Discriminatie bij sollicitaties
Hoe vaak je ook solliciteert, je wordt steeds weer afgewezen. Als het niet aan je opleiding ligt, komt het dan misschien door je achtergrond of je naam? Hoe gaan we discriminatie bij sollicitaties tegen?
“Onderzoeken bevestigen over het algemeen dat er sprake is van discriminatie”, zegt hoogleraar Economie aan de Erasmus Universiteit Robert Dur. “Twee jaar geleden liet een betrouwbaar onderzoek zien dat bij online vacatures in de bouw een sollicitant zonder migratie-achtergrond in 1 op de 3 gevallen werd teruggebeld. Iemand met migratie-achtergrond maar in 1 op de 10 gevallen. Dat maakt de kans 3x kleiner. Het gaat ook voor hen de laatste tijd wel iets beter op de arbeidsmarkt, maar dat heeft vooral te maken met de conjunctuur.”
Diversiteitsquotum
Maritza Russel, voorzitter Etnische Zakenvrouwen Nederland, komt vaak discriminatie tegen. “Een Marokkaans meisje dat niet werd uitgenodigd, stuurde een week later dezelfde brief met een Nederlandse naam eronder en werd wel opgeroepen. Inmiddels kunnen er boetes opgelegd worden, daar zijn we blij mee. Maak er melding van, dat maakt het probleem zichtbaar. Een afwijzing betekent natuurlijk niet altijd discriminatie, maar onderzoek laat zien dat met bepaalde namen de kans op een baan kleiner is. Helderheid is nodig, laat bedrijven selectiecriteria opstellen en aangeven waarop ze iemand afwijzen. Ik ben voor het inzetten van een diversiteitsquotum, al zou dat in het begin veel weerstand oproepen. Het is een cultuurveranderingsproces in onze samenleving dat van bovenaf geleid en gestuurd moet worden. Het gaat erom dat we de juiste verhoudingen vinden.”
Anoniem solliciteren
Hoe kunnen we deze vorm van discriminatie tegengaan? Robert Dur betwijfelt of workshops voor recruiters helpen. “Er zijn allerlei cursussen in de markt, maar dat ze werken is nooit aangetoond. Dat geldt ook voor bijvoorbeeld anoniem solliciteren.” Daarbij worden alle persoonskenmerken zoals naam, leeftijd en woonplaats voorafgaand aan de selectie doorgekrast. Dan kan de keuze alleen maar op competenties gemaakt worden. “Het is in de eerste fase van het proces een hoopvol instrument, want als je op gesprek komt ben je over die drempel heen. Maar discriminatie kan ook in een latere fase van het proces een rol spelen en dan heeft het per saldo geen zin gehad. Jammer dat veel gemeenten hun kleinschalige experimenten alweer stopgezet hebben voordat voldoende geëvalueerd is. Om een conclusie te kunnen trekken zouden ze meerdere vacatures over een langere periode moeten meten. Anoniem solliciteren zou discriminatie kunnen tegengaan, maar een nadeel is dat een recruiter voor het gesprek minder informatie kan verzamelen."
Selectie door algoritmes
Sennay Ghebreab, neuro-informaticus aan de Universiteit van Amsterdam, zegt dat als er een patroon is waarbij bepaalde groepen buiten het sollicitatieproces vallen, dat ook door algoritmes wordt opgepakt. “Algoritmes zijn lerende systemen. De vraag is hoe ze leren, en op basis waarvan. Werving op basis van algoritmes wordt al op vrij grote schaal toegepast, maar bedrijven als Amazon komen erachter dat het niet werkt: hun algoritmes geven mannen de voorkeur. De algoritmes zijn gebouwd en getraind op basis van data van Amazon zelf, en historische data wijzen uit dat er meer mannen werken. Die vooroordelen worden dus aan de algoritmes geleerd en meegenomen in beslisprocedures. Je kunt wel bepaalde kenmerken weghalen uit een sollicitatiearchief, zoals naam en gender, maar de vraag is of dat de basis is van de discriminatie. De manier waarop een motivatie is geschreven kan ook iets laten zien over afkomst of gender. Algoritmes herkennen en versterken bepaalde patronen. Je kunt ze ook inzetten om patronen te doorbreken als herkend wordt dat er bijvoorbeeld vooral mannelijke werknemers zijn.”
Technologie is niet neutraal
“Er is steeds meer bewustzijn dat data vaak biased is en dat algoritmes dat kunnen tegengaan en zo discriminatie doorbreken. Een belangrijke eerste stap is om niet zomaar AI toe te passen als je je niet bewust bent hoe zo’n algoritme werkt en op welke data het wordt toegepast. Technologie is niet neutraal, maar leert - net als mensen.” Sennay adviseert om geen algoritmes en AI in te zetten bij sollicitatieprocedures voordat gecheckt is waar bias kan ontstaan. “Je kunt beter uitgaan van basis vereisten. Maak expliciet wat je minimaal nodig hebt en laat daarna een willekeurige selector het proces doen. Dat is op dit moment eerlijker dan een procedure met AI.”