Etude sur l'accessibilite et l'equite

Les biais dans les decisions d'embauche continuent de poser probleme dans le monde du travail. Meme si les algorithmes de recrutement peuvent offrir des avantages, ils sont encore largement percus comme des outils qui amplifient les prejuges humains.A travers une serie d'etudes, nous montrons qu'il est possible de reduire les biais dans les decisions d'embauche grace a la construction et a l'utilisation d'algorithmes et de donnees aveugles au genre, a l'age, au handicap ou a l'origine ethnique.Les algorithmes bases sur certains des indicateurs les plus predictifs de la performance d'un collaborateur (Schmitt, 2014), tels que la personnalite et les interets du candidat - sur lesquels les individus sont egalement pour la plupart similaires (Hyde, 2005), sont a la fois efficaces et equitables.En se concentrant sur les facteurs cles de reussite aveugles aux donnees demographiques, les evaluations d'AssessFirst SHAPE, DRIVE et BRAIN permettent de stimuler votre diversite.

• • Nos resultats d'evaluation se sont averes aveugles en ce qui concerne le genre, l'age, l'origine ethnique, le handicap et un ensemble de conditions neurodiverses
  • Nos algorithmes de scoring sont non discriminatoires et equitables : les profils recommandes par l'algorithme aux responsables du recrutement presentent des caracteristiques demographiques similaires a celles de l'ensemble du vivier de candidats postulant au poste

• Notre solution peut naturellement corriger le desequilibre de genre dans votre organisation ; meme en entrainant l'algorithme sur un echantillon a predominance masculine, l'algorithme recommandera des hommes et des femmes dans des proportions quasi egales lorsqu'il sera applique sur un echantillon neutre.

Ce document constitue la synthese de ces etudes. Il fournit egalement des informations generales sur les efforts que nous deployons en matiere de diversite, et ce qui fait d'AssessFirst un acteur essentiel en matiere d'experience utilisateur et d'inclusivite.