Decoding Inequality 2025
  • Kursbeschreibung
  • Syllabus
  • Interessante Links
  • Studentische Beiträge
  • Über uns
  1. Syllabus
  2. Session 5
  • Kursbeschreibung
  • Syllabus
    • Session 1
    • Session 2
    • Session 3
    • Session 4
    • Session 5
    • Session 6
    • Session 7
    • Session 8
    • Session 9
    • Session 10
  • Interessante Links
  • Studentische Beiträge
    • Saubere und gerechte KI?
    • ChatGPT im Klassenzimmer
    • The Humans in the Loop: Labor Exploitation and AI Training
  • Über uns
  1. Syllabus
  2. Session 5

Session 5

KI und Recruiting

Author
Affiliations

Rachel Huber

University of Bern

Koordinationsstelle Teilhabe (Kanton Zürich)

Published

March 21, 2025

Modified

May 31, 2025

Lernziele:

1.     Entwicklung und Herausforderungen von Rekrutierungsalgorithmen​

2.     Die Studierenden sollen verstehen, wie Rekrutierungsalgorithmen entwickelt werden,

3.     Die Studierenden sollen verstehen, wie sie zu ihren Ergebnissen gelangen, warum sie diskriminieren können und weshalb algorithmische Diskriminierung problematischer sein kann als menschliche Diskriminierung.​

Gliederung der Unterrichtseinheit:

Teil 1: Entwicklung und Funktionsweise von Rekrutierungsalgorithmen (45 Minuten)

1.     Einführung in Rekrutierungsalgorithmen (15 Minuten)

1.1.   Definition und Überblick über den Einsatz von KI im Personalwesen.​

1.2.   Vorteile der Automatisierung im Rekrutierungsprozess, wie Effizienzsteigerung und Bearbeitung großer Bewerberzahlen.​

2.     Technische Grundlagen (20 Minuten)

2.1.   Datenquellen und Trainingsdaten: Wie Algorithmen mit historischen Bewerberdaten trainiert werden.​

2.2.   Merkmalsauswahl und -gewichtung: Welche Kriterien der Algorithmus zur Bewertung von Kandidaten heranzieht.​

2.3.   Entscheidungsfindung: Wie der Algorithmus Bewerber einstuft und Empfehlungen ausspricht.​

3.     Fallbeispiel 1: Amazon’s Rekrutierungsalgorithmus (10 Minuten)

3.1.   Beschreibung des Falls: Amazon entwickelte einen KI-basierten Rekrutierungsalgorithmus, der männliche Bewerber bevorzugte.​SpringerLink+1Reuters+1

3.2.   Analyse der Ursachen: Der Algorithmus wurde mit historischen Daten trainiert, die eine männliche Dominanz widerspiegelten, was zur Diskriminierung weiblicher Bewerber führte.​

3.3.   Diskussion der Konsequenzen und der Entscheidung, das Projekt einzustellen.​

Teil 2: Diskriminierungspotenzial von Rekrutierungsalgorithmen und Vergleich zur menschlichen Diskriminierung (45 Minuten)

1.     Ursachen algorithmischer Diskriminierung (15 Minuten)

1.1.   Verzerrte Trainingsdaten: Wie historische Vorurteile in Daten zu diskriminierenden Ergebnissen führen können.​

1.2.   Fehlerhafte Merkmalsauswahl: Wenn der Algorithmus irrelevante oder proxybasierte Merkmale verwendet, die zu indirekter Diskriminierung führen.​

2.     Vergleich: Algorithmische vs. menschliche Diskriminierung (15 Minuten)

2.1.   Skalierbarkeit: Algorithmen können Diskriminierung systematisch und in großem Umfang reproduzieren.​

2.2.   Transparenz: Entscheidungen von Algorithmen sind oft weniger nachvollziehbar als menschliche Entscheidungen.​

2.3.   Verantwortlichkeit: Schwierigkeiten bei der Zuweisung von Verantwortung für diskriminierende algorithmische Entscheidungen.​

3.     Fallbeispiel 2: Facebooks Jobanzeige-Algorithmus (10 Minuten)

3.1.   Beschreibung des Falls: Ein Audit zeigte, dass Facebooks Algorithmus Jobanzeigen basierend auf Geschlecht unterschiedlich ausspielte, was zu geschlechtsspezifischer Diskriminierung führte.​

3.2.   Analyse der Ursachen: Der Algorithmus optimierte Anzeigenplatzierungen basierend auf Nutzerinteraktionen, was bestehende Geschlechterstereotypen verstärkte.​

3.3.   Diskussion der ethischen Implikationen und möglicher Gegenmaßnahmen.​

4.     Diskussionsfragen für Gruppendiskussion (5 Minuten)

4.1.   Inwiefern können Versuche, Geschlecht und Ethnie aus Rekrutierungsalgorithmen zu entfernen, zu neuen Formen der Diskriminierung führen?​

4.2.   Wie können Organisationen sicherstellen, dass der Einsatz von KI im Rekrutierungsprozess nicht bestehende Ungleichheiten verstärkt, sondern zu mehr Fairness beiträgt?​

Vorbereitende Lektüre:

  • (Chen 2023)
  • (Drage and Mackereth 2022)
Slides
Back to top

References

Chen, Zhisheng. 2023. “Ethics and Discrimination in Artificial Intelligence-Enabled Recruitment Practices.” Humanities and Social Sciences Communications 10 (1): 1–12. https://doi.org/10.1057/s41599-023-02079-x.
Drage, Eleanor, and Kerry Mackereth. 2022. “Does AI Debias Recruitment? Race, Gender, and AI’s ‘Eradication of Difference’.” Philosophy & Technology 35 (4): 89. https://doi.org/10.1007/s13347-022-00543-1.
Session 4
Session 6
  • Edit this page
  • Report an issue