Zusammenfassung: Recruiting-Algorithmen können Bewerbungen schneller klassifizieren, aber Ungleichheiten historischer Daten reproduzieren. Ein vertrauenswürdiges System misst gruppenbezogene Fehler, Erklärbarkeit und menschliche Anfechtung.
Ursachen von Bias
Bias entsteht durch unterrepräsentierte Gruppen, historische Einstellungsentscheidungen, fehlerhafte Labels, Proxy-Variablen und Signale, die Bequemlichkeit statt tatsächlicher Arbeitsleistung messen. Auch ohne sensible Felder können indirekte Signale entstehen.
Fünf Tests vor dem Start
- Repräsentiert der Datensatz den Bewerberpool?
- Wie unterscheiden sich falsch negative und falsch positive Ergebnisse zwischen Gruppen?
- Werden sensible Merkmale indirekt über Proxys verwendet?
- Bleiben Ergebnisse über Rollen und Zeiträume stabil?
- Können Prüfer Empfehlungen hinterfragen und überschreiben?
Wirksame menschliche Kontrolle
Menschliche Kontrolle ist mehr als ein Bestätigungsfeld. Prüfer benötigen relevante Eingaben, Konfidenzgrenzen und Modellgrenzen. Sie sollten Bewerbungen unabhängig prüfen und Gründe dokumentieren. Bei Ablehnungen mit hoher Wirkung sind Review und Einspruchsweg erforderlich.
Governance
- Zulässige und verbotene Zwecke dokumentieren.
- Verantwortliche für Modell, Daten und Entscheidung benennen.
- Versionen, Quellen, Tests und Änderungen protokollieren.
- Angemessene Informationen und Kontaktwege für Kandidaten schaffen.
- Fairness- und Leistungstests regelmäßig wiederholen.
Fazit
Ein Recruiting-Algorithmus ist ein begrenztes Entscheidungshilfsmittel, keine Autorität. Geschwindigkeit ist nicht vertrauenswürdig, wenn Bias-Tests, Prüfung, Erklärung und Einspruch nicht gemeinsam gestaltet werden.
Quellen
Dieser Beitrag dient der allgemeinen Information und ist keine Rechtsberatung.
İK süreçlerinizi daha güvenilir yönetin
CADRO ile veri, süreç ve çalışan deneyimini tek platformda birleştirin.
Hemen Başla →