![\"\"](\"https:\/\/applysia.de\/wp-content\/uploads\/2024\/05\/Screenshot-1.1-1-1024x615.png\")
<\/figure>\n<\/div><\/div><\/div>\n<\/div>\n\n\n\n![\"\"](\"https:\/\/applysia.de\/wp-content\/uploads\/2024\/05\/Screenshot-1.2-1-1024x615.png\")
<\/figure>\n<\/div><\/div><\/div>\n<\/div>\n<\/div>\n\n\n\nDie Werte dieser Benchmarks erm\u00f6glichen spannende Einsichten. So k\u00f6nnen bei der Beurteilung zuk\u00fcnftiger Kandidat*innen die Benchmarks herangezogen werden, um einsch\u00e4tzen zu k\u00f6nnen, wie diese im Vergleich zu anderen Kandidat*innen abgeschnitten haben. Diese Beurteilung ist wichtig, da es durchaus sein k\u00f6nnte, dass alle Kandidat*innen in einer Kompetenz auf einer Skala von eins bis f\u00fcnf im Schnitt mit einer 1,5 bewertet wurden. Haben Sie nun eine*n Kandidat*in mit der Bewertung von 2,5 vor sich, so liegt diese Bewertung zwar genau in der Mitte der Skala, aber ist im Vergleich zu der mittleren Bewertung der vorherigen Kandidat*innen schon eine \u00fcberdurchschnittliche Auspr\u00e4gung dieser Kompetenz.<\/p>\n\n\n\n
Gleichzeitig schlie\u00dft sich auch fast automatisch die Reflexion des Kompetenzmodells an. M\u00f6glicherweise war es nicht beabsichtigt, dass alle Kandidat*innen so \u201cniedrig\u201d abschneiden und die \u00dcbung k\u00f6nnte angepasst werden. Dabei ist auch die Betrachtung der Standardabweichung interessant. Ist diese sehr gering, spricht das daf\u00fcr, dass alle Kandidat*innen immer dieselbe Bewertung erhalten. Dies ist vor allem in Personalauswahlprozessen nur selten w\u00fcnschenswert, da es ja um die Auswahl von Kandidat*innen aus einer gr\u00f6\u00dferen Gruppe geht und es dabei vor allem wichtig ist, die Unterschiede der Kandidat*innen zu ermitteln.<\/p>\n\n\n\n
Cluster und Kompetenzen nach \u00dcbung<\/h3>\n\n\n\n
Au\u00dferdem wird eine Tabelle mit den Mittelwerten (Standardabweichungen in Klammern dahinter) aller Kompetenz Cluster und aller einzelnen Kompetenzen in verschiedenen \u00dcbungen angezeigt. <\/p>\n\n\n\n
![\"\"](\"https:\/\/applysia.de\/wp-content\/uploads\/2024\/05\/Screenshot-2-1024x615.png\")
<\/figure>\n<\/div><\/div><\/div>\n\n\n\nDetails<\/h2>\n\n\n\n
F\u00fcr die einzelnen Kompetenzen stehen auf Kompetenz- und auf Verhaltensanker-Ebene verschiedene Statistiken bereit. Die einzelnen Kennwerte werden farblich markiert, um die Interpretation der Ergebnisse zu erleichtern.<\/p>\n\n\n\n
![\"\"](\"https:\/\/applysia.de\/wp-content\/uploads\/2024\/05\/Screenshot-3-1024x615.png\")
<\/figure>\n<\/div><\/div><\/div>\n\n\n\nBeobachter*innen-\u00dcbereinstimmung<\/h3>\n\n\n\n
In den Applysia-Insights wird automatisch die Beobachter*innen-\u00dcbereinstimmung berechnet (f\u00fcr alle Statistiker*innen: die Intraklassen-Korrelation) \u2013 sowohl f\u00fcr die Bewertungen aller Kompetenzen als auch f\u00fcr die Bewertungen der Verhaltensanker.<\/p>\n\n\n\n
Die \u00dcbereinstimmung ist somit ein Ma\u00df daf\u00fcr, inwieweit sich die Bewertungen verschiedener Beobachter*innen, z.B. bei einem Verhaltensanker, decken. Dabei werden die Unterschiede \u00fcber Kandidat*innen hinweg gemittelt, um sicherzustellen, dass nur allgemeine Tendenzen und nicht individuelle Profile die Daten beeinflussen. Hat ein Anker also z.B. eine sehr geringe \u00dcbereinstimmung, k\u00f6nnte das ein Hinweis darauf sein, dass dieser nicht eindeutig genug formuliert ist und so bei den Beobachter*innen zu Missverst\u00e4ndnissen f\u00fchrt, was genau bewertet werden soll. So kann es dann passieren, dass Beobachter*innen sehr verschiedene Bewertungen abgeben, obwohl sie die\/den Kandidat*in gleichzeitig beobachtet haben. Hier ist eine m\u00f6glichst hohe Auspr\u00e4gung w\u00fcnschenswert. <\/p>\n\n\n\n
Kurz gesagt:<\/strong> Wie hoch ist das Agreement (der Bewertungen) der verschiedenen Beobachter*innen?<\/p>\n\n\n\n Die Beobachtbarkeit gibt Aufschluss dar\u00fcber, ob eine Kompetenz oder ein Verhaltensanker in einer \u00dcbung \u00fcberhaupt beobachtet werden kann. Wenn z.B. die H\u00e4lfte aller Beobachter*innen einen Verhaltensanker in einer \u00dcbung nicht bewertet, k\u00f6nnte das daf\u00fcr sprechen, dass dieser Verhaltensanker in dieser \u00dcbung oft einfach nicht (eindeutig) beobachtet werden kann. Dies ist dann ein guter Ansatzpunkt, um die Gestaltung der \u00dcbungen gezielt zu evaluieren, bei Bedarf zu \u00fcberarbeiten und so dann die gew\u00fcnschten Kompetenzen (eindeutig) zu beurteilen. Hier sollte also eine m\u00f6glichst 100%ige Auspr\u00e4gung das Ziel sein. <\/p>\n\n\n\n Kurz gesagt:<\/strong> Wurden alle Kompetenzen und Verhaltensanker von allen Beobachter*innen bewertet? <\/p>\n\n\n\n Die interne Konsistenz (f\u00fcr alle Statistiker*innen: hier Cronbach\u2019s Alpha) hilft dabei zu beurteilen, inwieweit die Verhaltensanker dazu geeignet sind, eine zusammenh\u00e4ngende Kompetenz einzusch\u00e4tzen. Ein hoher Wert bedeutet, dass die Anker stark miteinander zusammenh\u00e4ngen und somit wahrscheinlich zur Einsch\u00e4tzung derselben Kompetenz geeignet sind. Ist der Wert niedrig, passt vermutlich mindestens einer der Anker nicht zu den anderen. Dies kann insbesondere bei recht breiten Kompetenz-Klassen und \u201ckombinierten\u201d Kompetenzen wie z.B. \u201cStrategie- und Handlungskompetenz\u201d der Fall sein. Grunds\u00e4tzlich hei\u00dfen hier niedrigere Werte nicht, dass die Verhaltensanker \u201cschlecht\u201d sind, sondern vielmehr sollte man hier dann genauer hinsehen, denn es k\u00f6nnte durchaus Sinn ergeben, die Kompetenz aufzuteilen.<\/p>\n\n\n\nBeobachtbarkeit<\/h3>\n\n\n\n
Interne Konsistenz<\/h3>\n\n\n\n