检测偏见的一种方法

2015年10月

这将会令许多人感到惊讶，但在某些情况下，即便对申请者群体一无所知，也能在选拔过程中检测出偏见。这之所以令人振奋，是因为它意味着第三方可以利用这一技术来识别偏见，无论选拔者是否愿意。

只要满足以下条件，你就可以运用这一技术：(a) 你至少拥有被选中申请者的随机样本，(b) 这些申请者后续的表现被持续追踪衡量，且 (c) 你正在比较的不同类型申请者群体在能力分布上大致相当。

其原理何在？思考一下“偏见”意味着什么。如果一个选拔过程对某类型 x 的申请者存在偏见，即意味着他们更难通过筛选，那么 x 类型的申请者必须比非 x 类型的申请者更优秀才能被选中。[1] 这意味着，那些最终成功通过选拔的 x 类型申请者，其表现将优于其他成功的申请者。如果所有成功申请者的表现都得到衡量，你就能发现这一点。

当然，衡量表现所采用的测试必须是有效的。尤其需要注意的是，该测试本身不能因为你试图衡量的偏见而失效。然而，在某些领域，表现是可被量化的，在这些领域，识别偏见便变得直截了当。想知道选拔过程是否对某类申请者存在偏见？只需检验他们是否比其他入选者表现更出色即可。这不仅仅是一种识别偏见的启发式方法，它正是偏见的定义所在。

例如，许多人怀疑风险投资公司对女性创始人存在偏见。这一点很容易察觉：在他们投资的投资组合公司中，有女性创始人的初创公司是否比没有女性创始人的公司表现更好？几个月前，一家风投公司（几乎可以肯定并非有意）发布了一项研究，恰恰显示了这类偏见。First Round Capital 发现，在其投资组合公司中，有女性创始人的初创公司的表现比没有女性创始人的公司高出 63%。[2]

我之所以在开头提到这一技术会让许多人感到惊讶，是因为我们极少见到此类分析。我相信 First Round 公司会对自己无意中进行了这样一项研究感到惊讶。我怀疑他们内部没有人意识到，将样本局限于自家投资组合，实际上是在生成一份关于他们自身在选投公司时偏见的报告，而非创业趋势的报告。

我预测未来这项技术将得到更广泛的应用。开展此类研究所需的信息日益可得。关于谁申请了某个职位或机会的数据通常被选拔组织严密保护，但在当今，关于谁最终被选中的数据往往对任何愿意费心去搜集整理的人公开。

注释

[1] 如果选拔过程对不同类型的申请者寻求的是不同的特质——例如，雇主根据能力雇佣男性，却根据外貌雇佣女性——那么这一技术将无法奏效。

[2] 正如 Paul Buchheit 所指出的，First Round 将最成功的投资 Uber 排除在了研究之外。尽管在某些类型的研究中排除极端值是合理的，但对于旨在捕捉极端成功案例的创业投资回报研究而言，这并不适用。