Bias vrij selecteren door een computer algoritme?

In een serie van 3 blogposts gaan we dieper in op het fenomeen bias in selectieprocessen. Bias, en daarmee discriminatie van sollicitanten, is vaak onbedoeld maar heeft een negatief effect. Volledig zonder bias selecteren is heel lastig maar je kunt wel een aantal maatregelen treffen.

Artificial intelligence wordt al jaren genoemd als oplossing om een goede efficiënte screening te maken uit grote aantallen CV’s. Het is soms nog wat onduidelijk wat AI wel en niet kan, omdat het zo’n breed begrip is. Maar als het aankomt op de war for talent speelt AI een heel specifieke rol: nauwkeurigere en efficiëntere voorspellingen doen van prestaties en vaardigheden van een kandidaat. Het kan op die manier ook helpen om bias uit de eerste stappen van het selectieproces te halen. Het is belangrijk om een heldere definitie te gebruiken van AI in selectie. AI is: “Het vinden van patronen die door mensen vaak niet gezien worden door middel van het analyseren van grote hoeveelheden data”. Deze patronen worden omgezet tot algoritmen die vervolgens gebruikt worden voor het maken van beslissingen die het selectieproces objectiever (lees met minder bias) en sneller moeten maken.
AI kan – in tegenstelling tot traditionele wervingsmethoden – patronen vinden die je met het blote oog niet ziet zonder afgeleid te worden door irrelevante achtergrondinformatie.

De voordelen van AI in selectieprocessen
Het gebruik van instrumenten gebaseerd op AI brengt veel voordelen met zich mee in recruitment:

  • Verhoging van de kwaliteit van de match
  • Tijdsbesparend
  • Betere kandidaat assessment
  • Verminderen van bias

Maar kijk uit, het lijkt nu dat er alleen maar voordelen zijn terwijl er over de laatste 2 punten nog wel wat gezegd moet worden. AI en de algoritmes kunnen de menselijke (on)bewuste beoordeling uit het selectieproces halen, dat is positief. Maar je moet hier wel alert zijn dat AI modellen meestal een resultaat zijn van de data die je erin stopt (de training data set). We zien vaak dat dit datamodellen zijn van high performers of van andere uniforme groepen medewerkers in de organisatie die bepaalde kenmerken delen.
Op basis hiervan wordt een ‘model kandidaat’ gemaakt waarmee de sollicitanten worden vergeleken. Hier komt een voorspelling uit over de match tussen de kandidaat en de functie. Dit klinkt theoretisch veelbelovend. Maar als er bias zit in je data of je training data set en de algoritmen worden hier niet op gecorrigeerd zal AI het probleem van bias in selectie alleen maar versterken.

Subtiele en onbedoelde bias door AI
Als je voetbalprestaties bij 15-jarigen gaat voorspellen, zie je dat de oudste jongens in de selectie – geboren in januari, februari of maart – vaak de beste voetballers zijn. Dit komt doordat jongens van 15 jaar nog volop in de groei zijn en de net iets oudere jongens zijn fysiek superieur en lijken daardoor betere voetballers. Over dit fenomeen is een prachtig boek geschreven door Malcom Gladwell; “Outliers, the Story of Success”. Bias krijgt opeens de vorm van een geboortemaandeffect. Belangrijk is dus dat je moet proberen te voorkomen dat je dataset die gebruikt wordt voor het algoritme zuiver is. Het is niet altijd transparant hoe een algoritme tot stand is gekomen waarmee de maatschappelijke acceptatie ter discussie staat. Kandidaten vragen zich (terecht) af of de criteria waartegen zij zijn afgezet wel correct zijn. Wie kan hen geruststellen dat het algoritme niet selecteert op leeftijd bijvoorbeeld?

Wat kun je doen om AI in je selectieproces zo goed en objectief mogelijk in te zetten?

  1. Vraag actief persoonsgegevens uit: vraag kandidaten toestemming om hun persoonsgegevens te analyseren en de data zo te kunnen normaliseren om bias tegen te gaan.
  2. Breng onbewuste biases in kaart: pas als je weet dat er bias is kan je deze actief tegengaan.
  3. Blijf inclusiviteit en diversiteit bijhouden: blijf bijhouden of de maatregelen die je neemt daadwerkelijk inclusiviteit en diversiteit bevorderen. Doe regelmatig onderzoek en bespreek de resultaten met je (HR) team.
  4. Doe goed onderzoek naar de tool die je gebruikt: wat zijn de claims van de leveranciers en hoe kunnen ze die bewijzen. Is de tool wetenschappelijk ontwikkeld en onderbouwd of is het meer een flashy moderne tool waar meer aandacht is besteed aan de experience en minder aan het onderzoek?

Conclusie; AI is geen tovermiddel
Bias in het selectieproces vermijden is lastig, zelfs als je het aan een computer overlaat moet je hier alert op blijven. Door vooraf zoveel mogelijk onbewuste biases in kaart te brengen en hierop blijft corrigeren verminder je de kans dat je een kandidaat uitsluit op basis van (on)bewuste bias. Het blijft belangrijk om continu je kennis van nieuwe technologie en AI op te frissen om zo de beste keuzes te maken voor het recruitmentbeleid.

Meer weten?
Ben je benieuwd hoe je de bias in jouw selectieproces kan verminderen? Neem contact op met ons. We vertellen je er graag meer over!

Neem contact met ons op

Brainsfirst mag mij benaderen per mail