Nieuw algoritme exploreert ook diversere groepen voor aanwerving

Onderzoekers van het MIT ontwikkelden een algoritme voor recruiters dat rekening houdt met diversiteitscriteria.

In een paper van MIT beschrijven Sloan associate professor Danielle Li en een aantal mede-auteurs een alternatief voor de traditionele machine learning techniek die organisaties soms gebruiken om sollicitanten te screenen. Ze maken niet de traditionele fout om geschikte kandidaten te missen doordat kandidaten niet passen in het profiel dat ontstaat als een systeem zich baseert op succesvolle kandidaten uit het verleden. In historische data zijn de niet-traditionele kandidaten immers ondervertegenwoordigd.

Niet exploiteren maar exploreren

Systemen die enkel bekende groepen screenen, noemt ze ‘exploitatiesystemen’. Danielle Li ontwikkelde een systeem dat ook ‘exploreert’: het doorzoekt ook minder voor de hand liggende groepen en bouwt toch een garantie in voor geschiktheid. Door die exploratie vindt het systeem ook kandidaten waarover de organisatie het minste weet. Dat kunnen kandidaten zijn die zeldzaam zijn omdat ze een minder voor de hand liggende opleiding of werkervaring hebben, of op basis van demografische kenmerken.

De nieuwe aanpak leverde meer dan drie keer zoveel zwarte en hispanic kandidaten op dan organisaties geslecteerd zouden hebben met een algoritme met een voorkeur voor traditionele cv’s. Bovendien genereerde het algoritme een set van gesprekskandidaten die met een hogere graad van waarschijnlijkheid een jobvoorstel zouden aanvaarden. Ook dat zou het aanwervingsproces sterk stroomlijnen.

Bronnen

Danielle Li, Lindsey Raymond, Peter Bergman, Hiring as exploration

Brian Estwood, Exploration-based algorithms can improve hiring quality and diversity, MIT Management Sloan School