UNE FAÇON DE DÉTECTER LES PRÉJUGÉS

Octobre 2015

Cela va surprendre beaucoup de gens, mais dans certains cas, il est possible de détecter les préjugés dans un processus de sélection sans rien savoir sur le bassin de candidats. Ce qui est excitant car cela signifie, entre autres, que des tiers peuvent utiliser cette technique pour détecter les préjugés, que ceux qui effectuent la sélection le veuillent ou non.

Vous pouvez utiliser cette technique chaque fois que (a) vous avez au moins un échantillon aléatoire des candidats qui ont été sélectionnés, (b) leurs performances ultérieures sont mesurées et (c) les groupes de candidats que vous comparez ont une distribution à peu près égale des capacités.

Comment cela fonctionne-t-il ? Réfléchissez à ce que signifie être biaisé. Ce que cela signifie pour un processus de sélection d'être biaisé contre les candidats de type x, c'est qu'il est plus difficile pour eux de passer. Ce qui signifie que les candidats de type x doivent être meilleurs pour être sélectionnés que les candidats qui ne sont pas de type x.

[ 1 ]

Ce qui signifie que les candidats de type x qui sont quand même sélectionnés surpasseront les autres candidats sélectionnés. Et si les performances de tous les candidats sélectionnés sont mesurées, vous saurez s'ils le font.

Bien sûr, le test que vous utilisez pour mesurer les performances doit être valide. Et en particulier, il ne doit pas être invalidé par le préjugé que vous essayez de mesurer. Mais il y a des domaines où les performances peuvent être mesurées, et dans ceux-ci, la détection des préjugés est simple. Vous voulez savoir si le processus de sélection était biaisé contre un certain type de candidat ? Vérifiez s'ils surpassent les autres. Ce n'est pas seulement une heuristique pour détecter les préjugés. C'est ce que signifie le préjugé.

Par exemple, beaucoup soupçonnent que les sociétés de capital-risque sont biaisées contre les fondatrices. Cela serait facile à détecter : parmi leurs entreprises en portefeuille, les startups avec des fondatrices performent-elles mieux que celles sans ? Il y a quelques mois, une société de capital-risque (presque certainement sans le vouloir) a publié une étude montrant un préjugé de ce type. First Round Capital a constaté que parmi ses entreprises en portefeuille, les startups avec des fondatrices surperformaient celles sans de 63%.

[ 2 ]

La raison pour laquelle j'ai commencé en disant que cette technique surprendrait beaucoup de gens, c'est que nous voyons si rarement ce type d'analyses. Je suis sûr que cela surprendra First Round qu'ils en aient effectué une. Je doute que quelqu'un là-bas ait réalisé qu'en limitant leur échantillon à leur propre portefeuille, ils produisaient une étude non pas sur les tendances des startups mais sur leurs propres préjugés lors de la sélection des entreprises.

Je prédis que nous verrons cette technique utilisée davantage à l'avenir. Les informations nécessaires pour mener de telles études sont de plus en plus disponibles. Les données sur les personnes qui postulent à des choses sont généralement étroitement gardées par les organisations qui les sélectionnent, mais de nos jours, les données sur ceux qui sont sélectionnés sont souvent accessibles au public pour quiconque prend la peine de les rassembler.

Notes

[ 1 ] Cette technique ne fonctionnerait pas si le processus de sélection recherchait des choses différentes chez les différents types de candidats - par exemple, si un employeur embauchait les hommes en fonction de leurs capacités mais les femmes en fonction de leur apparence.

[ 2 ] Comme le fait remarquer Paul Buchheit, First Round a exclu leur investissement le plus réussi, Uber, de l'étude. Et bien qu'il soit logique d'exclure les valeurs aberrantes de certains types d'études, les études sur les rendements des investissements dans les startups, qui concernent surtout l'atteinte de valeurs aberrantes, n'en font pas partie.

Merci à Sam Altman, Jessica Livingston et Geoff Ralston d'avoir lu les brouillons de ce texte.