Перейти к основному содержимому

Алгоритмическая дискриминация при автоматизированном найме

Автоматизированный наем представляет собой комплексную социотехническую систему первичной селекции кандидатов, подверженную рискам систематической алгоритмической предвзятости. Формирование дискриминационных исходов обусловлено искажениями в ретроспективных данных обучения, скрытыми корреляциями между защищенными признаками и целевыми метриками эффективности, а также дефицитом алгоритмической прозрачности. Преодоление выявленных барьеров требует внедрения процедур регулярного аудита моделей, соблюдения антидискриминационных стандартов и обязательного сохранения роли экспертного человеческого контроля в кадровом цикле.

Предварительный просмотр

Посмотрите оформление и введение. Полная версия уточнит структуру по стандарту выбранного типа работы.

Дипломная работа (ВКР бакалавра)

Ученая степень
Алгоритмическая дискриминация при автоматизированном найме

Выполнил(а):

Group

Фамилия Имя Отчество

Научный руководитель:

Фамилия И.О.

Город 2026

Содержание

Введение
Глава 1. Теоретико-методологические основы алгоритмического найма
1.1. Эволюция систем автоматизированного рекрутинга и классификация алгоритмов
1.2. Природа и типология алгоритмической предвзятости в системах машинного обучения
1.3. Концептуальные модели справедливого отбора и антидискриминационные стандарты
Глава 2. Анализ проявлений и факторов алгоритмической дискриминации
2.1. Влияние смещения в обучающих выборках на воспроизводство социального неравенства
2.2. Особенности дискриминации уязвимых социальных групп при видео- и резюме-скрининге
2.3. Правовые риски и институциональные барьеры выявления косвенной дискриминации
Глава 3. Механизмы минимизации предвзятости и регулирование автоматизированного найма
3.1. Методы алгоритмического аудита и обеспечение объяснимости моделей отбора
3.2. Роль человеческого контроля и трансформация корпоративных регламентов рекрутинга
3.3. Перспективные направления гармонизации нормативно-правового регулирования систем найма
Приложение А. Сравнительная матрица алгоритмических инструментов оценки кандидатов
Заключение
Список использованных источников

Введение

Автоматизация процедур первичного отбора персонала представляет собой динамично развивающийся сегмент применения интеллектуальных систем в управлении человеческими ресурсами, трансформирующий традиционные практики найма и ускоряющий обработку входящих потоков соискателей. Вместе с тем делегирование оценочных суждений алгоритмам машинного обучения порождает системные риски воспроизводства скрытой дискриминации, обусловленные исторической предвзятостью исходных данных и непрозрачностью математических моделей [2]. В условиях глобальной цифровизации рынка труда неконтролируемое внедрение алгоритмических систем способно институционализировать диспропорции в доступе к занятости для уязвимых демографических и социальных категорий граждан [4].

Проблема заключается в противоречии между декларируемой объективностью автоматизированного скоринга и фактическим закреплением системных барьеров при фильтрации резюме и оценке кандидатов. Архитектура предиктивных моделей, опирающаяся на исторические профили успешных сотрудников, неизбежно экстраполирует предшествующие социальные паттерны неравенства в будущие кадровые решения [6]. Дополнительную сложность создает эффект непрозрачности сложных нейросетевых архитектур, существенно затрудняющий верификацию оснований отказа и выявление признаков косвенного ущемления трудовых прав кандидатов [1].

Цель исследования заключается в выявлении ключевых механизмов формирования алгоритмической дискриминации в процессах автоматизированного рекрутинга и разработке комплексной системы организационно-технических мер по обеспечению справедливости кадрового отбора. Для достижения поставленной цели применяется компаративный анализ регуляторных практик, метод деконструкции архитектур машинного обучения и синтез методик аудита алгоритмических решений. Практическая ценность работы выражается в формировании прикладных критериев снижения предвзятости для разработчиков программного обеспечения и специалистов по управлению персоналом [2].

2.2. Особенности дискриминации уязвимых социальных групп при видео- и резюме-скрининге

Применение технологий искусственного интеллекта в процедурах предварительного отбора кандидатов существенно трансформирует современные процессы кадрового рекрутинга, однако одновременно создает выраженные системные угрозы ущемления прав уязвимых категорий соискателей. Теоретико-эмпирический анализ алгоритмических инструментов оценки показывает, что использование исторических данных обучения, конструктивные особенности проектирования математических моделей и специфика отбора признаков приводят к непреднамеренному воспроизводству и закреплению сложившегося неравенства в профессиональной сфере [2]. Данная проблема особенно остро проявляется на этапе первичной автоматической фильтрации резюме и скрининга видеоинтервью, где алгоритмические комплексы оценивают претендентов на основе скрытых корреляций, поведенческих паттернов и речевых параметров. В частности, скрининг видеоинтервью и стандартных заявлений соискателей порождает устойчивое алгоритмическое смещение против лиц с ограниченными возможностями здоровья, систематически исключая их из пула потенциальных работников вопреки базовым нормам антидискриминационного законодательства [1]. Программные комплексы видеоанализа не способны корректно учитывать вариативность физиологических и речевых реакций соискателей, ошибочно трактуя нетипичные проявления как маркеры низкой профессиональной пригодности. Подобная практика углубляет диспропорции занятости и препятствует формированию инклюзивной среды, превращая технологический инструментарий в непреодолимый институциональный барьер равного доступа к рабочим местам [1]. Для преодоления выявленных искажений необходим комплексный нормативно-методологический подход к обеспечению справедливости цифрового рекрутинга, включающий внедрение специализированных техник снижения предвзятости, формирование репрезентативных обучающих массивов данных, развитие методов объяснимого искусственного интеллекта и регулярный институциональный аудит алгоритмов [2]. При этом решающим фактором минимизации дискриминационных рисков выступает обязательное сохранение постоянного человеческого контроля на всех этапах найма для обеспечения доверия, законности и подотчетности принимаемых кадровых решений…

Список литературы

  1. Screened Out Onscreen: Disability Discrimination, Hiring Bias, and Artificial Intelligence
    Haley Moss
    Ссылка на DOI
  2. AI and Bias in Recruitment: Ensuring Fairness in Algorithmic Hiring.
    Magnus Chukwuebuka Ahuchogu
    Ссылка на DOI
  3. Algorithmic Gender Bias: Investigating Perceptions of Discrimination in Automated Decision-Making
    Soojong Kim, Poong Oh, Joomi Lee
    Ссылка на DOI
  4. The Role of Artificial Intelligence in Recruitment: Addressing Bias and Discrimination
    Thandekile Phulu
  5. Artificial Intelligence in IT Recruitment: An Empirical Study of Modern Hiring Practices
    Abhishek Samuel Guntur
  6. Bots, Bias and Big Data: Artificial Intelligence, Algorithmic Bias and Disparate Impact Liability in Hiring Practices
    McKenzie Raub
  7. Algorithmic Bias and Discrimination
    Azamat Ali
  8. Algorithmic bias in AI-powered recruitment: Examining fairness, trust, and candidate experience in automated hiring systems
    Anand Rajmanisingh Rajput, Amisha Raj, Lakshit Madaan et al.

Добавьте к работе список литературы

Академические источникиСтандарты оформленияУникальностьПро модели
Скидка к запуску: 25%

Диплом

ГОСТ 7.32-2017 (Отчёт о НИР)

1 500 ₽1 899 ₽
  • 60–80 страниц.
  • Уникальный текст живым языком
  • Экспорт в Word
  • Правильное оформление
  • Превью останется публичным
    Это превью другого автора останется публичным, ваша работа будет полностью приватной и уникальной.
  • Список литературы (40+, ГОСТ 7.32-2017)
    +100 ₽
  • Добавить альтернативные источники (СМИ, .gov, .edu)

Диплом

ГОСТ 7.32-2017 (Отчёт о НИР)