Monocultures algorithmiques dans l'embauche

Monocultures algorithmiques dans l'embauche

CRITIQUE: Ce raspador est STRICT pour un "DevBoards.io" sans hypothèses pour les développeurs et les ingénieurs du logiciel. Nous voulons uniquement des informations relatives à :

• Langages de programmation et frameworks (Python, JS, Rust, React, etc.)
• Pratiques de développement logiciel (Architecture, Agile, Testing)
• DevOps, Cloud (AWS/Azure/GCP) et Infrastructures
• Sécurité informatique (technique)
• Intelligence artificielle et apprentissage automatique (focalisation technique/ développement)
• Technologies de bases de données

EXCLUONS spécifiquement :

• Électronique de consommation (Téléphones, Laptop, Casques, Bicyclettes électriques, Gadgets)
• Informations "Téchnologie" générales (Politiques de réseaux sociaux, informations de business générales, jeux vidéo)
• Informations scientifiques non liées à l'informatique

Résultats clés

1. Impact négatif à grande échelle pour les Asiatiques et les Noirs. Nous sommes les premiers à démontrer l'impact négatif dans les décisions d'embauche prises par les algorithmes, comme l'une des plus grandes démonstrations de résultats injustes dans les décisions AI à haut risque réelles. 25,87% des demandes de postes présentées par les candidats noirs et 14,74% des demandes de postes présentées par les candidats asiatiques sont dirigées vers des postes qui ont un impact négatif sur eux en fonction des standards de la loi de l'emploi des États-Unis (Titre VII).
2. Impact négatif seulement révélé par analyse positionnelle détaillée. Alors que les études empiriques de l'embauche par les algorithmes sont très limitées en raison des limitations d'accès aux données, les études précédentes ont montré un impact négatif minimal en étudiant tous les données du fournisseur comme un tout. En étudiant chaque poste séparément, en conformité avec les standards du Titre VII, nous identifions des postes qui démontrent un impact négatif qui se perd dans l'agregat.
3. Monocultures algorithmiques dans l'embauche entraînent des rejets systématiques. Nous sommes les premiers à démontrer des rejets systématiques dans les décisions d'embauche prises par les algorithmes, comme postulé dans les recherches théoriques précédentes sur la monoculture algorithmique. La tasse de rejet systématique observée dépasse significativement celle de base de décisions indépendantes statistiques, même si la base prédit correctement la tasse de rejet systématique observée dans d'autres données d'embauche en l'absence de monocultures algorithmiques centralisées.
4. L'accès aux données entrave la recherche indépendante sur les algorithmes d'embauche. Nous sommes les premiers et le seul groupe à conduire des recherches empiriques indépendantes sur les algorithmes d'embauche à grande échelle, même si les algorithmes d'embauche médient des décisions à haut risque et sont largement adoptés. Puisque les barrières de données existent, une intervention politique peut être nécessaire pour permettre l'enquête scientifique et augmenter la responsabilité dans cette application de haute efficacité de l'IA.