小型團隊該問的不利影響問題

給小型團隊的檢查清單:調查各招募階段的不利影響(adverse impact),並顧及分母、不確定性、隱私、無障礙和由人負責。

小型團隊該問的不利影響問題

小型招募團隊發現不同群體的通過率有落差時,第一件事是排查流程,而不是宣布結論。這份檢查清單幫你定義階段、保留分母、調查資料品質,並決定誰能暫停流程。本文是一般的教育性資訊,不是法律建議。各地規定不同,請針對你的情況尋求合格的專業意見。

從明確的選取問題開始

在看各群體的比率之前,先寫下職缺、需求說明的版本、選取階段和結果。人才搜尋的人選池、履歷入圍名單、面試邀請、錄取通知和實際錄用,都是不同的結果。先問:

計算單位是什麼:人、應徵紀錄、履歷、面試還是錄取通知?
進入規則是什麼?到底什麼才算正向結果?
職缺需求說明、審閱者指示、候選人排序設定或門檻改了什麼?
觀察期間由哪些日期界定?誰有權決定暫停?

美國人事管理局(OPM)的評估決策指南(Assessment Decision Guide)於 2007 年 6 月 6 日發布,把工作分析、評估內容、施測方式和證據串在一起。問問看每一項標準,衡量的是不是一項有文件記錄的工作要求。美國平等就業機會委員會(EEOC)的雇用測驗與選取程序指引(Employment Tests and Selection Procedures)於 2007 年 12 月 1 日發布,是美國的指引,無法決定團隊在其他地區的法律立場。

讓群組和分母一目了然

每個階段都要記下每個核准子群組的符合資格人數、正向結果人數和選取率,以及比較群組的同樣數字。寫清楚納入規則、重複資料的處理方式、時間範圍、職缺類別,以及同一個人會不會出現不只一次。不要把試行時的前 10 名入圍名單,和一整年的錄用結果當成同一個群組來比較。

保留缺漏的紀錄和被排除的資料。確認沒有填寫選填屬性的人,是被排除、放進「未知」組,還是算進總數。記下這些資料的用途、存取控管,以及刪除或回顧的日期。不要從姓名、照片、學校、郵遞區號、口音、語言或公開個人檔案去推斷敏感特徵。如果分母無法重建,就把結果標為 UNKNOWN(未知)。

把五分之四當成篩檢訊號

五分之四比例是某一個群體的選取率,除以最高的選取率。結果低於 0.80 可以觸發調查,但它不是法律結論;結果等於或高於 0.80,也不能證明流程公平。EEOC 的《2023 年度績效報告》於 2024 年 2 月 23 日發布,現在已被 EEOC 標示為封存內容。它提到該機構在 2023 年 5 月發布的技術協助文件(這份文件已經不在 EEOC 網站上),並提醒不要把這條規則當成保證。

問問看還有什麼能解釋這個訊號:分組人數太少、資料缺漏、和工作相關的經驗、應徵管道、階段的時間點、審閱者的分派、無障礙上的阻礙、門檻有變動,或群組本身有干擾因素。比率旁邊要一併列出人數,並記下處理不確定性的方法,或說明為什麼不公開某個結果。比率只是提醒你去檢查,不能拿來替某個群體貼標籤,也不能據此自動淘汰。

檢查隱私、無障礙和人工審閱

只使用這次審閱需要的最少子群組資料。英國資訊專員辦公室(ICO)在 2024 年 11 月 6 日發表的招募使用 AI 的考量重點,強調用途、資料最小化、透明度、責任分工和影響評估。限制存取權限;可行的話,把身分資料和分析分開;記錄資料來源,並只在核准的期間內保存。

檢查流程是否無障礙。WCAG 2.2 在 2023 年 10 月 5 日成為 W3C 建議標準(連結的是 2024 年 12 月 12 日的版本),提供可以測試的網頁內容準則。檢查鍵盤操作、焦點、替代文字、對比、縮放、時間限制、字幕,以及申請調整的管道。符合 WCAG 不代表招募結果公平。必須由人審閱和工作相關的證據、手動覆寫和還沒回答的問題;工具的輸出不能在沒人察覺的情況下變成自動淘汰。

把美國國家標準暨技術研究院(NIST)在 2023 年 1 月 26 日發布的 AI RMF 1.0 當成治理、盤點、衡量和管理風險的自願性架構,而不是認證。指定流程、資料或隱私,以及決策這三方面的負責人。記下證據、待解問題、行動、回滾或人工替代方案、到期日和監控日期。

設好清楚的關卡和修正途徑

EVIDENCE: 階段、結果、群組、分母、資料來源和負責人都已經記錄成文件。
UNKNOWN: 某個標籤、子群組、缺漏模式、無障礙條件或干擾因素還不清楚。
HOLD: 有重大問題需要負責人、核准的資料決定或重新測試,才能繼續使用。
STOP: 出現未經核准的敏感替代指標、資料外洩、無障礙不足的管道、自動淘汰,或
      缺少要負責的人,必須先控制影響範圍並改由人工審閱。

修正行動可能是修改一項和工作相關的標準、檢查資料蒐集是否一致、調整門檻、重新訓練審閱者、加上無障礙管道,或回復到先前的設定。保留原始結果,記下變更內容,並盡可能用同樣定義的群組重新測試。不要保證一次修正就能消除所有偏誤。

虛構範例

在這個虛構範例中,一個四人團隊替一個資料分析師職缺審閱 80 位應徵者。在面試階段,A 組 50 位符合資格的應徵者中有 10 位得到正向結果,B 組 20 位中有 3 位;另有 10 筆紀錄沒有核准的子群組資料。團隊沒有公布落差的結論,而是先檢查這 10 筆未知紀錄是否被系統性地排除、是否有一位審閱者處理了大部分的 B 組案例,以及面試作業中是否有無障礙不足的限時環節。由於缺漏和無障礙的狀況都還沒釐清,關卡判定為 HOLD(暫緩)。團隊改用人工審閱、指定負責人、保留資料決定的紀錄,並訂下重新測試的日期。這只是範例,不是基準。

Talent Summoner 的定位

Talent Summoner 是我們做人才搜尋和履歷排序的產品。人才搜尋從一份職缺需求說明開始,搜尋公開的專業來源;候選人排序則整理你提供的履歷,交給人審閱。我們的產品不會判定是否合法合規、不會建立核准的子群組資料、不會處理調整申請、不會管理應徵流程,也不會自動淘汰候選人。標準、證據、隱私決定和最終結果,都由你的團隊負責。

常見問題

五分之四的結果能證明有不利影響(adverse impact)嗎?

不能。它是一個篩檢訊號,還需要人數、分母、背景、不確定性和合格的審閱。比例高於 0.80 也不能證明公平。

子群組資料缺漏時,小型團隊該怎麼做?

不要從個人檔案或姓名去推斷。記下缺漏情況、用途、存取權限和核准的蒐集決定。在能負責任地解讀結果之前,先標為 UNKNOWN(未知)或 HOLD(暫緩)。

AI 候選人排序報告可以直接當成不利影響的判定嗎?

不行。它可以是有文件記錄的人工審閱中的一項參考。組織必須定義階段、檢查證據、處理無障礙和隱私問題,並對任何暫停或修正行動負責。

第一個實際可做的下一步是什麼?

選一個職缺和一個階段,寫下它的進入規則和結果規則,指定三位負責人,並在比較群體比率之前保留分母。

一次只針對一個定義清楚的階段使用這份檢查清單,並把法律、隱私和無障礙的問題交給負責的合格人員處理。

Talent Summoner 的產品資訊取自我們線上的人才搜尋和候選人排序頁面,於 2026 年 10 月 3 日查證。我們每季重新查證本頁,如果有任何變動,歡迎告訴我們。

所有文章