布斯导读
在当今竞争激烈的商业环境中,越来越多的企业意识到构建多元化团队的重要性。然而,在传统招聘过程中,系统性歧视可能导致许多优秀的候选人遭到忽视。为了解决这一问题,芝加哥大学布斯商学院Rad Niazadeh教授带领的研究团队提出利用人工智能算法促进招聘流程的公平性和多样性。
随着市场环境的不断变化,企业对于人才的需求也在不断演进。为了保持竞争力,企业需要构建一个多元化、高效能的团队,以适应市场需求。然而,实现这一目标并非易事,如何在招聘过程中确保公平性和多样性常常成为困扰人力资源部门的难题。为了应对挑战,众多公司正在积极寻求技术的帮助,期望通过先进的工具和方法来优化招聘流程,更有效地筛选和吸引各类人才。芝加哥大学布斯商学院Rad Niazadeh教授表示,即便多元化并非招聘的首要目标,公司也应避免因潜在的系统性歧视(systemic discrimination)而错过优秀的人才。但随着越来越多的企业开始使用算法来辅助招聘决策,人们开始担心这些算法可能会在不经意间加剧不公平现象。原因在于,算法通常依赖于历史数据来进行分析和预测,而这些历史数据可能已经包含人类文化中已有的偏见。
对此,Niazadeh带领布斯商学院博士生Mohammad Reza Aminian,与来自耶鲁大学的Vahideh Manshadi共同开展了一项研究。研究发现,通过将自动化数据驱动算法与人工智能、机器学习技术相结合,可以帮助企业实现更加公平和多样化的人才选拔。研究人员表示,如果在设计算法时就考虑到公平性和多样性的约束条件,那么这些算法将不仅能够指导公司面试更多元化的候选人群体,还能够以最低的成本为更广泛的人群提供就业机会。
研究团队提出了一种用于招聘筛选的算法框架,包含多种有关公平性和多样性的约束条件,适用于对所有候选人逐一进行评估的招聘流程。首先,他们分析了已故经济学家马丁·韦茨曼于1979年提出的“候选人优先指数(Candidacy Priority Indices)”,又称“韦茨曼指数”(Weitzman Indices)。根据古典经济学理论,该指数可以帮助公司在面对多个候选人时进行排序和评估,确定最优的招聘策略。然而,通过深入的理论分析,研究人员认为,为了实现公平和多样化的招聘结果,招聘经理需要对这些指数进行调整,提高弱势群体候选人的优先级。
研究人员强调,组织的具体目标将决定算法的具体限制和调整方式。例如,如果一家工程公司希望聘请更多高素质的女性,它需要在面试筛选过程中纳入更多符合条件的女性候选人,而不只是增加面试的女性数量。这种方法可以避免公司流于形式,不再仅仅为了达到多样性和包容性的指标而象征性地聘用少数群体。
为了验证该算法框架的实用性,研究人员进行了模拟实验,设置了各种有关公平性和多样性的约束条件。在这些模拟中,假定的求职者被分别标记为弱势群体或优势群体成员,研究人员使用短期和长期两种评分机制来衡量他们的综合素质。短期得分反映了候选人的资历(如教育背景),以体现特权对优质教育和其他资源获取的影响;而长期得分则代表了他们在长期内表现出的真实素质,包括智力、职业道德和个人抱负等(研究人员假设这些特征在不同群体中呈均匀分布)。
与现实招聘过程中依据简历和面试表现来评估求职者的情况相同,算法仅能观察到候选人的短期得分。然而,研究者们进一步通过每位候选人的长期得分来评估不同招聘策略的长期效益。在这些模拟实验中,研究者试图探究哪种招聘方法能够更有效地帮助组织吸引并选拔出长期得分最高的候选人。
少数群体配额制的长期效益
(少数群体包括女性应聘者、有色人种应聘者和少数族裔应聘者等)
研究表明,通过消除偏见,少数群体候选人配额可以促使公司聘用那些原本可能会被忽视、实则从长远来看对组织有益的人才。
通过研究我们了解到,融入了公平性和多样性考量的算法可能会使公司录用一些简历看起来并不那么出挑的候选人,但这种影响非常小,公司为追求更公正的招聘流程所需承担的成本也是相对较小的。
Niazadeh解释说:“如果规定公司在招聘时必须保持男女比例相当,比如每招10名男性就要招10名女性,这可能会减少公司录用顶尖人才的数量。但实际情况是,这种额外的多样性要求对招聘效果的影响可能并不大。”他进一步阐述,招聘策略可能有多种最优解,虽然不考虑人口统计信息的方法可能在短期内带来更好的结果,但其他方法也同样可行。
模拟实验还表明,这种消除歧视的招聘策略能够为组织带来长期的效益:即使在某些群体的资质普遍高于其他群体的情况下,实施配额制度也能构建一个更优秀的团队,而不仅仅依赖于代表个人资历的短期评分。例如,如果一家公司能够组建一个男女比例均等的团队,其中16名成员拥有常春藤盟校的学历,那么与一个由20名男性为主的常春藤盟校毕业生组成的团队相比,它可能会拥有更优秀的员工队伍。研究人员强调,在算法中采用人口均等或配额等具有社会意识的约束条件,不仅有助于提升团队的多样性,还能在招聘过程中发现本不易察觉的优秀品质,从而提高招聘的效率和质量。
然而,如果施加极端的约束条件,比如要求每招聘10名白人STEM博士就必须招聘10名黑人STEM博士,那么在系统性歧视导致一些群体在资历上存在巨大差异时,就可能会出现职位空缺。根据Alfred P. Sloan基金会的报告,截至2021年,STEM领域的博士学位持有者中只有5%是黑人。在这种情况下,团队的长期效能会因为团队规模小于理想状态而降低。
Niazadeh提到,目前许多人都在思考决策过程中的算法公平性问题。他说:“为了应对某些机器学习算法因数据集偏见而无意中做出歧视性决策的问题,在开发用于贷款决策等高风险领域的机器学习算法时,计算机科学家和经济学家已经研究了如何通过算法来支持弱势群体。”但他同时指出,这些“公平”的机器学习算法,通常是基于单一的、即时的信息来做出决策。例如,它们可能会仅根据申请人的信用历史记录就决定是否批准一笔贷款,无法考虑到更复杂的背景。
招聘决策通常更为复杂,除了浏览简历之外,还需要投入时间和资源来评估候选人是否足够优秀。招聘过程中的资质评判指标会不断变化,因为招聘人员在不同的面试阶段都可能会对候选人产生不同的认识。Niazadeh表示:“这就是技术上的挑战。招聘一个人比打开门看看后面有什么要复杂得多。”研究人员认为,针对招聘过程的复杂性,应该采用比传统的静态机器学习模型和“韦茨曼指数”更为灵活的“马尔可夫调度框架”(Markovian scheduling framework)。该框架是一种“马尔可夫模型”(Markovian model),以其创始人安德烈·马尔可夫命名,指在一系列决策中,每一次决策都要根据前一次产生的结果进行调整。
研究人员提出的算法框架可能对多国的招聘方式产生深远影响,尤其适用于在需要逐步筛选候选人的高级职位招聘。尽管如此,Niazadeh预测美国的企业可能会对此持保留态度。他进一步解释说,即便是那些原则上不反对配额制度的人,也可能对算法在筛选两位资历相仿的求职者时所采用的随机机制感到不安。但他同时也指出,有部分政策制定者已经认可在选拔议会成员、陪审团成员或分配立法席位时采用随机方法。他认为,总体来看,这种策略有助于在最公平的条件下实现最佳结果。