Xobin寻找人才评估和人工智能招聘软件?查看 Xobin
§ 我们的方法 · 偏见

公平是一种可测量的属性,而不是承诺。

一个在平均水平上预测良好的测试在候选人群体中仍然可能表现不均。偏见审计是Xobin捕捉这一点的方法,在项目级别和分数级别,确保在影响招聘决策之前。Xobin Capability Graph (XCG)中每个技能节点后面的每个评分项目都被监控以检查不利影响和差异项目功能。
01 ·

定义范围内的公平

Xobin的公平性从书面命名我们正在测试的子组和我们所持有的公平性定义开始。组定义由客户的合规框架设定,通常是性别、年龄段和地区,仅在汇总中使用,绝不会作为对单个候选人评分的输入。范围记录在评估的证据档案中,以便审查者可以准确看到审计了什么,未审计什么。

02 ·

运行统计测试

对于每个评分项目和每个完整评估,我们根据标准的 4/5 规则进行不利影响分析,筛选项目以检测差异项目功能 (DIF),即在不同组中具有相同潜在能力的候选人对某一项目的回答不同,并随时间跟踪组均值差距。结果与可靠性和有效性一起报告,因为公平的测试是对所有三个方面的共同声明。

03 ·

修正我们发现的问题

显示一致 DIF 的项目会从活动项目池中抽取,并送回主题专家进行审查、重写或退役。未能在总体上达到 4/5 的比例的评估会被标记给客户,并在继续使用之前提供重新验证的建议。偏见审计是一个循环,而不是证书:每次整改后相同的测试会再次进行。

这里描述的公平性检查持续应用于客户雇佣的评估中。 希望在自己招聘中保持相同严谨性的团队可以直接通过使用它 Xobin.

我们方法中的下一步人工智能偏见
§ 来自实验室

与研究团队联系。

这里描述的方法论是每个Xobin评估和AI面试内部运行的内容,因此招聘团队可以基于证据而非直觉做出人才决策。 查看Xobin.