Ondanks de krapte op de arbeidsmarkt wordt er nog steeds - bewust of onbewust - gediscrimineerd bij de werving en selectie van nieuwe medewerkers. Om meer bewustzijn te creëren bij werkgevers, komt de overheid met de Wet gelijke kansen bij werving en selectie. Werkgevers moeten volgens deze wet vastleggen hoe zij ervoor zorgen dat hun sollicitatieproces objectief verloopt, zodat er geen sprake is van discriminatie. We spraken Bas van de Haterd over bias free selecteren en de inzet van technologie hierbij.
Denkt u dat het inzetten van technologie noodzakelijk is bij het werven en selecteren zonder vooroordelen, of is technologie vooral erg handig?
“Elk mens heeft per definitie vooroordelen. Dus zolang er mensen bij het proces betrokken zijn, is het onmogelijk om het geheel zonder vooroordelen te doen. Maar technologie kan absoluut een hele grote rol spelen bij het minimaliseren hiervan en is daarvoor beslist noodzakelijk. Maar als we de verkeerde technologie inzetten of de goede technologie verkeerd inzetten, wordt het absoluut een drama.”
Wat is een voorbeeld van verkeerde technologie?
“Er zijn leveranciers die zeggen dat ze iets wetenschappelijks doen, terwijl dat niet het geval is. Alles op basis van MBTI of DISC bijvoorbeeld is niet wetenschappelijk gevalideerd.
De meeste tools die gebaseerd zijn op microexpressies en facial recognition hebben ook geen wetenschappelijke basis, maar er zijn uitzonderingen.
Er is nooit wetenschappelijk aangetoond dat er enige correlatie is tussen wat er in een cv zou kunnen staan en performance
“Er is ook nooit wetenschappelijk aangetoond dat er enige correlatie is tussen iets wat in een cv zou kunnen staan en performance. Ik zeg niet dat ervaring er niet toe doet; ervaring gemeten in kwaliteit is waardevol. Maar op een cv staat ervaring gemeten in jaren en dat heeft geen relatie met toekomstige prestaties. Vandaar dat technologie op basis van cv’s ook niet werkt”.
“Sommige dingen zijn wel mogelijk, maar niet alle aanbieders doen het op de juiste manier. Je kunt bijvoorbeeld kwaliteiten die relevant zijn voor bepaalde functies naar voren laten komen met behulp van games. Maar dat betekent niet dat ook altijd de capaciteiten van een kandidaat naar voren komen als games hiervoor worden ingezet. Niet alle aanbieders zijn goed.
“Elke partij die zegt: ‘Wij leggen geen geslacht of ras vast, dus het kan niet in het algoritme komen’, snapt het niet. Wanneer bijvoorbeeld een man ‘leraar’ op zijn cv zet en een vrouw met dezelfde ervaring schrijft ‘lerares’, kan de technologie wel het geslacht uit het cv filteren, maar het algoritme kan er nog steeds op selecteren. Amazon legde ook geen geslacht vast, maar dat wilde niet zeggen dat het uit hun algoritme bleef. Juist doordat ze het aan de achterkant wel hadden vastgelegd, zagen ze op een gegeven moment dat alle vrouwen werden afgewezen. Maar als je het niet vastlegt, kun je er ook niet op corrigeren.”
Kunt u een aantal voorbeelden noemen van tools die ingezet kunnen worden als het gaat om bias free hiring?
“Er is technologie die helpt met het filteren van identificeerbare informatie. De hiring manager krijgt geen naam, geslacht, geboorteplaats etc. te zien. Er is niet aangetoond dat dit iets bijdraagt, maar het kan in ieder geval geen kwaad. Je ziet ook technologie die unbiased lijstjes maakt op basis van cv’s, de zogenaamde keyword-selectie. Maar dit werkt in de praktijk vaak niet goed. Daarnaast zie je steeds meer testen komen, soms game based. Daar ben ik wel een groot voorstander van. Die kun je goed inzetten voor bias free selectie.”
Kan technologie ook helpen bij het opstellen van inclusieve vacatureteksten?
“Zonder meer, die technologie is er al. Het verbaast mij nog steeds dat dit zo beperkt wordt ingezet. Het interessante is: bijna iedere recruiter is het er over eens dat het schrijven van vacatureteksten niet de kracht is van de mensen die het moeten doen. En toch worden de tools, die ook in het Nederlands beschikbaar zijn, heel beperkt ingezet.
“Inclusiviteit kent natuurlijk veel dimensies. Naar gender is veel onderzoek gedaan. Gender-coded woorden kunnen we het makkelijkst met technologie filteren. Van etniciteiten weten we nog niet zo heel veel. Daar zijn ook heel veel subgroepen in. Bepaalde woorden hebben een connotatie in sommige hele kleine subgroepen. Neem de soms subtiele verschillen tussen het Nederlands en het Vlaams. In het Vlaams is bijvoorbeeld ‘tewerkstellen’ een hele normale term. Het heeft te maken met de locatie waar je wilt werken. In Nederland is dat toch anders en hebben we al snel de associatie met een werkstraf.”
Online krijgt niet iedereen dezelfde vacatureteksten te zien door de algoritmes van platforms. Op basis van eerder klikgedrag wordt de advertentie met de vacature aan bepaalde doelgroepen getoond. Hoe kun je hier als recruiter mee omgaan als je zo breed mogelijk wilt werven?
“Het Facebook-algoritme is bijvoorbeeld per definitie discriminerend, ook al stel je het niet als zodanig in. Want het algoritme zal altijd optimaliseren naar aantal kliks. Het algoritme kan daarom niet zonder vooroordelen zijn, omdat de gebruikers van het platform (degenen die klikken) vooroordelen hebben. Werkgevers zeggen vaak vanuit juridisch oogpunt dat zij niet selecteren bij het uitzetten van een advertentie en dat iedereen tussen de 18 en 67 jaar de vacature mag zien. Maar als je één advertentie maakt, is die per definitie biased, omdat die trekt naar een bepaalde doelgroep, op basis van bijvoorbeeld het gebruikte tekst- en beeldmateriaal.
Met de mededeling dat de functie goed betaalt, trek je jonge mannen onder de dertig
“Door een heleboel verschillende advertenties te maken, kun je je vacature toch breed inzetten. In de verschillende advertenties gebruik je divers beeld, maar richt je je ook op de verschillende assets die een functie heeft. Zo is bijvoorbeeld bekend dat de beveiligers op Schiphol om verschillende redenen voor die functie kiezen. Met de mededeling dat de functie goed betaalt, trek je jonge mannen van onder de dertig. Dat triggert hen het meest. Maar vrouwen van boven de dertig met kinderen trek je meer aan met de melding dat het werkschema twee maanden van te voren bekend is.
“Om dit uit te voeren moeten mensen persona’s maken voor de verschillende doelgroepen, maar met behulp van technologie kun je gemakkelijk meerdere advertenties maken. Ik ken leveranciers die aanbieden duizend verschillende advertenties te maken voor op Facebook, volledig geautomatiseerd vanuit een enkele vacature.”
Techniek kan dus een belangrijke rol spelen bij recruitment. Maar gaat het niet ook om de menselijke klik, om de vraag of we met iemand kunnen samenwerken?
“Als we één ding weten van mensen is het dat we verschrikkelijk slecht zijn in het op waarde schatten van andere mensen. De enige personen die in staat zijn om daadwerkelijk iemand goed op waarde te schatten, hebben een psychologieopleiding gehad. Wat is de belangrijkste reden dat we zo ontzettend veel mis-hires hebben? Doordat er toch geen klik was. In een gesprek van een uurtje is het ook onmogelijk om een klik vast te stellen.
“Ik hoorde recent professor Scott Galloway in de Pivot podcast vertellen over een onderzoek dat een tijd geleden is gedaan naar romantische relaties die ontstaan zijn op de werkvloer. Het blijkt dat in de overgrote meerderheid de personen die uiteindelijk getrouwd zijn, elkaar oorspronkelijk niet zo mochten. Dat genegenheid groeide door de tijd heen. Die menselijke klik is dus helemaal niet gelijk vast te stellen. Toch doen we in een sollicitatiegesprek aan ‘snap judgement’.”
Tijdens een gesprek komen wellicht alsnog vooroordelen om de hoek.
“Door in het voortraject technologie in te zetten, komt er onafhankelijke data beschikbaar. Deze persoonlijkheidsdata kun je valideren in de gesprekken. Met de juiste voorinformatie wordt het ook een ander gesprek. Ik ken een case waarbij een pilot werd gedraaid met een bepaalde tool. Er waren twee selectiecommissies: één op basis van de tool (test) en één op basis van het cv.
Ze zouden vijf personen uitnodigen voor de gesprekken. Over drie daarvan was geen discussie, die kwamen op zowel test als cv goed naar voren. Daarnaast was er een kandidaat met als enige een 100 procent score op wat ze dachten dat het profiel moest zijn vanuit de tool, maar met het allerslechtste cv. Een andere kandidaat had het mooiste cv, maar de allerslechtste score op de tool. Ik ben ervan overtuigd dat de persoon met de slechte score op de tool een stuk kritischer is ondervraagd tijdens het gesprek, dan wanneer ze alleen naar het cv hadden gekeken. In het gesprek is hij volledig door de mand gevallen. Hij bleek niets te kunnen. De kandidaat die 100 procent had gescoord op de tool, werd uiteindelijk gekozen en men is nu jaren later nog steeds supertevreden met hem.”
Welk scenario verwacht u voor de toekomst?
“Voor sommige functies gaat de techniek het helemaal overnemen. Sterker nog, dat is al het geval. Bij het aantrekken van Amazon warehouse medewerkers zijn geen mensen betrokken. Voor andere dingen moet je je afvragen of je überhaupt techniek nodig hebt. We moeten het ook niet overcompliceren.”
“Ik denk wel dat we naar augmented recruitment gaan. Dat we veel meer gaan kijken hoe we de recruiter en de mens kunnen ondersteunen, kunnen aanvullen met technologie. En ik ben een groot voorstander van algoritme auditing. Er moeten onafhankelijke controles op tools en algoritmes komen. Want veel leveranciers zeggen wel dat ze wetenschappelijk onderbouwd zijn, maar dan moeten ze dat ook aantonen.”