Diskriminierungsfreie Algorithmen im Recruiting: Projekt FAIR von CASE

Diskriminierungsfreie Algorithmen im Recruiting: Projekt FAIR von CASE

 

UPDATE: Wie der CASE-Score im Einsatz bei der Deutschen Telekom funktioniert, könnt ihr hier lesen!

Algorithmen gewinnen im Recruiting immer mehr an Bedeutung. Diskriminierungsfreie Algorithmen im Recruiting sind aber leider noch längst keine Selbstverständlichkeit.
In der Vergangenheit kam es aber immer wieder zu Schlagzeilen, weil Algorithmen Personen oder Minderheiten benachteiligten.
Die CASE GmbH arbeitet aus tiefster Überzeugung daran, diesen Zustand zu verändern.

Wir haben mit Philipp Karl Seegers, einem der beiden Geschäftsführer und Gründer von CASE über ihre Arbeit gesprochen.

Bitte stellt Euch, das Team und woran Ihr arbeitet einmal kurz vor.

Wir sind candidate select – kurz CASE – und entwickeln wissenschaftlich fundierte Recruiting-Algorithmen. Zusammen mit dem Lehrstuhl von Prof. Pia Pinger an der Universität zu Köln arbeiten wir im Rahmen des FAIR Projektes daran, wie Recruiting-Algorithmen diskriminierungsfrei werden können.

Was genau sind CASE und FAIR?

Zusammen mit zwei Kollegen aus der Promotion habe ich im Jahr 2016 CASE gegründet. Wir entwickeln wie gesagt Algorithmen für die Personalauswahl. Dabei haben wir uns bisher auf die Einschätzung von Bildungsabschlüssen im In- und Ausland konzentriert. Das FAIR Projekt ändert dies, da wir hier schauen, inwieweit auch andere Informationen, die man auf Lebensläufen findet, algorithmisch bewertet und für die Personalauswahl genutzt werden können. Dabei ist nicht nur die Prädiktion – wer arbeitet später im Job besser – sondern auch die Fairness im Fokus des Projektes. Aktuell finden wir immer noch klare Zeichen von Diskriminierung am Arbeitsmarkt und die Hoffnung ist, dass unsere Algorithmen hier helfen können, diese abzubauen. Das ist aber kein Selbstläufer – auch KI kann diskriminieren und wir müssen genau hingucken. Mehr Informationen zu dem Projekt sind unter www.fair.nrw zu finden.

Welche Probleme lösen Eure Algorithmen?

Gestartet sind wir damals, weil wir im Rahmen unserer Forschung bemerkt hatten, dass Noten im Studium keine wirkliche Voraussage hinsichtlich des späteren Erfolges am Arbeitsmarkt erlauben. Folglich sollte man auch nicht nach Noten einstellen. Das ist aber natürlich ein Problem, wenn man bedenkt, dass junge Leute im Schnitt über sechs Jahre ihres Lebens in einen Hochschulabschluss investieren. Zusammen mit der Universität Bonn und gefördert durch das Bundeswirtschaftsministerium haben wir dann einen Algorithmus entwickelt, mit dem sich die Leistung im Studium fair messen lässt. Inzwischen bieten wir auch Algorithmen für andere Länder und andere Bildungsabschlüsse, wie zum Beispiel duale Ausbildungen, an. Eins ist aber allen Lösungen gemein: Leistungen im Bildungssystem kann man nur bewerten, wenn man den Kontext kennt. Wie wurde benotet? Wie kompetitiv war das Umfeld? Ohne solche Informationen sind Bildungsabschlüsse weder ein fairer noch ein prädiktiver Indikator für das Recruiting. Das sage übrigens nicht nur ich, sondern auch der Wissenschaftsrat der Bundesregierung.

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Was würde die Verbesserung der derzeitigen Probleme bringen?

Es gibt im Prinzip zwei verschiedene Ansätze mit Blick auf Bildungsabschlüsse: Manche Personalabteilungen legen hier viel Wert drauf und achten auch explizit auf Noten. Andere Personalabteilungen haben für sich erkannt, dass Noten keine gute Selektion ermöglichen und ignorieren diese oder priorisieren lediglich bestimmte Hochschulen. Diese Herangehensweisen sind allesamt nachteilig. Wenn man Noten ohne Kontext nutzt, dann erhält man keinen prädiktiven Indikator für die Personalauswahl. Gleiches gilt, wenn man Wert darauflegt, dass Bewerbende an bestimmten Zielhochschulen studiert haben – hier wird das vor Ort herrschende Leistungsspektrum ignoriert. Und, wenn Bildungsabschlüsse gar nicht berücksichtigt werden, dann nutzt man eine über Jahre erbrachte Leistung nicht. Wir konnten in inzwischen mehr als zehn Validierungsstudien zeigen, dass kontextualisierte Bildungsabschlüsse ein prädiktiver und vor allem fairer Indikator im Recruiting von Absolventen und Young Professionals sind.

Haben Algorithmen Vorteile gegenüber der klassischen Eignungsdiagnostik?

Ja, aber ich möchte meine Antwort jetzt nicht so verstanden wissen, dass Eignungsdiagnostik nachteilig ist. Genauso wie Algorithmen führt diese zu einer Objektivierung und Verbesserung von Personalentscheidungen – zumindest, wenn gute, validierte Tests eingesetzt werden. Die Vorteile von Algorithmen liegen in der vollständigen Automatisierbarkeit und damit der Schnelligkeit, mit der Ergebnisse zur Verfügung stehen. Auch kann mit Algorithmen die Candidate Experience verbessert werden. Mit Blick auf unseren Algorithmus, der Bildungsabschlüsse vergleicht, haben wir noch den Vorteil, dass wir hier einen Langzeitindikator betrachten können, der wirklich robust ist. Im Gegensatz dazu ist die Eignungsdiagnostik zeitlich deutlich begrenzter und Dinge, wie die Tagesform haben einen Einfluss. Und, einen Online-Test kann man leichter manipulieren als einen ganzen Studienabschluss.

CASE betrachtet nicht nur Noten. Welche anderen Faktoren werden noch mit einbezogen und warum?

Noten machen wie gesagt nur im jeweiligen Kontext Sinn. Um zum Beispiel Studiengänge miteinander zu vergleichen, nutzen wir eignungsdiagnostische Testverfahren. Hochschulprogramme mit vielen leistungsstarken Studierenden – also mit starken kognitiven Fähigkeiten, aber auch mit bestimmten Persönlichkeitseigenschaften, wie Gewissenhaftigkeit – schneiden bei uns besser ab. Diese Tests haben wir im Rahmen der Studienreihe Fachkraft 2030 gesammelt, an der bereits mehr als 300.000 Studierende teilgenommen haben.

Welchen Mehrwert bringt der Einsatz von CASE für Unternehmen und Bewerber?

Unternehmen, die CASE nutzen, erhalten direkt zu Beginn des Recruiting-Prozesses eine Information, welche die Leistung aus im Schnitt mehr als sechs Jahren bewertet und hierfür nur Angaben benötigt, die normalerweise sowieso vorliegen. Wir können zeigen, dass dieser Score einen klaren Zusammenhang mit der später im Job erbrachten Arbeitsleistung aufweist. Dadurch ermöglichen wir vom Start weg eine sinnvolle Priorisierung der Bewerbenden und dadurch effizientere Einstellungsprozesse, aber vor allem bessere Einstellungen.

Ganz konkret: Wie können Unternehmen CASE jetzt schon nutzen?

Über unsere Plattform www.case-score.de können Unternehmen sich einen Account anlegen und ohne jegliche Implementierungskosten direkt Abschlüsse vergleichen lassen. Bei größeren Bewerbungsaufkommen empfiehlt sich eine vollautomatisierte Lösung. Wir haben eine gut dokumentierte Schnittstelle, neudeutsch API, und bieten Anbindungen an alle gängigen Bewerbermanagementsysteme an. Für SAP SuccessFactors existiert zum Beispiel die Möglichkeit unsere CASE App zu nutzen, mit der die Integration nochmal einfacher wird.

Wie geht Ihr mit dem Thema Datenschutz / Datenverarbeitung um und welche Daten werden von Euch verarbeitet?

Das ist ein wichtiges Thema und wir nutzen nur dann personenbezogene Daten, wenn dies notwendig ist. Das gilt für die Trainings- und Kontext-Daten, die die Basis für unsere Produkte sind, aber genauso mit Blick auf die Daten, welche bei der Nutzung unserer Algorithmen benötigt werden. Für unseren Vergleich von Hochschulabschlüssen benötigen wir zum Beispiel nur fünf, nicht personenbezogene Angaben: (1) das Studienfach, (2) die Hochschule, (3) die Abschlussart – wie z.B. Bachelor oder Master, (4) das Abschlussjahr und die (5) Abschlussnote. Dies erlaubt keine Rückschlüsse auf die Person hinter einem Abschluss und deswegen wurde dies auch in all unseren Kooperationen von den jeweiligen Datenschutzbeauftragten als unkritisch angesehen.