De (on)mogelijkheden van machine learning voor het verminderen van bias en discriminatie bij personeelsbeslissingen

Translated title of the contribution: The promises and perils of machine learning algorithms to reduce bias and discrimination in personnel selection procedures

Annemarie M.F. Hiemstra*, Tatjana Cassel, Marise Ph Born, Cynthia C.S. Liem

*Corresponding author for this work

Research output: Contribution to journalArticleAcademicpeer-review

4 Citations (Scopus)
290 Downloads (Pure)

Abstract

In dit artikel zetten we uiteen wat de toepassing van machine learning-algoritmes voor personeelsselectie inhoudt en hoe deze data-gedreven werkwijze overeenkomt met en verschilt van de klassieke selectiepsychologie. Aansluitend bespreken we of, en op welke manier, er bias en discriminatie kan optreden bij het gebruik van algoritmes gebaseerd op machine learning voor personeelsselectie. Hiervoor voerden we een literatuurstudie uit (periode 2016-2019), waarbij we 41 artikelen selecteerden. De resultaten geven aan dat algoritmes mogelijkerwijs leiden tot minder (indirecte) discriminatie vergeleken met sommige andere selectiemethoden. Dat is een van de redenen waarom de ontwikkeling van algoritmes voor selectie zo snel is gegaan en het aantal aanbieders is toegenomen. Het is echter onvoldoende mogelijk om vast te stellen of de belofte ook wordt ingelost. Dit komt deels doordat algoritmes vaak bedrijfsgeheim zijn (geen transparantie) en vanwege onduidelijkheden over de validiteit en betrouwbaarheid van data die gebruikt worden om algoritmes te ontwikkelen. Selectiepsychologische vraagstukken rondom diversiteit en validiteit zijn (nog) niet opgelost via de ontwikkeling van algoritmes. De toenemende aandacht voor het onderwerp, getuige de sterke groei van het aantal publicaties, stemt hoopvol. We besluiten met aanbevelingen voor het traceren en verminderen van bias en discriminatie bij het gebruik van algoritmes voor selectie.

Translated title of the contributionThe promises and perils of machine learning algorithms to reduce bias and discrimination in personnel selection procedures
Original languageDutch
Pages (from-to)279-299
Number of pages21
JournalGedrag en Organisatie
Volume33
Issue number4
DOIs
Publication statusPublished - Dec 2020

Bibliographical note

Publisher Copyright:
© 2020, Boom Lemma Publishers. All rights reserved.

Research programs

  • ESSB PSY
  • ESSB PED

Fingerprint

Dive into the research topics of 'The promises and perils of machine learning algorithms to reduce bias and discrimination in personnel selection procedures'. Together they form a unique fingerprint.

Cite this