De (on)mogelijkheden van machine learning voor het verminderen van bias en discriminatie bij personeelsbeslissingen | Amsterdam University Press Journals Online
2004
Volume 33, Issue 4
  • ISSN: 0921-5077
  • E-ISSN: 1875-7235

Abstract

In dit artikel zetten we uiteen wat de toepassing van machine learning-algoritmes voor personeelsselectie inhoudt en hoe deze data-gedreven werkwijze overeenkomt met en verschilt van de klassieke selectiepsychologie. Aansluitend bespreken we of, en op welke manier, er bias en discriminatie kan optreden bij het gebruik van algoritmes gebaseerd op machine learning voor personeelsselectie. Hiervoor voerden we een literatuurstudie uit (periode 2016-2019), waarbij we 41 artikelen selecteerden. De resultaten geven aan dat algoritmes mogelijkerwijs leiden tot minder (indirecte) discriminatie vergeleken met sommige andere selectiemethoden. Dat is een van de redenen waarom de ontwikkeling van algoritmes voor selectie zo snel is gegaan en het aantal aanbieders is toegenomen. Het is echter onvoldoende mogelijk om vast te stellen of de belofte ook wordt ingelost. Dit komt deels doordat algoritmes vaak bedrijfsgeheim zijn (geen transparantie) en vanwege onduidelijkheden over de validiteit en betrouwbaarheid van data die gebruikt worden om algoritmes te ontwikkelen. Selectiepsychologische vraagstukken rondom diversiteit en validiteit zijn (nog) niet opgelost via de ontwikkeling van algoritmes. De toenemende aandacht voor het onderwerp, getuige de sterke groei van het aantal publicaties, stemt hoopvol. We besluiten met aanbevelingen voor het traceren en verminderen van bias en discriminatie bij het gebruik van algoritmes voor selectie.

Loading

Article metrics loading...

/content/journals/10.5117/2020.033.004.002
2020-12-01
2024-03-29
Loading full text...

Full text loading...

http://instance.metastore.ingenta.com/content/journals/10.5117/2020.033.004.002
Loading
This is a required field
Please enter a valid email address
Approval was a Success
Invalid data
An Error Occurred
Approval was partially successful, following selected items could not be processed due to error