Werkzoekende in gesprek met algoritme over vacaturematching

de mens in de black box

Hoe zet je de kracht van artificiële intelligentie in ten gunste van werkenden en werkzoekenden? Het projectteams van Jaap Jan van Assen (eelloo) ontwikkelden een AI-gedreven instrument “Mark My Words – daarmee zoeken mensen op een Tinder-achtige manier naar banen die matchen bij hun profiel én geven zij feedback aan het systeem over de passendheid van de voorgestelde vacatures. Ze gaan als het ware in gesprek met het algoritme. Met als beoogd resultaat: betere kansen op de arbeidsmarkt en betere loopbaanbeslissingen voor werkenden. Bovendien draagt dit instrument bij aan meer Responsible en Explainable AI in recruitment. 

 

Pas op de plaats voor grote beloften van AI in recruitment

AI HR recruitment

Op welke kenmerken verschilt de lijst van geschikte kandidaten, wanneer machine learning modellen worden gebruikt in plaats van meer traditionele technieken? Komen er meer inclusieve, diverse keuzes of juist meer exclusieve keuzes in geschikte kandidaten in praktijk tot stand? Of maakt het geen verschil? Jacqueline van Breemen (NOA) deed onderzoek naar de consequenties van selectie met behulp van AI op de diversiteit van de geselecteerden. Ze won hiermee tevens de Eindprijs van de NSvP AI x Recruitment Challenge.

Hoe ervaren sollicitanten de inzet van AI in selectieproces?

Ai in recruitment - solliciteren bij AI

Sollicitanten zijn een belangrijke groep bij de introductie van algoritmes in matching en recruitment. Wat vinden zij ervan als zij door AI worden beoordeeld? Hoe eerlijk ervaren sollicitanten het als ze worden beoordeeld door AI op basis van hun LinkedIn profiel of video-interviews? En maakt het daarbij uit of ze uiteindelijk geschikt of ongeschikt worden bevonden? Een projectgroep aan de Vrije Universiteit onderzocht in het kader van de NSvP AI x Recruitment Challenge hoe het zit met de acceptatie van sollicitanten bij gebruik van AI in sollicitatieprocedures.

AI en recruitment: twee handen op een buik of liefde van één kant?

Onderzoek HR AI recruitment research

AI heeft binnen werving & selectie veel potentie. Het toepassen van algoritmes op meer ‘softe’ sociale variabelen (zoals persoonlijke eigenschappen en vaardigheden) - in plaats van meetbare, feitelijke variabelen (zoals aantal jaar werkervaring) - als voorspellers van succes en gedrag is echter nog een groot grijs gebied. Daarom is wetenschappelijk onderzoek in dit veld zo belangrijk. Zodat de werkzoekenden van de toekomst hun voordeel kunnen doen met het onderzoek van vandaag. Een gesprek met onderzoekers Janneke Oostrom (Vrije Universiteit Amsterdam), Jaap Jan van Assen (eelloo) en Jacqueline van Breemen (NOA).

Algoritmisch solliciteren

De mogelijkheden van AI voor werving en selectie van werknemers lijken eindeloos. Hoe ziet de toekomst van deze ontwikkeling eruit? En hoe faciliteert – of frustreert – AI de diversiteit op de arbeidsmarkt? De NSvP sloeg de handen ineen met Medialab SETUP.

Waarom AI niet neutraal is: bias #5 masking

ai recruitment selection

Waar we in eerdere artikelen spraken over hoe het gebruik van data mining en algoritmes onbedoeld kan leiden tot discriminatie bij de werving en selectie van personeel, draait dit laatste mechanisme de rollen een beetje om. Algoritmes bieden namelijk handvatten om juist bewust te discrimineren. We bespreken het laatste mechanisme genoemd door onderzoekers Barocas en Selbst: masking

Algoritmisering en de black box - tijd voor verklaarbare AI?

machine learning school robot

Black boxes bij AI treden op wanneer machine learning systemen beslissingen maken die door de gebruiker niet duidelijk of vanzelfsprekend zijn. Het gebruik van de zelflerende algoritmes kan onbedoeld leiden tot discriminatie of een gebrek aan vertrouwen. Transparantie, verklaarbaarheid, verantwoordelijkheid zijn belangrijke kenmerken voor een begrijpelijk en uitlegbaar AI-systeem. Waarom gebruikt niet iedereen Explainable AI?

Waarom AI niet neutraal is: bias #4 proxies

werving selectie algoritme bias proxy

Proxies zijn cijfers die correlaties aanduiden tussen bepaalde concepten, waardoor ze voor een algoritme dienen als een soort voorspellers. Blond haar is bijvoorbeeld een proxy voor een blank huidtype. Aan de hand van zulke correlaties worden mensen ingedeeld in groepen. Er ontstaan patronen waaruit blijkt dat bepaalde groepen gemiddeld slechtere prestaties, vaardigheden of capaciteiten vertonen, met als gevolg een systematische uitsluiting van die groepen. Wat kunnen we eraan doen?

Waarom AI niet neutraal is: bias #3

HR algoritme werving selectie bias

Als je algoritmes wil gebruiken om iets automatisch te voorspellen, moet je de wereld vereenvoudigen om het in programmeertaal te kunnen vastleggen. Bijvoorbeeld: wil je een slimme kandidaat - neem iemand met een universitair diploma. Organisaties maken dus keuzes over welke indicatoren ze opnemen in hun algoritmische analyses. Dit keuzeproces wordt ‘feature selection’ genoemd. Omdat algoritmes een vereenvoudigde wereld vereisen, kunnen biases ontstaan. Deel 3 uit een serie van vijf.

AI en recruitment als kat-en-muisspel

Steeds vaker gebruiken organisaties HR-technologie en analytics ten behoeve van beter matchende en presterende medewerkers. Maar wat als individuele werkenden op hun beurt dit ook gaat inzetten om werkgevers en hun HR-beleid beter te kunnen inschatten?

Over NSvP

De NSvP is een onafhankelijke stichting en vermogensfonds, en zet zich in voor een menswaardige toekomst van werk. Wij ontwikkelen, delen en verspreiden kennis op het gebied van mens, werk en organisatie. We stellen de vraag hoe de arbeidsmarkt van morgen eruit ziet en wat dat vraagt van de talentontwikkeling van jongeren en werkenden. 

Rijnkade 88
6811 HD Arnhem
info@nsvp.nl
026 - 44 57 800

 

Vind ons op Facebook
Volg ons