los empleadores estadounidenses dependen cada vez más de grandes conjuntos de datos y algoritmos informáticos para decidir quién es entrevistado, contratado o ascendido.
Si bien estos algoritmos de datos pueden ayudar a evitar la toma de decisiones humanas sesgadas, también corren el riesgo de introducir nuevas formas de sesgo o reforzar los sesgos existentes.
Pauline Kim, profesora de derecho Daniel Noyes Kirby de la Universidad de Washington en St. Louis, explica que cuando los algoritmos se basan en datos inexactos, sesgados o no representativos, pueden socavar sistemáticamente las minorías raciales y étnicas, las mujeres y otros grupos históricamente desfavorecidos.
"Cuando esto sucede, el resultado es un sesgo de clasificación, un término que resalta el riesgo de que los algoritmos de datos clasifiquen o califiquen a los trabajadores de manera que empeoren la desigualdad o la desventaja en términos de raza, sexo u otras características protegidas", Kimdijo.
Según Kim, un experto en derecho laboral, "debemos repensar fundamentalmente cómo se aplican las leyes contra la discriminación en el lugar de trabajo para abordar el sesgo de clasificación y evitar una mayor desigualdad en el lugar de trabajo".
En un artículo reciente, "Discriminación de datos en el trabajo", publicado en el Revisión de la Ley William & Mary Volumen 58, Kim explica cómo las leyes de discriminación laboral existentes deben adaptarse para enfrentar los desafíos que plantea la toma de decisiones algorítmicas.
"La aplicación de memoria de nuestras leyes existentes no abordará las fuentes reales de sesgo cuando la discriminación se basa en datos", dijo Kim.
"Debido a que los algoritmos de datos difieren significativamente de las prácticas discriminatorias tradicionales, requieren una respuesta legal diferente adaptada a los riesgos particulares que plantean. Centrarse en el sesgo de clasificación sugiere que la ley contra la discriminación debe ajustarse de varias maneras cuando se aplica aalgoritmos de datos "
Se puede acceder al informe en: http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2801251
Fuente de la historia :
Materiales proporcionado por Universidad de Washington en St. Louis . Original escrito por Neil Schoenherr. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :