8.2 Algoritmes bij werving
digitale kanalen
In hoofdstuk 3 heeft u al kunnen lezen dat organisaties volop gebruikmaken van sociale media en andere digitale kanalen om vacatures te plaatsen en geschikte kandidaten te vinden. Veel van deze websites zetten algoritmes in om passende vacatures aan potentiële kandidaten te presenteren. Het is daardoor mogelijk dat u zonder het te weten een algoritme gebruikt voor uw werving.
Deze algoritmes maken gebruik van verschillende informatiebronnen, zoals informatie uit profielen, eerdere keuzes en gedrag van de gebruiker zelf of van vergelijkbare gebruikers.
8.2.1 Aangeleverde data
onbedoelde effecten
Algoritmes zijn ook gebaseerd op aangeleverde data van organisaties, zoals de gegevens van eerdere kandidaten en selectiebeslissingen. Een algoritme leert dus van eerdere beslissingen door gebruikers van het platform. Op basis van deze historische beslissingen zien alleen de kandidaten die mogelijk een goede match zijn de vacatureteksten. Deze voorspellingen kunnen ook onbedoelde effecten hebben. Als in het verleden meer mannen werden geselecteerd voor hoge functies, zal het algoritme deze ‘bias’ overnemen en een vacature voor een hoge functie vaker aan mannen tonen dan aan vrouwen.
8.2.2 Effecten van zoekmachines
zoekresultaten
Met behulp van zoekmachines, zoals die van LinkedIn, kunt u ook proactief zoeken naar kandidaten. De algoritmes achter die zoekmachines beoordelen de geschiktheid van kandidaten en tonen u de meest geschikte kandidaten als eerste in de zoekresultaten. Afhankelijk van hoe deze algoritmes getraind zijn, houden ze rekening met demografische kenmerken zoals naam, leeftijd, land van herkomst en opleidingsniveau, wat voor sommige kandidaten nadelig kan zijn.
Hoewel deze partijen u meestal niet toestaan om zoekresultaten te filteren op demografische gegevens, zoals geslacht, leeftijd en etniciteit, zijn deze variabelen indirect aanwezig in andere kenmerken, zoals jaren ervaring als indicator van leeftijd.
8.2.3 Waarde van kandidaat heeft invloed
genderneutraal
Tot slot hebben kandidaten ook een economische waarde voor platforms die de samenstelling van uw kandidatengroep kunnen beïnvloeden. In een onderzoek van Global Witness werd een genderneutrale vacature vertoond op Facebook en kreeg het platform geen instructies om de vacature aan te bieden aan bepaalde demografische groepen. De onderzoekers ontdekten dat hun neutrale advertentie toch minder aan vrouwen werd getoond, omdat advertenties met een digitale veiling verkocht worden en het duurder is om een advertentie aan vrouwen te tonen dan aan mannen. Dit verschil komt doordat vrouwen vaak eerder op een advertentie klikken. Ook in dit onderzoek klikte (de kleinere groep) vrouwen relatief vaker op de advertentie dan mannen. Ongeveer hetzelfde patroon werd voor andere platformen gevonden, zoals Instagram, Twitter (nu X) en Google Adwords.
8.2.4 Eerlijkheid bepalen
discriminatie
Wervingsalgoritmes van sociale media en andere digitale kanalen gebruiken dus informatie van kandidaten, organisaties en informatie die belangrijk is voor het platform zelf. Hierdoor hebben algoritmes soms op onverwachte manieren invloed op de demografische samenstelling van uw kandidatengroep. Wetenschappelijk onderzoek heeft duidelijk laten zien dat een bias in wervingsalgoritmes latere discriminatie in personeelsselectie verbergt, doordat de discriminatie al op een eerder moment heeft plaatsgevonden.
Als u de eerlijkheid van uw werving en selectie uitsluitend bepaalt aan de hand van uw selectieresultaten, is het mogelijk dat u onterecht concludeert dat uw werving-en-selectieprocedure eerlijk is.