Studio sull'accessibilità e l'equità

I pregiudizi nelle decisioni di assunzione continuano a essere un problema sul posto di lavoro. Anche se gli algoritmi di assunzione possono offrire dei vantaggi, sono spesso considerati strumenti che amplificano i pregiudizi umani. Attraverso una serie di studi, dimostriamo che è possibile ridurre i pregiudizi nelle decisioni di assunzione attraverso la costruzione e l'utilizzo di algoritmi e dati che sono indipendenti dal genere, dall'età, dalla disabilità o dall'etnia. Gli algoritmi basati su alcuni degli indicatori più predittivi delle prestazioni di un dipendente (Schmitt, 2014), come la personalità e gli interessi di un candidato — su cui le persone sono anche per lo più simili (Hyde, 2005) — sono sia efficaci che equi. Concentrandosi sui fattori chiave di successo che sono indipendenti dalla demografia, le valutazioni SHAPE, DRIVE e BRAIN di AssessFirst consentono di potenziare la diversità.

• • I risultati delle nostre valutazioni sono dimostratamente indipendenti rispetto al genere, all'età, all'etnia, alla disabilità e a una serie di condizioni neurodivergenti
  • I nostri algoritmi di scoring sono non discriminatori ed equi: i profili che verranno raccomandati dall'algoritmo ai responsabili delle assunzioni presentano caratteristiche demografiche simili a quelle dell'intero pool di candidati che si candidano alla posizione

• La nostra soluzione può naturalmente correggere gli squilibri di genere nella tua organizzazione; anche quando si addestra l'algoritmo su un campione a predominanza maschile, l'algoritmo continuerà a raccomandare uomini e donne in proporzioni quasi uguali quando applicato su un campione neutro.

Questo documento costituisce la sintesi di questi studi. Fornisce inoltre informazioni generali sugli sforzi che mettiamo in campo in materia di diversità e su ciò che rende AssessFirst un attore essenziale per quanto riguarda l'esperienza utente e l'inclusività.