AI 人力在简历筛选中的公平性

用 AI 做简历筛选，指的是让系统按岗位要求完成初筛、信息归并与排序，把招聘人员的时间留给面试评估与候选人沟通。它解决的是处理量的问题，而公平性需要另外设计，不会因为效率提升而自动变好

偏见从哪里来

• 历史录用数据：如果过去某类学校、性别或年龄段的录用比例明显偏高，模型会把这种相关性当成能力信号。
• 代理变量：用看似中性的特征做替代（例如居住区域、毕业年份），实际会间接对应到受保护属性。
• 标注口径：如果合适的标注来自单个面试官的主观判断，模型学到的其实是这个人的偏好。
• 岗位描述的措辞：要求写得模糊时，模型只能用统计相关性去填补，而相关性往往指向既有偏差。

可操作的措施

公平性不能靠一句注意偏见来落实，要落到具体动作上

• 标准前置：岗位要求写成可核对的硬条件与可评估的能力项，减少模糊表述带来的统计填补空间。
• 字段裁剪：与岗位无关的个人信息在初筛阶段不进入判断范围，从源头减少代理变量的影响。
• 分组复核：按群体统计通过率，出现异常差异时暂停自动筛选并人工复核。
• 人为主导：筛选结果作为排序与提示，进入面试的最终名单由招聘人员确定。

记录与申诉

• 候选人应当被告知流程中使用了自动化工具，并能了解筛选依据的类型。
• 每次筛选留有版本记录：使用的标准、字段范围与规则版本。
• 被拒绝的候选人应有明确的反馈渠道，投诉能被受理并复核。
• 复核结果要能推动标准或字段范围的调整，否则申诉只是一个出口。

数据隐私的边界

简历包含姓名、联系方式、教育经历等个人信息，处理时应遵循最小必要：只收集与岗位相关的信息，明确保存期限，限定可访问范围。候选人信息的留存与删除规则应当事先定义，而不是等到被问到才决定

从哪一步开始

公平性不是上线之后再加的开关，它取决于前置的设计选择。以下几件事的顺序值得固定下来

• 先写标准：岗位要求先落到可核对的硬条件与能力项上，再考虑用什么工具筛。
• 再定字段：明确哪些信息进入初筛、哪些不进入，并写进配置而不是靠约定。
• 然后才接模型：标准与字段范围确定之后再引入筛选能力，避免让模型去填补需求本身的模糊。
• 最后设复核：分组统计与申诉通道在上线前就到位，而不是出了问题再补。

验收口径

• 筛选标准与实际使用的字段范围有书面记录，且与对外告知一致。
• 分组通过率有定期复核记录，异常差异有处置动作。
• 候选人的告知与申诉通道真实可用，投诉有受理记录。
• 简历信息的保存期限与访问范围有明确规则并被遵守。