LONDON (IT BOLTWISE) – Eine neue Computersimulationsstudie untersucht, wie sich unterschiedliche Streuungen von Testergebnissen zwischen Männern und Frauen auf die Bewerberauswahl auswirken. Selbst wenn Männer und Frauen im Mittel gleich gut abschneiden, kann eine streng auf die „oberen Treffer“ ausgerichtete Selektion Männer überproportional in die Workforce bringen. Zugleich sinkt die erwartete Produktivität, sobald mehrere Siebe zu früh Kandidatinnen und Kandidaten mit Stärken in anderen Maßen aus dem Prozess werfen. Die Arbeit zeigt außerdem, warum sich allein „kombinierte Gesamtwerte“ nicht automatisch positiv auf die Geschlechterbalance auswirken.
Die Debatte um Gender-Gaps im Recruiting dreht sich in der Praxis oft um zwei Variablen: Bias in Bewertungen und Unterschiede bei der durchschnittlichen Leistung. Die neue Studie, veröffentlicht im Journal of Applied Psychology, verschiebt den Fokus auf einen dritten Mechanismus, der in vielen Auswahlsettings unterschätzt wird. Entscheidend ist nicht nur der Mittelwert von Testergebnissen, sondern wie stark die einzelnen Werte innerhalb einer Gruppe streuen. Das Muster wird als „greater male variability“ (GMV) beschrieben: Männer zeigen demnach in bestimmten Variablen eine breitere Streuung, sodass Ergebnisse häufiger sowohl am oberen als auch am unteren Rand liegen, während Frauen stärker um den Durchschnitt klustern.
Technisch betrachtet lassen sich Testergebnisse statistisch über zwei Momente charakterisieren: den Mittelwert und die Varianz. In vielen Organisationen wirkt die Logik „gleiche durchschnittliche Testleistung bedeutet gleiche Chance“ zunächst plausibel, weil Mittelwerte in Berichten und Zielkennzahlen dominieren. Die Simulation der Forschenden zeigt jedoch, wie Screening-Regeln diese Annahme aushebeln können, sobald Cutoffs und mehrstufige Prozesse ins Spiel kommen. GMV kann dabei sogar dann relevant werden, wenn Frauen im Mittel besser abschneiden; die Über- und Unterrepräsentation entsteht dann aus der Kombination von Streuung und strengen Auswahlschwellen, nicht aus einer pauschalen Unterlegenheit.
Die Arbeit knüpft an eine längere Forschungstradition an, in der bereits Varianzunterschiede zwischen Gruppen diskutiert wurden. Laut Studienlage wurden GMV-Effekte in verschiedenen Domänen beobachtet, etwa bei quantitativen und mechanischen Argumentationsaufgaben, in akademischen Tests sowie bei Persönlichkeitsmaßen wie Conscientiousness und auch in Beurteilungen sozialer Kompetenz durch Vorgesetzte oder Peers. Gleichzeitig betonen die Autorinnen und Autoren, dass die Größe der Varianzunterschiede nicht überall gleich ausfällt: Eine 2024 veröffentlichte Meta-Analyse zur kreativen Fähigkeit fand etwa nur kleine und widersprüchliche Unterschiede in der Streuung. Daneben existiert der wissenschaftliche Hinweis, GMV-Forschung könne missbraucht werden, um Diskriminierung zu rechtfertigen; die vorliegende Studie positioniert sich deshalb ausdrücklich als Beitrag zur Prozessgestaltung und nicht als Leistungsbewertung.
Im Kern basiert das Szenario-Design auf einer Monte-Carlo-Simulation: Die Forschenden generieren virtuelle Bewerberpools, um zu testen, wie sich Wechselwirkungen zwischen Teststreuung und Screeningregeln auf Geschlechteranteile und erwartete Produktivität auswirken. Pro Szenario wurden 20.000 Bewerber simuliert (10.000 Frauen und 10.000 Männer), jede Konfiguration 100-mal wiederholt. Insgesamt entstanden 112 Szenarien, was 11.200 Datensätzen entspricht. Für die Hauptsimulationen wurden Mittelwerte und Varianz bei beiden Gruppen zunächst kontrolliert: Männer und Frauen hatten identische durchschnittliche Leistungen und glockenförmige Verteilungen, zudem wurde eine gleiche Variabilität der Job-Performance angenommen. Der gezielte Hebel war damit ausschließlich die Streuung der Testwerte: Die Forschenden setzten die Varianz der Frauen auf 1,0 und erhöhten die Varianz der Männer entweder um 5% (als kleineres GMV, etwa bei verbaler Argumentation oder selbstberichteter Extraversion) oder um 40% (als größeres GMV, beispielsweise bei quantitativen Fähigkeiten, mechanischem Verständnis oder managerseitiger Bewertung emotionaler Kompetenz).
Gegen diese Datengrundlage testeten die Forschenden zwei typische Hiring-Architekturen. Im „Multiple-Hurdle“-System prüfen Kandidatinnen und Kandidaten nacheinander: Erst gibt es einen ersten Test, anschließend gelangen nur Top-Performer in eine zweite Runde, und nur ein Teil der Finalistinnen und Finalisten wird eingestellt. Im „Compensatory“-System dagegen absolvieren alle Bewerber beide Tests und erhalten einen gewichteten Gesamtwert, bei dem Stärke in einer Dimension Schwäche in einer anderen kompensieren kann. Zusätzlich modellierten die Forschenden zwei Prädiktionsniveaus: Ein Test sollte stark mit Job-Performance zusammenhängen, der andere nur moderat. Die Hurdle-Systeme wurden dabei entlang eines Spektrums von Passraten variiert, von einer strengen 10%-Schwelle (kleine Shortlist) bis zu einer lenienten 90%-Schwelle (fast nur Unqualifizierte werden herausgefiltert); die compensatory Modelle wurden so parametrisiert, dass sie pro Szenario exakt gleich viele Mitarbeitende einstellen.
Das Ergebnis ist weniger überraschend als unbequem: Sobald eine strenge 10%-Cutoff-Logik mit hoher Männer-Streuung kombiniert wurde, wurden Männer in beiden Systemvarianten deutlich überrepräsentiert. Besonders klar wurde die Umkehr eines zunächst vorhandenen Vorteils. Wenn etwa eine lenientere erste Vorauswahl dazu führte, dass Frauen trotz GMV 51% der Weiterkommenden stellten, dann kehrte ein nachgeschalteter strenger Cutoff auf einem Test mit hoher Männer-Streuung die Geschlechterbalance in Richtung einer Workforce von rund 60% Männern. Auch die häufig geäußerte Hoffnung, „kombinierte Punktzahlen“ würden das Problem automatisch lösen, erfüllte sich nicht: Wenn zwei Hürden jeweils nur die Top 10% aus hoch-variablen Tests akzeptierten, lag der Frauenanteil im hurdle-basierten System bei etwa 31%, im combined-score-System aber nur bei rund 18%. Die Simulation legt damit nahe, dass das Timing und die Strenge der Filter häufig wichtiger sind als die Art der Aggregation.
Ökonomisch gewinnt die Studie zusätzlich Gewicht, weil sie nicht nur die Geschlechterverteilung betrachtet, sondern auch die erwartete Produktivität. Mehrfach-Hürden-Systeme schnitten durchweg schlechter ab als compensatory Modelle: starre frühe Cutoffs entfernen Kandidatinnen und Kandidaten, deren Stärken in einem anderen Testmaß eine insgesamt bessere Gesamtleistung erwarten ließen. Der ungünstigste Fall für beides wird dort beschrieben, wo eine lenientere Vorauswahl auf dem starken Prädiktor erfolgt, gefolgt von einem strengen Cutoff auf dem schwächeren, aber GMV-starken Test. In einem solchen Szenario führte das Two-Hurdle-System zu einer Workforce mit 60% Männern, während das compensatory Modell eine nahezu ausgeglichene Gruppe lieferte und zugleich stärkere Performer auswählte: 64% der Einstellungen übertrafen dort den Durchschnitt der hurdle-Gruppe. Für ein Jahresgehalt von 100.000 US-Dollar schätzen die Forschenden die jährlichen Produktivitätskosten dieses hurdle-Setups auf etwa 14.400 US-Dollar je eingestellter Person, die durch entgangene erwartete Leistung entstehen.
Wichtig ist dabei die Interpretation: Die Autorinnen und Autoren stellen klar, dass „nicht weniger Produktivität“ nicht einfach daraus folgt, dass die Gruppe überwiegend männlich ist. Der Kurzschluss wäre methodisch falsch. Die Lücke entsteht aus der Gewichtung und Filterung der zwei Tests im mehrstufigen Prozess; die Männer-Neigung entsteht aus der strengen Schwelle auf einem Test mit hoher Varianzstreuung. Auch die Autoren selbst warnen davor, GMV als Beleg für „bessere Fähigkeiten“ zu lesen. Vielmehr gehe es um die Konsequenzen statistischer Streuung für Entscheidungen. Darüber hinaus erweitern die Simulationen den Blick: Beförderungsprozesse ähneln im Grundmuster sequentialen Hürden mit engen Cutoffs, wodurch GMV-bedingte Verzerrungen sich kumulativ Richtung Top-Rollen fortsetzen könnten. Ein weiterer Mechanismus, der in der Studie diskutiert wird, betrifft Verhandlungs- und Angebotsdynamiken: Wer häufiger im oberen Extremsegment landet, kann demnach mehr konkurrierende Offerten erhalten und damit potenziell höhere Startgehälter erzielen.
Für Unternehmen leitet die Studie konkrete Stellschrauben ab. Erstens empfehlen die Forschenden, strenge Cutoffs auf Tests mit hoher Varianzstreuung zu vermeiden und stattdessen ebenso prädiktive Instrumente mit geringeren Varianzunterschieden zu nutzen, etwa strukturierte Job-Interviews. Zweitens plädieren sie für gezieltes Recruiting: In einem Szenario mit moderaten Varianzunterschieden berechnen die Autorinnen und Autoren, dass für eine Einstellparität etwa 12 Bewerberinnen auf 10 Bewerber entstünden müssten. Außerdem stellen die Forschenden online Ressourcen bereit, mit denen sich GMV-Effekte anschaulich nachvollziehen und der Rekrutierungsbedarf zur Neutralisierung von GMV auf die Workforce-Zusammensetzung abschätzen lässt. Gleichzeitig bleiben methodische Grenzen: Die Ergebnisse stammen vollständig aus mathematischen Simulationen, nicht aus realen Hiring-Daten. Die Autorinnen und Autoren nennen außerdem, dass die untersuchten Kombinationen in der Praxis möglicherweise selten sind, dass reale Bewerberverteilungen nicht zwingend symmetrische Glockenkurven zeigen und dass Bewerbende ihr Verhalten strategisch anpassen könnten, etwa indem sie bei erkennbar ungünstigen Prozessen gar nicht erst teilnehmen. Für die nächsten Schritte kündigen sie daher vor allem empirische und rechtliche Untersuchungen an, die die finanziellen Kosten von kompensatorischen Anpassungen bewerten und prüfen sollen, wie Testgewichte und Cutoffs mit Antidiskriminierungsregeln wie Titel VII in den USA zusammenspielen.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Wie „GMV“ Einstellungsprozesse verzerrt: Männer häufiger im Hiring, Studie zeigt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Wie „GMV“ Einstellungsprozesse verzerrt: Männer häufiger im Hiring, Studie zeigt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Wie „GMV“ Einstellungsprozesse verzerrt: Männer häufiger im Hiring, Studie zeigt« bei Google Deutschland suchen, bei Bing oder Google News!