Machine learning kan culturen van 100 landen beter onderscheiden dan Hofstede, Schwartz en Inglehart. Het is zelfs in staat om met een nieuw samengestelde itemlijst (ML-CVI) met 89 procent zekerheid te bepalen uit welk land de deelnemer komt (Sheetal A 2025).
De onderzoekers maakten een selectie van 60 items op basis van theoriegedreven schalen, cross-culturele relevantie en psychometrische kwaliteit. Ze konden twee attitudes voorspellen:
๐ Pro-environmental actions (meer recycling, milieuvriendelijk gedrag).
๐ COVID-19 compliance (mate van naleving van lockdownregels).
De klassieke vragenlijsten konden dat niet, en dat maakt deze nieuwe vragenlijst interessant. De vraag is natuurlijk waarom.
๐๐ฝ๐ฝ๐ฒ๐น๐ ๐ฒ๐ป ๐ฝ๐ฒ๐ฟ๐ฒ๐ป
De klassieke vragenlijsten meten waarden, terwijl de ML-CVI een mix meet van waarden, attitudes en normen. Waarden zijn veel abstracter, terwijl attitudes en normen dichter bij daadwerkelijk gedrag liggen. Daarnaast blijken attitudes dus attitudes te voorspellen. Dat is niet zo heel sterk.
๐๐ผ๐ด๐ฒ๐ฟ๐ฒ ๐ฐ๐ผ๐ป๐๐๐ฟ๐๐ฐ๐๐ฒ๐ป ๐๐ฒ๐ฟ๐๐๐ ๐ถ๐๐ฒ๐บ๐
Elk antwoord op een item bevat nuances. Als je de items combineert tot een hoger construct, zoals een waarde, verlies je nuance. De onderzoekers hebben voor hun eigen ML-CVI de items geanalyseerd, terwijl ze voor de andere vragenlijsten uitsluitend de hogere constructen hebben gehanteerd. Dit is eveneens appels met peren vergelijken.
๐ก๐ถ๐ฒ๐ ๐ฟ๐ฒ๐ฝ๐ฟ๐ฒ๐๐ฒ๐ป๐๐ฎ๐๐ถ๐ฒ๐ณ
De responsuitval was 67 procent en daarmee is het de vraag of de deelnemers representatief zijn voor een land.
๐ช๐ฎ๐ ๐๐ผ๐ฒ๐ด๐ ๐ต๐ฒ๐ ๐๐ผ๐ฒ
De ML-CVI stelt feitelijk vast dat waarden abstract zijn, en dat je attitudes en normen moet uitvragen om attitudes (niet eens gedrag) te kunnen voorspellen. Dat is geen nieuw inzicht, maar het gegeven dat ze onderscheid kunnen maken tussen landen van herkomst op basis van de antwoorden is wรฉl interessant.
Onze eigen interne conceptuele analyse laat zien dat de 60 items goed terug te brengen zijn naar de 10 basiswaarden van Schwartz, met enige cross-loading. Er zijn dus duidelijke overeenkomsten tussen de items van de verschillende schalen, maar die zijn simpelweg niet geanalyseerd. Een dergelijke analyse zou heel welkom zijn en zou mogelijk kunnen leiden tot betere items in de Schwartz-vragenlijst.
Integratie met Schwartz is belangrijk, aangezien de ML-CVI theorieloos is en dus niet psychologisch verankerd. Het blijft daardoor onduidelijk waarom iets werkt. En dat inzicht is cruciaal voor structurele verbeteringen en integratie met andere theorieรซn. Dit draagt bij aan de vooruitgang van het hele veld.
๐ ๐ฒ๐ฒ๐ฟ ๐น๐ฒ๐ฟ๐ฒ๐ป
Waarden maken deel uit van ons motivatiecircumplex, dat we inzetten om te analyseren waarom individuen, teams en organisaties floreren of juist beginnen te degenereren om vervolgens gericht interventies in te zetten. Je leert er alles over in onze opleiding tot vitaliteitskundige, die eind september van start gaat.
