ارزیابی عملکرد: روش‌ها، خطاهای ارزیاب و بازخورد

۱. تعریف — ارزیابی عملکرد چیست

ارزیابی عملکرد (performance appraisal / performance evaluation) فرایندی رسمی و دوره‌ای است که سازمان از طریق آن رفتار شغلی و نتایج کار کارکنان را در برابر معیارها و استانداردهای از پیش تعیین‌شدهٔ عملکرد (predetermined performance criteria and standards) می‌سنجد، قضاوت خود را روی یک ابزار استاندارد ثبت می‌کند، و حلقه را با بازخورد (feedback) به کارمند می‌بندد — تا تصمیم‌های اداری (حقوق و پاداش، ارتقا، انتقال، تمدید قرارداد، تعدیل) و تصمیم‌های توسعه‌ای (نیازسنجی آموزشی، مسیر پیشرفت شغلی) بر شواهد استوار باشند، نه بر برداشت شخصی.

هر سه عنصر باید هم‌زمان حاضر باشند و هر تست تعریف‌محور از دل همین‌ها ساخته می‌شود:

۱. موضوع سنجش، عملکرد یک فرد در یک شغل است (نه خودِ شغل، نه کل سازمان)؛ ۲. معیار سنجش، استانداردی است که از پیش تثبیت شده، نه سلیقهٔ شخصی ارزیاب — این عنصر را که برداری، ارزیابی به قضاوت شخصی فرو می‌کاهد؛ ۳. فرایند به بازخورد ختم می‌شود، نه به بایگانی‌کردن یک فرم — این عنصر را که برداری، ارزیابی نیمهٔ توسعه‌ای خود را از دست می‌دهد.

یک قالب‌بندی مفید در پس همهٔ این فعالیت، نگاه AMO به عملکرد است:

$P = f(A,\; M,\; O)$

که در آن $A$ = توانایی (ability)، $M$ = انگیزش (motivation) و $O$ = فرصت و حمایت سازمانی (opportunity / situational support) است. این نکته کاربرد عملی دارد: یک نمرهٔ پایین تنها زمانی تشخیصی است که ارزیاب بتواند بگوید کدام‌یک از این سه جمله ناقص بوده، چون درمان هرکدام کاملاً متفاوت است — آموزش برای $A$، پاداش و طراحی شغل برای $M$، و رفع موانع و تأمین منابع برای $O$.

۲. خاستگاه — این دستگاه از کجا آمده و چه مشکلی را حل کرده است

ارزیابی عملکرد نوین از دو سنت عملی رشد کرد: شایسته‌سنجی (merit rating) در صنعت، و درجه‌بندی افسران در ارتش. هر دو به یک شیوه کار می‌کردند — سرپرست یک برداشت کلی می‌ساخت و آن را به چند صفت ترجمه می‌کرد — و هر دو یک بیماری واحد تولید می‌کردند: نمره‌هایی که نه پایا بودند، نه چیزی جز سخاوت یکنواخت نشان می‌دادند و نه می‌توانستند یک معیار را از معیار دیگر تفکیک کنند. تقریباً هر تکنیکی که در این کارت می‌بینید، پاسخی به یکی از وجوه همان بیماری است.

در درس‌های دانشگاهی ایران این مطالب معمولاً از اسفندیار سعادت، مدیریت منابع انسانی خوانده می‌شود و واژگان همان کتاب (ارزیابی عملکرد، مقیاس ترسیمی، وقایع حساس، خطای هاله‌ای، ارفاق، خطای مرکزی) همان واژگانی است که کنکور به کار می‌برد.

۳. ساختار موضوع

۳.۱ اهداف — و تعارضی که در آن‌ها تعبیه شده است

دو هدف نخست با یکدیگر می‌جنگند: یک مدیر به‌سختی می‌تواند در یک جلسهٔ واحد هم قاضی باشد و هم مشاور؛ و دقیقاً به همین دلیل است که مصاحبهٔ بازخورد گونه‌شناسی شد (§۳.۶) و بسیاری از سازمان‌ها بازنگری توسعه‌ای را در تاریخی جدا از بازنگری حقوق و مزایا برگزار می‌کنند.

۳.۲ چرخهٔ ارزیابی عملکرد

۱. تعیین معیارها (define the criteria) — کدام ابعاد عملکرد به حساب می‌آیند: صفات (traits) / رفتارها (behaviours) / نتایج (results). ۲. تعیین استانداردها و انتظارات (set standards) و ابلاغ آن‌ها به کارمند پیش از دوره، نه پس از آن. ۳. مشاهده و ثبت عملکرد (observe and record) در سراسر دوره — پادزهر خطای تازگی. ۴. سنجش و مقایسه با استاندارد (measure and compare) با ابزار انتخاب‌شده. ۵. مصاحبهٔ بازخورد (feedback interview) — انتقال، گفت‌وگو، توافق. ۶. تصمیم و اقدام اصلاحی (decide and act) — پاداش، آموزش، طراحی مجدد، انضباط — و سپس بازگرداندن نتیجه به گام ۱.

۳.۳ نقشهٔ روش‌ها

هر آنچه در کنکور می‌آید در یکی از سه خانواده جای می‌گیرد، و تعیین‌کنندهٔ خانواده این است که چه چیزی با چه چیزی مقایسه می‌شود.

ابزارهای خانوادهٔ مقیاس درجه‌بندی نقشهٔ فرعی خود را می‌طلبند، چون کنکور عاشق رابطهٔ جنس–نوع میان آن‌هاست:

قاعدهٔ جنس–نوع: مقیاس رفتاری (BARS/BOS) رقیب مقیاس ترسیمی نیست — خودش یک مقیاس ترسیمی است که لنگرهایش به‌جای صفت، رفتار است. این تبار را حفظ کنید: وقایع حساس ← BARS ← نسخهٔ بهبودیافتهٔ مقیاس ترسیمی.

۳.۴ چه کسی ارزیابی می‌کند — منابع ارزیابی

۳.۵ چه چیزی یک نظام ارزیابی را سالم می‌کند

دو عیب معیار، خودشان مستقلاً کنکوری‌اند:

• کاستی معیار (criterion deficiency) — سنجه بخشی واقعی از عملکرد را جا می‌اندازد (ارزیابی فروشنده صرفاً بر حجم فروش و نادیده‌گرفتن حفظ مشتری).
• آلودگی معیار (criterion contamination) — سنجه چیزی را وارد می‌کند که عملکرد کارمند نیست (کیفیت منطقهٔ فروش، ماشین فرسوده، سنوات، خوش‌آیندی).

۳.۶ خطاهای ارزیاب — قلب موضوع

نخست آن‌ها را به دو خانواده بشکنید؛ همین یک تقسیم‌بندی بیشتر تست‌ها را حل می‌کند.

(الف) خطاهای توزیعی (distributional errors) — در آمار نمره‌های یک ارزیاب دربارهٔ افراد متعدد دیده می‌شوند:

(ب) خطاهای ادراکی (perceptual / judgemental errors) — در نحوهٔ نمره‌دادن به یک فرد در ابعاد مختلف یا در طول زمان دیده می‌شوند:

درمان‌ها، به همان ترتیبی که کتاب‌های درسی می‌آورند: آموزش ارزیابان (rater training — به‌ویژه آموزش چارچوب مرجع)، استفاده از معیارهای رفتاری و عینی (BARS/BOS/MBO)، ثبت مستمر وقایع (دفتر ثبت پیوسته، خطای تازگی و نخستین برخورد را خنثی می‌کند)، تعدد ارزیابان و منابع (ارزیابان متعدد، ۳۶۰ درجه)، توزیع اجباری و انتخاب اجباری، و بازبینی سلسله‌مراتبی (بازنگری توسط مدیرِ خودِ ارزیاب).

۳.۷ مصاحبهٔ بازخورد — سه نوع مایر

توجه کنید چه چیزی در ستون «چه کسی تصمیم می‌گیرد» تغییر می‌کند: همان است که نوع مصاحبه را تعیین می‌کند، نه لحن جلسه.

۴. نحوهٔ به‌کارگیری

قاعدهٔ ۱ — روش را از روی هدف انتخاب کنید. تصمیم اداری که باید افراد را برای یک منبع محدود رتبه‌بندی کند ⇐ مقایسه‌ای (رتبه‌بندی، زوجی، توزیع اجباری). توسعه و مربی‌گری ⇐ رفتاری (وقایع حساس، BARS/BOS). مشاغل مدیریتی و تخصصی که ستادهٔ آن‌ها قابل‌اندازه‌گیری و روش کارشان اختیاری است ⇐ نتیجه‌محور (MBO).

قاعدهٔ ۲ — خطای ارزیاب را از شکل داده‌ها تشخیص دهید.

• در میان افراد برای یک ارزیاب نگاه کنید: میانگین بالا با پراکندگی تقریباً صفر ⇐ ارفاق؛ میانگین پایین با پراکندگی صفر ⇐ سخت‌گیری؛ همه‌چیز متراکم در نقطهٔ میانی ⇐ خطای مرکزی.
• در میان ابعاد برای یک ارزیابی‌شونده نگاه کنید: نمره‌های تقریباً یکسان روی معیارهایی که باید واگرا باشند ⇐ هاله‌ای / شاخ.
• در طول زمان نگاه کنید: تنها رویدادهای پایانی بازتاب یافته‌اند ⇐ تازگی؛ تنها رویدادهای آغازین ⇐ نخستین برخورد.

قاعدهٔ ۳ — در تستِ خطای ارزیاب، جهت تعمیم را بخوانید، نه تعریف را. یک صفتِ خودِ فرد ← همهٔ صفاتش = هاله‌ای · صفاتِ گروه ← فرد = کلیشه‌ای · صفاتِ خودِ ارزیاب ← دیگران = فرافکنی · اطلاعات/نمرهٔ اولیه ← قضاوت نهایی = لنگرگاه · نفر قبلی ← نفر فعلی = تضاد · آخرین رویداد ← کل دوره = تازگی.

قاعدهٔ ۴ — ابزار را از روی شکل فیزیکی‌اش طبقه‌بندی کنید. پیوستاری ترسیم‌شده که روی آن علامت می‌زنید ⇐ خانوادهٔ ترسیمی (و رفتاری، نسخهٔ لنگرانداختهٔ همان است). مقایسهٔ افراد با یکدیگر ⇐ زوجی / رتبه‌بندی. نثر آزاد ⇐ توصیفی. علامت‌زدن عبارت‌ها ⇐ چک‌لیست.

قاعدهٔ ۵ — مصاحبهٔ بازخورد را از روی این‌که چه کسی راه‌حل را تولید می‌کند طبقه‌بندی کنید، نه از روی خوشایندبودن فضای آن. صفت‌های مربوط به جو جلسه (صمیمانه، محترمانه، دوستانه) هرگز نام هیچ نوعی نیستند.

قاعدهٔ ۶ — با وجود نمرهٔ منفی، ابتدا بر اساس طبقه حذف کنید. در این دسته تست‌ها معمولاً دست‌کم یک گزینه اصلاً عضو آن طبقه‌بندی نیست (صمیمانه در میان انواع مصاحبه، فردی در میان انواع مقیاس). پیش از فکرکردن به بقیه، آن را خط بزنید.

۵. مثال کوچک حل‌شده

یک سرپرست، پنج عضو یک واحد را روی مقیاس ۱–۵ و بر اساس چهار معیار وزن‌دار ارزیابی می‌کند.

(الف) نمرهٔ وزنیِ یک کارمند. وزن‌ها: کیفیت کار $w_1=0.40$، کمیت کار $w_2=0.30$، کار تیمی $w_3=0.20$، حضور و انضباط $w_4=0.10$. کارمند A نمره‌های $4,\;5,\;3,\;5$ گرفته است. نمرهٔ ترکیبی برابر است با:

$S_A=\sum_{i=1}^{4} w_i r_i = (0.40)(4)+(0.30)(5)+(0.20)(3)+(0.10)(5)$

$S_A = 1.60+1.50+0.60+0.50 = 4.20$

چون $\sum w_i = 1$ است، نمرهٔ ترکیبی روی همان مقیاس اصلی ۱–۵ می‌ماند و مستقیماً با چهار کارمند دیگر قابل‌مقایسه است.

(ب) تشخیص ارزیاب از روی توزیع. پنج نمرهٔ ترکیبی که سرپرست X داده است عبارت‌اند از $4.6,\;4.7,\;4.5,\;4.8,\;4.6$:

$\bar{x}=\frac{4.6+4.7+4.5+4.8+4.6}{5}=\frac{23.2}{5}=4.64$

$s=\sqrt{\frac{\sum (x_j-\bar{x})^2}{n-1}}=\sqrt{\frac{0.052}{4}}=\sqrt{0.013}\approx 0.11$

میانگین $4.64$ در برابر نقطهٔ میانی مقیاس یعنی $3.0$، با پراکندگی حدود یک‌دهم نمره: ارفاق (leniency) — و چون پراکندگی نزدیک صفر است، ارزیابی‌ای که عملاً هیچ قدرت تفکیکی ندارد و بنابراین نمی‌تواند پشتوانهٔ تصمیم ارتقا باشد.

سرپرست Y روی همان واحد، نمره‌های $3.0,\;3.1,\;2.9,\;3.0,\;3.0$ را برمی‌گرداند: اینجا $\bar{x}=3.00$ و $s\approx0.07$ است. همان فقدان پراکندگی، اما میانگین دقیقاً روی نقطهٔ میانی نشسته است — این خطای مرکزی (central tendency) است، نه ارفاق. پراکندگی به شما می‌گوید خطای توزیعی وجود دارد؛ میانگین می‌گوید کدام‌یک است.

(ج) حالا یک کارمند را در چهار معیار ببینید. کارمند B نمره‌های $5,5,5,5$ گرفته است، هرچند سابقهٔ حضور و غیابش تأخیرهای مکرر نشان می‌دهد. نمره‌های یکسان روی معیارهایی که شواهد می‌گوید باید واگرا باشند، اثر انگشت اثر هاله‌ای است — خطایی ادراکی که در آمار میان‌فردی بخش (ب) اصلاً دیده نمی‌شود.

(د) تغییر به یک روش مقایسه‌ای. اگر سرپرست مقیاس‌ها را کنار بگذارد و برای همان پنج نفر از مقایسهٔ زوجی (paired comparison) استفاده کند، تعداد مقایسه‌ها برابر است با:

$C=\frac{n(n-1)}{2}=\frac{5\times 4}{2}=10$

که یک ترتیب اکید را تحمیل می‌کند و ارفاق و گرایش به مرکز را به‌طور مکانیکی از بین می‌برد — به بهای ازدست‌دادن تمام اطلاعات توسعه‌ای: رتبه به کارمند می‌گوید کجا ایستاده است، نه چه چیزی را باید اصلاح کند.

(ه) بستن حلقه. برای کارمندی که آخر شده است، مدیری که رتبه را اعلام می‌کند و او را با استدلال به پذیرش یک برنامهٔ آموزشی وامی‌دارد، گفتن و متقاعدکردن اجرا می‌کند؛ مدیری که آن را اعلام می‌کند و سپس اجازهٔ اعتراض می‌دهد، گفتن و گوش‌دادن؛ و مدیری که کنار او می‌نشیند، به‌طور مشترک ریشهٔ نمرهٔ پایین کیفیت را به یک مهارت غایب و یک دستگاه غیرقابل‌اتکا ($A$ و $O$ در معادلهٔ AMO) ردیابی می‌کند و بر دو اقدام توافق می‌کند، مصاحبهٔ حل مسئله اجرا می‌کند.

۶. «اشتباه نشود با…»

(الف) ارزیابی عملکرد در برابر نظام‌های همسایه در منابع انسانی

(ب) خطاهای ارزیاب در برابر یکدیگر

(ج) ابزارها در برابر یکدیگر

(د) انواع مصاحبه — جداکنندهٔ کامل در بند ۳.۷ آمده است؛ تله این است که «صمیمانه» اصلاً یک نوع نیست، فقط توصیف جو جلسه است، و «محترمانه» در متن تست هیچ چیزی دربارهٔ این‌که کدام‌یک از سه نوع مراد است به شما نمی‌گوید.

نکتهٔ کنکوری: هر تست ارزیابی عملکرد را با دو پرسش پاسخ دهید. (۱) چه چیزی به چه چیزی تعمیم داده شده است؟ — یک صفتِ فرد ← همهٔ صفاتش = هاله‌ای؛ صفاتِ گروه ← فرد = کلیشه‌ای؛ صفاتِ ارزیاب ← دیگران = فرافکنی؛ اطلاعات اولیه ← قضاوت نهایی = لنگرگاه؛ آخرین رویداد ← کل دوره = تازگی. (۲) خطا کجای داده‌ها خود را نشان می‌دهد؟ — در میان افراد ⇐ خطای توزیعی (ارفاق / سخت‌گیری / مرکزی)؛ در میان ابعاد یک فرد ⇐ خطای ادراکی (هاله‌ای / شاخ). و سه تلهٔ طبقه‌بندی را به یاد داشته باشید: ارزیابی عملکرد فرد را نمره می‌دهد ولی ارزشیابی شغل پست را ارزش‌گذاری می‌کند؛ مقیاس رفتاری نوعی از مقیاس ترسیمی است، هرگز رقیب آن نیست؛ و صمیمانه هرگز یکی از سه نوع مصاحبهٔ مایر نیست — ملاک طبقه‌بندی آنجا این است که چه کسی راه‌حل را تولید می‌کند، نه این‌که فضای جلسه چقدر گرم است.