पूर्वाग्रह का पता लगाने का एक तरीका

अक्टूबर 2015

यह बहुत से लोगों को आश्चर्यचकित करेगा, लेकिन कुछ मामलों में आवेदक पूल के बारे में कुछ भी जाने बिना चयन प्रक्रिया में पूर्वाग्रह का पता लगाना संभव है। जो रोमांचक है क्योंकि अन्य बातों के अलावा इसका मतलब है कि तीसरे पक्ष इस तकनीक का उपयोग पूर्वाग्रह का पता लगाने के लिए कर सकते हैं, चाहे चयन करने वाले इसे चाहें या न चाहें।

आप इस तकनीक का उपयोग तब कर सकते हैं जब (ए) आपके पास चयनित आवेदकों का कम से कम एक यादृच्छिक नमूना हो, (बी) उनके बाद के प्रदर्शन को मापा जाता है, और (सी) जिन समूहों के आवेदकों की आप तुलना कर रहे हैं, उनमें योग्यता का लगभग समान वितरण हो।

यह कैसे काम करता है? सोचिए कि पूर्वाग्रह होने का क्या मतलब है। किसी चयन प्रक्रिया का प्रकार एक्स के आवेदकों के प्रति पूर्वाग्रही होने का क्या मतलब है कि उनके लिए आगे बढ़ना कठिन है। जिसका अर्थ है कि प्रकार एक्स के आवेदकों को चयनित होने के लिए प्रकार एक्स के नहीं होने वाले आवेदकों की तुलना में बेहतर होना चाहिए। [1] जिसका अर्थ है कि प्रकार एक्स के आवेदक जो चयन प्रक्रिया से आगे बढ़ते हैं, वे अन्य सफल आवेदकों से बेहतर प्रदर्शन करेंगे। और यदि सभी सफल आवेदकों के प्रदर्शन को मापा जाता है, तो आपको पता चल जाएगा कि वे करते हैं या नहीं।

बेशक, प्रदर्शन को मापने के लिए उपयोग की जाने वाली परीक्षा एक मान्य होनी चाहिए। और विशेष रूप से यह उस पूर्वाग्रह से अमान्य नहीं होना चाहिए जिसे आप मापने की कोशिश कर रहे हैं। लेकिन कुछ ऐसे डोमेन हैं जहां प्रदर्शन को मापा जा सकता है, और उन में पूर्वाग्रह का पता लगाना सीधा है। जानना चाहते हैं कि क्या चयन प्रक्रिया कुछ प्रकार के आवेदकों के खिलाफ पूर्वाग्रही थी? जांचें कि क्या वे दूसरों से बेहतर प्रदर्शन करते हैं। यह सिर्फ पूर्वाग्रह का पता लगाने के लिए एक अनुमान नहीं है। यह पूर्वाग्रह का मतलब है।

उदाहरण के लिए, कई लोग संदेह करते हैं कि वेंचर कैपिटल फर्म महिला संस्थापकों के खिलाफ पूर्वाग्रही हैं। इसका पता लगाना आसान होगा: क्या उनकी पोर्टफोलियो कंपनियों में, महिला संस्थापकों वाली स्टार्टअप्स उन लोगों के बिना बेहतर प्रदर्शन करती हैं? कुछ महीने पहले, एक वीसी फर्म (लगभग निश्चित रूप से अनजाने में) इस प्रकार के पूर्वाग्रह को दर्शाने वाला एक अध्ययन प्रकाशित किया। फर्स्ट राउंड कैपिटल ने पाया कि उनकी पोर्टफोलियो कंपनियों में, महिला संस्थापकों वाली स्टार्टअप्स ने उन लोगों की तुलना में 63% बेहतर प्रदर्शन किया। [2]

जिस कारण से मैंने शुरुआत में कहा था कि यह तकनीक कई लोगों को आश्चर्यचकित करेगी, वह यह है कि हम ऐसे विश्लेषण शायद ही कभी देखते हैं। मुझे यकीन है कि फर्स्ट राउंड को आश्चर्य होगा कि उन्होंने एक किया। मुझे संदेह है कि वहां किसी को भी एहसास हुआ कि अपने स्वयं के पोर्टफोलियो तक अपने नमूने को सीमित करके, वे स्टार्टअप रुझानों का अध्ययन नहीं कर रहे थे, बल्कि कंपनियों का चयन करते समय अपने स्वयं के पूर्वाग्रहों का अध्ययन कर रहे थे।

मैं भविष्यवाणी करता हूं कि हम भविष्य में इस तकनीक का अधिक उपयोग देखेंगे। ऐसे अध्ययन करने के लिए आवश्यक जानकारी तेजी से उपलब्ध हो रही है। जो लोग चीजों के लिए आवेदन करते हैं, उनके बारे में डेटा आमतौर पर उन्हें चुनने वाले संगठनों द्वारा बारीकी से संरक्षित किया जाता है, लेकिन आजकल जो लोग चुने जाते हैं, उनके बारे में डेटा अक्सर सार्वजनिक रूप से किसी के लिए भी उपलब्ध होता है जो इसे एकत्र करने की परेशानी उठाता है।

टिप्पणियाँ

[1] यह तकनीक काम नहीं करेगी यदि चयन प्रक्रिया विभिन्न प्रकार के आवेदकों से अलग-अलग चीजें देखती है - उदाहरण के लिए, यदि कोई नियोक्ता पुरुषों को उनकी क्षमता के आधार पर नियुक्त करता है लेकिन महिलाओं को उनके रूप के आधार पर।

[2] जैसा कि पॉल बुचहाइट बताते हैं, फर्स्ट राउंड ने अपने सबसे सफल निवेश, उबर को अध्ययन से बाहर रखा। और जबकि कुछ प्रकार के अध्ययनों से आउटलायर्स को बाहर करना समझ में आता है, स्टार्टअप निवेश से रिटर्न के अध्ययन, जो सभी आउटलायर्स को हिट करने के बारे में है, उनमें से एक नहीं है।

इस के ड्राफ्ट पढ़ने के लिए सैम अल्टमैन, जेसिका लिविंगस्टन और जेफ राल्स्टन को धन्यवाद।