Herkennen van intimidatie en pesterijen op de werkvloer, gebaseerd op Data Analytics en Machine Learning

In deze tijd is intimidatie op de werkvloer een punt op de agenda’s van de boardroom. #metoo heeft daaraan bijgedragen. We zijn een jaar verder en het lijkt erop dat het een blijvend aandachtspunt is. Ook schijnt het zo te zijn dat de digitale communicatiemiddelen die intern worden gebruikt, zoals Slack, Facebook Workplace en Whatsapp, bijdragen aan de stijging van ongewenst (communicatie)gedrag. Zou het misschien mogelijk zijn om Data Analytics te gebruiken om gedrag te herkennen dat intimidatie en pesterijen op de werkplek aanduidt?

Er ontstaat steeds meer erkenning voor de omvang van intimidatie en pesterijen op de werkvloer. Op basis van nieuwe technologie op basis van Data Analytics en Machine Learning is dit gedrag op de werkvloer te lokaliseren. Hoe werkt dit en hoe effectief is dit? En in hoeverre is het legaal en wenselijk om dit te meten? In deze blogpost geef ik dit weer en stel ik jullie deze vragen.

Een onderzoek, afgenomen door de BBC, meldt dat “de helft van de Britse vrouwen en één vijfde van de mannen seksueel geïntimideerd zijn op het werk”. Dit is een schokkend aantal, wat ervoor zou moeten zorgen dat iedereen die verantwoordelijk is voor het bieden van een veilige werkplek, gealarmeerd wordt.

#MeToo voegt nog meer discussie toe aan dit probleem van intimidatie. Bedrijven moeten serieus nadenken over het welzijn van hun medewerkers. Bovendien speelt daarbij de mogelijke PR/imago schade die kan ontstaan wanneer er incidenten blijken te zijn (geweest).

Dit onderzoek noemt zelfs dat nieuwe workplace platformen zoals Slack en Facebook Workplace meer intimidatie in de hand werkt.

Druk op HR

Personeelszaken (HR) worden door deze verandering getest. Het is niet langer genoeg om als organisatie simpelweg te wachten op een rapport van intimidatie. De HR teams hebben tools nodig en moeten in staat te zijn om proactief gedrag te identificeren dat contraproductief werkt voor een prettige en gezonde werkomgeving.

“Zo’n 3 van de 4 individuen die geïntimideerd zijn op de werkvloer besluiten niet te praten met een supervisor, manager of iemand van de vakbond over het illegal gedrag. “ – Equal Employment Opportunity Commission Task Force

Herkenning op basis van Data Analytics en Machine Learning

Zou het misschien mogelijk zijn om Data Analytics te gebruiken om gedrag te herkennen dat intimidatie en pesterijen op de werkplek aanduidt? Jazeker. Hoewel dit gedrag voor een groot deel analoog plaats vindt, zijn de signalen wel degelijk ook digitaal te herkennen. Wanneer intimidatie plaats vindt, dan gebeurt dat meestal op basis van meerdere contactmomenten. Daar zitten meestal ook digitale contactmomenten tussen. Aannemende dat kantoormedewerkers ongeveer 70% van hun tijd besteden aan e-mailen, vergaderen en het schrijven en lezen van documenten, is het nu mogelijk om algoritmen te ontwikkelen die potentieel ongewenst gedrag kunnen herkennen. Door te analyseren wie met wie communiceert en afspreekt, en in welke patronen, hoe vaak en op welke tijdstippen is al veel te herkennen. Wanneer je dit combineert met de content van de berichten, de aard, lengte en toon van de berichten, kan dit gedrag goed worden herkend. Je kunt afbeeldingen en foto’s machinaal herkennen op adult content en ook de manier hoe gereageerd wordt in een groep kan worden herkend.

Zo herken je bijvoorbeeld gedrag dat kan wijzen op pesten, seksueel grensoverschrijdend gedrag of misbruik van een plek in de hiërarchie. De technologie brengt de organisatorische gezondheid in beeld en slaat alarm bij potentiele calamiteiten en kan desgewenst precies vertellen wat de overschrijding precies was. Maar hoe specifiek willen we dat de technologie wordt en wat zegt de wet erover? In het GDPR geweld zullen veel organisaties en CISO’s (security en compliancy officers) snel verwijzen naar privacy issues.

Maar de complexiteit begint dan pas

En wat doe je wanneer dit gedrag herkend wordt op basis van analyse? Er zijn dan nog geen zekerheden. Hoe we ermee om moeten gaan is iets waar wij nog niet goed bekend mee zijn. Benader je de manager van degene waar verdacht gedrag van is gemeten? Of de manager van degene die mogelijk gedrag heeft ondergaan? Of juist één van beide personen in kwestie? Zullen ze eerlijk zijn over wat er aan de hand is? Er is immers geen bewijs en de personen in kwestie willen er mogelijk niet op in gaan. En wat doe je als de manager degene is waar signalen voor mogelijk ongewenste gedrag is gemeten? Ik ben benieuwd naar jullie ideeën. Ik weet vooral wat er technisch mogelijk is, wat wij zelf al mogelijk hebben gemaakt.

Privacy vs Veiligheid, de eeuwige trade-off

Een tweede punt waarover je kunt debatteren is de eerder genoemde privacy. Om deze analyses te doen zal er naar de communicatie moeten worden gekeken. Machinaal weliswaar. Je kunt ervoor kiezen om geen content op te slaan. Je zou er dus voor kunnen kiezen dat er alleen machinaal aangegeven wordt wanneer er door wie potentieel grensoverschrijdend gedrag is vertoond. Is dat voldoende om hierop te acteren, of moeten we als bewijs wel degelijk de content opslaan en inzichtelijk maken? En is dat acceptabel? De belangen zijn denk ik hoog: Een veilige omgeving voor iedereen.

Is dit acceptabel? Om die vraag te beantwoorden moet de waarde van privacy ook afgewogen worden ten opzichte van de waarde van het tegengaan van intimidatie en grensoverschrijdend gedrag. Hoe belangrijk vinden we het en wat zijn we bereid ervoor op te geven?

Organisaties die hiermee aan de slag willen zouden zich in ieder geval wel innovatief zijn. Het lijkt mij ook altijd goed om te tonen dat je ongewenst gedrag niet tolereert. Aan de andere kant, wat gebeurt er wanneer je acteert op een signaal dat niet te bewijzen valt of niet goed is geïnterpreteerd?

Andere nadelen

De nadelen van een dergelijke aanpak op basis van deze technologie zijn dus: De signalen kunnen onterecht iets aangeven en de betrokken personen worden onterecht met iets zeer zwaars geconfronteerd en er is een privacyvraag. Maar nadelen zijn ook: het is relatief duur om een dergelijke hoeveelheid data te analyseren en er kan een gevoel van big brother ontstaan. Ik ben benieuwd naar hoe jullie hiernaar kijken.

Voorkomen of genezen?

Een andere vraag is: Wanneer start je met het gebruiken van een dergelijk systeem: wanneer er signalen zijn van intimidatie? Ik denk dat een happy workplace, een omgeving is waar iedereen zich veilig voelt. Daar past deze dienst goed in. Voorkomen is beter dan genezen. Voor iedereen.

Conclusie

Voor het eerst in de geschiedenis zijn organisaties in staat om gedrag van werknemers op het werk digitaal te analyseren. Dit geeft een nog onbenutte mogelijkheid voor Personeelszaken om “big data” analytics en machine learning principes toe te passen om de eerste tekenen van intimidatie op de werkvloer te identificeren.

De tool die Rapid Circle hiervoor heeft ontwikkeld heet Pulse. Wil je weten hoe het werkt en wat dit voor jou organisatie kan betekenen? Kijk dan hier.

Met het toenemende inzicht over de persoonlijke impact van intimidatie en de publieke aandacht die het krijgt, is het nu het juiste moment om te begrijpen hoe technologie kan helpen in het beschermen van de mensen, de reputatie van de organisatie en het beperken van toekomstige wettelijke aansprakelijkheid.

De technologie is er klaar voor, maar zijn wij dat ook?