{"text":[[{"start":9.26,"text":"研究人员发现，大雇主使用的人工智能招聘工具在多次筛选中一再筛掉同一批求职者，而其中黑人和亚裔候选人受到的影响不成比例地高。"}],[{"start":20.83,"text":"斯坦福大学(Stanford)牵头的一项研究，分析了Pymetrics招聘平台上156家雇主收到的共400万份求职申请。该平台通过一系列在线游戏对求职者进行评估。研究发现，其所采用的算法与一种“系统性拒绝”现象相关联。"}],[{"start":41.16,"text":"研究表明，求职者至少要投递25个不同职位，才几乎可以确保至少有一份申请能获得进入下一轮筛选的推荐。"}],[{"start":50.31999999999999,"text":"这项研究是迄今为止对人工智能招聘算法规模最大的一次研究，并进一步加深了人们的担忧：广泛使用的自动化招聘工具可能会在多个雇主中固化偏见。"}],[{"start":61.849999999999994,"text":"基于游戏的测评在雇主中日益流行，他们越来越多地依赖Pymetrics或HireVue等公司来筛选收到的大量求职申请。求职者抱怨说，他们花上数小时完成这些测试，却几乎没有机会让自己的申请得到人工审阅。"}],[{"start":79.24,"text":"该研究的合著者、东北大学(Northeastern University)哲学与计算机科学助理教授凯瑟琳•克里尔(Kathleen Creel)表示：“当某一家供应商在某个领域的决策中逐渐占据主导地位时，这家供应商自身的特性或缺陷就可能在整个行业中普遍存在，这是以前不可能出现的情况。”"}],[{"start":96.83,"text":"Pymetrics的所有者Harver未回应置评请求。"}],[{"start":101.27,"text":"这项研究由斯坦福大学“以人为本人工智能研究院”牵头，分析了2018年12月至2022年12月期间通过Pymetrics提交的400万份求职申请。该数据集涵盖156家雇主，其中大多数企业的年收入在50亿美元以上。"}],[{"start":120.06,"text":"研究发现，在结果上存在“明显的种族差异”。在按具体岗位进行分析时，研究人员发现，数据集中每10个岗位中就有1个对黑人求职者产生了“不利影响”，而每20个岗位中就有1个对亚裔求职者产生了“不利影响”。"}],[{"start":137.57,"text":"“不利影响”是美国联邦机构使用的一个术语，用来描述某一族群（按种族、性别或族裔划分）的录取或录用率低于录取或录用率最高群体的五分之四的情况。"}],[{"start":149.7,"text":"此前，加州大学伯克利分校(University of California, Berkeley)和芝加哥大学(University of Chicago)的研究人员进行的一项研究发现，与“典型白人姓名”相比，“典型黑人姓名”会使求职者被雇主联系的概率降低2.1个百分点。"}],[{"start":162.64,"text":"这项由斯坦福大学牵头的研究还发现，在某些岗位上，雇主筛选求职者所使用的算法模型完全相同。研究人员识别出42个在不同雇主之间“共用”的模型，这意味着一名在某家公司被拒绝的候选人，也很可能无法通过使用同一模型的其他雇主的筛选。不过，数据显示，真正因此而受影响的候选人并不多。"}],[{"start":187.92,"text":"在申请10个职位的求职者中，有4%的求职者在所有职位上都被平台的算法建议拒绝，这一比例高于随机情况下按概率应出现的水平。"}],[{"start":198.94,"text":"研究人员写道：“当应聘者同时向两家不同的雇主申请两个职位时，他们理所当然会认为，自己会接受两次独立的评估，因此拥有两次机会。但如果这两个职位使用的是同一个模型，那么他们得到的数值评分将完全相同。”"}],[{"start":216.32999999999998,"text":"Pymetrics所采用的算法会评估求职者的多种特质，例如风险偏好和反应速度，以及信任他人、关心他人等特性。那些各项表现与公司最优秀员工最为接近的申请者会被推荐进入下一轮，其余人则会被淘汰。"}],[{"start":233.77999999999997,"text":"该研究的作者提醒，其研究结果可能无法推广到所有算法筛选情形，并指出Pymetrics的游戏化测评方法，可能不同于简历筛选等其他做法。"}]],"url":"https://audio.ftcn.net.cn/album/a_1779857330_2371.mp3"}