De wetenschappelijke basis van TalentKeeper

In managementland ontstaat gemakkelijk een aantrekkelijk patroon.

Er verschijnt een model dat één belangrijke factor goed beschrijft — bijvoorbeeld motivatie, engagement, psychologische veiligheid of leiderschap — en vervolgens wordt die factor gepresenteerd als dé verklaring voor prestaties, welzijn of vertrek.

Maar organisaties zijn complexer dan dat.

• Iemand kan veel autonomie ervaren en zich toch onrechtvaardig behandeld voelen.
• Een medewerker kan een goede relatie met de leidinggevende hebben, maar structureel overbelast zijn.
• Iemand kan gemotiveerd zijn en tegelijkertijd weinig binding met de organisatie voelen.
• En vertrekintentie is niet hetzelfde als daadwerkelijk vertrek.

TalentKeeper probeert deze verschillen daarom niet te reduceren tot één algemene people score.

Relevante begrippen blijven afzonderlijk herkenbaar omdat ze verschillende dingen betekenen en verschillende managementvragen kunnen oproepen.

Dat uitgangspunt is inmiddels ook methodologisch vastgelegd: motivatie, vertrouwen, commitment en attachment mogen bijvoorbeeld niet zomaar tot één psychologische score worden samengevoegd; hetzelfde geldt voor condities, ervaringen, psychologische staten en uitkomsten.

TalentKeeper probeert geen bestaande organisatiewetenschap te vervangen.

Het bouwt erop voort.

De formele theoretische basis — de Theory of Organizational Conditions — is opgezet als een integratieve managementtheorie. Zij plaatst relevante inzichten uit bestaande theorieën binnen één bredere architectuur die gericht is op de vraag:

Hoe kunnen managementbeslissingen via organisatorische condities uiteindelijk bijdragen aan uitkomsten die relevant zijn voor duurzaam medewerkerbehoud?

Volume II van de TalentKeeper Canon maakt daarbij expliciet dat bestaande theorieën geldig blijven binnen hun eigen domein. De bijdrage van TalentKeeper is de manier waarop deze verschillende verklaringsmechanismen binnen één managementgerichte structuur worden geplaatst.

Een aantal belangrijke wetenschappelijke fundamenten:

De Self-Determination Theory (SDT) helpt begrijpen waarom de psychologische basisbehoeften aan autonomie, competentie en verbondenheid relevant zijn voor motivatie en psychologisch functioneren.

Binnen TalentKeeper wordt SDT niet gebruikt als volledige theorie van medewerkerbehoud.

De theorie helpt specifiek begrijpen hoe organisatorische condities kunnen doorwerken in wat medewerkers ervaren en hoe die ervaringen verband houden met psychologische staten zoals motivatie.

Daarbij wordt een belangrijk onderscheid behouden.

Organizational Justice helpt begrijpen hoe verschillende vormen van ervaren rechtvaardigheid samenhangen met attitudes en gedrag binnen organisaties.

TalentKeeper onderscheidt daarbij:

Binnen de Theory of Organizational Conditions wordt Organizational Justice niet behandeld als een einduitkomst zoals engagement, maar als een relevante Organizational Condition.

Ook hier gaat diagnostische precisie vóór eenvoud: de vier vormen kunnen afzonderlijk relevant zijn en mogen niet automatisch verdwijnen in één algemene fairness-score wanneer die verschillen belangrijk zijn voor managementactie.

Affective Commitment gaat over de emotionele verbondenheid met een organisatie.

TalentKeeper behandelt commitment niet als iets wat management rechtstreeks kan invoeren of verhogen.

Het is een Psychological State die kan ontstaan uit de manier waarop medewerkers hun werk en organisatie over langere tijd ervaren.

Dat onderscheid is belangrijk.

Een organisatie kan omstandigheden proberen te verbeteren die binding ondersteunen.

Zij kan commitment zelf niet voorschrijven.

Het Job Demands–Resources-model en verwante onderzoekstradities helpen begrijpen waarom de balans tussen werkeisen en beschikbare hulpbronnen relevant is.

Binnen TalentKeeper worden demands en resources niet als een concurrerend totaalmodel gebruikt, maar geplaatst waar ze diagnostisch thuishoren: als relevante kenmerken van de organisatorische en werkomgeving.

Werkbelasting is bijvoorbeeld iets anders dan ervaren uitputting.

Ondersteuning is iets anders dan motivatie.

Door die verschillen te behouden, wordt beter zichtbaar waar management daadwerkelijk iets kan veranderen.

Ook vertrekintentie en daadwerkelijk medewerkerbehoud hebben een eigen plaats.

Turnover intention is een gerapporteerde gedachte of intentie rond vertrek.

Voluntary retention is een gerealiseerde organisatorische uitkomst.

Ze kunnen met elkaar samenhangen, maar zijn niet hetzelfde.

En geen van beide verklaart op zichzelf waarom mensen willen vertrekken of blijven.

Hun diagnostische betekenis ontstaat pas wanneer ze worden bekeken in samenhang met voorafgaande condities, ervaringen en psychologische staten.

Dit is misschien wel de belangrijkste wetenschappelijke keuze achter TalentKeeper.

Je kunt twintig gevalideerde vragenlijsten naast elkaar zetten en nog steeds geen samenhangend model hebben.

Meer constructen betekent niet automatisch meer inzicht.

TalentKeeper probeert daarom niet zoveel mogelijk theorieën of variabelen te verzamelen.

Iedere relevante factor moet een duidelijke plaats hebben.

Is iets:

• een managementbeslissing?
• een organisatorische conditie?
• een ervaring van een medewerker?
• een psychologische staat?
• of: een organisatorische uitkomst?

Die verschillen bepalen wat iets betekent, wie er zinvolle informatie over kan geven en hoe een bevinding geïnterpreteerd mag worden.

Een goed geïntegreerd model bevat niet zoveel mogelijk variabelen. Het bewaart juist de verschillen die nodig zijn om een goede diagnose te kunnen stellen.

Daarin zit een belangrijk verschil tussen een verzameling onderzoeksinstrumenten en een diagnostische architectuur.

De verschillende theorieën krijgen binnen TalentKeeper hun plaats in één overkoepelende structuur:

Dit is de formele causale architectuur van de Theory of Organizational Conditions.

De gedachte erachter is toegankelijker dan de terminologie misschien suggereert.

Management neemt beslissingen.

Die beslissingen helpen de omgeving creëren waarin mensen werken.

Medewerkers ervaren die omgeving.

Herhaalde ervaringen kunnen invloed hebben op psychologische staten zoals motivatie, vertrouwen en binding.

En die staten kunnen bijdragen aan zichtbare organisatie-uitkomsten zoals engagement, welzijn, inspanning en vrijwillig behoud.

Die uitkomsten geven vervolgens nieuwe informatie aan het management.

Zo ontstaat een leerproces.

De pijlen in het model betekenen nadrukkelijk niet:

“Als management A doet, gebeurt altijd B.”

De relaties zijn probabilistisch, niet deterministisch.

Goede organisatorische condities kunnen de kans op gunstige ervaringen en uitkomsten vergroten.

Ze garanderen die niet.

• Mensen verschillen.
• Privéomstandigheden verschillen.
• De arbeidsmarkt speelt mee.
• Economische en maatschappelijke omstandigheden veranderen.

TalentKeeper erkent deze factoren, maar probeert ze niet allemaal in één model te stoppen. De Theory of Organizational Conditions richt zich bewust op het deel van de werkelijkheid dat voor organisaties relevant én in beginsel beïnvloedbaar is.

Een tweede fundamenteel uitgangspunt is:

TalentKeeper bepaalt niet wat belangrijk is doordat het toevallig gemakkelijk meetbaar is.

Eerst moet duidelijk zijn welk begrip bedoeld wordt, waar het in de theoretische architectuur thuishoort en waarom het relevant is.

Pas daarna wordt bepaald hoe het gemeten kan worden.

Dat lijkt vanzelfsprekend, maar het heeft grote consequenties.

• Een vragenlijstitem wordt geen wetenschappelijk construct omdat er een score uit komt.
• Een dashboard wordt geen diagnose omdat het veel indicatoren combineert.
• En een algoritme krijgt geen gelijk omdat het een patroon kan berekenen.

Binnen de TalentKeeper Method geldt daarom Theory Before Measurement: metingen operationaliseren de theorie; ze definiëren de theorie niet.

Hier wil ik op deze pagina heel expliciet in zijn.

Er is een verschil tussen:

Die stappen mogen niet worden overgeslagen.

Wetenschappelijk onderbouwd betekent niet dat iedere conclusie die met een wetenschappelijk model wordt getrokken automatisch wetenschappelijk bewezen is.

Dat onderscheid vormt een belangrijk onderdeel van TalentKeeper.

De eigen theoretical propositions van de Theory of Organizational Conditions zijn daarom expliciet geformuleerd als toetsbare theoretische proposities, niet als reeds bewezen causale feiten. De Canon bepaalt dat deze proposities door passende empirische designs en accumulerende evidence progressief moeten worden getoetst.

Hetzelfde geldt voor meten.

Een instrument is niet ineens “gevalideerd” omdat één analyse een goede uitkomst geeft.

TalentKeeper behandelt validatie als een proces waarin verschillende soorten bewijs worden opgebouwd.

Onder meer moet worden onderzocht of:

• de vragen daadwerkelijk het bedoelde begrip afdekken;
• respondenten de vragen begrijpen zoals bedoeld;
• metingen voldoende consistent zijn;
• verschillende begrippen ook empirisch van elkaar te onderscheiden blijven;
• waargenomen verbanden passen bij de theoretische verwachtingen;
• vergelijkingen door de tijd betekenisvol blijven;
• het instrument in verschillende organisatiecontexten voldoende goed functioneert.

De Canon formuleert dit expliciet: geen enkele test stelt op zichzelf validiteit vast; validiteit wordt opgebouwd uit verschillende vormen van conceptuele en empirische evidence en herhaalde toepassing.

Dat is een belangrijk verschil met het gebruik van validated als marketinglabel.

TalentKeeper gebruikt hiervoor het principe evidence-governed.

De praktische betekenis is eenvoudig:

Hoe sterker de conclusie, hoe sterker het bewijs moet zijn.

• Een eerste meting kan bijvoorbeeld een patroon laten zien.
• Meerdere informatiebronnen kunnen dat patroon ondersteunen.
• Herhaalde metingen kunnen laten zien hoe het zich ontwikkelt.
• Longitudinaal onderzoek kan informatie toevoegen over volgorde en verandering.
• Interventie-evidence kan uiteindelijk helpen beoordelen wat er na gerichte actie gebeurt.

Maar een technisch correcte berekening geeft niet automatisch toestemming om een diagnostische, causale, voorspellende of effectclaim te maken.

Volume IV legt daarom vast dat wanneer de evidenceketen onvoldoende sterk is, de conclusie moet worden beperkt, gekwalificeerd, als exploratief behandeld of helemaal niet uitgebracht.

Onzekerheid is daarmee geen zwakte van het model. Het is informatie die onderdeel hoort te zijn van de beslissing.

Wetenschappelijke terughoudendheid kan klinken alsof zij besluitvorming moeilijker maakt.

Het tegenovergestelde is het doel.

Management werkt bijna nooit met absolute zekerheid.

De relevante vraag is daarom niet:

“Kunnen we dit onomstotelijk bewijzen?”

maar:

“Wat weten we, hoe sterk is dat bewijs, welke alternatieve verklaringen bestaan er en is het verantwoord om op basis hiervan te handelen?”

Een evidence-governed systeem probeert die afweging expliciet te maken.

Dat leidt niet per definitie tot minder actie.

Het leidt tot beter geïnformeerde actie.

De wetenschappelijke basis van TalentKeeper bestaat daarom niet alleen uit een literatuurlijst.

Er is ook een gecontroleerde architectuur die bepaalt hoe theorie, meting, diagnose en evidence zich tot elkaar verhouden.

Die architectuur is vastgelegd in de TalentKeeper Canon.

Voor de kern van de methode zijn vijf lagen relevant:

Die hiërarchie is bewust.

• Technologie mag de methode niet herschrijven.
• Een meetinstrument mag de theorie niet herschrijven.
• Technische geschiktheid van evidence geeft nog geen automatische bevoegdheid om een claim te maken.
• AI mag ondersteunen, maar geen evidence-, claim- of beslissingsbevoegdheid naar zich toetrekken die volgens de governance bij mensen hoort.
• En commerciële behoefte mag nooit de evidence- of claimgrenzen verruimen.

Dat principe is expliciet vastgelegd in de Canon.

AI kan TalentKeeper krachtiger maken.

Het mag de wetenschappelijke basis niet vervangen.

Een AI-model kan bijvoorbeeld helpen bij:

• het terugvinden van relevante interventiekennis;
• het vergelijken van mogelijke interventieroutes;
• het verbinden van contextuele informatie;
• het uitleggen van beschikbare evidence.

Maar een AI-model mag niet zelfstandig bepalen dat een lage score een bepaalde oorzaak heeft.

Het mag geen nieuwe gevalideerde interventie verzinnen.

En het mag de uiteindelijke managementbeslissing niet overnemen.

Volume III staat daarom toe dat technologie en LLM's retrieval, vergelijking, contextualisering en uitleg ondersteunen, maar houdt diagnose, recommendation en managementverantwoordelijkheid expliciet gescheiden.

AI maakt een conclusie niet wetenschappelijker. De kwaliteit van de theorie, data, evidence en redenering bepaalt hoe sterk die conclusie mag zijn.

De wetenschappelijke basis van TalentKeeper heeft uiteindelijk één praktisch doel.

Niet zoveel mogelijk theorie verzamelen.

Niet zoveel mogelijk meten.

En ook niet een model maken dat complexiteit om de complexiteit toevoegt.

Het doel is:

voldoende van de werkelijkheid behouden om een betere managementbeslissing te kunnen nemen.

Daarom combineren we verschillende wetenschappelijke perspectieven waar dat nodig is.

Daarom houden we verschillende begrippen uit elkaar wanneer dat diagnostisch relevant is.

Daarom maken we zichtbaar hoe sterk het bewijs is.

En daarom blijft de uiteindelijke beslissing bij de organisatie.

Wetenschap geeft TalentKeeper geen absolute antwoorden.

Ze helpt ons betere vragen te stellen, zwakkere verklaringen te herkennen en sterkere beslissingen te nemen.