布斯導讀
在當今競爭激烈的商業環境中，越來越多的企業意識到構建多元化團隊的重要性。然而，在傳統招聘過程中，系統性歧視可能導致許多優秀的候選人遭到忽視。為了解決這一問題，芝加哥大學布斯商學院Rad Niazadeh教授帶領的研究團隊提出利用人工智慧演算法促進招聘流程的公平性和多樣性。
隨著市場環境的不斷變化，企業對於人才的需求也在不斷演進。為了保持競爭力，企業需要構建一個多元化、高效能的團隊，以適應市場需求。然而，實現這一目標並非易事，如何在招聘過程中確保公平性和多樣性常常成為困擾人力資源部門的難題。為了應對挑戰，眾多公司正在積極尋求技術的幫助，期望透過先進的工具和方法來最佳化招聘流程，更有效地篩選和吸引各類人才。芝加哥大學布斯商學院Rad Niazadeh教授表示，即便多元化並非招聘的首要目標，公司也應避免因潛在的系統性歧視（systemic discrimination）而錯過優秀的人才。但隨著越來越多的企業開始使用演算法來輔助招聘決策，人們開始擔心這些演算法可能會在不經意間加劇不公平現象。原因在於，演算法通常依賴於歷史資料來進行分析和預測，而這些歷史資料可能已經包含人類文化中已有的偏見。
對此，Niazadeh帶領布斯商學院博士生Mohammad Reza Aminian，與來自耶魯大學的Vahideh Manshadi共同開展了一項研究。研究發現，透過將自動化資料驅動演算法與人工智慧、機器學習技術相結合，可以幫助企業實現更加公平和多樣化的人才選拔。研究人員表示，如果在設計算法時就考慮到公平性和多樣性的約束條件，那麼這些演算法將不僅能夠指導公司面試更多元化的候選人群體，還能夠以最低的成本為更廣泛的人群提供就業機會。
研究團隊提出了一種用於招聘篩選的演算法框架，包含多種有關公平性和多樣性的約束條件，適用於對所有候選人逐一進行評估的招聘流程。首先，他們分析了已故經濟學家馬丁·韋茨曼於1979年提出的“候選人優先指數（Candidacy Priority Indices）”，又稱“韋茨曼指數”（Weitzman Indices）。根據古典經濟學理論，該指數可以幫助公司在面對多個候選人時進行排序和評估，確定最優的招聘策略。然而，透過深入的理論分析，研究人員認為，為了實現公平和多樣化的招聘結果，招聘經理需要對這些指數進行調整，提高弱勢群體候選人的優先順序。
研究人員強調，組織的具體目標將決定演算法的具體限制和調整方式。例如，如果一家工程公司希望聘請更多高素質的女性，它需要在面試篩選過程中納入更多符合條件的女性候選人，而不只是增加面試的女性數量。這種方法可以避免公司流於形式，不再僅僅為了達到多樣性和包容性的指標而象徵性地聘用少數群體。
為了驗證該演算法框架的實用性，研究人員進行了模擬實驗，設定了各種有關公平性和多樣性的約束條件。在這些模擬中，假定的求職者被分別標記為弱勢群體或優勢群體成員，研究人員使用短期和長期兩種評分機制來衡量他們的綜合素質。短期得分反映了候選人的資歷（如教育背景），以體現特權對優質教育和其他資源獲取的影響；而長期得分則代表了他們在長期內表現出的真實素質，包括智力、職業道德和個人抱負等（研究人員假設這些特徵在不同群體中呈均勻分佈）。
與現實招聘過程中依據簡歷和麵試表現來評估求職者的情況相同，演算法僅能觀察到候選人的短期得分。然而，研究者們進一步透過每位候選人的長期得分來評估不同招聘策略的長期效益。在這些模擬實驗中，研究者試圖探究哪種招聘方法能夠更有效地幫助組織吸引並選拔出長期得分最高的候選人。
少數群體配額制的長期效益
(少數群體包括女性應聘者、有色人種應聘者和少數族裔應聘者等)
研究表明，透過消除偏見，少數群體候選人配額可以促使公司聘用那些原本可能會被忽視、實則從長遠來看對組織有益的人才。
透過研究我們瞭解到，融入了公平性和多樣性考量的演算法可能會使公司錄用一些簡歷看起來並不那麼出挑的候選人，但這種影響非常小，公司為追求更公正的招聘流程所需承擔的成本也是相對較小的。
Niazadeh解釋說：“如果規定公司在招聘時必須保持男女比例相當，比如每招10名男性就要招10名女性，這可能會減少公司錄用頂尖人才的數量。但實際情況是，這種額外的多樣性要求對招聘效果的影響可能並不大。”他進一步闡述，招聘策略可能有多種最優解，雖然不考慮人口統計資訊的方法可能在短期內帶來更好的結果，但其他方法也同樣可行。
模擬實驗還表明，這種消除歧視的招聘策略能夠為組織帶來長期的效益：即使在某些群體的資質普遍高於其他群體的情況下，實施配額制度也能構建一個更優秀的團隊，而不僅僅依賴於代表個人資歷的短期評分。例如，如果一家公司能夠組建一個男女比例均等的團隊，其中16名成員擁有常春藤盟校的學歷，那麼與一個由20名男性為主的常春藤盟校畢業生組成的團隊相比，它可能會擁有更優秀的員工隊伍。研究人員強調，在演算法中採用人口均等或配額等具有社會意識的約束條件，不僅有助於提升團隊的多樣性，還能在招聘過程中發現本不易察覺的優秀品質，從而提高招聘的效率和質量。
然而，如果施加極端的約束條件，比如要求每招聘10名白人STEM博士就必須招聘10名黑人STEM博士，那麼在系統性歧視導致一些群體在資歷上存在巨大差異時，就可能會出現職位空缺。根據Alfred P. Sloan基金會的報告，截至2021年，STEM領域的博士學位持有者中只有5%是黑人。在這種情況下，團隊的長期效能會因為團隊規模小於理想狀態而降低。
Niazadeh提到，目前許多人都在思考決策過程中的演算法公平性問題。他說：“為了應對某些機器學習演算法因資料集偏見而無意中做出歧視性決策的問題，在開發用於貸款決策等高風險領域的機器學習演算法時，計算機科學家和經濟學家已經研究瞭如何透過演算法來支援弱勢群體。”但他同時指出，這些“公平”的機器學習演算法，通常是基於單一的、即時的資訊來做出決策。例如，它們可能會僅根據申請人的信用歷史記錄就決定是否批准一筆貸款，無法考慮到更復雜的背景。
招聘決策通常更為複雜，除了瀏覽簡歷之外，還需要投入時間和資源來評估候選人是否足夠優秀。招聘過程中的資質評判指標會不斷變化，因為招聘人員在不同的面試階段都可能會對候選人產生不同的認識。Niazadeh表示：“這就是技術上的挑戰。招聘一個人比開啟門看看後面有什麼要複雜得多。”研究人員認為，針對招聘過程的複雜性，應該採用比傳統的靜態機器學習模型和“韋茨曼指數”更為靈活的“馬爾可夫排程框架”（Markovian scheduling framework）。該框架是一種“馬爾可夫模型”（Markovian model），以其創始人安德烈·馬爾可夫命名，指在一系列決策中，每一次決策都要根據前一次產生的結果進行調整。
研究人員提出的演算法框架可能對多國的招聘方式產生深遠影響，尤其適用於在需要逐步篩選候選人的高階職位招聘。儘管如此，Niazadeh預測美國的企業可能會對此持保留態度。他進一步解釋說，即便是那些原則上不反對配額制度的人，也可能對演算法在篩選兩位資歷相仿的求職者時所採用的隨機機制感到不安。但他同時也指出，有部分政策制定者已經認可在選拔議會成員、陪審團成員或分配立法席位時採用隨機方法。他認為，總體來看，這種策略有助於在最公平的條件下實現最佳結果。