Objectieve werving en selectie

“Sollicitanten met een niet-westerse achtergrond hebben 40 procent minder kans om uitgenodigd te worden voor een sollicitatiegesprek dan mensen met een Nederlandse achtergrond”
(L.Thijssen, M.Coenders, B. Lancee, 2019).

Discriminatie

Naast deze uitsluiting op basis van sociaal-culturele achtergrond zijn er vele andere kenmerken waarop mensen worden gediscrimineerd en minder kansen krijgen bij een sollicitatie. Denk bijvoorbeeld aan diversiteitskenmerken als geloof, gender, seksuele oriëntatie, geslacht, huidskleur, fysieke en/of psychische beperking.

Ook blijkt dat er binnen uitzendbureaus wordt gediscrimineerd. Uit een steekproef bleek 40 procent van de uitzendbureaus (niet ABU en NBBU-brancheorganisatieleden) in te gaan op een verzoek om te discrimineren op basis van afkomst bij het vinden van uitzendkrachten (C. Molijn, NRC, 2019). Gelijke kansen op de arbeidsmarkt zijn dus nog lang geen realiteit.

Hoe creëer je meer gelijke kansen?

De vacaturetekst

Een inclusieve vacaturetekst is een belangrijk middel om meer diversiteit aan te trekken. Inclusief schrijven speelt hierbij een belangrijke rol, net zoals de plek waar je de vacature uitzet. Zit je altijd in dezelfde vijver te vissen? De connotatie van woorden in je vacaturetekst heeft ook invloed op wie er reageert. Sommige woorden spreken sneller een bepaalde doelgroep aan, waardoor je een eenzijdige groep sollicitanten krijgt. Daarnaast spelen de functie-eisen een belangrijke rol in het aantrekken van diversiteit en het creëren van gelijke kansen. Om diversiteit te werven is je vacaturetekst een belangrijke factor. Je kunt in ieder onderdeel van de vacature invloed uitoefenen voor meer inclusie.

De selectie

Wanneer je de sollicitaties binnen hebt, begint de selectie voor een eerste gesprek. Aan de hand van vooraf vastgestelde benodigde competenties voor de functie, kun je de beste kandidaten selecteren. De sleutel voor zowel de selectie als het sollicitatiegesprek, is objectiviteit en het vermijden van een keuze gemaakt op basis van de zogenoemde “klik”. Een methode gericht op competenties is hierbij het antwoord. Violet Diversity en Inclusion maakt gebruikt van een wetenschappelijk bewezen methode waarbij er zo min mogelijk ruimte is voor je stereotypen, vooroordelen en de “klik”. We zijn namelijk geneigd om kandidaten te kiezen die op ons lijken. Daarnaast wordt er vaak gekeken naar sollicitanten die qua kenmerken en achtergrond overeenkomen met het profiel van de persoon die hiervoor de functie heeft bekleed. Competentiegericht werven en selecteren zorgt er ook voor dat kandidaten die normaliter minder goed naar voren komen met een cv of sollicitatiebrief nu wel meer kansen krijgen. Mensen kunnen hun competenties namelijk ook op hele andere manieren hebben ontwikkeld en niet alleen door betaald werk.

Workshop “Diversiteit en inclusie in je personeelsbestand”

De kansen en risico’s van AI in werving en selectie

Artificial Intelligence, oftewel AI, heeft een razendsnelle groei doorgemaakt en zal de komende jaren in hoog tempo meer en meer onderdeel worden van onze samenleving. Zo ook op het gebied van werving en selectie. Specialisten waarschuwen wel voor algorithmic bias. Er wordt vaak gedacht dat AI geen vooroordelen heeft omdat het geen mens is, maar dit is niet zo. De data (geschiedenis) die gebruikt wordt om de AI te ontwikkelen kan namelijk vooroordelen bevatten die zodoende worden overgenomen. Maar ook de IT-specialist of recruiter die de input geeft kan (onbewuste) vooroordelen hebben. Kennis en bewustwording kunnen helpen dit inclusiever in te richten en het systeem van de juiste data te voorzien. Als je dit goed inricht kan het juist uitsluiting en discriminatie voorkomen en het werving- en selectieproces eerlijker maken.

Voorbeeld

Bij het gebruik van een algoritme om sollicitanten te screenen op basis van hun cv kan het volgende algorithmic bias zich voordoen. Als het algoritme getraind is met gegevens van voornamelijk mannelijke sollicitanten, kan het onbewust de voorkeur geven aan mannelijke kandidaten en overige sollicitanten discrimineren. Dit kan leiden tot een gebrek aan diversiteit in het personeelsbestand van een organisatie. Het is daarom belangrijk om de data input en het gebruik van AI-kaders en -algoritmen kritisch te beoordelen om bias en discriminatie te voorkomen.

Een ander voorbeeld: Farid is opgegroeid en naar school gegaan in een buurt die als “probleembuurt” wordt gezien. Dit kan effect hebben op de kansen van Farid tijdens sollicitatieprocedure waarbij gebruik wordt gemaakt van AI. In de AI-data (geschiedenis) kan het vooroordeel zijn opgenomen dat Farid geen goede opleiding heeft gevolgd vanwege zijn achtergrond. Daardoor zal Farid (onbewust) als ongeschikt worden gezien. Terwijl hij misschien wel de meest geschikte kandidaat is.

In deze tijd, waar de arbeidsmarktkrapte ontzettend groot is en het moeilijk is om aan geschikte kandidaten te komen, is objectieve werving en selectie de uitkomst.