德国柏林技术与经济应用技术大学对技术辅助招聘工具的公平性评估

当技术辅助的招聘工具宣称“几分钟内从500多份申请中筛选出前10名！”时，这对许多招聘负责人来说无疑极具吸引力。然而，这类工具的实际效率究竟如何？其所生成的排名是否公正？又是否真正考量了企业所承诺的多样性目标？这些都是亟待解答的问题。

赫尔加·米哈耶维奇教授是机器学习领域的专家，长期致力于技术辅助人才选拔的研究，近期更参与了名为“FairTecHR”的专题项目。她冷静地指出：“目前尚无明确的法律或实务标准用以评估这类工具的公平性，对其潜在的歧视风险也缺乏全面系统的评估。”在访谈中，这位学者进一步探讨了如何通过建立数据信托模型，为这一领域制定早该落实的规范标准。

技术目前在人才选拔中的应用有多普遍？
米哈耶维奇教授表示，目前并没有准确的调查数据能说明多少公司正在使用这类技术，或它们更青睐哪一种工具。但可以观察到，相关工具的数量正在持续增长。它们常被用于提升选拔流程的效率，也有些工具旨在有针对性地丰富现有信息——例如生成心理特征画像。此外，还有一类工具通过优化招聘广告的表述，帮助雇主吸引更多样化的申请人，例如避免隐含的性别或年龄歧视，让不同背景的候选人都感受到被关注。

这些工具通常应用于哪些环节？
它们可贯穿选拔过程的不同阶段。除了上述提到的招聘广告环节，人工智能辅助技术也常用于初步筛选。有些工具能自动解析简历中的技能、学历与证书信息并生成排名；还有一些专门用于比较不同国家的学历资格，这对跨国企业尤其重要。此外，也有工具旨在帮助求职者更具公平性地呈现工作经历，例如合理说明女性因育儿假造成的中断，以缓解社会性因素带来的不利影响。某些岗位甚至引入心理测评类人工智能，试图更精准地刻画个人特质，以便其软技能与团队现有成员更好地匹配。

这些工具的实际效果如何？
部分研究表明，人工智能辅助的人力资源技术可能会加剧现有的社会不平等，反而与企业自身追求的多元化目标背道而驰。然而，人力资源部门往往难以在采购前进行有效评估，大多只能依赖销售阶段提供的信息。米哈耶维奇教授苦笑道：“可惜没有像德国商品测试基金会那样的独立机构对此类工具进行评测——当然，人才选拔技术毕竟不同于吸尘器。”事实上，由于法律、概念与组织层面的多重挑战，即便对软件开发商而言，在实践中落实公平性评估也困难重重。这一点正是“FairTecHR”项目在多次焦点小组讨论中所深刻意识到的。

相关技术的透明度如何？
许多技术由商业供应商开发，其算法细节通常不会公开。与此同时，也有越来越多初创企业尝试将心理学、经济学等领域的科学发现融入工具设计中。其中不少具备伦理意识，致力于通过学术审查和流程透明来建立信任——这正成为一个显著趋势。

但所有厂商都面临同一个根本问题：目前缺乏评估公平性的明确法律或实务标准，也没有系统性的歧视风险测评框架。尽管欧盟《人工智能法案》当前草案已将多数人才选拔类应用列为高风险技术，并要求在开发过程中采取高标准以保障基本权利，但该草案并未就商业化部署后的具体监督机制提供详细指引。

如何提升公平性方面的透明度？
米哈耶维奇教授分析道，欧盟法案期望企业在开发阶段遵循最佳实践，但这还不够。“过去许多资源充沛的大型企业在产品开发中仍存在明显的公平性缺陷。如果避免错误那么容易，他们早就做到了。”她认为，立法者应在此领域制定具有约束力的标准。一种可行的评估基准是建立数据合作社或数据信托模型——正如“FairTecHR”项目所规划的那样。该模型可独立且受信地管理涉及公平分析的数据（如性别、年龄、移民背景等），并吸引技术提供商、客户、权益团体及科学界共同参与工具的专业评审。

她最后乐观地表示：“我相信事情正在朝这个方向发展。例如，德国联邦教育与研究部近期在此领域的招标项目就是一个积极信号。或许五年之内，我们就能看到来自德国开发者的优秀原型系统问世。”