{"id":504,"date":"2023-03-21T19:12:48","date_gmt":"2023-03-21T18:12:48","guid":{"rendered":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/?p=504"},"modified":"2023-03-21T19:12:48","modified_gmt":"2023-03-21T18:12:48","slug":"kuenstliche-intelligenz-in-der-personalauswahl","status":"publish","type":"post","link":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/2023\/03\/21\/kuenstliche-intelligenz-in-der-personalauswahl\/","title":{"rendered":"K\u00fcnstliche Intelligenz in der Personalauswahl"},"content":{"rendered":"\n

von Daria Bielefeld <\/strong> (2. Semester Master Psychologie \u2013 Human Performance in Sociotechnical Systems, Technische Universit\u00e4t Dresden)<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

\u201eFast. Fair. Flexible.\u201c \u2013 damit wirbt ein gro\u00dfer US-amerikanischer Anbieter f\u00fcr seine Technologie zur KI-gest\u00fctzten Personalauswahl (HireVue, 2022). Anstelle eines Bewerbungsgespr\u00e4chs mit einem Recruiter oder einer Recruiterin beantworten Bewerber:innen von der Software eingeblendete Fragen und werden dabei gefilmt. Anschlie\u00dfend entscheidet eine k\u00fcnstliche Intelligenz dar\u00fcber, wie geeignet die Bewerber:innen f\u00fcr die jeweilige Stelle sind. Das soll nicht nur Zeit und Ressourcen sparen, sondern auch zu objektiveren Urteilen f\u00fchren und die Fairness im Bewerbungsprozess erh\u00f6hen. Namhafte Unternehmen wie Goldman Sachs, Unilever oder JP Morgan nutzen die Technologie bereits \u2013 und es werden wohl weitere folgen. KI in der Personalauswahl stellt aktuell einen regelrechten HR-Trend dar und wird in diesem Rahmen vielf\u00e4ltig diskutiert (Haufe, 2022; Lampart, 2022).
Schenkt man den Marketing-Botschaften einer wachsenden Anzahl an Softwareanbietern Glauben, haben die Algorithmen das Potenzial, den Auswahlprozess geeigneter Bewerber:innen regelrecht zu revolutionieren. Denn wo Menschen beteiligt sind, werden automatisch Fehler gemacht. Klassische Urteilsverzerrungen unterlaufen selbst den erfahrensten HR-Experten und -Expertinnen und k\u00f6nnen mitunter weitreichende Folgen haben (Kanning, 2019). Die KI-basierte Personalauswahl hingegen verspricht maximale Objektivit\u00e4t. Zudem sind Unternehmen zunehmend bem\u00fcht, sich als besonders innovativ zu pr\u00e4sentieren und so vielversprechende Potenzialtr\u00e4ger:innen anzuziehen. Die Nutzung von
k\u00fcnstlicher Intelligenz als innovatives Verfahren k\u00f6nnte demnach auch der Employer Branding Strategie von Unternehmen Rechnung tragen (Schick & Fischer, 2021).<\/p>\n\n\n\n


Jedoch lohnt sich bei aller Begeisterung f\u00fcr die neueste Technologie auch ein kritischer Blick auf die Verfahren. Bringen KI-basierte Methoden der Personalauswahl einen entscheidenden Vorteil gegen\u00fcber herk\u00f6mmlichen Methoden wie etwa der psychologischen Testdiagnostik? Und wie sehen Bewerber:innen die Nutzung k\u00fcnstlicher Intelligenz im Auswahlprozess? Um diese Fragen zu beantworten, werden im Folgenden zwei Ans\u00e4tze der KI-basierten Personaldiagnostik \u2013 die Analyse sprachlicher Parameter und die Analyse visueller Parameter \u2013 vorgestellt und Ihre Eignung zur Vorhersage beruflicher Leistung anhand neuerer Studienergebnisse diskutiert. Zudem werden Ergebnisse aktueller Studien zur Akzeptanz der KI-basierten Personalauswahl dargelegt und es soll abschlie\u00dfend ein praxisbezogenes Fazit gezogen werden.<\/p>\n\n\n\n

Analyse sprachlicher Parameter<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Ein m\u00f6glicher Ansatzpunkt f\u00fcr die KI-basierte Diagnostik ist die Sprache. Einige Anbieter:innen nehmen mit ihrer Technologie die geschriebene Sprache in den Fokus und analysieren etwa die Satzl\u00e4nge oder die Verwendung bestimmter Worte wie Personalpronomen oder Artikel. Andere Unternehmen ziehen zur Analyse die gesprochene Sprache heran und fokussieren sich z. B. auf die Sprachlautst\u00e4rke, die Sprechgeschwindigkeit oder die Betonung. Der zugrundeliegende Gedanke dabei ist, dass Sprachparameter Aufschluss \u00fcber die Pers\u00f6nlichkeit der Bewerber:innen geben sollen, was wiederum zur Vorhersage beruflicher Leistung genutzt wird (Kanning et al., 2019). Geht man zun\u00e4chst von dem Idealfall aus, dass ein Algorithmus anhand von sprachlichen Parametern die Pers\u00f6nlichkeit von Bewerber:innen ebenso gut diagnostizieren kann wie ein herk\u00f6mmlicher psychometrischer Test, muss man dennoch kritisieren, dass Pers\u00f6nlichkeitseigenschaften allein nicht als Pr\u00e4diktor f\u00fcr berufliche Leistung geeignet sind, da sie nur einen geringen Teil der Varianz aufkl\u00e4ren (Barrick et al., 2001; Kanning, 2018). Eine Studie von Malhotra et al. (2018) untersuchte beispielsweise den Zusammenhang zwischen der von einem Algorithmus zur Sprachanalyse gemessenen Extraversion von Manager:innen und der Performance ihrer Unternehmen in \u201eMergers & Acquisition\u201c-Situationen (M&A). Die Ergebnisse zeigen tats\u00e4chlich einen positiven Zusammenhang zwischen der per Sprachanalyse gemessenen Extraversion der Manager:innen und der Wahrscheinlichkeit f\u00fcr M&A sowie des finanziellen Umfangs von M&A (Malhotra et al., 2018).
Allerdings kl\u00e4rt die Extraversion nur zwischen 0,5 und 3 % der Varianz der M&A Performance auf, w\u00e4hrend beispielsweise die Geschlechterheterogenit\u00e4t der Vorst\u00e4nde immerhin zwischen 13 und 54 % Varianzaufkl\u00e4rung liefert (Kanning, 2021; Malhotra et al., 2018). <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Es empfiehlt sich daher in der Eignungsdiagnostik, Pers\u00f6nlichkeitseigenschaften lediglich erg\u00e4nzend zu aussagekr\u00e4ftigeren Methoden wie etwa der Arbeitsprobe hinzuzuziehen, wenn es um die Vorhersage beruflicher Leistung geht. Ein weiterer Kritikpunkt an der Sprachanalyse ist, dass Sprache f\u00fcr die Pers\u00f6nlichkeitsdiagnostik nicht so gut geeignet ist wie ein klassischer psychometrischer Test. Zahlreiche Studien zur Sprachanalyse untersuchen die Zusammenh\u00e4nge von Sprachparametern mit den Big Five (Pers\u00f6nlichkeitsmodell mit den Facetten Offenheit f\u00fcr Erfahrungen, Gewissenhaftigkeit, Extraversion, Vertr\u00e4glichkeit nach Neurotizismus nach Goldberg, 1981). Moreno et al. (2021) konnten in ihrer Metaanalyse nach den Konventionen von Cohen (Cohen, 1988) schwache bis mittlere Zusammenh\u00e4nge zwischen Sprachdaten und den Big Five, gemessen mit dem Pers\u00f6nlichkeitsfragebogen NEO-FFI (Borkenau & Ostendorf, 2008), nachweisen. Eine weitere Studie von Yarkoni (2010) untersuchte \u00fcber 70 Sprachparameter bei Blogger:innen und fand nach den Konventionen von Cohen (Cohen, 1988) nur geringe, nach Bosco (Bosco et al., 2015) mittlere Korrelationen einzelner Sprachparameter mit den Big Five (ebenfalls mit dem NEO-FFI [Borkenau & Ostendorf, 2008] gemessen). Diese Ergebnisse legen nahe, dass man die Pers\u00f6nlichkeit tats\u00e4chlich um ein Vielfaches genauer mit dem NEO-FFI (Borkenau & Ostendorf, 2008) messen kann als mit einem Algorithmus zur Sprachanalyse. Dies sollte mit Blick auf Kosten und Aufwand auch das wesentlich wirtschaftlichere Vorgehen darstellen (Kanning, 2021; Schwertfeger, 2015). Abgesehen davon, dass Sprache die Pers\u00f6nlichkeitseigenschaften von Bewerber:innen weniger gut abbildet als ein validierter Pers\u00f6nlichkeitstest und Pers\u00f6nlichkeit allein wenig geeignet ist, um berufliche Leistung vorherzusagen, besteht noch ein weiteres Problem mit der Analyse von Sprachparametern. Denn Sprache ist \u00fcber die Zeit hinweg keineswegs so stabil wie Pers\u00f6nlichkeitseigenschaften. Pennebaker et al. (2003) untersuchten in einer Studie den Gebrauch von Alltagssprache bei jungen Erwachsenen \u00fcber einen Zeitraum von vier Wochen. Zur Auswertung nutzten sie das Linguistic Inquiry and Word Count (LIWC), ein Programm zur Textanalyse, welches die genutzten Worte in \u00fcber 80 linguistische Kategorien einordnet. In ihrer Studie verwendeten Pennebaker und seine Kolleg:innen (2003) 23 dieser Kategorien und ermittelten anhand von zwei Messzeitpunkten die Retest-Reliabilit\u00e4t, welche ein Ma\u00df f\u00fcr die zeitliche Stabilit\u00e4t von Eigenschaften ist. F\u00fcr die linguistischen Standardkategorien fand sich eine durchschnittliche Korrelation zwischen den Messzeitpunkten von r = .41, was einer Varianzaufkl\u00e4rung von 16,8 % entspricht. Bei den Kategorien f\u00fcr Worte, die auf psychologische Prozesse hinweisen, fand sich sogar nur eine durchschnittliche Test-Retest-Korrelation von r = .24, was einer Varianzaufkl\u00e4rung von gerade einmal 5,8 % Prozent entspricht (Pennebaker et al., 2003). W\u00fcrde man also aufgrund der Sprachanalyse zum ersten Messzeitpunkt ein Pers\u00f6nlichkeitsprofil erstellen, erhielte man nach vier Wochen zum zweiten Messzeitpunkt wom\u00f6glich ein deutlich anderes Ergebnis. Dies ist f\u00fcr ein diagnostisches Instrument zur Messung der Pers\u00f6nlichkeit nicht akzeptabel, m\u00f6chte man doch ein zeitlich stabiles Merkmal erfassen.<\/p>\n\n\n\n

Die Sprachanalyse in der Personalauswahl st\u00fctzt sich zudem nicht auf allt\u00e4gliche Sprachsamples oder private Niederschriften, sondern zieht zur Auswertung beispielsweise das Anschreiben heran oder analysiert paraverbale Cues aus einem Einstellungsinterview. Man kann jedoch davon ausgehen, dass viele Bewerber:innen ein Anschreiben nicht selbst verfassen oder sich zumindest stark an Textbausteinen aus der Ratgeberliteratur orientieren (Kanning, 2019). Au\u00dferdem sind Menschen durchaus dazu in der Lage, ihre Sprache auch auf paraverbaler Ebene je nach Situation bewusst zu steuern. So sprechen Frauen laut einer Studie von Berg et al. (2017) heutzutage beispielsweise deutlich tiefer als noch vor einigen Jahren, ohne dass sich biologische Faktoren ver\u00e4ndert h\u00e4tten. Die Autor:innen begr\u00fcnden diese Entwicklung damit, dass Frauen ihre Stimmh\u00f6he vermutlich bewusst anpassen, da eine tiefe, maskuline Stimme eher mit Kompetenz und St\u00e4rke assoziiert wird (Berg et al., 2017). Auch h\u00e4ngt die Sprache stark vom situativen Kontext ab, sodass etwa die Aufregung in einer Bewerbungssituation die gesprochene Sprache und somit das auf ihrer Basis erstellte Pers\u00f6nlichkeitsprofil signifikant beeinflussen werden (Schwertfeger, 2015).<\/p>\n\n\n\n

Analyse visueller Parameter<\/h2>\n\n\n\n

Das Prinzip hinter der Analyse visueller Parameter im Rahmen der Personalauswahl \u00e4hnelt der Idee der Sprachanalyse. Auch hier sollen Pers\u00f6nlichkeitseigenschaften der Bewerber:innen gemessen werden, die dann zur Vorhersage beruflicher Leistung genutzt werden. Grundlage f\u00fcr diese Einsch\u00e4tzung sind Aspekte wie die K\u00f6perhaltung, Gestik oder Mimik. Die Problematik, dass Pers\u00f6nlichkeitseigenschaften keinesfalls dazu taugen, allein und f\u00fcr sich eine ausreichend valide Prognose der beruflichen Leistung zu treffen, gilt auch f\u00fcr die Verfahren zur Analyse visueller Parameter. Dar\u00fcber hinaus l\u00e4sst sich wie auch bei der Sprachanalyse kritisieren, dass visuelle Informationen nur wenig Informationen \u00fcber die Pers\u00f6nlichkeit von Bewerberi:nnen liefern. Breil et al. (2021) untersuchten in einer Metaanalyse, inwiefern nonverbale Cues wie unter anderem Mimik und K\u00f6rpersprache als valide Hinweise dienen k\u00f6nnen, um auf die Pers\u00f6nlichkeit von Personen zu schlie\u00dfen. Wie auch in anderen Studien, wurden die Big Five als Pers\u00f6nlichkeitsmerkmale herangezogen, mit denen die visuellen Parameter korreliert wurden. Die Ergebnisse zeigen f\u00fcr 5 die meisten nonverbalen Cues eher kleine Korrelationen, einzelne Werte bewegen sich im mittleren Bereich. Die maximalen Werte f\u00fcr alle f\u00fcnf Pers\u00f6nlichkeitsdimensionen schwanken zwischen r = -.21 und r = .31 (Breil et al., 2021). Es besteht also durchaus ein Zusammenhang zwischen einzelnen nonverbalen Cues und bestimmten Pers\u00f6nlichkeitseigenschaften, allerdings w\u00fcrde auch in diesem Fall der NEO-FFI (Borkenau & Ostendorf, 2008) deutlich validere Ergebnisse liefern, wenn man die Pers\u00f6nlichkeit von Bewerber:innen anhand der Big Five beschreiben m\u00f6chte.<\/p>\n\n\n\n

Akzeptanz KI-basierter Personalauswahl durch Bewerber:innen<\/h2>\n\n\n\n

Neben einer kritischen Reflexion der G\u00fctekriterien von KI-basierten Auswahlverfahren ist es f\u00fcr Unternehmen auch bedeutsam, einen Blick auf die Akzeptanz der Methoden zu werfen. Neuere Studien zeigen, dass Bewerber:innen die Nutzung von k\u00fcnstlicher Intelligenz im Auswahlprozess durchaus kritisch bewerten. Mirowska (2020) untersuchte den Einfluss von Informationen \u00fcber die Verwendung von k\u00fcnstlicher Intelligenz auf das Bewerbungsverhalten. Es zeigte sich, dass die Bewerbungsabsicht sowie die Absicht, ein Jobangebot anzunehmen, signifikant niedriger waren, wenn Bewerber:innen die Information erhielten, dass ein Unternehmen im Auswahlprozess k\u00fcnstliche Intelligenz nutzt. Im Gegensatz dazu waren die Absichten, sich zu bewerben bzw. ein Jobangebot anzunehmen h\u00f6her, wenn die Auswahl von Menschen durchgef\u00fchrt wird (Mirowska, 2020). Eine weitere Studie von Kanning et al. (2019) konnte zeigen, dass die Verwendung von digitalen Methoden wie der KI-basierter Sprachanalyse zwar dazu f\u00fchrt, dass Unternehmen als moderner wahrgenommen werden, die Arbeitgeberattraktivit\u00e4t jedoch signifikant geringer ist. Im Vergleich zur Sichtung von Bewerbungsunterlagen und dem klassischen Einstellungsinterview bewerteten Bewerber:innen die Sprachanalyse negativer mit Blick auf ethische Gesichtspunkte. Auch die generelle Akzeptanz der KI-basierten Methode war signifikant geringer als die Akzeptanz herk\u00f6mmlicher Methoden. Zudem gehen digitale Methoden der Personalauswahl mit einem f\u00fcr Arbeitgeber:innen ung\u00fcnstigen erwarteten Bewerber:innenverhalten einher (Kanning et al., 2019). Die Forschung zeigt also, dass KI-basierte Methoden zur Personalauswahl \u2013 anders, als von den Software-Anbietern angepriesen \u2013 zum aktuellen Stand nicht geeignet sind, reliable und valide Auswahlentscheidungen zu treffen. Ebenso scheinen Bewerber:innen den Einsatz k\u00fcnstlicher Intelligenz wenig attraktiv zu finden, was mit Blick auf die Employer Branding Strategie von Unternehmen nicht zu vernachl\u00e4ssigen ist. Weitere Kritikpunkte wie die mangelnde Transparenz der Algorithmen, Datenschutzrechtliche Fragestellungen sowie gar die Reproduktion von Rassismen durch k\u00fcnstliche Intelligenz lassen den Einsatz solcher Methoden gegenw\u00e4rtig bestenfalls fragw\u00fcrdig erscheinen (Kanning,
2021; Orwat, 2020; Schwertfeger, 2015). Stattdessen sollten Unternehmen f\u00fcr die Personalauswahl lieber auf valide Methoden der Eignungsdiagnostik setzen, etwa durch den Einsatz geeigneter Leistungstests, Arbeitsproben und ma\u00dfgeschneiderter Assessment Center. Nichtsdestotrotz lohnt es sich, die Forschung zur k\u00fcnstlichen Intelligenz in der Personalauswahl weiter zu beobachten. Sollte es Anbieter:innen k\u00fcnftig gelingen, unabh\u00e4ngige und ernst zu nehmende empirische Belege f\u00fcr die Validit\u00e4t der KI-basierten Methoden zu liefern, er\u00f6ffnet dies zumindest die M\u00f6glichkeit, den Einsatz solcher Verfahren noch einmal zu evaluieren.<\/p>\n\n\n\n

\n\n\n\n

Barrick, M. R., Mount, M. K. & Judge, T. A. (2001). Personality and performance at the
beginning of the new millennium: What do we know and where do we go next?
International Journal of Selection and Assessment, 9(1-2), 9-30.<\/p>\n\n\n\n

Berg, M., Fuchs, M., Wirkner, K., Loeffler, M., Engel, C. & Berger, T. (2017). The
Speaking Voice in the General Population: Normative Data and Associations to
Sociodemographic and Lifestyle Factors. Journal of Voice, 31(2), 13-14. <\/p>\n\n\n\n

Borkenau, P., & Ostendorf, F. (2008).  NEO-FFI : NEO-F\u00fcnf-Faktoren-Inventar nach Costa und McCrae, Manual (2. Aufl.). G\u00f6ttingen: Hogrefe. <\/p>\n\n\n\n

Bosco, F. A., Aguinis, H., Singh, K., Field, J.G., & Pierce, C. A. (2015). Correlational effect size benchmarks. Journal of Applied Psychology, 100(2), 431.<\/p>\n\n\n\n

Breil, S. M., Osterholz, S., Nestler, S. & Back, M. D. (2020). Contributions of nonverbal
cues to the accurate judgment of personality traits. In T. D. Letzring & J. S. Spain
(Hrsg.), The Oxford Handbook of Accurate Personality Judgment (S. 195-218).
Oxford: University Press.<\/p>\n\n\n\n

Goldberg, L. R. (1981). Language and individual differences: The search for universals in personality lexicons. Review of personality and social psychology<\/em>, 2<\/em>(1), 141-165. <\/p>\n\n\n\n

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2. Aufl.). Hillsdale, NJ: Erlbaum.
Haufe (2022). K\u00fcnstliche Intelligenz in HR. Haufe. https:\/\/www.haufe.de\/personal\/hrmanagement\/
kuenstliche-intelligenz-im-personalwesen_80_484842.html
HireVue (2022). [Website des Anbieters]. HireVue. https:\/\/www.hirevue.com\/<\/p>\n\n\n\n

Kanning, U. P. (2018). Digitalisierung in der Eignungsdiagnostik. Report Psychologie,
43(10), 398-405.<\/p>\n\n\n\n

Kanning, U. P. (2019). Standards der Personaldiagnostik (2. \u00fcberarbeitete und erweiterte
Aufl.). G\u00f6ttingen: Hogrefe.<\/p>\n\n\n\n

Kanning, U. P. (2021). K\u00fcnstliche Intelligenz in der Eignungsdiagnostik. In H. Tirrel, L.
Winnen & R. Lanwehr (Hrsg.), Digitales Human Resource Management \u2013 Aktuelle
Forschungserkenntnisse, Trends und Anwendungsbeispiele (S. 17-29). Wiesbaden:
Springer Gabler.<\/p>\n\n\n\n

Kanning, U. P., Kraul, L. F. & Litz, R. Z. (2019). Einstellungen zu digitalen Methoden
der Personalauswahl. Journal of Business and Media Psychology, 10(1), 57-71.<\/p>\n\n\n\n

Lampart, B. (2022). HR zwischen New Normal, New Work und Nachhaltigkeit. HR Heute.
https:\/\/www.hr-heute.com\/magazin\/hr-trends-2022<\/p>\n\n\n\n

Malhotra, S., Reus, T. H., Zhu, P. C. & Roelofsen, E. M. (2017). The acquisitive nature
of extraverted CEOs. Administrative Science Quarterly, 63, 370-408.<\/p>\n\n\n\n

Mirowska, A. (2020). AI Evaluation in Selection \u2013 Effects on Application and Pursuit
Intentions. Journal of Personnel Psychology, 19(3), 142-149.<\/p>\n\n\n\n

Moreno, J. D., Mart\u00ednez-Huertas, J. A., Olmos, R., Jorge-Botana, G. & Botella, J. (2021).
Can personality traits be measured analyzing written language? A meta-analytic
study on computational methods. Personality and Individual Differences, 177,
110818.<\/p>\n\n\n\n

Orwat, C. (2020). Diskriminierungsrisiken durch Verwendung von Algorithmen. Berlin:
Antidiskriminierungsstelle des Bundes.<\/p>\n\n\n\n

Pennebaker, J. W., Mehl, M. R. & Niederholler, I. G. (2003). Psychological aspects of
natural language use: Our words, our selves. Annual Review in Psychology, 54,
547-577.<\/p>\n\n\n\n

Schick, J. & Fischer, S. (2021). Dear Computer on My Desk, Which Candidate Fits Best?
An Assessment of Candidates\u2019 Perception of Assessment Quality When Using AI
in Personnel Selection. Frontiers in psychology, 12, 739711.<\/p>\n\n\n\n

Schwertfeger, B. (2015). Personalauswahl per Sprachanalyse. Personalmagazin, 12, 32-
34.<\/p>\n\n\n\n

Yarkoni, T. (2010). Personality in 100,000 words: A large-scale analysis of personality
and ward use among bloggers. Journal of Research in Personality, 44(3), 363-
373.<\/p>\n","protected":false},"excerpt":{"rendered":"

von Daria Bielefeld  (2. Semester Master Psychologie \u2013 Human Performance in Sociotechnical Systems, Technische Universit\u00e4t Dresden) \u201eFast. Fair. Flexible.\u201c \u2013 damit wirbt ein gro\u00dfer US-amerikanischer Anbieter f\u00fcr seine Technologie zur KI-gest\u00fctzten Personalauswahl (HireVue, 2022). Anstelle eines Bewerbungsgespr\u00e4chs mit einem Recruiter oder einer Recruiterin beantworten Bewerber:innen von der Software eingeblendete Fragen und werden dabei gefilmt. Anschlie\u00dfend entscheidet […]<\/p>\n","protected":false},"author":204,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-504","post","type-post","status-publish","format-standard","hentry","category-allgemein"],"_links":{"self":[{"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/posts\/504","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/users\/204"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/comments?post=504"}],"version-history":[{"count":12,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/posts\/504\/revisions"}],"predecessor-version":[{"id":556,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/posts\/504\/revisions\/556"}],"wp:attachment":[{"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/media?parent=504"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/categories?post=504"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/tags?post=504"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}