Bias im Recruiting - Verstehen, Erkennen, Gegenwirken

Wenn über Diversität und Diskriminierungsfreiheit im Recruiting gesprochen wird, fällt irgendwann auch das Wort “Bias”. Aber was genau ist eigentlich Bias und welche Auswirkungen hat es auf Personalentscheidungen?

Was ist Bias im Recruiting?

Das Wort “Bias” kommt aus dem Englischen und bedeutet Vorurteil. In der Meinungsforschung bezeichnet es ein “durch falsche Untersuchungsmethoden [...] verursachte Verzerrung der Ergebnisse einer Repräsentativerhebung” und in der Psychologie eine “durch Voreingenommenheit verzerrte Wahrnehmung oder Einschätzung” [Q1]. Das klingt zunächst so, als würde Bias immer aktiv und bewusst erzeugt werden durch Manipulation und Befangenheit. Das ist nicht korrekt. Systematische Fehler zum Beispiel durch einen sogenannten “Selektions-Bias” oder “Social Bias”, bei denen Fehler und Verzerrungen durch selektive Stichprobenauswahl oder eine Auswahl von allein sozial erwünschter Aussagen entstehen, können auf eine Ursache zurückgeführt und damit einfach vermieden werden. [Q2] Diese Form tritt eher in der Meinungsforschung auf.

Unbewusste Vorurteile erkennen und wahrnehmen

In der Psychologie ist jedoch jeder Mensch von einer unbewussten und weniger leicht zu vermeidenden Form betroffen, die “Unconscious” oder “Implicit Bias” genannt wird. Hier “können Alter, Geschlecht, Herkunft, (körperliche) Fähigkeiten, Religion, sexuelle Orientierung, Körper/Aussehen und viele andere Merkmale zum Gegenstand des Vorurteils werden”[Q3]. Bias entsteht dabei durch zwei Mechanismen, die zusammenfallen. Zum einen hat jeder unbewusste Vorurteile, die vielleicht auch entgegen des eigenen Wissens und der eigenen Werte gehen, und die aus stereotypen Wahrnehmungen und Darstellungen sowie eigenen Erfahrungen und Berichten anderer entstehen. Das ist ganz natürlich, denn Menschen tendieren dazu, komplexe Sachverhalte und Informationen herunterzubrechen und so die Verarbeitung und den Alltag zu vereinfachen. Zum anderen arbeiten menschliche Wahrnehmungsmuster ganz unbewusst und unterschwellig. Es fällt uns nicht auf, aber oft ist es uns unmöglich, andere Personen oder Dinge allein zu betrachten. Zusammen mit der Betrachtung geschieht auch immer eine Interpretation und eine anschließende Bewertung. Und diese Bewertung findet auf Basis unserer unbewussten Vorurteile statt. [Q4]

Maßnahmen gegen negative Auswirkungen von Bias

In manchen Situationen kann Unconscious Bias nun jedoch stärker auftreten als in anderen. Faktoren, die das und die Notwendigkeit zur Komplexitätsreduktion verstärken, sind beispielsweise Zeitdruck oder Multitasking. Aber diese Vorurteile beeinflussen uns ebenfalls “ganz erheblich im beruflich-professionellen Umgang mit anderen Menschen, etwa bei der Personalauswahl, der Personalbewertung oder der leistungsabhängigen Entgeltvergabe” [Q4]. Und wenn Bias, egal ob bewusst oder unbewusst, zu negativen Konsequenzen für und Diskriminierung gegenüber anderen Personen wird, ist das ein wirklich großes Problem. 

Das zu verstehen ist der erste Schritt zu einem verantwortungsbewussten Umgang mit Bias. In einem zweiten Schritt muss dann das Unternehmen selbst in den Blick genommen werden. Welche Verzerrungseffekte sind hier vorherrschend? Welche Maßnahmen können wir ganz realistisch gesehen ergreifen, um gegen negative Auswirkungen von Bias vorzugehen? Im dritten und letzten Schritt geht es um die Umsetzung dieser Überlegungen. Im Fall des Recruiting müssen dann sowohl strukturelle Kriterien wie zum Beispiel standardisierte Auswahlverfahren und einheitliche Bewerbungsbögen als auch personelle Aspekte wie geschulte Mitarbeitende berücksichtigt werden. [Q4] Auch eine vielfältige Belegschaft kann in diesen Prozessen weiterhelfen, denn mehr Heterogenität und unterschiedliche  Perspektiven unterstützen dabei, “die blinden Flecken zu reduzieren, die sich aus unserer vorgeprägten Wahrnehmung ergeben” [Q4]. 

KI im Kampf gegen Bias?

Könnte auch technologischer Fortschritt und Künstliche Intelligenz eine Methode sein, um menschliche Fehler und Schwachstellen wie Vorurteile auszugleichen? Die Annahme dazu liegt nahe, aber die Antwort ist dennoch ernüchternd. Entweder ist nicht mehr wirklich nachzuvollziehen, wie KIs tatsächlich lernen, und durch diesen sogenannten Black Box Ansatz kann oft nicht gewährleistet werden, “dass sich Modelle wie erwartet verhalten. Es kommt zu Fehleinschätzungen durch den Algorithmus und das erwartete Verhalten tritt nicht immer ein” [Q5]. Die Ursache für diese Fehleinschätzung und Bias in KIs kann an den Eingangsdaten, dem Modell selbst oder auch der Ausgabe und damit an jeder Stelle im Prozess liegen. Es darf auch nicht vergessen werden, dass die Datensätze, mit denen KIs zu Beginn lernen, von Menschen erstellt werden. Diese können zu wenige oder nicht ausreichend diverse Daten enthalten, vermeintlich irrelevante Daten oder Informationen, die ein gewünschtes oder erwartetes Ergebnis in eine Richtung lenken würden, aussortiert haben oder eine solche Menge an Daten sein, sodass die KI keine Verknüpfungen herstellen und damit gar nicht erst lernen kann. [Q5] Und auch in einem fortgeschrittenen Stadium der KI lernt diese immer noch von uns Menschen und unserem Verhalten. Ein Beispiel aus der Vergangenheit dafür ist LinkedIn: 

So hat man zum Beispiel festgestellt, dass Nutzer des sozialen Netzwerks LinkedIn bei einer Suche auf dem Portal nach Fachkräften mit weiblichen Vornamen gefragt wurden, ob sie nicht eigentlich einen ähnlich klingenden männlichen Vornamen meinten. Bei einer Suche nach „Andrea“ fragte das System also: „Meintest du vielleicht Andreas?“ Wenn der Nutzer dann, vielleicht nur aus Neugier, auf das Profil der vorgeschlagenen männlichen Person klickte, gewichtete das System „Andreas“ in den darauffolgenden Suchen noch stärker. Wie hoch der Frauenanteil unter den Nutzern von LinkedIn ist, ist nicht bekannt, man schätzt aber eine annähernd ausgewogene Geschlechterverteilung, die dieses Verhalten also nicht bedingt. [Q5]

Das alles zeigt: Eine Auseinandersetzung mit Bias ist in allen Situationen wichtig und es gibt keine Universallösung für die Probleme, die daraus entstehen. Alle im Prozess Beteiligten, sowohl Mensch als auch technische Werkzeuge, müssen dafür und für Fairness sensibilisiert werden und auf unterschiedliche Vermeidungsstrategien geschult werden. 

Quellen:

[Q1] https://www.duden.de/rechtschreibung/Bias

[Q2] https://de.statista.com/statistik/lexikon/definition/35/bias_verzerrung/

[Q3] https://www.gleichstellung.uni-bonn.de/de/universitaetskultur/unconscious-bias

[Q4]https://www.charta-der-vielfalt.de/fileadmin/user_upload/Studien_Publikationen_Charta/Vielfalt_erkennen_BF.pdf#page=35