Untersuchung auf altersbedingte nachteilige Auswirkungen bei Personalabbau - ein wahrscheinlicherer Ansatz

Die Wirtschaft läuft gut und die Arbeitslosenquote ist so niedrig wie nie zuvor. Niemand denkt derzeit an Personalabbau oder Entlassungen (RIF). Erfahrene Personalverantwortliche wissen jedoch, dass Entlassungen nicht nur in Zeiten des wirtschaftlichen Abschwungs vorkommen. Entlassungen sind ein normaler und (wohl) gesunder Bestandteil der Aufrechterhaltung einer leistungsstarken Belegschaft, die die Unternehmensstrategie unterstützt.

Obwohl das Beschäftigungsverhältnis weitgehend als „freiwillig“ verstanden wird, sind Kündigungsmaßnahmen nicht ohne rechtliche Risiken. Wie man sich vorstellen kann, gibt es Gesetze, die die Rechte der Arbeitnehmer vor potenzieller Diskriminierung bei Personalabbau schützen.¹. Selbst wenn die Kündigungsentscheidungen nicht absichtlich diskriminierend waren (ungleiche Behandlung), können Personalabbauprogramme dennoch im Rahmen eines Adverse Impact (AI)-Konzepts auf Diskriminierung geprüft werden. Im Klartext bedeutet dies, dass Kläger einen Anscheinsbeweis für AI-Diskriminierung mit statistischen Belegen für Unterschiede in der Kündigungsrate zwischen verschiedenen Gruppen (z. B. Geschlecht, ethnische Zugehörigkeit, Alter) erbringen können.

Klassische RIF-Analyse

Die Analyse für KI in Bezug auf Geschlecht und ethnische Zugehörigkeit ist relativ einfach. Dies kann durch traditionelle Auswahlratenanalysen bewertet werden – klassische 2×2-Analysen, bei denen es zwei Gruppen (z. B. männlich, weiblich) mit zwei Ergebnissen (z. B. bestanden, nicht bestanden) gibt:

In diesem Beispiel gibt es insgesamt 13 Männer (8+5) und 17 Frauen (8+9). Die Verbleibquote für Männer beträgt 62 % (8 von 13) und die Verbleibquote für Frauen 47 % (8 von 17). Die Verbleibquote der Frauen (47 %) ist niedriger als die Verbleibquote der Männer (62 %), aber ist dieser Unterschied statistisch signifikant? Diese Frage kann mit Hilfe des exakten Tests von Fisher (FET) beantwortet werden, um das beobachtete 2×2 zu bewerten. Für dieses Beispiel stellt der FET fest, dass die Unterschiede in den Auswahlquoten nicht statistisch signifikant (p=0,48)², was die Behauptungen zur Diskriminierung durch KI widerlegt.

Altersbasierte RIF-Analyse

RIF analysis among “crisp” and well-defined categories (e.g., race, gender) is easy and straightforward – simply apply the 2×2 selection rate analysis method. For age-based RIF analyses, this is less clear since age is on a numeric continuum; fortunately, the Age Discrimination and Employment Act (ADEA) has defined individuals who are 40 years old and above as a protected group. Applying this law, many analysts have set up the two groups in their selection rate analyses as: Less Than 40 (<40) and 40 or Greater (≥40).

These 2×2 selection rate analyses were also straightforward and fairly simple. However, after the O’Connor v. Consolidated Coin Caterers Corp. Supreme Court decision (517 U.S. 308, 116 S. Ct. 1307, 134 L. Ed. 2d 433 [1996]), age-related AI discrimination cases have become slightly more complicated. The Supreme Court recognized that age is a continuum and, more importantly, noted that if age can be linked to employment decisions, then those decisions are eligible to be scrutinized for AI discrimination, regardless of class membership (<40, ≥40).

In der Praxis bedeutet dies, dass 2×2-Selektionsratenanalysen nach der Entscheidung in der Rechtssache O’Connor gegen Consolidated nicht unbedingt die aussagekräftigste Analysemethode zur Bewertung von altersbezogener KI-Diskriminierung sind. Stattdessen sind regressionsbasierte Methoden für Untersuchungen zu altersbezogener KI-Diskriminierung besser geeignet. Regression Alter in Kündigungsstatus (weiterbeschäftigt/gekündigt) kann man die Beziehung zwischen Kündigungsstatus und Alter bewerten. Bei Anwendung von Regressionsmethoden zur Auswertung der Daten in Tabelle 2 stellen wir Folgendes fest:

A regression analysis on this data³ would find that on average, terminated employees were 11.54 years older than retained employees (p=0.002, SD=3.34). At this point, it would be natural to wonder how is it possible that the regression-based findings are significant, while the 2×2 analyses are not significant? The answer is quite simple. The regression analysis was able to evaluate age and all the rich, numeric information associated with age. In the 2×2 analysis, on the other hand, all that age information was collapsed into just two categories (<40, ≥40). Consequently, the regression analysis had significantly more information and statistical power to detect group differences.

Ein weiterer bemerkenswerter Vorteil regressionsbasierter Methoden ist die Möglichkeit, erklärende Faktoren (z. B. Leistung) zu kontrollieren. Obwohl das obige Beispiel keinen erklärenden Faktor in die Regressionsanalysen einbezog, ist die Einbeziehung erklärender Faktoren relativ einfach zu modellieren. Dies ist ein wesentlicher Vorteil gegenüber der traditionellen 2×2-Analyse, die sich nicht ohne Weiteres für die Kontrolle erklärender Faktoren eignet.

Schlussfolgerung

Eine wichtige Erkenntnis aus diesem Artikel sollte sein, dass einfache 2×2-Auswahlratenanalysen möglicherweise nicht die aussagekräftigste Analyse bei Untersuchungen zu altersbasierter Diskriminierung durch KI sind, insbesondere nach der Entscheidung des Obersten Gerichtshofs in der Rechtssache O'Connor gegen Consolidated. Es ist zu beachten, dass die 2×2-Analysen zur Weiterbeschäftigung statistisch nicht signifikant waren (p=0,48), während die Regressionsanalysen, die Altersabstufungen berücksichtigten, statistisch signifikant waren (p=0,002, SD=3,34).

Derzeit ist die Diskriminierung aufgrund des Alters durch KI für Bundesauftragnehmer bei ihren Compliance-Bemühungen kein Thema. Das liegt daran, dass das Alter keine geschützte Gruppe im Sinne der EO 11246 ist. Neben der Beschreibung der richtigen Methoden für altersbasierte KI-Analysen besteht das zweite Ziel dieses Papiers daher darin, Bundesauftragnehmer (und auch nicht-föderale Auftragnehmer) für ein großes Risiko zu sensibilisieren, dessen sie sich möglicherweise nicht bewusst sind. Dies ist besonders besorgniserregend angesichts der zunehmenden Alterung der Belegschaft, da viele Arbeitnehmer beschlossen haben, ihren Ruhestand aufzuschieben. Obwohl die OFCCP derzeit keine altersbezogene Durchsetzungsbefugnis gegenüber Auftragnehmern der Bundesregierung hat, ist es für Arbeitgeber dennoch wirtschaftlich sinnvoll, ihre Risiken durch die Durchführung geeigneter KI-Analysen in RIF-Situationen zu steuern. EOs haben den Umfang der Durchsetzungsbefugnisse der OFCCP (z. B. Veteranen, sexuelle Orientierung, Geschlechtsidentität) bei Bedarf erweitert, und angesichts einer immer älter werdenden Belegschaft ist es nur eine Frage der Zeit, bis die OFCCP befugt ist, vor altersbedingter Diskriminierung zu schützen. Wer weiß, wenn die OFCCP erst einmal erkennt, wie viel altersbasierte KI es gibt (bei Einstellungen, Beförderungen und Kündigungen), könnte dies sicherlich zu einer verstärkten Durchsetzung führen. Bundesauftragnehmern wird empfohlen, dieser Entwicklung zuvorzukommen.

1. z. B. Titel VII des Civil Rights Act von 1964, Age Discrimination in Employment Act von 1967
2. Wahrscheinlichkeitswerte von 0,05 oder weniger gelten als statistisch signifikant (p ≤ 0,05).
3. Leser, die eine Kopie des in diesem Beispiel verwendeten Datensatzes erhalten möchten, werden gebeten, sich an die Autoren zu wenden.

Anmerkung der Redaktion: Dieser Beitrag wurde ursprünglich auf Circaworks.com veröffentlicht. Im April 2023 übernahm Mitratech Circa, einen führenden Anbieter von Software für integratives Recruiting und OFCCP-Compliance. Der Inhalt wurde seitdem aktualisiert, um unser erweitertes Produktangebot, die sich entwickelnden Compliance-Vorschriften für die Talentakquise und Best Practices im Personalmanagement zu berücksichtigen.