Das CAPTA Institut für Computer Aided Psychometric Text Analysis

Das Institut für Computer Aided Psychometric Text Analysis, kurz CAPTA, wurde 2017 von David Scheffer und Stefan Behringer gegründet.

Zielsetzungen und Besonderheiten des CAPTA Instituts


Das CAPTA Institut hat das Ziel, ein führender Anbieter der psychometrischen Analyse von Eigenschaften und Kompetenzen auf der Basis von geschriebenem und gesprochenem Text zu werden. Es soll anwendungsorientierte Forschung im Bereich der automatisierten Diagnostik und Intervention mit Schwerpunkt Führung, Change- und Compliance-Management betreiben. Durch die interdisziplinäre Besetzung und Ausrichtung hebt sich das Institut von anderen Lehrstühlen oder Instituten ab, die i.d.R. keine auf künstlicher Intelligenz beruhende Diagnostik und Intervention berücksichtigen können. An erster Stelle wird psychometrische, machine-learning, rechtswissenschaftliche und betriebswirtschaftliche Expertise zusammengebracht.

Eine besondere Zielrichtung für die Aktivitäten des Instituts ist die Verbreitung der auf künstlicher Intelligenz beruhenden Diagnostik und Intervention zum Nutzen von Mitarbeitern und Unternehmen. Eine enge Verzahnung aus Lehre und Forschung gehört zu den Hauptanliegen der Institutsgründer. Die Einbettung in einer von der Wirtschaft getragenen Fachhochschule bringt große Chancen, auch in der Lehre exzellente Leistungen anzubieten. Langfristiges Ziel der Gründer ist es, das zu gründende Institut als führendes Forschungs- und Lehrinstitut auf dem Gebiet der auf machine-learning basierenden Diagnostik und Intervention zu etablieren.

Hintergründe der Forschungsvorhaben am CAPTA Institut


Die wissenschaftlichen Fortschritte im Bereich der künstlichen Intelligenz und dem maschinellen Lernen machen es möglich, dass Computer-Algorithmen Konstrukte in geschriebenen und digitalisierten Texten erkennen. Als Beispiel für aus der Psychologie stammende Konstrukte können sogenannte implizite Motive genannt werden. Implizite Motive sind als Persönlichkeitsmerkmale prognostisch valide, sodass wahrscheinliche Tendenzen für Verhaltens-Outcomes, wie beispielsweise den Karriereverlauf, angegeben werden können.

Vor diesem Hintergrund soll nun ein selbstlernender Algorithmus erforscht werden, der perspektivisch etwa in der NORDAKDEMIE oder in HR Abteilungen bei der Bewertung von Auswahltests, der Erweiterung von Talent Pools oder dem Austausch von Bewerbern zwischen Unternehmen zum Einsatz kommen könnte. Um die Forschung in diesem Bereich voranzutreiben, wird neben einer halben Forschungsprofessur für einen erfahrenen Computer Linguisten ebenso ein Doktorandenprogramm geschaffen. Derzeit arbeiten neben Prof. Dr. David Scheffer ebenfalls zwei Doktoranden an der Validierung des Algorithmus'.

Literatur


Çekel, Kerim, Scheffer, David (2019): Mitarbeiterbindung durch KI: Die Bedeutung impliziter Motive und individueller Karriereprogramme bei der Bindung von High-Performern, in: NORDBLICK 8 (2019), pp. 4-19.

Richter-Mendau, Sophie, Scheffer, David (2019): Persönlichkeitsbasierte Konversationen mit virtuellen Agenten - eine empirische Untersuchung zur Messung des Erfolgs, in: NORDBLICK 8 (2019), pp. 20-33.

Johannßen, D., Biemann, C. and Scheffer, D. (2019): Reviving a psychometric measure: Classification and prediction of the Operant Motive Test. Proceddings of CLPsych 2019, Minneapolis, MN, USA.

Johannßen, D. Biemann, C. (2018): Between The Lines: Machine Learning for Prediction of Psychological Traits - a Survey. In: Proceedings of CD-MAKE 2018. Hamburg, Germany

Baumann, Nicola, Scheffer, David (2011): Seeking flow in the achievement domain: The achievement flow motive behind flow experience, in: Motiv Emot 2011, 35, pp. 267-284.

Baumann, Nicola, Scheffer, David (2010): Seeing and mastering difficulty: The role of affective change in achievement flow, in: COGNITION AND EMOTION 2010, 24 (8), pp. 1304-1328.

Winter, David G. (2007):The Role of Motivation, Responsibility, and Integrative Complexity in Crisis Escalation: Comparative Studies of War and Peace Crisis, in: Journal of Personality and Social Psycology 2007, Vol. 92, No. 5, pp. 920-937.