Richard Lackes, Dagmar Mack Innovatives Personalmanagement ...

424 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Richard Lackes, Dagmar Mack *
Innovatives Personalmanagement?
Möglichkeiten und Grenzen des Einsatzes Neuronaler Netze als
Instrument zur Eignungsbeurteilung **
Eine fundierte Personalbeurteilung als Grundlage einer effizienten Personalauswahl
gewinnt zunehmend an Bedeutung. Dabei wird gemeinhin anerkannt, daß das
Persönlichkeitsprofil eines Bewerbers von besonderer Bedeutung ist. Der vorliegende
Artikel zeigt, wie Neuronale Netze zur Eignungsbeurteilung eingesetzt werden können,
und dokumentiert die Vorteile, die sich im Vergleich zu anderen Verfahren ergeben.
Daneben werden Bedingungen formuliert, die für den Einsatz Neuronaler Netze im
Rahmen eines integrierten Personalinformationssystems notwendig sind.
Well-founded employee assessment has increasingly gained as the basis of
efficient employee selection. It i, generally accepted that the personality profiling of the
candidates is of particular importance here. The present article shows how Neural Nets
can be used for assessing the suitability of candidates and documents its advantages
over other methods. For the appropriate practical use of Neural Nets some conditions
have to be fulfilled. These are also described in the article.
______________________________________________________________________
* Prof. Dr. Richard Lackes ist Inhaber des Lehrstuhls für Wirtschaftsinformatik der Universität
Dortmund. Hauptarbeitsgebiete: Betriebliches Informationsmanagement, Anwendung intelligenter
Methoden für betriebliche Planungsprobleme.
Dipl.-Wirtschaftsing. Dagmar Mack ist wissenschaftliche Mitarbeiterin am Lehrstuhl für
Wirtschaftsinformatik. Arbeitsgebiete: Anwendung und Entwicklung von Methoden der
Künstlichen Intelligenz für betriebliche Planungsprobleme und für das Data Mining sowie
Electronic Commerce.
Kontakt:
Universität Dortmund, Lehrstuhl für Wirtschaftsinformatik, Prof. Dr. Richard Lackes, 44221
Dortmund, Tel.: (0231) 755-3157, WWW: http://www.wiso.uni-dortmund.de/LSFG/WI/
** Artikel eingegangen: 14.5.98 / revidierte Fassung eingegangen und akzeptiert: 7.10.98.
Anmerkung der Redaktion: Der Beitrag wurde von den Gutachtern kontrovers diskutiert.
Wir laden deshalb die Leser ausdrücklich ein, zum Ertrag des vorgeschlagenen Instruments
für die Eignungsbeurteilung Stellung zu nehmen.

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 425
1. Problemstellung und Motivation
Aufgrund der in vielen Unternehmungen durchgeführten Konzentrations- und Rationalisierungsmaßnahmen
ist die Bedeutung des Mitarbeiters (des Faktors ‘Arbeit’) für
den nachhaltigen Unternehmenserfolg deutlich gestiegen. Dies zeigt sich auch an der
wachsenden Bedeutung von Personalinformationssystemen und des Personalcontrollings,
das die Schnittstelle des Personalmanagements zu den übrigen Teilen der Unternehmensplanung
verbessern und personalpolitische Entscheidungen koordinieren soll.
Greife und Langemeyer konstatieren, daß das Personalcontrolling heute „generell als
zentrale Herausforderung für zukunftsgerichtetes Personalmanagement angesehen wird“
(vgl. Greife/Langemeyer 1997, S. 521). Als unabdingbare Basis hierfür gelten Personalinformationssysteme,
die die relevanten Controllinginformationen zur Verfügung stellen
sollen. Daran wird deutlich, daß das Personalwesen und ein effizientes Personalmanagement
als strategischer Erfolgsfaktor an Gewicht gewinnen (vgl. zum Entwicklungsstand
von Personalinformationssystemen bspw. Bader 1996).
Die im Personalmanagement zu treffenden mittelfristigen Kapazitätsentscheidungen
bezüglich des Produktionsfaktors ‘Arbeit’ wie Einstellung, Entlassung und Versetzung
von Mitarbeitern sind wegen der gesetzlichen Rahmenbedingungen (siehe Scholz
1995, S. 60ff) und der überwiegend schlanken Unternehmensstrukturen häufig von erheblicher
Tragweite (zur Frage der Personalauswahl bei Lean Production siehe Niebergall/Schulz
1996). Sie determinieren die kurz- und mittelfristigen Kostenhöhe und
-struktur (z.B. Erhöhung des Fixkostenanteils) auf der einen und die Leistungsfähigkeit,
-bereitschaft und damit die Nutzenwirkungen von Organisationseinheiten auf der anderen
Seite (vgl. Veil 1995). Entscheidungen zur Personalkapazität und zum Personaleinsatz
bedingen daher einer adäquaten Unterstützung durch Managementinstrumente.
Ein solches Instrument sind die Verfahren der Personalbeurteilung, die versuchen,
eine systematische Einstufung (Beurteilung) von Mitarbeitern bzw. potentiellen Mitarbeitern
im Hinblick auf ihre Eignung für bestimmte Tätigkeiten vorzunehmen. Dem Ergebnis
dieser Methoden zur Eignungsbeurteilung kommt daher eine für die mittelfristigen
Personalentscheidungen zur externen und internen Personalbedarfsdeckung präjudizierende
Wirkung zu.
Genau betrachtet handelt es sich bei der Personalbeurteilung um ein Klassifikationsproblem,
wobei der Klassifikationsgegenstand die Eignung des (potentiellen neuen)
Mitarbeiters zur Bewältigung einer Tätigkeit darstellt. Das heißt, es soll eine Einstufung
des Mitarbeiters hinsichtlich seiner Eignung, eine bestimmte Tätigkeit auszuüben,
vorgenommen werden. In der Eignungsdiagnostik unterscheidet man die „Plazierung“
und die „Klassifikation“. Bei der Plazierung wird ein einziger Eignungswert gesucht,
d.h., es wird eine Punktprognose durchgeführt, wohingegen bei der Klassifikation eine
Zuordnung eines (potentiellen) Mitarbeiters zu einer vordefinierten Eignungsklasse
vorgenommen werden soll (vgl. Hollmann 1991, S. 3). Aus der Künstlichen Intelligenz
sind Verfahren bekannt, die in der Lage sind, solche Prognose- und Klassifikationsprobleme
zu lösen. Eines dieser Verfahren sind Künstliche Neuronale Netze. Diese haben
sich bereits in anderen Bereichen der Personalplanung, z.B. der Personalbedarfsplanung,
bewährt (vgl. z.B. Faißt 1993).

426 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Darum liegt die Frage nahe, ob mit solchen lernfähigen Künstlichen Neuronalen
Netzen, die in ein betriebliches Personalinformationssystem integriert sein sollten, auch
in der Personalbeurteilung gute Ergebnisse erzielbar wären und ob sich dabei Vorteile
gegenüber klassischen Verfahren ausmachen lassen.
Aufgrund der dargestellten Bedeutung von Personalbeurteilungsverfahren und der
Potentiale, die Neuronalen Netzen generell bei der Bewältigung von Prognose- und
Klassifikationsaufgaben zugeschrieben werden, hat der Lehrstuhl für Wirtschaftsinformatik
der Universität Dortmund ein Forschungsprojekt zum Einsatz Künstlicher Neuronaler
Netze für Eignungsprognosen durchgeführt. Es wurde untersucht,
1. ob Künstliche Neuronale Netze in der Lage sind, Personalentscheidungen durch die
Ermittlung von Eignungskennziffern zu unterstützen,
2. wie solche Netze aufgebaut sein und genutzt werden sollten und
3. wie sie sich von klassischen Instrumenten wie der Profilvergleichsmethode unterscheiden.
2. Verfahren zur Eignungsbeurteilung
Die Verfahren zur Eignungsbeurteilung (Personalbeurteilung) von Mitarbeitern
werden traditionell in summarische und analytische Methoden mit oder ohne Quantifizierung
unterteilt (siehe Abb. 1, ausführlich in Meiritz 1984, S. 62ff).
Die dabei verwendeten Beurteilungskriterien lassen sich in vier Gruppen unterscheiden
(vgl. Kappel/Heer 1997, S. 255, dort allerdings als Schlüsselkompetenz bezeichnet):
1. Fachliche Auswahlkriterien, die durch Ausbildung oder Erfahrung erworben sind.
2. Physische bzw. physiologische Auswahlkriterien als objektivierbare Merkmale der
körperlichen Natur.
3. Psychologische Auswahlkriterien, die durch die Persönlichkeitsstruktur des Mitarbeiters
determiniert werden.
4. Sozialpsychologische Auswahlkriterien, die sich aus den wirtschaftlichen Verhältnissen,
dem sozialen Umfeld und der sozialen Interaktion des Mitarbeiters mit seinem
Umfeld ergeben.
Im Gegensatz zu den ersten beiden Kriterien lassen sich die letzten beiden nur
schwer quantifizieren. Dennoch sind sie neben sonstigen Kontextfaktoren entscheidende
Faktoren für den Erfolg eines (zukünftigen) Mitarbeiters bei der Ausübung einer Tätigkeit
(vgl. Böhmel/Ritter 1996) und somit letzten Endes für den Unternehmenserfolg.
Dies gilt um so mehr, als durch einen umfangreichen Stellenabbau in Unternehmen die
gleiche Leistung mit einem geringeren Personalstab erzielt werden soll. Das heißt, es
werden „leistungsfähige“ und „leistungswillige“ Mitarbeiter, die zudem noch die fachliche
Qualifikation aufweisen, gesucht. Weitergedacht werden demnach hoch motivierte
und engagierte Mitarbeiter, denen man eine höhere Leistungsfähigkeit und -bereitschaft
zuschreibt, bevorzugt ausgewählt. Motivation und Engagement sind, neben anderen
Faktoren wie z.B. der Teamfähigkeit, wichtige Faktoren zur Beschreibung der Persönlichkeits-
und Sozialkompetenz. Insofern wird dieser Kategorie der Auswahlkriterien in
Zukunft zunehmend Bedeutung zukommen.

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 427
Abb. 1: Verfahren zur Eignungsbeurteilung
Verfahren zur Personalbeurteilung
analytisch
summarisch
ohne
Quantifizierung
mit
Quantifizierung
ohne
Quantifizierung
mit
Quantifizierung
einseitig zweiseitig einseitig zweiseitig
einseitig
zweiseitig
Personaldatenanalyse
Arbeitsplatzdatenanalyse
Ganzheitsmethode
Analytische
Miitarbeiterbeurteilung
Analytische
Arbeitsbewertung
Profilvergleichsmethode
Neuronale Netze
Subjektive
Eignungsbeurteilung
Summarische
Mitarbeiterbeurteilung
Summarische
Arbeitsbewertung
Unterstützt wird diese Aussage durch eine Studie des Instituts für Statistik und mathematische
Wirtschaftstheorie der Universität Augsburg aus dem Jahre 1995, nach der
über die Vergabe eines Arbeitsplatzes zu 45% aufgrund persönlicher (psychologische und
sozialpsychologische Kriterien) und nur zu 37% aufgrund fachbezogener Merkmale entschieden
wird (o.V. Wirtschaftswoche vom 29.06.1995, S. 61). Dies dürfte angesichts der
allgemeinen Tendenz zum weiteren Stellenabbau von der Kernaussage auch heute noch in
ähnlicher Weise, wenn nicht sogar mit einem noch deutlicheren Vorteil zu Gunsten der
persönlichkeitsbezogenen und sozialpsychologischen Kriterien, gelten. Zu einer ähnlichen
Aussage gelangt auch Niedermair (1997, S. 261f).
In der betrieblichen Personalwirtschaft geht man über zu analytischen Verfahren
mit Quantifizierung (Knoll/Dotzel 1996, S. 348ff). Zudem strebt man eine EDVtechnische
Umsetzung der Verfahren und damit einhergehend eine Integration in bestehende
Personalinformationssysteme sowie die Verwendung der Ergebnisdaten in anderen
Auswertungstools an. Philippi (1997) schlägt sogar ein Personaldatawarehaus als
umfassende Lösung zur Unterstützung der Aufgaben des Personalwesens, insbesondere
hinsichtlich der Durchführung entsprechender Auswertungen, vor.
Ein wichtiger Repräsentant analytischer, zweiseitiger Verfahren der Personalbeurteilung
mit Quantifizierung ist die sogenannte Profilvergleichsmethode. Neben den in
der Abbildung 2 dargestellten klassischen Methoden zur Eignungsbeurteilung werden in
letzter Zeit verstärkt weitere, innovative EDV-gestützte Methoden eingesetzt. Ein solcher
ist z.B. der von Heinecke (1993) im Rahmen wissensbasierter Systeme (Expertensysteme)
zur Personalbeurteilung. Faißt (1993) stellt ein hierarchisches, flexibles Perso-

428 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
nalmangementsystem auf der Basis Neuronaler Netze vor. In Anbetracht der zunehmenden
Bedeutung persönlichkeitsbezogener und sozialpsychologischer Kriterien im
Rahmen der Personalbeurteilung ist dies durchaus nachvollziehbar, denn insbesondere
die Fuzzy-Logik und Neuronale Netze können diese i.d.R. ‘weichen Kriterien’ unter
Berücksichtigung nahezu beliebiger Verknüpfungen verarbeiten. 1
Die von uns konzipierte und umgesetzte Neuronale-Netz-Methode setzt, wie später
noch deutlich wird, im gleichen Spektrum wie die Profilvergleichsmethode an. Aus diesem
Grund wollen wir an der kritischen Analyse der Profilvergleichsmethode ansetzend
die Neuronale-Netz-Methode motivieren und als alternatives Verfahren konzipieren.
Die vorzustellende Methode läßt sich in das Klassifikationsschema bestehender Verfahren
der Personalbeurteilung wie in Abbildung 1 zu sehen einordnen.
Abb. 2: Skizze der Profilvergleichsmethode
z.B. Indikatoren für
Sozialkompetenz
Kriterium 1
Kriterium 2
Kriterium 3
Kriterium 4
Kriterium 5
Kriterium 6
Istprofil
Differenz bei
Kriterium 1
Ausprägungen
(hier: je 5 pro Kriterium)
Differenz bei
Kriterium 2
Aggregation zu
Gesamtdifferenz
Eignungskennzahl
z.B. Indikatoren für
Sozialkompetenz
Kriterium 1
Kriterium 2
Kriterium 3
Kriterium 4
Kriterium 5
Kriterium 6
Sollprofil=Referenzprofil
Differenz bei
Kriterium 3
...
Ausprägungen
(hier: je 5 pro Kriterium)
(Erhebung z.B. durch Fragebogen)
1
Insbesondere die Anwendbarkeit der Fuzzy-Logik im Rahmen des Personalwesens, vornehmlich
in der Personaleinsatzplanung, wurde bereits umfassend untersucht (vgl. Meier
1992 und Braun 1994). Mit dem System PEPSY (Braun 1994) liegt bereits ein einsatzfähiges
System vor.

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 429
3. Die Profilvergleichsmethode zur Personalbeurteilung
Die Profilvergleichsmethode stellt ein Instrument der analytischen Eignungsbeurteilung
mit Quantifizierung, also mit Berechnung einer spezifischen Eignungskennzahl,
dar. Ihre Grundidee besteht darin, die beim Mitarbeiter gemessenen bzw. beobachteten
Eigenschaften (gleichbedeutend mit Kriterien bzw. Merkmalsausprägungen), die das
sogenannte Istprofil repräsentieren, mit den für die Tätigkeit erforderlichen Eigenschaften,
dem Sollprofil, zu vergleichen. Aus dem Grad der Übereinstimmung leitet sich
dann die Kennzahl zur Eignungsbeurteilung ab (skizziert in der Abb. 2).
Die Art und Weise, wie der Eignungswert gewonnen wird, hängt von der zeitlichen
Dimension (kurz-, langfristige Anforderung) und dem Anforderungsgrad (Mindest-,
Normal-, Höchstanforderung) der Tätigkeit ab (Drumm 1995, S. 292ff; Scholz 1995, S.
376ff).
Zur Ermittlung von Soll- oder auch Referenzprofilen existieren verschiedene Möglichkeiten.
Eine besteht darin, durch subjektive Einschätzungen die Sollprofile a priori
vorzugeben (Eignungsprofile), zum anderen können Sollprofile auch empirisch-induktiv
ermittelt werden (Erfolgsprofile). Bei letzterem wird versucht, anhand von Befragungsergebnissen
charakteristische Ausprägungskombinationen zu bestimmen, die für einen
erfolgreichen bzw. nicht erfolgreichen Mitarbeiter repräsentativ sind. Grundlage der Befragung
sind häufig Fragebögen, die neben den fachlichen Komponenten auch psychologische
und sozialpsychologische Komponenten erfassen (z.B. BIB = Bibliograpical
Information Blank, oder WAB = Weighted Application Blank; Scholz 1995, S. 289ff;
Hollmann 1991, S. 9-24; Keßler 1982). Die Vorgehensweise der Methode der Erfolgsprofile
läßt sich in vier Phasen beschreiben. Dies sind die Definitions-, die Profilableitungs-,
die Validierungs- und die Einsatzphase (vgl. Abb. 3).
Zunächst werden in der ersten Phase der Kriterienkatalog und die Probandenmenge
bestimmt. Die Probanden werden zu Beginn der Profilableitungsphase anhand des Kriterienkatalogs,
zum Beispiel mittels eines Fragebogentests, eingeordnet. Parallel hierzu
werden die Probanden aufgrund von Daten aus dem Personalinformationssystem oder
von Beurteilungen des Vorgesetzten als erfolgreich oder nicht erfolgreich eingestuft.
Das Ergebnis besteht dann aus den spezifischen Erfolgs- oder Mißerfolgsprofilen der
einzelnen Probanden. Zur Ermittlung des für den späteren Einsatz erforderlichen Sollbzw.
Referenzprofils wird die Probandenmenge in eine Ableitungs- und in eine Validierungsmenge
unterteilt. Erstere dient dazu, aus den gegebenen Daten der Probanden charakteristische
Kriterienausprägungen bzw. Muster abzuleiten, die dann in der Validierungsphase
mit Hilfe der Validierungsmenge überprüft werden.
Im folgenden werden jeder Kriterienausprägung zwei Wertungszahlen für Erfolg
oder Nicht-Erfolg zugewiesen, die sich durch Division der Nennungen bei den erfolgreichen
und den nicht erfolgreichen Mitarbeiter durch jeweils die Gesamtanzahl der
Nennungen ergeben. Die so erhaltenen Kennzahlen werden im Anschluß daran normiert
und die für Erfolg oder Mißerfolg charakteristischen Profile (Muster) abgeleitet. In der
Validierungsphase (Phase drei) werden die abgeleiteten Muster („Sollprofile“) hinsichtlich
ihrer „Prognosequalität“ untersucht. Übersteigt die Prozentzahl der richtig prognos-

430 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
tizierten hierbei einen zuvor definierten Wert, z.B. 80%, so wird das Sollprofil als valide
angesehen und als Prognoseinstrument eingesetzt.
Abb. 3: Veranschaulichung der Vorgehensweise der Profilvergleichsmethode bei Datenerhebung
durch Fragebogentechnik
Festlegung des
Kriterienkatalogs
Festlegung der
Probandenmenge
Definitionsphase
Kriterienkatalog und
Probandenmenge liegen vor
Erhebung der
A usprägungen
Externe Einstufung
der Probanden
Profilableitungsphase
Erfolgs- bzw.
Mißerfolgsprofil
A ufteilung der
Probandenmenge
Ab le itungsmenge
Validierungsmenge
A bleiten der typischen
Erfolgs- und
Mißerfolgsmuster
Validierung, d.h.
Überprüfen der
Muster
Validierungsphase
Ergebnisse ausreichend
gut, Validierte
Referenzprofile
Ergebnisse nicht
ausreichend gut
Neukandidaten
(Bewerber)
Einsatzphase
Erhebung der
Ausprägungen
Istprofil liegt vor
Profilvergleich
Eignungskennzahl

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 431
Da sich im Laufe der Zeit Stellendefinitionen (zu bewältigende Tätigkeiten) und
damit auch die an die Mitarbeiter gestellten Anforderungen ändern können, sollte eine
regelmäßige Überprüfung der abgeleiteten Muster hinsichtlich ihrer Validität erfolgen
(„Wartung“). Gegebenenfalls ergibt sich dabei die Notwendigkeit zur Ableitung neuer
oder veränderter Muster.
Wie schon diese grob skizzierte Darstellung zeigt, ist die Profilvergleichsmethode
mit einigen kritischen Aspekten konfrontiert, die sich in den unterschiedlichen Phasen
finden. Dies sind im einzelnen:
1. das Ermitteln der relevanten Kriterien (Definitionsphase),
2. die Ermittlung und Messung der Ausprägungen der Kriterien (Profilableitungsphase),
3. die Gewichtung der Kriterien bzw. das Auffinden von Abhängigkeiten (Profilableitungsphase),
4. die Aggregation der Einzelwerte zu einem Gesamturteil (Profilableitungsphase),
5. die Identifikation der Referenzgröße bzw. Vergleichsgröße (Profilableitungsphase).
Die Punkte 3 und 4 sprechen vor allem die Problematik der Interdependenz einiger
Merkmale bzw. deren Ausprägungen, insbesondere z.B. die nach synergetischen oder
kompensatorischen Effekten, an. Weist ein Mitarbeiter z.B. eine hohe fachliche Kompetenz
auf und ist er gleichzeitig motiviert, so werden die beiden Kriterien in ihrer Gesamtwirkung
verstärkt (Synergie). Auf der anderen Seite kann mangelnde fachliche
Kompetenz bis zu einem gewissen Grad durch größeren Ehrgeiz oder Fleiß ausgeglichen
werden (Kompensation). Die Frage nach der Integration solcher Effekte in die Personalbeurteilung
bleibt bei den meisten Verfahren größtenteils ungeklärt. In der einfachen
Form des Profilvergleichs lassen sich allenfalls lineare Abhängigkeiten, in Form
unterschiedlicher Kriteriengewichte, berücksichtigen.
Es soll nun untersucht werden, wie Neuronale Netze für einen Einsatz im Rahmen
der Personalbeurteilung zu konzipieren sind und inwiefern sie in der Lage sind, die skizzierten
kritischen Aspekte zu bewältigen bzw. deren Auswirkungen abzuschwächen.
4. Künstliche Neuronale Netze
4.1 Aufbau und Arbeitsweise Neuronaler Netze
Neuronale Netze bestehen aus einer Menge von Verarbeitungseinheiten, den Neuronen,
die über „Kommunikationskanäle“ verknüpft sind und Informationen austauschen.
Jedes Neuron berechnet aus den von außen oder von benachbarten Neuronen
stammenden Eingabedaten einen Ausgabewert, der an nachgeschaltete Neuronen weitergegeben
wird. Am Ende läßt sich dann das durch das Neuronale Netz berechnete
„Ergebnis“ in den Ausgabeinformationen ablesen. Neuronale Netze lassen sich als entscheidungsunterstützendes
Instrument insofern einsetzen, als sie die für eine Entscheidung
wesentlichen Rahmendaten als Eingabeinformationen aufnehmen und hieraus entscheidungsrelevante
Beurteilungsgrößen berechnen (siehe die Abb. 4, vgl. auch Rehkugler/Zimmermann
1994, S. 1ff). Die Leistungsfähigkeit der Neuronalen Netze hinsichtlich
einer Entscheidungsunterstützung ist durch die Stärke der Verbindungen zwischen
den Neuronen, den „Gewichten“ auf den Kommunikationskanälen, und durch die
Verarbeitungsfunktionen innerhalb der Neuronen bestimmt.

432 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Abb. 4: Visualisierung Neuronaler Netze als entscheidungsunterstützendes Instrument
(aus Lackes/Mack 1999)
Entscheidungsprozeß im Rahmen der Planung
Rahmendaten der
Entscheidungssituation
.
.
.
Entscheidungsmodellbildung
Entscheidungsmodellbildung
Alternativenbewertung
Alternativenbewertung
und
und
Alternativenauswahl
Alternativenauswahl
gemäß
gemäß
Zielkatalog
Zielkatalog
und
und
Präferenzsystem
Präferenzsystem
.
.
.
Entscheidungsrelevante
Beurteilungsgrößen
NN-Modellierung
Neuronales Netz
Eingabeinformationen
(Netzeingabe)
Eingabekanäle
Ausgabekanäle
Ausgabeinformationen
(Netzausgabe)
Neuron
Kommunikationskanal
Die einzelnen Neuronen eines Neuronalen Netzes arbeiten i.d.R. parallel die Eingabeinformationen
ab, wobei ein Neuron mehrere Verarbeitungsfunktionen beinhaltet.
Diese fassen Eingabedaten häufig gewichtet zusammen (die Gewichtsfaktoren attributieren
die Eingabekanäle), transformieren das Resultat über eine Schwellenwertabgleichfunktion
zu einem Ausgabewert und geben diesen, eventuell nach Anwendung ei-

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 433
ner weiteren Funktion, an die nachfolgenden Neuronen bzw. an die Netzausgabe weiter.
2 Das folgende Beispiel der Abb. 5 veranschaulicht die prinzipielle Arbeitsweise.
Abb. 5: Schematisierte Darstellung eines formalen Neurons
Neuron
0,10
0,72
1
0,7
1,2
-0,5
f
0,607
0
1,4
Das visualisierte Neuron ermittelt zunächst durch die Inputfunktion die gewichtete
Summe (S) als Gesamtinput: 0,10 • 0,7 + 0,72 • 1,2 + 1 • (-0,5) + 0 • 1,4 = 0,434. Die
Schwellenwertfunktion ( ), aktivität(Gesamtinput-Schwellenwert), soll in diesem
Beispiel eine nichtlineare Funktion mit sigmoidalen Verlauf sein. Sigmoidale Funktionen
stellen relaxiert betrachtet mehr oder weniger stark geglättete Approximationen an
Binärfunktionen dar. Binärfunktionen weisen zwar den Vorteil auf, einen klaren, zweiwertigen
Aktivierungswert, je nach Über- oder Unterschreitung des sogenannten
Schwellenwerts, zu liefern (entweder aktiviert:1 oder nicht aktiviert:0), haben aber den
Nachteil, nicht stetig differenzierbar zu sein, was sich insbesondere bei der Gewichtsanpassung
negativ auswirkt. Für das Beispiel könnte der Schwellenwert bei 0 liegen und
die Funktion das Ergebnis aktivität(0,434 - 0) = 0,607 ergeben. Zuletzt kann eine zusätzliche
Funktion (f ), die Ausgabefunktion, diese ‘Aktivität’ weiter verarbeiten. Im
Beispiel soll sie das Ergebnis der Schwellenwertfunktion unverändert an die Netzausgabe
oder an nachgeschaltete Neuronen weitergeben. Das dargestellte Neuron liefert also
die Ausgabe 0,607.
Die Neuronen sind in einem Neuronalen Netz zu einem Verbund zusammengeschlossen
wie in der nachfolgenden Abb. 6 mit dem zuvor ausgezeichneten Neuron dargestellt.
In dieser Abbildung stammen die einzelnen Eingaben des Neurons von vier
vorangeschalteten Neuronen. Der Ausgabewert des Neurons von 0,607 wird an zwei
nachfolgende Neuronen weitergegeben.
2
In der Literatur zu Neuronalen Netzen werden statt der hier skizzierten drei Funktionen häufig
nur zwei Funktionen (Inputfunktion und Schwellenwertfunktion) oder gar nur eine sogenannte
Transferfunktion, die alle Funktionen beinhalten soll, aufgeführt.

434 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Abb. 6: Der Aufbau eines Neuronalen Netzes aus den einzelnen Neuronen
.
f
0,10
.
f
0,72
0,7
1,2
Neuron
. . .
0,9
f
.
f
1
-0,5
1,4
f
0,607
1,0
. . .
f
0
.
f
Lassen sich die Neuronen topologisch sortieren, ergibt sich eine schichtenförmige
Anordnung der Neuronen. In diesem Fall existiert eine Eingabeschicht von Neuronen,
die sogenannten Eingabeneuronen, die die Eingabeinformation aufnehmen, die Ausgabeschicht
mit den sogenannten Ausgabeneuronen, die das Netzergebnis an die Umwelt
abgeben, und beliebig viele sogenannte Mittelschichten mit verdeckten, d.h. nicht von
außen sichtbaren Neuronen, die wesentlich für die Transformation von der Eingabe zur
Ausgabe verantwortlich zeichnen. Man bezeichnet solche Neuronalen Netze auch als
„vorwärtsgerichtete Neuronale Netze“, da der Informationsfluß eindeutig gerichtet von
der Eingabe- zur Ausgabeschicht verläuft. Ein derartiges Neuronales Netz ist in Abb. 7
dargestellt. Häufig fungieren die Eingabeneuronen dabei als „Puffer“, der die Umweltinformationen
unverändert an die nachfolgenden Neuronen weitergibt.
Die Verknüpfungen der Neuronen und ihre Verarbeitungfunktionen beschreiben
die Abhängigkeiten, die zwischen den anliegenden Eingabeinformationen (Beschreibung
der Problemsituation) und den Ausgabeinformationen (entscheidungsrelevante
Beurteilungsgrößen) existieren.
Zu klären bleibt die Frage, wie der für die Entscheidung relevante Zielkatalog und
damit das Präferenzsystem der Entscheidungsträger in das Neuronale Netz implantiert
wird. Nur wenn dies gelingt, können Instanzen des gleichen Problemtyps mittels eines
Neuronalen Netzes gelöst bzw. unterstützt werden. Geht man davon aus, daß die Neuronenfunktionen
und die Menge der Verbindungskanäle einmal festgelegt und dann
nicht mehr veränderbar sind, kann dies nur noch durch die Adaption der Verbindungsstärken,
also der Gewichte auf den Kommunikationskanälen, geschehen. Das Problem
im Zusammenhang mit Neuronalen Netzen besteht demnach hauptsächlich im Auffin-

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 435
den dieser problemangemessenen Gewichte auf den Verbindungskanälen zwischen den
Neuronen. Man bezeichnet dieses Anpassen als Lernen. Das Lernen bzw. Konditionieren
Neuronaler Netze schlägt sich darin nieder, daß systematisch die Verbindungsgewichte
solange verändert werden, bis für das zugrunde liegende Entscheidungsproblem
zufriedenstellende Ergebnisse erzielt werden. 3 Die allgemeine Anpassungformel lautet:
Neues Gewicht auf Verbindung = Altes Gewicht auf Verbindung + Korrekturterm
Abb. 7: Ein Neuronales Netz (aus Lackes/Mack 1999) 4
Gesamtsystem Neuronales Netz
Eingabeschicht
Mittelschicht(en)
Ausgabeschicht
f
Eingabeinformationen
.
.
.
f
f
f
.
.
.
f
f
f
. ..
.
.
.
f
f
f
.
.
.
f
f
Ausgabeinformationen
Richtung der Informationsverarbeitung
Die Art und Weise wie die Veränderung der Gewichte vonstatten geht, wird durch
die sogenannte Lernregel spezifiziert. Dazu werden, ähnlich wie bei der Profilvergleichsmethode,
Referenzdaten benötigt, mit deren Hilfe es möglich wird, die Gewichte
angemessen zu adaptieren. Dies soll an einem einfachen Beispiel verdeutlicht werden.
Ein Personalsachbearbeiter wird z.B. in der Lage sein, aufgrund seiner Erfahrung
einen Bewerber zu bewerten bzw. in eine entsprechende Eignungsklasse einzustufen. 5
3
4
Eine detaillierte Darstellung dieses Vorgangs sowie der Arbeitsweise Neuronaler Netze findet
sich in Lackes/Mack (1997, 1998 und 1999) sowie z.B. in Rehkugler/Zimmermann
(1994, S. 1ff) oder in Patterson (1997, S. 13ff).
Ein anderes Neuronale-Netz-Modell (das „Klumpenmodell“) sieht auch Rückflüsse vor. In
diesem Fall ist der Informationsfluß nicht eindeutig gerichtet (vgl. Lackes/Mack 1999).

436 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Dieses Prinzip des „Erfahrungslernens“ 6 versucht man mittels Neuronaler Netze nachzuahmen.
Die „Erfahrung“ wird dabei durch eine bestimmte Anzahl an Fallbeispielen
dargestellt. Aus diesem Erfahrungsdatenschatz sollen dann Verallgemeinerungen abgeleitet
werden, die es erlauben, auch unbekannte Probleminstanzen mittels des Neuronalen
Netzes zu bewältigen. Damit versucht man, allgemeine Strukturen in den Falldaten
zu extrahieren. Im Falle der Personalbeurteilung sollen z.B. charakteristische Erfolgsbzw.
Mißerfolgsmuster abgeleitet werden. Hier zeigt sich deutlich die Analogie zur Profilvergleichsmethode.
In der Abb. 8 ist der Gewichtsanpassungsprozeß, ein sogenannter Lernschritt, dargestellt.
Abb. 8: Veranschaulichung eines Lernschritts
Gesamtsystem Neuronales Netz
Gesamtsystem Neuronales Netz
Eingabeschicht
(“Puffer”)
Ausgabeschicht
Eingabeschicht
(“Puffer”)
Ausgabeschicht
0,10
0,10
f
0,10
f
0,10
0,7
0,71
0,72
1
f
f
0,72
1,2
-0,5
1
1,4
Neuron
0,607
f
Lernschritt
0,72
Soll: 0,707
Fehler: 0,1
1
Fehlerkorrekturterm
0,1*Ausgabe Vorgänger
f
f
0,72
1,272
-0,4
1
1,4
Neuron
f
0,607
0
0
0
f 0
f
Richtung der Informationsverarbeitung
Richtung der Informationsverarbeitung
5
6
In der Eignungsdiagnostik nennt man den ersten Fall der Prognose einer Kennzahl ‘Plazierung’,
den zweiten Fall der Einstufung in eine Eignungsklasse ‘Klassifikation’ (vgl. Hollmann
1991, S. 3).
Genau genommen handelt es sich um Lernen aus Beispielen, eine besondere Variante des
induktiven Lernens (vgl. Lackes/Mack 1999).

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 437
An den Neuronen der Eingabeschicht, die als Puffer dienen und ihre Eingabe unverändert
weitergeben, liegen die Eingabeinformationen (0,10;0,72;1;0) eines Fallbeispiels
an. Bei dieser Eingabekonstellation wird eine Ausgabe von 0,707 als korrekt angesehen
(in der Abbildung als ‘Soll: 0,707’ angegeben). Das einzige Ausgabeneuron des Neuronalen
Netzes liefert als Ausgabe jedoch den Wert 0,607 (‘Ist: 0,607’). Der Fehler beträgt für
dieses Neuron also 0,707 - 0,607= 0,10. 7 Die Ausgabe ist demnach zu niedrig, was tendenziell
dazu führt, daß die Gewichte auf den Verbindungskanälen erhöht werden. Da
nicht an jedem Eingabekanal der gleiche Eingabewert anliegt, wird zur Ermittlung des
Fehlerkorrekturterms der Fehler mit der jeweiligen Ausgabe des Vorgängerneurons multipliziert.
Für die erste Verbindung ergibt sich ein Korrekturterm von 0,1·0,1=0,01, was zu
einem neuen Gewicht auf dieser Verbindung von 0,7 + 0,01= 0,71 führt. Entsprechend ergeben
sich die Gewichte auf den übrigen Verbindungen (siehe Abb. 8). 8
Dieser Lernschritt wird für alle Falldatensätze solange (zyklisch) durchgeführt bis
entweder für alle Falldatensätze die Istausgabe des Neuronalen Netzes hinreichend nahe
an der Sollausgabe liegt oder bis ein anderes Terminierungskriterium, z.B. „die maximale
Anzahl an Lernschritten wurde durchlaufen“, erreicht ist. Am Ende finden sich im
ersten Fall die allgemeingültigen Muster der Falldatensätze, z.B. die Erfolgs- bzw. Mißerfolgsmuster,
in den Gewichten der Verbindungen wieder.
4.2 Die Profilvergleichsmethode als triviales Neuronales Netz
Die Profilvergleichsmethode mit der Ermittlung einer Eignungskennzahl läßt sich
als triviales Neuronales Netz ohne Mittelschichten und mit lediglich einem Ausgabeneuron
darstellen (vgl. Abb. 9). In den Parametern der Neuronen sowie durch deren
Verarbeitungsfunktionen lassen sich die Sollprofile abbilden. So kann als Ausgabefunktion
der Neuronen in der ersten Schicht beispielsweise die Differenz zwischen anliegendem
Eingabewert und im Neuron vorgegebenem Sollwert (realisiert als sogenannter
Schwellenwert) verwendet werden. In diesem Fall erhält man als Ausgabe des ersten
Neurons z.B. den Wert -0,15. Die Ausgabewerte der anderen Neuronen sind in der Abbildung
zu sehen. Die Gewichte der Verbindungen (in der Abbildung sind sie alle 1)
können die Aggregation zu einem Gesamtwert gemeinsam mit dem Ausgabeneuron
bestimmen. Das Ausgabeneuron realisiert als Inputfunktion die Abstandsberechnung.
Als Ausgabefunktion verwendet es in diesem Beispiel eine „umgekehrte Binärfunktion“,
bei der bei Überschreitung des Schwellenwerts (im Beispiel liegt dieser bei 1),
gleichbedeutend mit einem zu großen Abstand zwischen Ist- und Sollprofil, eine Ausgabe
von 0 erfolgt und bei einer Unterschreitung eine Ausgabe von 1.
Zur Realisierung anderer Maßzahlen müssen andere Neuronenfunktionen oder es
muß unter Umständen eine Mittelschicht mit spezifischen Verbindungen von der Eingabeschicht
kommend eingeführt werden.
Eine Vorgehensweise wie dargestellt wäre trivial und würde die Potentiale der Methode
‘Neuronale Netze’ nicht umfassend genug ausschöpfen.
7
8
Eine analoge Fehlerberechnung würde sich bei mehreren Ausgabeneuronen ergeben.
Für die Berechnung des Fehlerkorrekturterms existieren einige andere Lernregeln. Die hier
dargestellte ist die einfachste Variante.

438 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Abb. 9: Die Profilvergleichsmethode als triviales Neuronales Netz 9
Istprofil
0 1
0,1
0,72
1,0
0,0
Sollprofil
0 1
0,25
0,75
0,5
0,5
Abstandsberechnung:
Ist Soll Gewicht
alle Kriterien
= 0,15 + 0,03 + 0,5 + 0,5 = 1,18 > 1
Sollprofil in den Schwellenwerten
der Neuronen abgebildet
Istprofil
Kriterienausprägungen
Menschenbild
Kommunikationsfähigkeit
Kritikfähigkeit
Teamfähigkeit
K 1 0,1
K 2 0,72
K 3 1,0
K 4 0,0
0,25
0,75
- 0,03
0,5
f
f
0,5
f
f
- 0,15
0,5
- 0,5
1
1
1
1
Gewichte bestimmen
Aggregation
f
1
0
Ausgabe
Kennzahl “Sozialkompetenz”
5. Projektierung Neuronaler Netze zur Personalbeurteilung
5.1 Formulierung des Problems der Personalbeurteilung im Kontext der
Neuronalen Netze
Das Problem der Personalbeurteilung ist ein Entscheidungsproblem, das im umfassenderen
Prozeß der Personalauswahl anzusiedeln ist. Im Hinblick auf eine Unterstützung
dieses Teilproblems mit Hilfe Neuronaler Netze bietet sich zunächst seine formale
Charakterisierung an.
Die Personalbeurteilung fußt auf einer Menge von Kriterien. Dabei kann es sich
um Kriterien zur Beschreibung der Fach-, der Sozial-, der Persönlichkeits- und der Führungskompetenz
(die vier „Schlüsselkompetenzen“) handeln. Für den Fall der Sozialkompetenz
könnten z.B. das Menschenbild, die Kommunikationsfähigkeit, die Kritikfähigkeit
oder auch die Kooperations- und Teamfähigkeit relevant sein (ähnlich z.B. in
Kappel/Heer, S. 256). Zur Beschreibung der Fachkompetenz wäre z.B. der Schulabschluß
ein mögliches Kriterium. Für jedes Kriterium ist eine bestimmte Anzahl an
Ausprägungen möglich. Wird beispielsweise das (fachbezogene) Kriterium ‘Schu-
9
Auf das Problem der Messung der Kriterien wird später eingegangen und soll an dieser Stelle
vernachlässigt werden.

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 439
labschluß’ betrachtet, so sind mögliche Ausprägungen: Hauptschule,
Realschule, Fachabitur, Abitur. In einer formalen Darstellung ergibt sich das Bild in
der Tab. 1.
Tab. 1: Verbale und formale Notation des Problems der Personalbeurteilung
Verbal Formal Beispiel
Menge der Kriterien (Anzahl=N) K={K1,...,Kn,...,KN} K1=Menschenbild
K2=Kommunikationsfähigkeit
...
Kn=Schulabschluß
...
Gesamtheit (Wertebereich) möglicher
Ausprägungen eines Krite-
domain(Kn)...
=domain(Schulabschluß)
domain(K1)
domain(Kn)
riums
domain(KN)
={Hauptschule,Realschule,
Fachabitur,Abitur}
Jeder (potentielle) Mitarbeiter weist spezifische Auspägungen bei den Kriterien
auf. Sie sollen eine Aussage über seine Eignung zur Bewältigung der unterstellten Tätigkeit
zulassen. Liegt von einem Mitarbeiter m beispielsweise die Angabe „Schulabschluß=Realschule“
vor, so wäre in diesem Fall K mn =Realschule. 10
5.2 Vorgehensweise bei der Konzeption Neuronaler Netze zur Personalbeurteilung
Überblick
Im folgenden wird zunächst die prinzipielle Vorgehensweise zur Konzeption Neuronaler
Netze für die Personalbeurteilung bzw. die Eignungsprognose, wie voranstehend
beschrieben, vorgestellt (vgl. Abb. 10). Sie ist bewußt so gestaltet, daß die Analogien zu
der Profilvergleichsmethode deutlich werden. 11
Die ersten drei Phasen dienen dem Einstellen bzw. Anpassen des Neuronalen Netzes
auf das gegebene Problem. In der Definitions- und Modellierungsphase wird das
Neuronale Netz für ein gegebenes Planungsproblem entworfen und spezifiziert. Die
Aufgaben in dieser Phase umfassen das Festlegen des relevanten Kriterienkatalogs, die
Bestimmung der Art und Weise wie die Daten nach ihrer Erhebung in eine für das Neu-
10
11
Hieran läßt sich das Problem erkennen, daß Mehrfachangaben durchaus möglich sein können.
So kann ein Proband sowohl einen Haupt- als auch einen Realschulabschluß aufweisen.
Dann müßte bei einer Fragebogenerhebung darauf hingewiesen werden nur den jeweils
höchsten Abschluß anzugeben. Allerdings induziert man damit u.U. bereits den ersten methodischen
Fehler bei der Erhebung. Es könnte nämlich der Fall sein, daß gerade die Konstellation
mehrerer Schulabschlüsse für die Eignungsbeurteilung relevant ist. Darüber läßt
sich aber a priori keine Aussage treffen.
Eine etwas modifizierte und differenziertere Darstellung des allgemeinen Entwicklungszyklus
findet sich in Lackes/Mack (1999).

440 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
ronale Netz lesbare Form transformiert werden sollen („Codierung“), die Festlegung der
Datenquelle und die Definition einer geeigneten Netztopologie sowie die Angabe der
Neuronenverarbeitungsfunktionen.
Abb. 10: Vorgehensweise zur Personalbeurteilung mit Hilfe Neuronaler Netze

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 441
Festlegung des
Kriterienkatalogs
Festlegung der
Falldatensätze bzw.
der Datenquelle
Definition der
Ausgangsnetztopologie
Definitions- und
Modellierungsphase
Rahmendaten sind definiert (Eingabevariablen durch den
Kriterienkatalog, Netztopologie, Datenquelle/n)
Erhebung Falldaten
(Inputs)
bzw. Bewerberdaten
Erhebung Solloutputs
(Einstufung
der Bewerber
Konditionierbzw.
Trainingsphase
Eingabemuster mit Sollwerten
Aufteilung der
Falldatensätze
Trainingsmenge
Testmenge
Konditionieren des
Neuronalen Netzen
('Musterableitung')
Testen des
Neuronalen Netzes
('Mustervalidierung')
Test- bzw.
Validierungsphase
Ergebnisse ausreichend
gut, Validierte
Muster
Ergebnisse nicht
ausreichend gut
Neufälle
(Bewerber)
Einsatzphase
Erhebung der
Ausprägungen
Eingabemuster liegt vor
Anlegen der Eingabemuster
an das
Neuronale Netz
Eignungskennzahl oder Einstufung in
eine Eignungsklasse
Die Trainingsphase zielt darauf ab, das definierte Netz durch Einstellung der Gewichte
auf den Kommunikationskanälen möglichst gut zu konditionieren. Zu Beginn
der Trainingsphase sind zunächst für eine ausreichende Anzahl von Fällen zu dem betrachteten
Planungsproblem die fallspezifischen Werte für die vorgesehenen Eingabe-

442 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
und Ausgabedaten zu erheben, gemäß den festgelegten Codierungsvorschriften zu codieren
und in einem Musterpool zu sammeln. Die Ausgabedaten werden als sogenannte
‘Solloutputs’ bzw. Referenzgrößen im Rahmen der Gewichtsadaption eingesetzt. Die so
ermittelte Datenmenge (Menge aller „Falldatensätze) wird, vereinfacht dargestellt, in
die Trainings- und in die Testdatenmenge unterteilt. Die Trainingsmenge wird benutzt,
um in der Konditionier- bzw. Trainingsphase die dem Problem angemessene Gewichtseinstellung
auf den Verbindungskanälen der Neuronen zu finden. Die Abweichung der
Istausgabe des Neuronalen Netzes von der geforderten Sollausgabe bei jedem Trainingsfall
dient als Gewichtskorrekturterm. Auf der Testdatenmenge wird abschließend
in der Test- bzw. Validierungsphase die tatsächliche Güte des Neuronalen Netzes zur
Unterstützung des betrachteten Problems, hier der Personalbeurteilung, gemessen.
In der Testphase soll die Leistungsfähigkeit des Netzes zur Unterstützung der realen
Planungssituationen anhand der Testfälle des gegebenen Planungsproblems überprüft
werden. Hierzu müssen hinreichend viele Testdatensätze vorhanden sein, an denen
sich das trainierte Netz beweisen kann. Die Teststrategie legt vor allem die Art der Messung
des Testergebnisses sowie die hieraus implizierten Schlußfolgerungen fest. Zeigen
sich Performanzmängel, so lassen sich diese möglicherweise durch ein intensiveres
Training beheben. Zum Beispiel kann eine nicht ausreichende Anzahl an Falldaten, die
Extraktion allgemeingültiger Muster erschweren. Führt dies nicht zu den gewünschten
Verbesserungen, sollte überprüft werden, ob durch eine intelligente Redefinition oder
Remodellierung („Re-Engineering“) des Netzes mit einer anschließenden Neutrainingsphase
dessen Leistungsfähigkeit verbessert werden kann. Ist auch dies nicht erfolgreich,
ist vermutlich das untersuchte Entscheidungsproblem bei dem im Musterpool repräsentierten
Erfahrungsdatenschatz generell nicht für Neuronale Netze geeignet.
Sind die beim Testen festgestellten Ergebnisse des Neuronalen Netzes hinreichend
gut, kann das Neuronale Netz zur konkreten Entscheidungsunterstützung, im vorliegenden
Fall zur Personalbeurteilung, eingesetzt werden. In dieser Phase spricht man von
der Einsatz- bzw. Operatingphase, also der eigentlichen Nutzung des Neuronalen Netzes
als entscheidungsunterstützendes Instrument. Dazu müssen für die Neubewerber die
relevanten Kriterienausprägungen erhoben und dem Neuronalen Netz vorgeworfen werden.
Dieses berechnet dann selbständig eine Eignungskennzahl oder eine Einstufung in
eine Eignungsklassse.
Um einem „Verschleiß“ des Neuronalen Netzes als „Werkzeug“ zur Planungsunterstützung
im Rahmen der Personalbeurteilung vorzubeugen, ist auch für das Neuronale
Netz eine regelmäßige Qualitätsprüfung mit eventuellen Reparaturmaßnahmen (Wartung)
vorzusehen.
Detaillierte Beschreibung:
Für das Netztraining selbst liegen insgesamt M Probanden vor. Die M Probanden
haben für die K n i.a. unterschiedliche Ausprägungen. Die Ausprägungen können beispielsweise
durch einen Fragebogentest erhoben werden. Die Probanden müssen nun
noch bezüglich ihres Erfolgs bzw. Mißerfolgs, z.B. durch eine Eignungskennzahl oder
eine externe Einstufung in eine (unscharfe) Eignungsklasse (beispielsweise ‘schlechte’,
‘durchschnittliche’, ‘gute’ Eignung) klassifiziert werden. Diese Angabe dient als Refe-

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 443
renzgröße zur Adaption der Gewichtsvektoren auf den Verbindungskanälen der Neuronen
und ist für das Neuronale-Netz-Training in der hier unterstellten Form des Lernens
unerläßlich.
Damit ist jeder Proband m im Rahmen des Netztrainings durch das Paar (K m ,A m )
charakterisiert. Der (Teil-) Vektor K m =(K m1 ,...,K mn ,...,K mN ) beschreibt seine spezifischen
Kriterienausprägungen 12 und der (Teil-) Vektor A m =(A m1 ,A m2 ,...,A mP ) seine
Einordnung in die Menge der erfolgreichen oder nicht erfolgreichen Mitarbeiter. 13 Dies
entspricht letztlich den Erfolgsprofilen, wie sie bei der Darstellung der Profilvergleichsmethode
eingeführt wurden.
Mit dieser Festlegung der Kriterien, ihres Domänenbereichs sowie der externen
Einstufung der Probanden werden die Eingabeschicht und die Ausgabeschicht der Ausgangsnetztopologie
des Neuronalen Netzes bereits determiniert. Die Verknüpfungsart
der Kriterien findet sich implizit in der Netztopologie, den Gewichten auf den Verbindungskanälen
und in den Neuronenverarbeitungsfunktionen.
Abb. 11: Aufbau eines Neuronalen Netzes zur Personalbeurteilung
Eingabeschicht
Mittelschicht(en)
Ausgabeschicht
Eingabeinformation=
Ausprägungsvektor
der Merkmale / Kriterien
z.B. Kriterien für
Fachkompetenz
z.B. Kriterien für
Sozialkompetenz
K m1
K m2
K m3
.
.
K mN-1
K mN
.
.
f
f
f
f
f
. . .
f
f
f
A m1
A m2
A m3
Ausgabeeinformation=
Aussage über Eignung
Die für das vorliegende Projekt bedeutendste Eigenschaft Neuronaler Netze liegt
darin, daß die Neuronen zur Berechnung der Ausgabeinformation nicht nur lineare,
sondern beliebige Funktionen verwenden. Da die Neuronen verknüpft sind, sind damit
komplexere, funktionale Abhängigkeiten zwischen den Kriterien als bei der Profilver-
12
13
Zu besseren Lesbarkeit werden Zeilenvektoren verwendet.
Bei der Angabe einer Eignungskennzahl ist A m ein einelementiger, bei der Angabe beispielsweise
dreier Eignungsklassen hingegen ein dreielementiger Vektor.

444 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
gleichsmethode modellierbar. Die Komplexität der im Neuronalen Netz abgebildeten
Kriterienverbindungen steigt ceteris paribus mit zunehmender Zahl an Mittelschichten.
Abb. 11 zeigt zusammenfassend den Aufbau eines Neuronalen Netzes zur Personalbeurteilung.
Die K m1 ,...,K mN bilden die Eingabeinformation für das Neuronale
Netz, das auf der Basis einer Musteranalyse in der Trainingsphase allgemeingültige
Aussagen ableitet.
In der Einsatzphase können Neukandidaten durch die im Neuronalen Netz gespeicherten
‘Eignungsmuster’ hinsichtlich ihrer Eignung eingestuft werden. Das in der Abb.
11 dargestellte Neuronale Netz würde eine Ausgabe in eine von drei Eignungsklassen
vornehmen.
5.3 Darstellung der Projektszenarios
Die informationelle Ausgangsdatenbasis in unserem Projekt war ein Fragebogentest,
der darauf abzielte, Hinweise zu bestimmten Eigenschaften der Probanden, wie
z.B. Menschenbild, Selbstvertrauen, Belastbarkeit, Intellekt, zu erhalten. Er wurde so
konzipiert, daß neben sozio- und psychologischen Kriterien auch fachbezogene Kriterien
erfaßt wurden. Die Fragen ließen von 1 bis 5 gestufte kategoriale Antwortmöglichkeiten
zu. Zusätzlich umfaßte der Fragebogen auch offene Fragen, durch die überwiegend
statistische Daten (z.B. das Alter) erfaßt wurden.
Bei der Erstellung des Fragebogens wurden die folgenden, aus der empirischen Sozialforschung
bekannten Aspekte berücksichtigt. Es sollte jede Eigenschaft mehrfach
abgefragt werden, um überprüfen zu können, ob die erhobenen Angaben konsistent
sind. Des weiteren sollte aus den Fragen nicht unmittelbar zu erkennen sein, welche Eigenschaft
damit in Verbindung gebracht wird. Damit soll verhindert werden, daß die
Probanden „attraktive“ Eigenschaften (z.B. humanes Menschenbild) für sich präferieren
und als weniger attraktiv erachtete Eigenschaften (z.B. geringes Selbstvertrauen) ablehnen.
Ein weiteres Problem ist der Umstand, daß gerade bei kategorialen Antwortmöglichkeiten
im Falle einer Unentschlossenheit häufig die Antwort in der Mitte plaziert
wird. Als letzte Schwierigkeit bleibt zu nennen, daß die Fragen nicht derart formuliert
sein dürfen, daß den Befragten keine andere Wahl bleibt als extrem zu antworten.
Zur Ermittlung einer Referenzgröße für das überwachte Netztraining wurden die
Probanden einer Eignungsprüfung hinsichtlich der betrachteten Tätigkeit unterzogen,
deren Ergebnis eine Eignungskennzahl darstellte. Sie wurde als relevanter Solloutput
verwendet. Theoretisch ließen sich aber auch aus den in einem Personalinformationssystem
hinterlegten Personaldaten bereits tätiger Mitarbeiter oder aus Stellenbeschreibungen
entsprechende Informationen extrahieren.
Neben den grundsätzlichen Problemen bei der Fragebogenkonzeption und den generellen,
bei der Arbeit mit Neuronalen Netzen auftretenden und später zu diskutierenden
Entscheidungsproblemen (z.B. welche Lernalgorithmen, welche Netzkonstellation,
welche Lernrate, etc.), tauchten im Projekt weitere, sich aus dem Anwendungsbereich
der ‘Personalbeurteilung’ ergebende, interessante Fragen auf. Diese betrafen vor allem
Fragen der Datenvorverarbeitung und -codierung. Eine war die danach, wie fehlende
Angaben beim Fragebogentest gehandhabt werden sollten. Üblich ist es, fehlende Aus-

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 445
prägungen durch einen geeigneten Repräsentanten zu ersetzen. Häufig ist dies der Modalwert
bei kategorialen Attributen und der Mittelwert bei kontinuierlichen. Im Falle
der Personalbeurteilung könnte das Verweigern einer Angabe jedoch im Hinblick auf
eine Eignungsbeurteilung aufgrund spezifischer, persönlicher Merkmale als relevante
Eigenschaft interpretiert werden. Dieser Logik folgend, müßte demnach zuerst untersucht
werden, wie fehlende Angaben zu handhaben sind.
Die Frage der Aufbereitung der Outputs hängt i.a. unmittelbar mit dem gewählten
Prognosetyp zusammen. Im Rahmen des Projekts mußte demnach zuerst die folgende
Frage beantwortet werden: Soll der konkrete im Eignungstest erzielte Wert prognostiziert
werden oder soll lediglich eine Klassenzugehörigkeit der Probanden ermittelt werden?
Die Alternative, statt des konkreten Werts lediglich eine Klassenzugehörigkeit zu
prognostizieren, findet ihre Motivation in dem Umstand, daß viele Unternehmen lediglich
daran interessiert sind, ob ein (potentieller) Mitarbeiter in der Lage ist, eine an ihn
gestellte Anforderung gut, durchschnittlich oder schlecht zu erfüllen. Eine gröbere Unterteilung
sieht nur zwei Klassen vor: gut und schlecht. Eine feinere hingegen fünf: sehr
gut, gut, durchschnittlich, schlecht, sehr schlecht. Diese Überlegung führte zu der Problematik,
die Punktzahlen des Eignungstests sinnvoll in Klassen zu unterteilen. Dies
mußte zwangsläufig so geschehen, daß eine Klasse nicht nur deshalb besonders gut gelernt
werden konnte, weil sich in dieser zufällig sehr viele Trainingsbeispiele befanden.
Die Verteilung der Probanden über die Punktzahlen mußte demzufolge auch hier berücksichtigt
werden.
Als nächstes stellte sich die Frage, ob durch Gruppierung solcher Inputneuronen,
die mit semantisch zusammengehörenden Kriterien korrespondierten, z.B. mit den Kriterien
zur Fachkompetenz, bessere Ergebnisse zu erzielen sind. Die Gruppierung sollte
dadurch realisiert werden, daß jedes Neuron einer solchen Gruppe mit genau dem gleichen
Neuron der nachfolgenden Schicht verbunden wurde.
Zuletzt wurde eine Reduktion der Inputneuronen auf der Basis der bis zu dem aktuellen
Stand erlangten Erkenntnisse vorgenommen. Als nicht oder weniger relevant
ausgemachte bzw. als nicht aussagefähig eingestufte Kriterien wurden ausgelassen. Man
nennt diese Vorgehensweise in der Terminologie der Neuronalen Netz Inputpruning.
6. Ergebnisse einer Fallstudie
Im folgenden werden die bisherigen Ergebnisse in der vorangehend beschriebenen
Reihenfolge dargestellt. Es werden dabei nur die besten Ergebnisse der jeweiligen Testläufe
notiert. Zum besseren Verständnis sei darauf hingewiesen, daß eine Netzkonstellation
i.f. immer mit x-y-...-y-z bezeichnet wird. x gibt die Anzahl an Neuronen in der
Eingabeschicht, y jeweils die Anzahl der Neuronen in den Mittelschichten und z die
Neuronenzahl in der Ausgabeschicht an. Ein Neuronales Netz mit beispielsweise 22
Neuronen in der Eingabeschicht, 22 und 4 Neuronen in zwei Mittelschichten, sowie einer
variierenden Neuronenzahl in der Ausgabeschicht, wird dann mit 22-22-4-z bezeichnet.
Die Frage, eine fehlende Angabe als eigenständige Information zu codieren oder
durch einen repräsentativen Wert zu substituieren, wird durch die Abb. 12 geklärt. Die-

446 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
se zeigt, daß bei Bildung der durchschnittlichen Trefferquoten 14 für die einzelnen Prognosen
kein signifikanter Unterschied zwischen beiden Alternativen besteht. Daher wurde
eine Methode ausgewählt: fehlende Angaben wurden fortan als eigenständige Information
betrachtet.
Abb. 12: Vergleich der durchschnittlichen Trefferquoten bei unterschiedlicher Codierung fehlender
Angaben
Vergleich der Codierungsarten für
fehlende Angaben
Null eigen
Repräsentant
Trefferquoten in %
70
60
50
40
30
20
10
0
63,33
56,67
53,33
43,33
33,33 33,33
2 Klassen 3 Klassen 5 Klassen
Als nächstes ist untersucht worden, inwieweit die betrachteten, „besten“ Neuronalen
Netze in der Lage sind, unterschiedliche Prognosen, Punktprognose (=Ausgabe einer
Eignungskennzahl), 2-Klassen- und 3-Klassenprognose, durchzuführen. Die Aufteilung
des Outputs in fünf Klassen wurde frühzeitig vernachlässigt, da sich hier, wahrscheinlich
aufgrund einer zu kleinen Datenbasis, nur unzureichende Trefferquoten erzielen
ließen (30-45%). Zwar liegt auch dieses Ergebnis über dem einer Zufallsauswahl
(20%), jedoch bedeuten selbst 45%, daß in 55% der Fälle eine falsche Prognose gestellt
wurde. Da eine Klassifizierung in „gute“, „durchschnittliche“ und „schlechte“ Eignung
als ausreichend im Hinblick auf eine Personalauswahl ist, wurde die weitere Optimierung
14
Der Begriff der Trefferquote ist bei der Prognose einer Eignungskennzahl nicht ganz korrekt.
Um die Ergebnisse dennoch vergleichen zu können, wurde diese Unschärfe aber in
Kauf genommen. Von einem Treffer soll genau dann gesprochen werden, wenn die tatsächliche
Netzausgabe von der geforderten nur um einen tolerierbaren Fehler (z.B. 10%) abweicht.
Bei der Prognose einer Eignungsklasse wird dann von einem Treffer gesprochen,
wenn das Neuronale Netz die korrekte Eignungsklasse als Ausgabe liefert. Die Frage der
Güteüberprüfung Neuronaler Netze wird vielfach diskutiert. Auf diese Diskussion soll an
dieser Stelle aber verzichtet werden.

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 447
der Neuronalen Netze mit fünf Neuronen in der Outputschicht verworfen. Dies bedeutet
aber ausdrücklich nicht, daß keine besseren Ergebnisse zu erzielen gewesen wären.
Bei der Punktprognose ist die Transformation mittels einer stückweisen linearen
Funktion (mit drei verschiedenen Bereichen) angewendet worden. Die Netzkonstellation,
die die besten Resultate liefert, hat 22 Neuronen in der ersten Mittelschicht und 4
Neuronen in der zweiten Mittelschicht aufgewiesen. Die Abb. 13 zeigt die Ergebnisse.
Bei der Punktprognose wurde ein Fehler von 15% toleriert. Die Balken für ‘Quick’ und
‘Resilient’ referenzieren auf unterschiedliche Gewichtsanpassungsstrategien (Lernregeln),
Quickpropagtion und Resilient Propagation, auf deren Darstellung in diesem
Kontext aber nicht näher eingegangen werden soll (vgl. Zell 1994, S. 181ff).
Abb. 13: Trefferquoten bei Punktprognose (1 Klasse), 2-Klassen- und 3-Klassenprognose
Netzkonstellation 22-22-4-z
Quick
Resilient
Trefferquoten in %
80
70
60
50
40
30
20
10
0
80
56,67 60
56,67
46,67
40
1 Klasse (stetig) 2 Klassen 3 Klassen
Es ist festzustellen, daß vereinzelt, nicht jedoch stabil, teilweise mit anderen Netztypen
etwas bessere Ergebnisse erzielt werden konnten, mangels Reproduzierbarkeit
aber nicht weiter betrachtet worden sind.
Die nächste analysierte Fragestellung betraf die nach der logischen Gruppierung
der Inputneuronen auf der Basis semantischer Zusammengehörigkeit. Hierbei sind die
Trefferquoten bei allen untersuchten Netzkonstellationen auf unter 40% gesunken. Bei
einer konkreten Netzkonstellation mit 6 Neuronen in der ersten Mittelschicht und 4
Neuronen in der zweiten, haben sich Trefferquoten von 30% für die Punktprognose,
36,7% für die 2-Klassen-Prognose und 33% für die 3-Klassen-Prognose ergeben. Diese
Zahlen, die in ähnlicher Weise auch bei anderen Netzkonstellationen (auch mit mehr als
zwei Mittelschichten) zu sehen sind, sind Grund genug, von einer logischen Gruppierung
der Inputneuronen abzusehen.

448 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Als letztes wurde untersucht, inwieweit sich eine Reduzierung der Anzahl an Inputneuronen
auf die Ergebnisse auswirkt. Die Reduktion wurde dabei auf der Basis der
in den bisher vorgestellten Testserien erlangten Erkenntnisse vorgenommen. Durch diese
Maßnahme konnten teilweise erheblich bessere Ergebnisse erzielt werden. Die bis
heute erhaltenen besten Ergebnisse zeigt die Abb. 14. Der zugelassene maximale Fehler
bei der Punktprognose lag auch hierbei bei 15%.
Abb. 14: Trefferquoten eines 14-14-7-z Netzes
Netzkonstellation bei reduzierten Inputs 14-14-7-z Netz
Trefferquoten in %
80
78
76
74
72
70
68
66
64
62
60
80
71
66,7
1 Klasse 2 Klassen 3 Klassen
7. Fazit
Die Ergebnisse zeigen, daß sich Neuronale Netze durchaus zur Eignungsbeurteilung
einsetzen lassen. Es bleiben zwei Fragen zu klären:
1. Welche Vorteile ergeben sich im Vergleich zur Profilvergleichsmethode?
2. Welche Rahmenbedingungen sind für einen Einsatz Neuronaler Netze in integrierten
Personalinformationssystemen zu formulieren?
Stellt man die Profilvergleichsmethode der Methode Neuronale Netze gegenüber,
kommt man bezüglich der zuvor genannten kritischen Aspekte bei der Profilvergleichsmethode
zu folgendem Schluß. Für das bei Eignungsprofilen aufgetretene Problem
des Identifizierens relevanter Kriterien bieten Neuronale Netze eine Verbesserung.
Sie sind nämlich in der Lage, umfangreiche Kriterienkataloge zu betrachten. Ob diese
relevant sind oder nicht, spielt dabei zunächst keine Rolle: Neuronale Netze können relevante
von irrelevanten Kriterien anhand der Gewichtseinstellungen auf den Verbindungen
der Neuronen separieren. Da bei der oben dargestellten Methode für die Nutzung
von Erfolgsprofilen auch Verfahren gezeigt wurden, wie relevante von weniger relevanten
Merkmalen getrennt werden, gilt dieses Argument für den Einsatz von Neuro-

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 449
nalen Netzen nur insoweit, als man ein erheblich präziseres Relevanzkriterium unter
Berücksichtigung interdependenter Verflechtungen einsetzen kann.
Das zweite Problem, die fehlende Möglichkeit, die Ausprägungen einiger Kriterien
zu messen, kann auch mit Hilfe Neuronaler Netze nicht behoben werden. Allenfalls
durch zuvor eindeutig festgelegte „Übersetzungsvorschriften“ zur Transformation der
qualitativen Ausprägungen in konkrete meßbare Werte, kann das Problem pragmatisch
gehandhabt, nicht jedoch vollständig gelöst werden. Problematisch kann sich aber die
Erhebung der Kriterien aus einem anderen Grund gestalten, denn dieser sind seitens des
Gesetzgebers Grenzen gesetzt (vgl. z.B. Oechsler/Schönfeld 1986 oder auch Uertz
1997).
In Bezug auf das dritte und vierte Problem kann hingegen ein entscheidender Vorteil
der Neuronalen Netze gegenüber den Verfahren der Profilmethode ausgemacht werden.
Neuronale Netze sind in der Lage, die Interdependenzen zwischen den Kriterien, auch
wenn sie komplexer Natur sind, ausfindig zu machen und somit die Gewichtung der Kriterien
abzubilden. Ferner ist es möglich, durch die gewählten Verarbeitungsfunktionen in
den Neuronen, eine oder mehrere aggregierte Ausgangsgröße(n) zu berechnen.
Das Auffinden einer geeigneten Referenz- bzw. Vergleichsgröße bleibt aber auch
bei Neuronalen Netzen bestehen. Es läßt sich festhalten, daß bei keinem der Probleme
eine Verschlechterung durch den Einsatz Neuronaler Netze festzustellen ist, bei zumindest
dreien jedoch eine teilweise erhebliche Verbesserung (vgl. Tab. 2). Allenfalls die
mangelnde Transparenz der durch das Neuronale Netz berechneten Lösung mag als Negativfaktor
auftreten. Dies bezieht sich sowohl auf die Interdependenzen der Kriterien,
die in den Gewichten der Verbindungen abgebildet sind, als auch auf die Interpretation
des durch das Neuronale Netz berechneten Ausgabewertes. Hier lassen sich aber leicht
durch nachträgliche Analysen für den Benutzer verständliche Interpretationen des Ergebnisses
liefern.
Tab. 2: Gegenüberstellung Neuronale Netze und Profilvergleichsmethode
Kritische Aspekte
Ermittlung der Kriterien
Messung der Kriterien
Gewichtung der Kriterien
Aggregation zur Entscheidung
Referenzgröße bestimmen
Neuronale Netze im Vergleich
zur Profilvergleichsmethode
Betrachtet man Studien, in denen die Anwendbarkeit Neuronaler Netze für verschiedene
Problembereiche untersucht wird, so endet die Untersuchung meist in dem
Nachweis, daß Neuronale Netz in der Lage sind, die an sie gestellte Aufgabe, also z.B.
die Personalbeurteilung, ausreichend gut zu bewältigen. Für einen tatsächlichen Einsatz
dieses Instruments ist es aber zusätzlich unter praktischen Gesichtspunkten zu diskutieren.

450 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Denn das beste Instrument ist wertlos, wenn die Rahmenbedingungen, die einen Einsatz
erst ermöglichen, nicht gegeben sind. Im folgenden sollen einige wesentliche Aspekte für
den realen Einsatz Neuronaler Netze zur Personalbeurteilung aufgeführt werden.
In der Regel sollten Neuronale Netze nicht als Stand-Alone-Lösungen, sondern
vielmehr als ein integrativer Bestandteil bestehender Personalinformationssysteme begriffen
werden (vgl. Lackes/Mack 1996). 15 Dies bietet den Vorteil, daß die Ergebnisse
der Neuronalen Netze ohne größeren Aufwand auch anderen Auswertungsprogrammen
zur Verfügung gestellt werden und diese umgekehrt ihre Daten an die Neuronalen Netze
weitergeben können (z.B. Bewerber- und Mitarbeiterdaten oder Stellenbeschreibungen).
Dazu müssen aber zwangsläufig flexible Schnittstellen definiert und programmiert werden,
die eine Kommunikation der verschiedenen Systemelemente erlauben. Daneben
ermöglicht eine Datenintegration die durchgehende und konsistente Verarbeitung aller
für die Arbeit mit dem Neuronalen Netz relevanter Daten.
Eine ganz wesentliche Frage ist die nach der Benutzerführung im Zusammenhang
mit Neuronalen Netzen. Vom zuständigen Sachbearbeiter, z.B. dem Personalsachbearbeiter,
kann i.d.R. nicht verlangt werden, daß er sich mit der Methode ‘Neuronale Netze’
derart auskennt, daß er selbständig eine Adaption an eine gegebene Problemstellung
vornehmen kann. Dies gehört nämlich nicht zu seinem Kernaufgabengebiet. Daraus
folgt, daß die Arbeit mit dem Neuronalen Netz, sei es in der Konditionier-, der Einsatzoder
der Wartungsphase, möglichst automatisiert ablaufen sollte. Beispielweise könnte
der Netzoptimierungsvorgang unterstützt werden. D.h., der Benutzer sollte Hinweise
bekommen, in welcher Situation ihm welche Optimierungsmöglichkeiten, z.B. Reduktion
der Anzahl an Mittelschichten, Wahl einer anderen Codierungsvorschrift, zur Verfügung
stehen. Die Frage der Automatisierung ist insbesondere dann von großer Relevanz,
wenn häufige Redefinitions- und Remodellierungsvorgänge durchzuführen sind,
d.h., wenn das „Werkzeug“, das Instrument ‘Neuronale Netze’, häufig nachgeschärft
werden muß.
Abschließend läßt sich konstatieren, daß Neuronale Netze sich empirisch für den
Einsatz zur Personalbeurteilung bewährt haben, die für einen Einsatz notwendigen
Rahmenbedingungen aber nicht bzw. nicht vollständig erfüllt sind. Intendiert man aber
einen breiten Einsatz der Neuronale-Netz-Methode, so daß möglichst viele positive Effekte,
die sie zweifellos bietet, ausgeschöpft werden, sollten diese Rahmenbedingungen
geschaffen werden. Ferner muß davon abgegangen werden, Neuronale Netze wie auch
andere Methoden der Künstlichen Intelligenz als Allheilmittel für komplexe Problemstellungen
zu sehen. Vielmehr sollten sie gleichrangig neben anderen Methoden plaziert
werden, wobei die Art und der Umfang der auszunutzenden Potentiale von der konkreten
Aufgabenstellung abhängen.
15
Personalinformationssystemen kommt neben den Aufgaben der Personalabrechnung, der
allgemeinen Personalverwaltung auch aus strategischer Sicht in Bezug auf die Personalentwicklung,
das Personalmanagement und das Personalcontrolling besondere Bedeutung zu.
Zum Begriff der Personalinformationssysteme siehe Mülder (1994), zu dem des Personalcontrollings
z.B. Roeder (1994) und Wunderer/Schlagenhaufer (1994).

Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98) 451
Neben der beschriebenen Profilvergleichsmethode sind in der Eignungsdiagnostik
eine Reihe von Erklärungs- und Kausalmodellen aufgestellt worden, um die in Betracht
gezogenen Kriterien in einen Zusammenhang zu stellen (siehe z.B. Smid 1986; Hollmann
1991, S. 77ff). Inwiefern die Ergebnisse dieser Modelle aber auf die Praxis übertragen
werden können, muß kritisch hinterfragt werden (Hollmann 1991, S. 78). Diese
Skepsis ist auch der Neuronale-Netz-Methode entgegenzubringen, da sie als gleichrangig
neben den anderen Methoden stehend zu betrachten ist. Es geht nicht um die Ersetzung
des meist intuitiven Entscheidungsprozesses der Personalbeurteilung und -auswahl
eines Personalsachbearbeiters durch EDV-Instrumente wie eben die Neuronalen Netze.
Vielmehr wird ausschließlich eine Unterstützung dieses Prozesses intendiert, sofern dies
gewünscht ist. Genau dies können Neuronale Netz leisten, wie in diesem Beitrag gezeigt
wurde.
8. Literatur
Bader, B. (1996): Computergestützte Personalinformationssysteme: Stand und Entwicklungstendenzen.
Dissertation Universität Dresden.
Böhmel, J./Ritter, K. (1996): Der richtige Mitarbeiter - Optimierung von Personalauswahl durch
den Einsatz von Persönlichkeits-Profil-Analysen. In: Finanzwelt 1996 (5), S. 36-37.
Braun, H.-J. (1995): Personaleinsatzplanung auf der Basis der Fuzzy-Logik für bedarfs- und mitarbeiterorientierten
Einsatz. In: wt-Produktion und Management 1995 (11), S. 54-57.
Bruch, H. (1994): Personalfragen der Zukunft. In: Zeitschrift Führung + Organisation 1994 (1), S.
46-50.
Drumm, H.-J. (1995): Personalwirtschaftslehre. 3. Aufl. Springer-Verlag, Berlin, Heidelberg u.a.
Faißt, J. (1993): Hierarchische Planung unter Einsatz Neuronaler Netze. Physica-Verlag, Heidelberg.
Gaugler, E. (1992) (Hrsg): Handwörterbuch des Personalwesens. 2. neubearb. u. erg. Aufl.,
Schäffer-Poeschel, Stuttgart.
Greife, W./Langemeyer, W. (1997): Personalinformationssysteme als Basisinstrument des Personal-Controlling.
In: Betrieb und Wirtschaft 1997 (14), S. 521-527.
Heinecke, A. (1993): Personalbeurteilung mittels wissensbasierter Systeme. In: Personal 1993 (6),
S. 285-289.
Herberger, M. (1991): Personalinformationssysteme und Mitbestimmung. In: Zeitschrift für Personalforschung
1991 (2), S. 175-187.
Hollmann, H. (1991): Validität in der Eignungsdiagnostik. Hogrefe, Göttingen.
Kastner, M. (1990): Personalmanagement heute. verlag moderne industrie, Landsberg/Lech.
Kappel, H./Heer, T. (1997): Die Mitarbeiterbeurteilung. Instrument zur Unterstützung der Personalarbeit
in Linie und Zentrale. In: Personal 1997 (5), S. 254-265.
Keßler, B. (1982): Biographische Diagnostik. In: Groffmann, K./Michel, L. (1982): Enzyklopädie
der Psychologie- Themenbereich B. Serie II, Band 3, Hogrefe, Göttingen.
Knoll, L./Dotzel, J. (1996): Personalauswahl in deutschen Unternehmen. In: Personal 1996 (7), S.
348-353.
Lackes, R./Mack, D. (1996): Neuronale Netze als Bestandteil von Personalinformationssystemen.
In: N3 - Nachrichten Neuronale Netze 1996 (1), S. 2-8.
Lackes, R./Mack, D. (1997): Neuronale Netze. Addison-Wesley, Longman, Bonn.
Lackes, R./Mack, D. (1998): Computer Based Training on Neural Nets. Springer, Berlin, Heidelberg
u.a.

452 Lackes, Mack: Einsatz Neuronaler Netze als Instrument zur Eignungsbeurteilung (ZfP 4/98)
Lackes, R./Mack, D. (1999): Neuronale Netze zur Entscheidungsunterstützung in der Unternehmensplanung
(erscheint).
Meiritz, W. (1984): Eignungsorientierte Personaleinsatzplanung. Frankfurt/M. Berlin u.a.
Meier, K. (1992): Modellierung bei Mehrfachzielen: Prozeßorganisation, Verfahren mit Fuzzy-
Sets und Anwendungsbeispiele aus der Personaleinsatzplanung. Physica-Verlag, Heidelberg.
Mülder, W. (1994): Zehn Forderungen an computergestützte Personalinformationssysteme. In:
Personal, 1994 (4), S. 156-161.
Niebergall, A./Schulz, U. (1996): Personalauswahl für Lean Production. In: Personal. 1996 (7), S.
360-365.
Niedermair, G.: Der Bildungsarbeit 2000 auf der Spur. In: Personal. 1997 (5), S. 260-265.
Oechsler, W./Schönfeld, T. (1986): Computergestützte Personalinformationssysteme: rechtliche
Probleme in der betrieblichen Praxis. In: Die Betriebswirtschaft, 1986 (6), S. 720-735.
Patterson, D. (1997): Künstliche neuronale Netze. Prentice Hall, München, London u.a.
Philippi, W. (1997): Mit dem Personaldatawarehaus aus der Informationskrise. In: Personal. 1997
(3), S. 119-121.
Roeder, H. (1994): Personal-Controlling: Der Stand der Dinge. In: Personal. 1994 (4), S. 272 -
275.
Rehkugler, H./Zimmermann, H. (1994): Neuronale Netze in der Ökonomie. Oldenbourg-
Verlag, München.
Schmid, N. (1986): Psychometric Models for Analysis of Data from Personality Questionnaires.
In: Angleitner, A./Wiggins, J. (Hrsg.): Personality Assessment via Questionnaires. Springer,
Berlin, Heidelberg u.a., S. 143-166.
Scholz, C. (1995): Personalmanagement. 3. Aufl.. Verlag Franz Vahlen, München.
Uertz, P. (1997): Rechtliche Aspekte der Personalauswahl und Eignungsuntersuchung. In: Baumgärtel,
F./Wilker, F. u.a.: Innovation und Erfahrung. Analysen, Planungen und Erfahrungsberichte
zu psychologischen Arbeitsfeldern. Deutscher Psychologen Verlag, Bonn, S. 286-
295.
Veil, C. (1995): Wohin geht die Assessment Center-Entwicklung? In: Zeitschrift für Personalforschung,
1995 (4), S. 380-400.
Wortmeier, B. (1994): Validierung von mehrstufigen Personalauswahlverfahren. Dissertation
Universität Bielefeld 1994.
Wunderer, R./Schlagenhaufer, P. (1994): Personal-Controlling. Schäffer-Poeschel, Stuttgart.
Zell, A. (1995): Simulation Neuronaler Netze. Addison-Wesley, Longman, Bonn.