Psychometrie · 13 min leestijd

Wat maakt een assessment test valide en betrouwbaar?

Wanneer is een assessment valide en betrouwbaar? Benchmarks per testvorm (capaciteiten, competenties, persoonlijkheid), de meetfout en een checklist.

Door Ingmar van Maurik · Founder & CEO, Making Moves


Kort antwoord

Een assessment is valide als het meet wat het belooft te meten én aantoonbaar werkprestaties voorspelt. Het is betrouwbaar als het bij herhaalde afname consistente scores geeft. Voor selectiebeslissingen zoek je naar een betrouwbaarheid van minimaal 0,80 en een aangetoonde validiteit van 0,30 of hoger voor een vergelijkbare functie.

Dit artikel hoort bij onze complete gids over assessments in werving.

Waarom het ertoe doet

Een assessment is alleen waardevol als het meet wat het belooft te meten en consistente resultaten geeft. Klinkt logisch, maar veel organisaties zetten assessments in zonder te weten of ze werkprestaties voorspellen.

Het gevolg: beslissingen gebaseerd op ruis. Je denkt dat je datagedreven werft, maar je gebruikt een instrument dat weinig beter voorspelt dan toeval. Erger nog, het geeft een vals gevoel van zekerheid.

In dit artikel lees je wat validiteit en betrouwbaarheid precies betekenen, hoe goed de bekende testvormen scoren, hoe je een testscore correct leest en welke vragen je je leverancier stelt. We sluiten af met hoe je een assessment op je eigen data valideert.

Validiteit: meet je wat je wilt meten?

Validiteit beantwoordt de vraag: voorspelt deze test daadwerkelijk werkprestaties? Er zijn vier vormen die je moet kennen.

Predictieve validiteit

Dit is de gouden standaard. Je vergelijkt testscores met latere prestaties in de praktijk:

  • Scoren hoge kandidaten ook hoog op beoordelingen na 6 en 12 maanden?
  • Welke testonderdelen hangen samen met succes in de rol?
  • Voorspellen de scores retentie: blijven hoog scorende kandidaten langer?
  • Predictieve validiteit druk je uit als correlatiecoëfficiënt (r). Gangbare richtlijnen in personeelsselectie:

    Correlatie (r)Interpretatie

    |---|---|

    Onder 0,10Verwaarloosbaar 0,10 tot 0,20Zwak 0,20 tot 0,30Bruikbaar 0,30 tot 0,40Sterk Boven 0,40Zeer sterk, zeldzaam in selectie

    Dat lijkt bescheiden, maar in werving is r = 0,30 al waardevol: over honderden beslissingen verschuift het je slagingskans flink.

    Constructvaliditeit: convergente en divergente validiteit

    Meet de test het juiste construct? Een test voor analytisch vermogen moet analytisch vermogen meten, niet leesvaardigheid of werkgeheugen. Je toetst dat op twee manieren:

  • Convergente validiteit: de test hangt sterk samen met andere, erkende tests voor hetzelfde construct. Een nieuwe capaciteitentest hoort dus hoog te correleren met een bestaande, gevalideerde capaciteitentest.
  • Divergente validiteit (ook wel discriminante validiteit): de test hangt juist niet sterk samen met tests die iets anders meten. Een schaal voor stressbestendigheid die hoog correleert met sociale wenselijkheid, meet vooral wie zich graag gunstig presenteert.
  • Daarnaast laat factoranalyse zien of de vragen clusteren zoals bedoeld.

    Criteriumvaliditeit

    Welk succes wil je voorspellen? Productiviteit, retentie, klanttevredenheid, groeitempo of teambijdrage zijn verschillende criteria, en verschillende criteria vragen om verschillende voorspellers. Een test die productiviteit voorspelt, voorspelt niet automatisch verloop. Bepaal dus eerst wat succes in de functie is, en kies dan pas de test.

    Inhoudsvaliditeit

    Dekt de test wat de functie werkelijk vraagt? Dat stel je vast met een functieanalyse: welke taken, situaties en competenties bepalen succes? Een assessment voor een beveiliger toetst bijvoorbeeld oplettendheid, integriteit en oordeelsvorming bij incidenten, niet abstracte patroonherkenning zonder relatie met het werk.

    Betrouwbaarheid: is het consistent?

    Betrouwbaarheid beantwoordt de vraag: geeft de test bij herhaalde afname vergelijkbare resultaten?

    Test-hertestbetrouwbaarheid

    Scoort dezelfde persoon vergelijkbaar op twee momenten? Richtlijn: boven 0,80 is goed, 0,70 tot 0,80 is acceptabel, en onder 0,70 meet de test te veel ruis voor individuele selectiebeslissingen.

    Interne consistentie (Cronbach's alfa)

    Meten alle vragen binnen een schaal hetzelfde? Richtlijn: α boven 0,80 is goed, 0,70 tot 0,80 acceptabel, onder 0,70 twijfelachtig. Let op: bij een situational judgement test (SJT) is alfa vaak lager omdat elke situatie iets anders aanspreekt. Daar zegt test-hertest meer.

    Interbeoordelaarsbetrouwbaarheid

    Bij interviews, assessment centers en werkproeven: komen verschillende beoordelaars tot hetzelfde oordeel? Is de overeenstemming laag, dan helpen gestructureerde scoringsrubrieken met gedragsankers en training van beoordelaars.

    Waarom een onbetrouwbare test nooit valide kan zijn

    Betrouwbaarheid is een plafond voor validiteit. De samenhang tussen een test en werkprestatie kan nooit hoger zijn dan de wortel van de betrouwbaarheid van de test maal die van de prestatiebeoordeling. Een test met betrouwbaarheid 0,60 en een beoordeling met 0,50 komen samen hooguit uit op r = 0,55, en in de praktijk ver daaronder.

    Andersom geldt het niet: een betrouwbare test is niet automatisch valide. Hij kan heel consistent het verkeerde meten. Meer voorbeelden in validiteit en betrouwbaarheid: het verschil uitgelegd.

    De standaardmeetfout: wanneer is een verschil echt een verschil?

    Elke score bevat meetfout. De standaardmeetfout laat zien hoeveel: standaarddeviatie × √(1 − betrouwbaarheid).

    Rekenvoorbeeld: een capaciteitentest met een standaarddeviatie van 15 en een betrouwbaarheid van 0,90 heeft een meetfout van ongeveer 4,7 punten. Het 95%-interval rond een score is dan ruim 9 punten naar boven en naar beneden. Kandidaat A met 108 en kandidaat B met 103 verschillen dus niet aantoonbaar van elkaar.

    Praktisch gevolg: werk met scorebanden in plaats van een hard afkappunt op één punt, en laat kleine verschillen nooit de doorslag geven.

    Hoe valide en betrouwbaar zijn de bekende testvormen?

    De meest recente grote meta-analyse (Sackett, Zhang, Berry en Lievens, 2022) herberekende de voorspellende waarde van selectiemethoden. De gemiddelde gecorrigeerde validiteit, met een indicatie van de gangbare betrouwbaarheid:

    MethodeGem. validiteit (r)Typische betrouwbaarheid

    |---|---|---|

    Gestructureerd interview0,420,70 tot 0,85 (beoordelaars) Vakkennistest0,400,80 tot 0,90 Werkproef0,330,70 tot 0,85 (beoordelaars) Capaciteitentest (cognitief)0,310,85 tot 0,95 Integriteitstest0,310,75 tot 0,85 Situational judgement test0,260,50 tot 0,70 (alfa) Persoonlijkheid: zorgvuldigheid0,190,75 tot 0,85 Ongestructureerd interview0,19Laag en wisselend

    De betrouwbaarheden zijn indicatief en verschillen sterk per specifieke test. Twee lessen uit deze cijfers:

  • Oudere cijfers overschatten. De bekende studie van Schmidt en Hunter (1998) noemde voor capaciteitentests nog 0,51. Volgens de herberekening waren de statistische correcties destijds te ruim. Belooft een leverancier "r = 0,50 of hoger" zonder eigen onderzoek, stel dan kritische vragen.
  • Combineren loont. Geen enkele methode voorspelt alles. Een capaciteitentest plus een gestructureerd interview of een SJT voorspelt beter dan elk afzonderlijk, omdat ze verschillende dingen meten.
  • Hoe betrouwbaar is een capaciteitentest?

    Capaciteitentests behoren tot de betrouwbaarste instrumenten (vaak 0,85 of hoger) en voorspellen leervermogen en prestaties in complexe functies goed. Aandachtspunten: ze kunnen adverse impact hebben op bepaalde groepen en zeggen niets over motivatie of gedrag. Controleer daarom altijd groepsverschillen in je eigen kandidatenpool.

    Hoe betrouwbaar is een competentietest?

    "Competentietest" is een verzamelnaam, van zelfrapportagevragenlijsten tot SJT's en assessment centers. De betrouwbaarheid hangt volledig af van de vorm. Zelfrapportage is gevoelig voor sociaal wenselijk antwoorden; gedragsgerichte vormen (SJT, gestructureerd interview, werkproef) voorspellen beter. Vraag dus altijd: hoe wordt de competentie gemeten, en waar is dat onderzocht? Meer in competentietest bij werving.

    En persoonlijkheidstests?

    Persoonlijkheidsvragenlijsten zijn redelijk betrouwbaar, maar voorspellen prestaties afzonderlijk bescheiden; zorgvuldigheid is de sterkste factor. Hun waarde zit in passend gebruik: als aanvulling, gericht op eigenschappen die voor de functie aantoonbaar relevant zijn, en nooit als knock-out op zichzelf.

    En integriteitstests?

    Integriteitstests voorspellen contraproductief gedrag (zoals diefstal, verzuim en regelovertreding) en prestaties redelijk goed, met een gemiddelde validiteit van 0,31. Er zijn twee varianten: openlijke tests die direct naar houdingen en gedrag vragen, en persoonlijkheidsgerichte tests die eigenschappen als zorgvuldigheid en betrouwbaarheid meten. Ze zijn vooral waardevol in functies met verantwoordelijkheid voor geld, goederen of veiligheid. Combineer ze altijd met andere informatie en wees transparant naar kandidaten over het doel.

    Checklist: 8 vragen aan je assessmentleverancier

  • Validatieonderzoek: is er onderzoek voor vergelijkbare functies, en welke correlaties zijn gevonden?
  • Betrouwbaarheid per schaal: alfa en/of test-hertest per onderdeel, niet alleen voor de totaalscore.
  • Normgroep: hoe groot, hoe recent en hoe relevant (land, taal, functieniveau)?
  • Taalversie: is de Nederlandse versie apart onderzocht, of alleen vertaald?
  • Onafhankelijke beoordeling: heeft de test een COTAN-beoordeling (de testbeoordeling van het NIP) of een vergelijkbare review?
  • Adverse impact: hoe worden groepsverschillen gemonitord, en wat gebeurt er als een onderdeel bepaalde groepen benadeelt?
  • Actualisatie: hoe vaak wordt de test bijgewerkt en opnieuw gevalideerd?
  • Data: wie bezit de resultaten, en kun je ze AVG-proof koppelen aan je eigen prestatiegegevens?
  • Kan een leverancier de eerste drie vragen niet concreet beantwoorden, dan weet je eigenlijk niet wat je meet.

    Waarom generieke tests vaak tekortschieten

    Commerciële assessments zijn meestal gevalideerd op brede populaties. Dat geeft drie problemen:

  • De normgroep past niet. Wat succes voorspelt bij een bank, verschilt van een techstartup of een beveiligingsbedrijf. Een normgroep van duizenden willekeurige professionals zegt weinig over jouw rol.
  • Het model is statisch. Generieke tests worden eens in de paar jaar bijgewerkt; jouw functies veranderen continu.
  • One-size-fits-all. Dezelfde vragenlijst voor developers, accountmanagers en klantenservice, terwijl per rol andere competenties succes voorspellen.
  • Lees ook waarom generieke assessments niet werken en hoe je bedrijfsspecifieke assessments ontwerpt.

    Zelf valideren: zo pak je het aan

    Met een eigen assessmentsysteem kun je aantonen wat werkt in jouw organisatie.

    Stap 1: begin bij de functieanalyse

    Leg vast welke taken en gedragingen succes bepalen. Dat geeft je inhoudsvaliditeit vanaf dag één, nog voordat je data hebt.

    Stap 2: bouw eigen normgroepen

    Vergelijk kandidaten met jouw succesvolle medewerkers per rol, niet met de markt. Meer hierover in hoe je je eigen normgroep bouwt.

    Stap 3: koppel scores aan prestaties

    Correleer assessmentscores met beoordelingen na 6 en 12 maanden, retentie en andere criteria. Zo zie je welke onderdelen voorspellen en welke ruis zijn, en kun je de weging aanpassen.

    Stap 4: wees eerlijk over aantallen

    Lokale validatie vraagt data. Met 60 aannames is een gevonden correlatie van 0,35 statistisch nog onzeker: het 95%-interval loopt van ongeveer 0,11 tot 0,55. Reken op minimaal 100 tot 150 aannames per functiefamilie voor stabiele conclusies. Tot die tijd combineer je je eigen data met bestaand onderzoek en een sterke functieanalyse.

    Stap 5: blijf kalibreren en monitor bias

    Herhaal de analyse na elke instroomronde en controleer per subgroep of de test even goed voorspelt en niemand onterecht benadeelt. Zo wordt je systeem steeds slimmer, iets wat een standaardtest per definitie niet kan.

    Het verschil in de praktijk

    AspectGeneriek assessmentBedrijfsspecifiek assessment

    |---|---|---|

    NormgroepBreed, sectoroverstijgendJouw medewerkers per rol Bewijs van validiteitOnderzoek bij andere organisatiesAantoonbaar op jouw eigen data ActualisatieEens in de paar jaarDoorlopend Bias monitoringGeneriek, door de leverancierOp jouw kandidatenpopulatie KostenLicentie per kandidaatOnderdeel van je eigen systeem Data-eigendomLeverancierJij

    Veelgestelde vragen

    Wat is het verschil tussen validiteit en betrouwbaarheid?

    Betrouwbaarheid gaat over consistentie: krijg je bij herhaling dezelfde score? Validiteit gaat over juistheid: meet de test wat hij moet meten, en voorspelt hij werkprestaties? Een test moet eerst betrouwbaar zijn om valide te kunnen zijn.

    Wanneer is een assessment betrouwbaar genoeg?

    Voor individuele selectiebeslissingen hanteer je doorgaans een betrouwbaarheid van 0,80 of hoger. Tussen 0,70 en 0,80 is bruikbaar als aanvullende informatie, niet als enige criterium.

    Wat is een goede validiteit voor een assessment?

    Een gemiddelde validiteit van 0,30 of hoger is sterk in personeelsselectie. Waarden boven 0,40 zijn zeldzaam; wees kritisch op claims daarboven zonder onderliggend onderzoek.

    Wat is divergente validiteit?

    Divergente (of discriminante) validiteit laat zien dat een test níet sterk samenhangt met tests die iets anders meten. Daarmee toon je aan dat de test een eigen, afgebakend construct meet.

    Hoeveel kandidaten heb je nodig om een test te valideren?

    Voor een stabiele lokale validatie reken je op minimaal 100 tot 150 aannames per functiefamilie. Bij kleinere aantallen leun je op een grondige functieanalyse en bestaand onderzoek naar vergelijkbare functies.

    Mag ik een vertaalde test zomaar gebruiken?

    Liever niet zonder onderzoek. Een vertaling kan de betekenis van vragen verschuiven. Controleer of de taalversie apart is onderzocht en of er normen zijn voor jouw land en doelgroep.

    Samenvatting

  • Validiteit: meet de test wat hij moet meten, en voorspelt hij werkprestaties?
  • Betrouwbaarheid: geeft de test consistente scores? Streef naar 0,80 of hoger.
  • Lees scores met hun meetfout: kleine verschillen tussen kandidaten zijn vaak niet echt.
  • Combineer methoden: capaciteiten, gedrag en gestructureerd interviewen vullen elkaar aan.
  • Valideer op je eigen data: eigen normgroepen en doorlopende kalibratie maken een assessment echt voorspellend.
  • Wil je weten hoe valide jouw huidige assessments zijn, of een assessment laten ontwikkelen dat aantoonbaar voorspelt wie succesvol wordt? Bekijk hoe we assessments op maat ontwikkelen, lees hoe ons AI hiring systeem validatie inbouwt, of neem contact op.


    Plan intake gesprek · Bekijk ons AI Hiring Systeem