Studie over toegankelijkheid en gelijkheid

Vooroordelen bij aanwervingsbeslissingen blijven een probleem op de werkvloer. Hoewel aanwervingsalgoritmen voordelen kunnen bieden, worden ze nog steeds vaak beschouwd als instrumenten die menselijke vooroordelen versterken. Via een reeks studies tonen we aan dat het mogelijk is aanwervingsbeslissingen te ontdoen van vooroordelen door het bouwen en gebruiken van algoritmen en data die blind zijn voor geslacht, leeftijd, handicap of etniciteit. Algoritmen die gebaseerd zijn op enkele van de meest voorspellende indicatoren van werknemersprestaties (Schmitt, 2014), zoals de persoonlijkheid en interesses van een kandidaat — waarop mensen ook grotendeels overeenkomen (Hyde, 2005) — zijn zowel effectief als eerlijk. Door te focussen op sleutelfactoren voor succes die blind zijn voor demografische kenmerken, maken de beoordelingen van AssessFirst via SHAPE, DRIVE en BRAIN het mogelijk uw diversiteit te vergroten.

• • Onze beoordelingsresultaten zijn aantoonbaar blind voor geslacht, leeftijd, etniciteit, handicap en een reeks neurodivergente aandoeningen
  • Onze scoringsalgoritmen zijn niet-discriminerend en billijk: de profielen die door het algoritme aan aanwervingsmanagers worden aanbevolen, vertonen demografische kenmerken die vergelijkbaar zijn met die van de volledige pool van kandidaten die solliciteren naar de functie

• Onze oplossing kan van nature de genderonevenwichtigheid in uw organisatie corrigeren; zelfs wanneer het algoritme getraind wordt op een door mannen gedomineerde steekproef, zal het algoritme bij toepassing op een neutrale steekproef mannen en vrouwen in vrijwel gelijke verhoudingen aanbevelen.

Dit document maakt de synthese van deze studies. Het bevat ook algemene informatie over de inspanningen die we leveren op het gebied van diversiteit, en wat AssessFirst tot een essentiële speler maakt op het vlak van gebruikerservaring en inclusiviteit. Download de studie