گروه غرب از نگاه غرب خبرگزاری فارس: این روزها از رهبران زنی چون جاسیندا آردرن نخست وزیر نیوزیلند و لاندن برید شهردار سانفرانسیسکو به عنوان کسانی نام برده می شود که در مقابله با کووید19 واکنش سریع و به موقعی از خود نشان داده اند.
اما تعداد مردانی که به عنوان رهبران دولت در سراسر جهان انتخاب شده اند بسیار بیشتر است. این تفاوت منحصر به رهبری سیاسی نمی ماند. در سال 2019 فوربس 100 تن از «متنفذترین رهبران» آمریکا را انتخاب کرد که 99 نفر از آنان مرد بودند.
این عدم تنوع محدود به جنسیت نیز نیست. پیمایشی که در مورد مدیران ارشد بخش غیرانتفاعی انجام شده، نشان می دهد که 87 درصد از پاسخگویان خود را به عنوان سفیدپوست معرفی کرده اند.
من به عنوان مدیر اجرایی و دانشگاهی یک مرکز رهبری، در مورد تبعیض و مشمولیت در حوزه استخدام مطالعه می کنم. من مشاهده کرده ام که سازمان های زیادی به دنبال روندی هستند که در آن بتوان سوگیری ها را در شناسایی رهبران حذف کرد. سرمایه گذاران خواهان سرمایه گذاری در کسب و کارهایی با نیروی کار متنوع و کارکنان به دنبال کارکردن در سازمان های برخوردار از تنوع هستند.
تحقیقات من نشان می دهد که اتکا بر تجزیه و تحلیل داده ها برای حذف سوگیری های انسانی در انتخاب رهبران کمکی نخواهد کرد.
هوش مصنوعی خطاناپذیر نیست
هرچه می گذرد کارفرمایان برای تعیین اینکه از میان متقاضیان ثبت نام کرده چه کسانی را باید برای مصاحبه انتخاب کرد، بیشتر بر الگوریتم ها تکیه می کنند.
همانطور که آیفوما آیونوا متخصص در حوزه حقوق کار می نویسد: «تصمیم گیری توسط الگوریتم ها یکی از مسائل مربوط به حقوق مدنی در قرن بیست و یکم محسوب می شود.» در فوریه 2020 کمیته تحصیلات و کار مجلس نمایندگان آمریکا جلسه استماعی تشکیل داد با عنوان «آینده کار: حفاظت از حقوق مدنی کارگران در عصر دیجیتال.»
به کار گرفتن الگوریتم ها در گزینش کارکنان، روندی را به وجود می آورد که هیچ شفافیتی در آن وجود ندارد و قابل نظارت نیست. متقاضیانی که از گردونه انتخاب حذف می شوند – یا به قول آیونوا «رد شدن الگوریتمی» - برای اطلاع از دلایل آن چندان نمی توانند بر روندهای قانونی اتکا کنند.
برای مثال گفته می شود که در سال 2014 آمازون شروع به تهیه یک برنامه مبتنی بر رایانه برای شناسایی بهترین روزمه های متقاضیان درخواست کار کرده بود. ایده پشت این کار خودکارسازی یک روند و افزایش بهره وری بود که بخش عمده ای از سایر جنبه های کسب و کار آن انجام شده بود.
اما با استفاده از مدل های رایانه ای برای مشاهده الگوهایی در روزمه های متقاضیان 10 سال گذشته این شرکت برای انتخاب بهترین روزمه، رایانه به خود آموخت که روزمه مردها بر رزومه ای ترجیح دارد که شامل کلمه «برای زنان»، مثل یک باشگاه یا سازمان زنان است. بر اساس گزارش ها آمازون بعدها این پروژه را رها کرد.
هرچند اغلب سوگیری های تاریخی با بی مبالاتی در داخل الگوریتم ها تعبیه می شوند و بازتابی از پیش داوری های انسانی هستند، اما در تحقیقی که اخیرا فیلیپ ام. نیکولاس انجام داده، یک تهدید دیگر یعنی پتانسیل دستکاری عامدانه الگوریتم های پایه برای منتفع شدن طرف های ثالث نیز مورد شناسایی قرار گرفته است.
توانایی ردگیری سوگیری های یک الگوریتم چه از سر بی مبالاتی انجام شده باشند چه عامدانه، کار به شدت دشواری است، چرا که این اتفاق می تواند در هر یک از مراحل توسعه تحول هوش مصنوعی از گرد آوری داده ها تا مدل سازی رخ دهد.
از این رو هر چند سازمان ها به ابزارهای تجزیه و تحلیل رهبری مبتنی بر تحقیق و تجزیه و تحلیل مشخصه های رهبری دسترسی دارند، اما کلیشه رهبر مرد سفیدپوست عمیقا ثبیت شده و حتی گاهی کسانی این کار را انجام داده اند که خودشان سفیدپوست نبوده اند. به سادگی نمی توان این مشکل را در تهیه یک الگوریتم مخصوص انتخاب رهبران از بین برد.
بعد از مصاحبه ها
داده های لازم برای ساخت این الگوریتم ها به شکل تصاعدی افزایش پیدا می کنند. یک سرویس مصاحبه ویدئویی به نام هایروو درمورد توانایی خود برای ردگیری هزاران نکته در داده های منحصر به یک مصاحبه تنها 30 دقیقه ای لاف می زند، از ساختار جملات گرفته تا حرکات چهره تا تعیین قابلیت استخدام فرد در مقایسه با دیگر متقاضیان.
به این ترتیب تصور کنید چه فرصتی در اختیار یک کارفرمای فعلی قرار دارد تا با استفاده از آن به منظور تعیین پتانسیل رهبری و ترفیعات در نیروی کار خود، به طور همیشگی به گردآوری داده ها بپردازد. برای مثال دوربین ها در محیط کار حالات چهره کارکنان را در تمام ساعات کاری در طی روز جمع آوری می کنند، به خصوص زمان ورود و خروج کارکنان.
با گذشت زمان، داده ها نه تنها در طول ساعات کاری روز یا در حین کار، بلکه در ساعات غیرکاری نیز گردآوری می شود. در مقاله ای که اخیرا منتشر شده، پرفسور لئورا آیزنشتادت برنامه های مختص محیط کاری را شناسایی کرده که مقادیر کلانی از داده های مربوط به تعاملات خارج از ساعات کار کارکنان را مثلا از پست های فیس بوک و استفاده از فیت بیت آنها گردآوری کرده اند، بی آنکه درمورد استفاده های آتی از این داده ها هیچ شفافیتی وجود داشته باشد. سپس کارفرمایان از این داده ها برای تعیین لازم و ملزومات با هدف پیش بینی موفقیت کارکنان در آینده استفاده کرده بودند.
آنگونه که آیزنشتادت می نویسد اکثر کارکنان «احتمالا از این تصور که سلیقه آنها در انتخاب نوشیدنی، شیفتگی شان نسبت به فلان گروه موسیقی و ترجیح آنها به خواندن واشنگتن پست در کنار هزاران متغیر دیگری که می توانند برای تعیین فرصت های ترقی شغلی، پتانسیل رهبری و موفقیت های حرفه ای آتی شان مورد استفاده قرار گیرد، عصبانی خواهند شد.»
با این حال امروز این پتانسیل در محیط های کار وجود دارد و قوانین نیز در مورد مقادیر عظیمی از داده های گردآوری و استفاده شده از سوی کارفرمایانی که خواهان اطلاعات بیشتر برای سرمایه گذاری روی کارکنانشان برای ترفیع و انتخاب آنها برای رهبری پس از تایید داده ها هستند، نمی تواند به سادگی کاری کند.
در بسیاری از موارد کارکنان با گردآوری ابرداده ها موافق هستند، بی آنکه درک درستی در این باره داشته باشند که این داده ها چه چیزی را ممکن است در مورد آنها فاش کنند و چگونه می توانند برای کنار زده شدن یا ارتقا در یک حرفه به کار بیایند.
نویسنده: جولی منینگ مگید (Julie Manning Magid) استاد حقوق کسب و کار در دانشگاه دولتی ایندیاناپولیس
منبع: https://b2n.ir/394763
انتهای پیام.
افشای کامل
روایتگری موثر
زیستگاه رسانه
قصه های کرونا
کد اقناع
کیفیت حکومت
