ultimately, this kind of artificial intelligence gets smarter through use and connects people in a more meaningful way.

Put simple, Conversational Ai is intelligent and hyper-personalised Ai, and in the case of ‘Sapia labs’, its is underpinned by provable and explainable science. We have already published our peer-reviewed scientific research which underpins our personality science.

We published our second piece of research to explain how our Conversational Ai can predict someone’s likelihood to stay in a role.

The scientific paper may not make it to your reading table, although you can download it here (“Predicting job-hopping likelihood using answers to open-ended interview questions” ) but the business implications cannot be ignored.

According to one report, voluntary turnover is estimated to cost U.S. companies more than $600 billion a year. This is due to one in four employees projected to quit and to take a different job. If your turnover is even a few basis points above your industry average, then leveraging conversational Ai will save your business costs.

Our research used the free-text responses from 45,899 candidates who had used Sapia’s conversational Ai. Candidates had originally been asked five to seven open-ended questions on past experience and situations. They also responded to self-rating questions based on the job-hopping motive scale, a validated set of rating questions to measure one’s job-hopping motive. The self-rating questions were based on the job-hopping motive scale, a validated set of rating questions to measure one’s job-hopping motive.

We found a statistically significant positive correlation between text based answers and self-rated job-hopping motive scale measure. The language inferred job-hopping likelihood score had correlations with other attributes such as the personality trait “openness to experience”.

This is the power of true predictive Ai.

Ai, that is the bridge between HR and the business. It is this kind of quantifiable business ROI that distinguishes traditional testing with Ai models.

Join the movement

To keep up to date on all things “Hiring with Ai” subscribe to our blog!

Finally, you can try out Sapia’s SmartInterviewer right now, or leave us your details here to get a personalised demo.

A koronavírus-járvány kezdete óta számos vállalat fordult okos algoritmusokhoz, hogy kiderítse, ki a legjobb jelölt a nyitott pozíciókra. Leggyakrabban arckereső programokat, játékokat, kvízeket és más vizuális vagy nyelvi mintázatokat vizsgáló szoftvereket vetnek be, hogy eldöntsék, ki kerül be az interjúkörbe.

A jelek szerint a 2013 októberében alapított, ausztrál PredictiveHire nevű cég ennél is sokkal tovább ment: olyan gépi tanuláson alapuló algoritmust fejlesztett, amellyel felmérhető, hogy egy adott jelölt esetén mekkora a gyakori munkahelyváltás valószínűsége – írta a héten az MIT Technology Review.

Barbara Hyman, a HR-cég ügyvezető igazgatója szerint ügyfeleik olyan munkáltatók, akiknek rengeteg jelentkezést kell feldolgozniuk, és egyebek mellett az ügyfélkiszolgálás, a kiskereskedelem, az értékesítés vagy az egészségügy területén aktívak.

Első körben chatbot dönt a jelentkezőkről

Amikor valaki a HR-cégen keresztül jelentkezik állásra, először egy chatbotot kell „meggyőznie” értékeiről. Az algoritmus nyitott kérdések sorát teszi fel, és olyan személyiségjegyeket elemez, mint a kezdeményezőkészség, a belső motiváció vagy az ellenálló képesség.

Sőt, az algoritmus a jövőben a gyakori munkahelyváltás valószínűségét – vagy ahogy a PredictiveHire honlapján reklámozza, a „menekülés kockázatát” – is vizsgálhatja, még teljesen pályakezdő jelöltek esetén is. A HR-cég legújabb tanulmányának fókuszában ugyanis egy olyan gépi tanuló algoritmus fejlesztése áll, amely kifejezetten ezt igyekszik előre megmondani. A kutatás keretében 45899 jelöltet vizsgáltak meg, akik korábban a PredictiveHire chatbotján keresztül válaszoltak a tapasztalataikról és helyzetmegítélő képességeikről szóló 5-7 nyitott kérdésre.

Ezek olyan személyiségjegyekre kérdeztek rá, amelyek korábbi kutatások – például a PredictiveHire saját kutatása – alapján szoros összefüggésben lehetnek a gyakori munkahelyváltásokkal, például az új élmények iránti nagyobb nyitottság vagy a gyakorlatiasság hiánya.

Algoritmusok a béremelés ellen

Nathan Newman, a New York-i John Jay College of Criminal Justice egyik egyetemi docense, aki 2017-ben arról írt tanulmányt, hogy a nagymintás adatelemzés a munkavállalók diszkriminációján felül hogyan használható a bérek letörésére, az MIT Technology Review-nak azt mondta, a PredictiveHire legutóbbi munkája

az egyik legkártékonyabb módja a big data munkaügyi alkalmazásának.

Ide tartoznak a gépi tanuláson alapuló, egyre népszerűbb személyiségtesztek is, amelyek azokat a potenciális munkavállalókat igyekeznek kiszűrni, akik nagyobb valószínűséggel támogatnák a szakszervezetekbe tömörülést, vagy hajlamosabbak béremelést kérni. Mindezt úgy, hogy az MIT Technology Review szerint a munkáltatók egyre jobban szemmel tartják dolgozóik e-mailjeit, online beszélgetéseit és minden olyan adatot, amelyből leszűrhetik, hogy az adott kolléga távozni készül-e, és kiszámolhatják, mi az a minimális béremelés, amellyel még adott esetben maradásra bírhatják.

Az Uber algoritmus alapú menedzsment rendszerei állítólag úgy igyekeznek távol tartani a munkatársakat az irodáktól és a digitális helyszínektől, hogy még véletlenül se tudjanak szervezkedni és kollektíven jobb fizetést vagy bánásmódot követelni.