分析：人们对使用人工智能工具来简化组织的招聘决策产生了极大的兴趣，但在不了解算法为何偏爱某些候选人而不是其他候选人的情况下盲目使用它们是有风险的。

在最近的《爱尔兰时报》专栏中，皮丽塔·克拉克 (Pilita Clark) 认为，使用算法来招聘一个人是很疯狂的。她提供了一个有趣的轶事来说明不假思索地将求职者的 Uber 评分用作筛选工具可能会导致错误的招聘决定。她的文章在分析我们在招聘时不应该做的事情时，像往常一样雄辩，但对我们应该做的事情显然不太清楚。

人们对使用人工智能工具(例如机器学习、预测算法)来简化组织中的招聘决策产生了极大的兴趣，但也越来越意识到这些工具有助于在招聘中使性别歧视和种族主义偏见永久化。

如果算法是根据组织过去的实践“训练”的，则尤其如此。一个长期从“最好”的大学和大学招聘白人男性的组织可能会发现，基于他们以前的招聘实践的算法会使这些偏见永久化。

盲目使用机器学习算法而不理解为什么算法更喜欢某些候选人而不是其他人是有风险的，并且可能对组织来说成本很高。

另一方面，对组织中实际实践的调查，尤其是中小型组织，表明算法可能不是一个糟糕的选择。

来自 RTÉ Radio One's Today 与 Sean O'Rourke 的关于编辑简历和与 Sinead Engish 进行工作面试的建议，职业顾问和“简历和面试 101：如何申请和面试工作”的作者

不同组织的招聘方式差异很大，不同国家的招聘方式差异更大，但有一种几乎通用的招聘方式——面试。如果做得好，面试可以成为非常有用的工具。

例如，使用小组而不是单个面试官并强加结构的面试(例如，通过创建一组准备好的问题，将完成工作所需的技能和经验归零)可能是有效且公平的预测指标未来的成功。

然而，大多数面试都没有经过精心安排，它们为个人偏见和关于什么是优秀候选人的特殊想法(例如，坚定的握手、特定的着装风格)以及非结构化面试的记录留下了足够的空间。选择最佳候选人充其量是参差不齐的。

算法只不过是一组简单的规则，始终如一地应用。一个多世纪以来，心理学家一直在研究工作绩效，并且有一些行之有效的发现可以为有效和公平的算法提供良好的基础。

首先，认知能力——推理、解决问题以及获取和使用信息做出判断的能力——几乎与经济中的每一份工作都相关。复杂的工作比简单的工作更重要，但无论工作多么简单，认知能力都很重要。

来自 RTÉ Radio One 的 Drivetime 纽约哥伦比亚大学商业心理学教授 Tomas Chamorro-Premuzic 博士谈到了工作面试以及什么样的候选人往往表现良好。

其次，尽责性(可靠性、责任感、组织性和目标导向性)在所有方面都具有类似的相关性。很少有工作，如果有的话，雇用一个不太聪明或不太可靠的人比雇用一个能够做出良好判断、学习如何做他们的工作并且可以依赖的人要好.

有大量关于衡量这些关键特征的最佳方法的生动文献，但是存在非常好的且价格合理的测试和衡量方法来捕捉这些属性，但它们在业务中并未得到充分利用。一种好的算法可能是“聪明可靠的申请者应该优先于不聪明的申请者”。

监控算法的工作方式总是一个好主意，而不是将完全控制权交给它们，但我相信一个好的和简单的算法会让你站在更好的位置，而不是依赖面试官或招聘经理的直觉。招聘涉及对未来进行预测，如果您从事预测工作，那么您有时也会犯错误。

真正的问题是，从长远来看，哪种类型的招聘系统最不可能出现严重错误，而聪明的钱是采用系统方法，即使这涉及使用算法。