商傳媒｜葉安庭／綜合外電報導

隨著人工智慧（AI）招募評估工具日益普及，其潛在的偏見問題，已成為企業人力資源（HR）部門必須審慎面對的挑戰。儘管人工智慧（AI）有助於消除部分人為偏見，例如招募人員無意識地偏好特定名校畢業生，或面試官僅憑自信程度而非實質內容評分，但它同時也可能將難以察覺的偏見隱藏在評分模型中，導致招聘決策失準。

這些隱藏的 AI 偏見（指人工智慧在決策過程中產生不公平或歧視性結果）主要源於三個常見面向：訓練資料、代理變數與問題設計。如果模型所使用的訓練資料反映了過去招聘決策中的偏見，即便沒有直接使用種族、性別等受保護特徵，模型仍可能複製這些不公平模式。例如，若以「歷史上哪些人被錄用」的資料來訓練，模型可能在無形中學習到性別、年齡或背景的代理變數。

即使刻意排除敏感屬性，一些看似無關的變數，如職涯空窗期、特定大學或某些慣用措辭，仍可能因為與特定人口群體高度相關而「走私」偏見。此外，評估內容若假設特定文化背景、使用難以跨區域翻譯的慣用語，或過度偏重某些溝通風格而非實際工作表現，也可能導致偏見。過去已有許多公開案例顯示，具偏見的招聘演算法並非直接使用種族或性別資訊，而是透過郵遞區號、姓名模式或履歷空窗期等變數，最終產生歧視性結果。

因此，人力資源團隊在採用這些招聘評估工具（指透過演算法自動化分析候選人資料，以協助或取代人工判斷的軟體）前，應具備審慎的認知與對策。HR 應詢問供應商，模型所使用的訓練或校準資料為何，以及是否已針對不同人口群體進行過「差異影響」（disparate impact）測試，以評估工具是否對特定群體造成不成比例的負面影響。

HR 部門也應了解，若系統標記出候選人異常狀況時，是否會有人工審查介入，或者系統會直接做出錄取或淘汰的最終決定。對於可能因網路連線問題、身心障礙需求或環境因素造成的「可疑」標記，應詢問其處理方式。HR 還需確認評估內容是否可被審核，以排除文化或語言假設可能造成的偏見，並建立明確的申訴流程，處理候選人對結果提出的異議。

有效的 AI 監督應包含針對異常評估的明確審查流程、持續稽核問題品質與結果模式、提供明確的候選人申訴途徑，以及定期檢視不同群體之間的通過率。常見的錯誤包括：誤以為「AI 驅動」就代表公平、將自動標記視為最終決定、啟動後從未審查結果資料，以及忽視候選人對評估經驗的回饋。

隨著各地主管機關對自動化招聘工具的監管日趨嚴格，企業若招聘決策受到質疑，光是聲稱「供應商說這工具是公平的」已不足以自保。雇主需要能夠解釋工具如何評估候選人，並證明其不會對受保護群體產生差異結果。因此，HR 團隊應保留供應商公平性測試的文件，記錄異常或有爭議結果的處理過程，並定期自行審查結果數據，以確保公平性並降低潛在的法律與社會風險。