不利影响分析：多方最佳实践

两组间的负面影响（AI）分析较为简单直接。历史上，白人相较于其他所有群体被视为多数群体，但如今最佳实践要求对所有种族群体进行更细致的考察。当需要分析两个或更多群体时（例如按个体种族划分：亚裔、非裔美国人、西班牙裔、白人），AI调查的复杂度将显著提升。 具体而言，当涉及超过两个群体时，如何确定作为参照基准（即优势群体）的基准组，以便与其他所有群体进行比较？

许多平等就业机会分析师会参考联邦《雇员选拔程序统一指南》（以下简称《指南》）来确定方向：选拔率最高且在申请者数据中占比至少2%的群体可被定义为优势群体。虽然这种方法听起来合乎直觉，但若其导致误导性结论该如何应对？ 这令人担忧，因为法院对《指南》持尊重态度，且其对平等就业机会实践的影响力巨大。指南方法是否可能导致误导性结论？

遗憾的是，在此情况下，答案是肯定的。《指南》在个别种族分析中识别优势群体的做法可能导致 虚假阴性 ——即在实际存在不利影响时，却得出无不利影响的结论。一个简单例子有助于说明这种并不罕见的现象。

在下例中，100名申请者竞争36个职位。根据《申请指南》方法，NATs将被定义为优势群体，因为其符合指南中规定的两项标准：

1. NATs的选拔率(SR)最高，达67%。
2. NATs申请者（3）占所有100名申请者的2%以上

若将NAT作为优势群体进行AI分析，则未观察到ASN、BLK、HSP或WHT申请者存在AI现象（参见费舍尔精确检验统计量FET(ADV=NAT)）。然而，若将WHT定义为优势群体进行AI分析，则观察到ASN、BLK和HSP申请者存在显著AI现象（参见FET ADV=WHT）。

当应用指南方法时，未发现任何歧视现象，但当白人（WHT）被定义为优势群体时，针对亚裔（ASN）、黑人（BLK）和西班牙裔（HSP）申请者的歧视却显而易见。这些发现令人惊讶。其背后的原因是什么？

当人们理解以下两点时，答案就相当明确了：1) 获得具有统计学意义的人工智能需要满足哪些条件；2) 指南方法识别优势群体背后的运作机制：

• • 统计方法（如FET）需要两个要素才能获得具有统计学意义的人工智能：
    1. 1. 效应量：指组间学生留校率（SR）差异的大小。在此例中，自然科学专业（NAT）申请者（67%）与白人（WHT）申请者（52%）的SR差异较小，故效应量较小。而自然科学专业（NAT）申请者（67%）与黑人（BLK）申请者（13%）的SR差异显著，因此该比较的效应量较大。较大的效应量在统计上更具显著性。

     

    1. 样本量：所研究组别的样本数量。本例中，NAT申请者仅有三（3）人，而WHT申请者达50人。样本量越大，统计功效越强。

• 识别优势群体的指导方法主要依赖效应量（即系统综述评分最高的群体），但基本忽略样本量（申请者仅需占总申请人数的2%）。

在此示例中，NAT申请者的支持率略高于WHT申请者（67%对52%），但其样本量显著较小（3个NAT样本对50个WHT样本）。事实上，仅有三个NAT样本时，几乎不可能获得具有统计学意义的AI结果。 相比之下，50个样本量（WHT）虽支持率略低，却能提供充足的统计功效来发现具有统计学意义的AI（若其确实存在）。

鉴于此，当存在超过两个群体时，推荐采用何种主动式人工智能分析方法？

方案1是进行功效分析以确定优势群体。功效分析过程复杂且繁琐，实施时需要具备深厚的技术背景。

方案二就是直接分析所有可能的人工智能SR比对组合。虽然这看似复杂，实则不然，且所得结果对主动式人工智能调查极具参考价值。

在实践中，几乎所有主动式AI调查都建议采用方案二。 虽然分析所有组合看似费时费力且复杂，但这种投入将带来清晰呈现不同子群体间AI模式的全景图——这正是主动式AI调查的核心目标。随着AI方法的演进与进步，平等就业机会分析师必须相应调整策略。在更强大的计算机和更易用的软件支持下，AI调查需要实现更全面、更彻底的覆盖。这正是AI调查的下一个发展阶段。

编者按：本文最初发表于 Circaworks.com。2023 年 4 月，Mitratech 收购了包容性招聘和 OFCCP 合规软件的领先供应商 Circa。此后，我们对内容进行了更新，以反映我们扩大的产品范围、不断发展的人才招聘合规法规以及人力资源管理的最佳实践。