पूर्वाग्रह का पता लगाने का एक तरीका

अक्टूबर 2015

यह बात बहुत से लोगों को आश्चर्यचकित कर सकती है, लेकिन कुछ मामलों में आवेदकों के बारे में कुछ भी जाने बिना चयन प्रक्रिया में पक्षपात का पता लगाना संभव है। यह रोमांचक है क्योंकि अन्य बातों के अलावा इसका मतलब यह है कि तीसरे पक्ष इस तकनीक का उपयोग पक्षपात का पता लगाने के लिए कर सकते हैं, चाहे चयन करने वाले लोग ऐसा चाहें या नहीं।

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

यह कैसे काम करता है? इस बारे में सोचें कि पक्षपातपूर्ण होने का क्या मतलब है। चयन प्रक्रिया में टाइप x के आवेदकों के खिलाफ पक्षपातपूर्ण होने का मतलब यह है कि उनके लिए इसे पास करना कठिन है। इसका मतलब है कि टाइप x के आवेदकों को टाइप x के आवेदकों से बेहतर होना चाहिए।

[ 1 ]

इसका मतलब यह है कि टाइप एक्स के आवेदक जो चयन प्रक्रिया से गुजरते हैं, वे अन्य सफल आवेदकों से बेहतर प्रदर्शन करेंगे। और अगर सभी सफल आवेदकों के प्रदर्शन को मापा जाए, तो आपको पता चल जाएगा कि वे सफल हैं या नहीं।

बेशक, प्रदर्शन को मापने के लिए आप जिस परीक्षण का उपयोग करते हैं वह वैध होना चाहिए। और विशेष रूप से यह उस पूर्वाग्रह से अमान्य नहीं होना चाहिए जिसे आप मापने की कोशिश कर रहे हैं। लेकिन कुछ ऐसे क्षेत्र हैं जहाँ प्रदर्शन को मापा जा सकता है, और उनमें पूर्वाग्रह का पता लगाना सीधा है। जानना चाहते हैं कि क्या चयन प्रक्रिया किसी प्रकार के आवेदक के खिलाफ पक्षपाती थी? जाँच करें कि क्या वे दूसरों से बेहतर प्रदर्शन करते हैं। यह सिर्फ़ पूर्वाग्रह का पता लगाने के लिए एक अनुमान नहीं है। यह पूर्वाग्रह का मतलब है।

उदाहरण के लिए, कई लोगों को संदेह है कि वेंचर कैपिटल फर्म महिला संस्थापकों के प्रति पक्षपाती हैं। यह पता लगाना आसान होगा: क्या उनकी पोर्टफोलियो कंपनियों में, महिला संस्थापकों वाले स्टार्टअप उन कंपनियों से बेहतर प्रदर्शन करते हैं जिनके पास महिला संस्थापक नहीं हैं? कुछ महीने पहले, एक वीसी फर्म ने (लगभग निश्चित रूप से अनजाने में) इस प्रकार के पूर्वाग्रह को दर्शाते हुए एक अध्ययन प्रकाशित किया था। फर्स्ट राउंड कैपिटल ने पाया कि इसकी पोर्टफोलियो कंपनियों में, महिला संस्थापकों वाले स्टार्टअप ने उन कंपनियों से 63% बेहतर प्रदर्शन किया जिनके पास महिला संस्थापक नहीं थीं।

[ 2 ]

मैंने यह कहकर शुरुआत की कि यह तकनीक कई लोगों को आश्चर्यचकित करेगी, क्योंकि हम इस प्रकार के विश्लेषण बहुत कम देखते हैं। मुझे यकीन है कि फर्स्ट राउंड को यह जानकर आश्चर्य होगा कि उन्होंने ऐसा किया। मुझे संदेह है कि वहां किसी को भी एहसास हुआ होगा कि अपने नमूने को अपने स्वयं के पोर्टफोलियो तक 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।

मेरा अनुमान है कि हम भविष्य में इस तकनीक का अधिक उपयोग देखेंगे। ऐसे अध्ययन करने के लिए आवश्यक जानकारी तेजी से उपलब्ध हो रही है। कौन चीज़ों के लिए आवेदन करता है, इसके बारे में डेटा आमतौर पर उन्हें चुनने वाले संगठनों द्वारा बारीकी से संरक्षित किया जाता है, लेकिन आजकल कौन चुना जाता है, इसके बारे में डेटा अक्सर किसी के लिए भी सार्वजनिक रूप से उपलब्ध होता है जो इसे एकत्र करने का प्रयास करता है।

नोट्स

[ 1 ] यह तकनीक काम नहीं करेगी यदि चयन प्रक्रिया विभिन्न प्रकार के आवेदकों से अलग-अलग चीजों की तलाश करती है - उदाहरण के लिए, यदि कोई नियोक्ता पुरुषों को उनकी क्षमता के आधार पर और महिलाओं को उनकी उपस्थिति के आधार पर नियुक्त करता है।

[ 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 आउटलेयर को बाहर रखना समझ में आता है, स्टार्टअप निवेश से रिटर्न के अध्ययन, जो पूरी तरह से आउटलेयर को हिट करने के बारे में है, उनमें से एक नहीं है।

इस ड्राफ्ट को पढ़ने के लिए सैम ऑल्टमैन, जेसिका लिविंगस्टन और ज्योफ राल्स्टन को धन्यवाद ।