收益：
- 能够根据工作相关标准以结构化且可比较的格式总结简历
- 能够识别人工智能支持的筛查中存在偏见和歧视的风险，并通过具体方法减少风险
- 能够建立一个可追溯的流程，在最终淘汰决定中需要人工控制
招聘过程中最耗时、最累、风险也最大的一步就是简历筛选。一个帖子要逐一阅读和比较 300 份简历，需要花费几个小时；随着疲劳程度的增加，决策质量会下降，并且最后一次阅读的简历不会像第一次阅读的简历那样谨慎评估。人工智能（AI）为这一步提供了巨大的加速。但这是最危险的部分：人工智能可以在其训练数据中学习并重现人类偏见。在本单元中，我们将学习如何根据工作相关标准以结构化方式总结简历，通过具体方法降低偏见风险，并建立可追溯的流程，将最终决定权掌握在人们手中。
让我们澄清一下这些术语。偏见是指由于与工作无关的特征（如姓名、性别、年龄、家乡、毕业院校）而导致决策的系统性偏差。结构化摘要是指将每份简历以相同的标题、相同的顺序进行总结；通过这种方式，候选人可以进行同类比较。盲选是一种隐藏可识别候选人身份但与工作无关的信息的筛选过程。与工作相关的标准是广告中定义的完成该工作实际所需的能力。最后，幻觉是指人工智能产生实际不存在的信息（例如，简历中未包含的证书）。
为什么人工智能会产生偏见？
人工智能从数百万条文本中学习，这些文本包括人类过去的决定。如果某个特定群体过去受到过歧视，人工智能可能会将这种模式误认为是“正常”。此外，简历中的线索（例如姓名、地址或学校）向模型提供了有关性别、种族或社会经济地位的间接信号。一个著名的例子：一家大型科技公司根据历史简历数据训练的筛选工具系统地强调了女性候选人，因为数据以男性为主，并且该工具已停止使用。教训很明确：人工智能不是中立的；您可以通过流程设计建立公正性。
人工智能的作用和局限性
本单元最关键的一句话是：AI并没有消灭CV，它总结了CV。如果你将人工智能设置为“自动拒绝者”，你就会面临法律风险（歧视索赔）和声誉风险；此外，你可以让一个真正优秀的候选人从视野中消失。正确的设置是使用人工智能作为快速阅读和结构化助手。
逐步安全消除过程：
- 提前定义与工作相关的标准。在开始淘汰之前，写下哪 5-8 个重要标准（经验、特定技能、认证、行业）并锁定它们。
- 屏蔽不相关的区域。从评估中排除姓名、照片、年龄、婚姻状况、出生地、学校名称等字段。
- 要求提供结构化摘要。为每份简历打印出完全相同的格式。
- 要求证据，而不是决定。 “这个人选合适吗？”而不是“该候选人是否符合标准，其简历基于哪一行？”问题。
- 人类做出最终决定并记录下来。 AI是总结/比较，而不是排除；人们选择并写下他们的理由。
您的角色：公正的招聘分析师。仅根据以下与工作相关的标准评估以下简历。考虑姓名、性别、年龄、照片、婚姻状况和学校声望。只要看经验和技能即可。标准：1) 3 年以上现场销售经验2) CRM（例如 Salesforce/HubSpot）使用3) B2B 销售经验4) 年度目标实现证据（数字、偏好）输出格式（每个标准单行）：- 标准 |符合（是/部分/否）|简历中的证据（摘录）调查：缺失的信息和面试中要问的 2 个问题。<cv>[简历文本]</cv>
注意：告诉人工智能“不要关心学校声誉”很重要。模型可能已经学会了诸如“好大学=好候选人”之类的歧视性捷径；这是对不同社会经济群体的间接歧视。
减少偏见的具体方法
偏见不是一个抽象的问题；它是一个抽象的问题。可以通过以下方式测量和减少：
- 盲目淘汰。从简历中删除姓名、照片、出生日期和学校名称。
- 固定标准列表。编写标准并在淘汰开始前锁定；不要在过程中更改它。
- 相同的提示，相同的格式。使用完全相同的说明评估所有简历。
- 证据判决义务。每个“是”都必须基于引用；这揭示了幻觉。
- 双盲测试。提交相同的简历，其中包含“女名”版本和“男名”版本，并检查成绩是否发生变化。
- 交叉检查。用肉眼重新阅读分数最高和最低的几份简历。
我给你两份简历：内容一模一样，只是名字不同。根据上述标准评估两者。然后比较两个评价；如果它们之间存在差异，请解释这种差异源于有关工作的哪些信息。如果您发现与工作无关的差异，请清楚地标记出来。
弱提示/强提示
弱提示：阅读这 40 份简历并选择前 5 名候选人。
结果：人工智能说“最好”，但没有解释为什么选择，可能使用了姓名/学校等不相关的信号。你无法控制这个决定。
强有力的提示：根据 [5-8 个工作相关标准] 评估这些简历。忽略姓名/年龄/性别/学校名称。对于每个标准，请提供是/部分/否 + 简历中的证明引用。决策;只是产生一个透明的比较。
结果是：一个可见的、可审计的、可供人工判断的输出，说明每个候选人为何在哪里。
外包给AI
不要让人工智能来做这件事
按与工作相关的标准进行总结
自动接受/拒绝决定
相同格式比较
按姓名/性别/年龄排序
标记缺失信息
不可估量的判断，例如“文化契合度”
建议面试问题
性格/性格预测
提取证据（引用）
我从照片推断
提示：对于结构化汇总比较，请为候选人提供匿名代码，例如“Candidate-1、Candidate-2”。并排的表格比逐一阅读更快、更公平；因为每个人都用相同的列进行评估。
三个迷你箱
案例 1——隐藏姓名偏见。一家公司在向 AI 提供原始简历（包括姓名）并让其进行排序时注意到，前 10 名候选人中有 9 名是男性。当名字被掩盖并仅根据经验和技能重新评估时，名单得到了平衡，3名以前未见过的合格女性候选人进入了前十名。该公司将这一点作为“强制盲选”条款添加到官方程序中。
案例 2 — 节省时间、受保护的控制。呼叫中心使用 AI 根据 4 项与工作相关的标准汇总了 220 份简历。资格预审时间从3天缩短到4小时。关键点：人工智能并没有消灭任何人；招聘人员亲自考察了 AI 所说“部分见过面”的 34 名候选人，并邀请其中 11 人参加面试。由人决定，招聘时间缩短35%。
案例 3——虚构的自然。 AI在简历摘要中写下了“PMP认证”，而该候选人并没有（幻觉）。由于企业招聘人员要求提供证明报价，AI 无法引用来源并发现了错误。 “对每项索赔要求简历报价”的规则是使此类捏造行为可见的最简单的安全网。
常见错误
- 让人工智能来决定。说“选择最好的5个”就是把责任交给了机器；人工智能总结，人类选择。
- 按原样提供原始简历。姓名、照片、年龄、学校名称都是偏见的信号；面具。
- 不求证据。如果你不询问报价，人工智能会弥补归因，你不会注意到。
- 模糊的标准，例如“文化契合度”。这通常意味着“像我们一样”并使歧视合法化；保持标准与工作相关且可观察。
- 在过程中更改标准。它败坏了正义；标准从一开始就被锁定。
- 忘记KVKK。 CV是个人资料；将其不加掩蔽地发送给没有机构保证的车辆是有风险的（参见KVKK单位）。
综上所述
人工智能在简历筛选方面提供了极快的速度，但它也可能加速偏见。安全使用基于三个规则：（1）仅使用与工作相关的标准进行评估，屏蔽不相关的区域； (2) 要求总结并与证据进行比较，而不是作出判决； (3) 始终让人类做出最终淘汰决定并证明其合理性。人工智能让资格预审变得更容易；您对正义和合法性负责。
应用任务
获取 5-6 份样本（或真实的匿名）简历。 (1)定义并锁定5-8个与工作相关的标准。 (2) 掩盖姓名/年龄/照片/学校，并以相同的方式将评估提示应用于每份简历，要求提供证明报价。 (3) 对简历进行双盲测试（仅更改姓名）。 (4) 制作汇总比较表。 （5）用肉眼重新阅读最高分和最低分的简历。 (6) 自行决定邀请谁参加面试并记录原因。
清单
- [ ] 评估是否仅根据与工作相关的锁定标准进行？
- [ ] 姓名、年龄、性别、照片、学校声誉是否被隐藏/排除？
- [ ] 每项索赔都需要简历证明报价吗？
- [ ] AI是为了做总结/比较，而不是做决定吗？
- [ ] 尾注简历是否经过人工交叉检查？
- [ ] 人类是否做出了最终淘汰决定并记录了原因？
- [ ] 数据是否按照 KVKK 安全处理？