多年来，你很可能向潜在雇主投递过数百份甚至数千份简历和求职信。这一观察得到以下事实的支持：根据美国劳工统计局的数据，美国的工资和薪金劳动者平均在现任雇主处工作4.2年。然而，25至34岁的年轻劳动者平均在现任雇主处仅工作2.8年，这表明他们属于流动性日益增强、也更习惯于求职的劳动力群体。
除日本等少数显著例外外，其他国家也能观察到这一趋势。因此，世界各地许多千禧一代越来越习惯于这种新的职业模式：几乎不断地投递求职信和简历。
最终，这些申请可能会让你接受一份工作，而这份工作将决定你的生活质量——包括收入、与亲友相处的时间，以及居住的社区。
然而，在某些情况下，你申请的工作获得机会的可能性会受到系统性偏见的影响。例如，有研究表明，在美国劳动力市场中，非裔美国人的姓名会系统性地遭受歧视，而白人姓名获得的面试回访更多。然而，偏见不仅源于人为失误，也源于招聘人员日益使用的算法并非中立；相反，它们重现了本应消除的人为失误。例如，据报道，亚马逊在2014年至2017年间用于筛选求职者的算法会对求职者简历中“女性”等词语或女子学院的名称予以扣分。同样，东北大学、加州大学的研究人员以及公共利益倡导组织Upturn证明，Facebook投放住房和就业广告的方式遵循性别和种族刻板印象。
你能做些什么？
面对这些偏见，你可以采取哪些措施，提高简历和求职信为你赢得面试的机会？
如今，塔吉特、希尔顿、思科、百事公司和亚马逊等大型公司的招聘人员使用预测性招聘工具，以缩短每位新员工招聘所需的时间并降低成本，并理论上提高新员工的素质和留任时间。了解招聘流程中算法在哪些环节发挥作用，有助于找出偏见的来源。
通常，招聘并非一次性决定，而是由许多小决定组成、最终以发出工作邀约告终的过程。第一步称为人才寻源，目的是建立一批优质候选人（见图1）。这可以通过发布广告、主动猎聘或撰写有吸引力的职位描述来实现。公司通常使用人工智能（AI）优化招聘广告的展示方式及其措辞；提供“增强写作”服务的公司，如Textio，便是如此。
第二步是筛选，这一步至关重要，因为算法偏见可能会强烈影响你的申请是否遭到拒绝。筛选过程中使用算法系统地解析你的求职信和简历，并将这些信息存入公司的HR数据库。这些信息可能包括你的工作年限、掌握的语言、获得的大学学位，以及曾工作过的国家。随后，算法会自动缩小候选人范围——它不是以肯定方式选人，而是淘汰不符合条件的人。例如，CVViZ公司使用机器学习算法筛选简历，识别关键词及其上下文，并对不同候选人进行相对排名。
如果你通过了筛选，可能会获邀参加面试，面试中也可能使用不同算法来辅助雇主作出最终录用决定。HireVue是一家总部位于美国的公司，会根据候选人在视频面试中使用的关键词、面部表情和语调来评估他们。视频面试后，你可能会参加面对面面试，之后便可能收到录用邀约。
在上述每个环节使用机器学习算法，都会让我们不禁质疑人工智能驱动的招聘系统是否公平。正如前文提到的Facebook案例，偏见可能体现在招聘广告如何定位潜在员工。在其他情况下，网络爬虫会扫描公开的在线信息，寻找符合职位描述的候选人。有人或许会认为，这种做法的不公平程度有限，因为它不会阻止你申请；但这一筛选过程可能已经显现出难以克服的严重偏见。
算法通常经过训练，能够读取特定格式的简历，这可能导致你的简历未获妥善评估。例如，在日本，所有求职者都使用一种通用简历模板（履历书）。在中国，求职者按时间倒序列出工作经历。美国简历与欧洲简历之间还存在其他文化差异：前者通常只有一页且不附照片，后者则可能长达两至三页，并在顶部附上照片。
如果你的简历已成功解析——也就是转换为机器可读的数据——另一种算法便会根据简历和求职信中的数据，将你的申请与其他申请进行排名。你的工作年限、语言能力、软件技能和用词等因素（这里只列举少数几项成功指标）都会根据估计过去行之有效的做法进行加权。算法使用过去的招聘决定进行训练，以评估谁最有可能是“合适”的申请者。这种做法往往会在根本上重现人工智能招聘工具出现之前就已存在的偏见。如果训练数据中的性别分布严重失衡，算法就可能复制这种失衡，即使申请材料中没有提供性别信息。例如，与亚马逊的情况一样，严重的性别失衡可能与所学专业类型相关。这些训练数据偏见也可能源自数据质量低下或规模很小、缺乏多样性的数据集；不在全球开展业务、却在寻找专业领域候选人的公司就可能面临这种情况。
同样，如果在充分检查视频面试评估所依据的训练数据、确认其不受性别、年龄或宗教等类别影响之前就进行评估，那么在任何线下接触之前开展的视频面试评估也可能重现偏见。
建议
求职者和雇主都可以采取多项措施，提高合适的申请材料能由负责最终招聘决定的人阅读的机会。
作为求职者，你应该：
1)确保简历格式符合当地惯例。选择最合适的长度、版式、照片和格式。避免使用算法可能无法读取的图形和花哨字体。
2)详细说明你的工作经验，并采用与职位描述相符的语言。
3)确保简历包含关键信息——简历中没有的信息就无法得到评估。例如，每段任职经历都注明月份和年份，而不要只写年份。
4)使用恰当的行业术语，优化你的线上职业形象。采用适合你感兴趣的职位类别的语言。例如，IT职位名称各异，如“全栈开发人员”，这类职位通常会与C++或PHP等编程语言联系在一起。
如果你是招聘过程中使用机器学习算法的雇主，确保公平至关重要。以下概念摘自代尔夫特理工大学近期开展的研究，或可作为参考指南：
合理性：考虑到数据要求和纠正偏见的需要，对于具有特定招聘需求的某一规模组织而言，采用人工智能招聘工具是否合理？
可解释性：人工智能工具是否会解释其决策？这些解释是否会提供给招聘人员和申请者？如果算法信息属于专有信息，是否会考虑反事实解释？
预见性：是否设有举报偏见决策的机制？有哪些申诉和补救机制？
反思性：组织是否意识到自身价值观的变化，以及这些变化如何反映在所使用的数据中？数据如何收集？有哪些局限性显现出来？
包容性：你是否考虑团队和评估结果的多样性？
可审计性：训练数据是否公开，或经过第三方核验？
