Game-based assessment: hype of de toekomst van selectie?

De belofte van game-based assessment

Game-based assessments (GBAs) zijn in korte tijd uitgegroeid van innovatieve experimenten tot mainstream selectie-instrumenten. Bedrijven als Unilever, Shell en Deloitte zetten ze grootschalig in. De belofte is verleidelijk: kandidaten hebben een leukere ervaring, faking wordt moeilijker, en rijke gedragsdata vervangt simpele vragenlijstscores.

Maar houdt deze belofte stand onder wetenschappelijke scrutiny? Het eerlijke antwoord: gedeeltelijk. De technologie heeft potentie, maar de wetenschap loopt nog achter op de marketing.

Wat zijn game-based assessments precies?

Gamified assessments

Traditionele tests met een game-laagje: voortgangsbalken, punten, visueel aantrekkelijke interfaces. De onderliggende meetmethode blijft hetzelfde; alleen de verpakking is anders.

Serious games

Doelgerichte games waarbij de spelervaring centraal staat maar specifieke competenties worden gemeten. Vaak gebaseerd op simulaties van werkgerelateerde situaties.

Assessment games

Games die specifiek ontworpen zijn voor assessment, waarbij gameplay en meting volledig geïntegreerd zijn. De kandidaat speelt een game; op de achtergrond worden gedragsindicatoren verzameld en geanalyseerd.

De wetenschappelijke stand van zaken

Een meta-analyse van Georgiou et al. (2019) analyseerde 65 studies naar gamification in assessment. De conclusies zijn genuanceerd:

Positieve effecten:

• Gamification verhoogt de face validity
• Kandidaten rapporteren een positievere ervaring
• Er zijn aanwijzingen dat sommige GBAs minder adverse impact hebben

Kanttekeningen:

• De meeste studies zijn uitgevoerd door de aanbieders zelf
• Onafhankelijke validatiestudies zijn schaars
• De relatie tussen game-scores en werkprestatie is nog onvoldoende onderzocht

Voordelen van game-based assessment

1. Verbeterde candidate experience

Onderzoek toont consistent dat kandidaten GBAs als leuker en minder stressvol ervaren. In een krappe arbeidsmarkt kan dit het verschil maken.

2. Moeilijker te faken

Bij zelfrapportage kan een kandidaat sociaal wenselijk antwoorden. In een game is dit lastiger: je kunt niet bewust je reactiesnelheid optimaliseren als je niet weet wat gemeten wordt.

3. Rijkere gedragsdata

Een game genereert duizenden datapunten: klikpatronen, reactietijden, strategiekeuzes, herstelgedrag na fouten. Machine learning kan hier patronen in ontdekken die vragenlijsten missen.

Nadelen en risico's

1. Onvoldoende validatiebewijs

De meeste GBAs zijn jonger dan 10 jaar. De uitgebreide validatiestudies die we hebben voor tests als de NEO-PI of Ravens Matrices ontbreken nog.

2. Black box probleem

Veel GBAs gebruiken machine learning om gedrag te scoren. Welke features precies bijdragen aan de score is vaak onduidelijk, zelfs voor de ontwikkelaars.

3. Technische drempels

Niet iedereen is even bedreven met games. Oudere kandidaten of mensen met bepaalde beperkingen kunnen benadeeld worden.

Praktische aanbevelingen

Wanneer wel GBAs inzetten?

• Als je grote volumes kandidaten hebt en candidate experience cruciaal is
• Als aanvulling op (niet vervanging van) traditionele gevalideerde tests
• Voor junior functies waar speels testen past bij het werkgeversmerk

Due diligence bij leverancierskeuze

• Vraag naar onafhankelijke validatiestudies
• Vraag naar construct validiteit
• Vraag naar adverse impact data
• Vraag naar de transparantie van het scoringsalgoritme

Conclusie

Game-based assessments zijn geen hype, maar ook nog geen bewezen vervanging voor traditionele tests. De beste aanpak is momenteel hybride: gebruik GBAs om de candidate experience te verbeteren en aanvullende gedragsdata te verzamelen, maar combineer ze met bewezen cognitieve tests en persoonlijkheidsvragenlijsten.