Estudio de accesibilidad y equidad

Los sesgos en las decisiones de contratación siguen siendo un problema en el lugar de trabajo. Aunque los algoritmos de contratación pueden ofrecer ventajas, todavía se les considera ampliamente como herramientas que amplifican los prejuicios humanos. A través de una serie de estudios, demostramos que es posible eliminar los sesgos en las decisiones de contratación mediante la construcción y el uso de algoritmos y datos que son ciegos al género, la edad, la discapacidad o la etnia. Los algoritmos que se basan en algunos de los indicadores más predictivos del rendimiento de un empleado (Schmitt, 2014), como la personalidad y los intereses del candidato, en los que las personas también son mayoritariamente similares (Hyde, 2005), son a la vez eficaces y justos. Al centrarse en factores clave de éxito que son ciegos a la demografía, las evaluaciones de AssessFirst de SHAPE, DRIVE y BRAIN permiten impulsar su diversidad.

• • Nuestros resultados de evaluación han demostrado ser ciegos en cuanto a género, edad, etnia, discapacidad y una variedad de condiciones neurodiversas
  • Nuestros algoritmos de puntuación son no discriminatorios y equitativos: los perfiles que serán recomendados por el algoritmo a los responsables de contratación presentan características demográficas similares a las del conjunto total de candidatos que postulan al puesto

• Nuestra solución puede corregir naturalmente el desequilibrio de género en su organización; incluso cuando se entrena el algoritmo con una muestra dominada por hombres, el algoritmo recomendará hombres y mujeres en proporciones casi iguales cuando se aplique sobre una muestra neutra.

Este documento presenta la síntesis de estos estudios. Además, proporciona información general sobre los esfuerzos que desplegamos en materia de diversidad, y lo que hace de AssessFirst un actor esencial en cuanto a experiencia del usuario e inclusividad.