利用人群的智慧来改善招聘
至少早在19世纪，统计学家就发现，一群人比任何一个人都能做出更准确的决定。然而，组织很少利用这种“群体智慧”来改善运营。
在一个新项目中，英国行为洞察团队(BIT)的行为科学家正在利用群体的决策权来改进组织进行招聘的方式。BIT最初由英国首相戴维•卡梅伦(David Cameron)于2010年委托，是政府通过与行为科学家合作，以证据为基础，对公共和组织政策干预进行测试的一个主要例子。通过一系列的实验，BIT一直在研究如何利用行为科学的发现来帮助包括BIT本身在内的组织改善招聘实践。
北京理工大学行为科学家凯特·格莱泽布鲁克、西奥·费格特和乔安娜·特米尔在北京理工大学的一篇博客文章中写道:“企业为了吸引最优秀的人才，花费了令人难以置信的巨额资金，因为在许多行业，最优秀和优秀之间的差异对企业的底线有着真正的影响。”
该团队的第一组创新招聘实践实验的灵感来自于一个近200年前的统计实验。英国统计学家弗朗西斯·高尔顿(Francis Galton)曾在英国普利茅斯的一个乡村集市上让800名市民猜测一头牛的确切重量，精确到磅。猜测者将他们的估计写在纸片上，然后高尔顿对其进行分析。高尔顿曾假设，像农民和屠夫这样的“牛专家”会有最好的估计，但人群证明了这个假设是错误的:群体的估计比专家的个人猜测更准确。
高尔顿被结果震惊了:所有800个猜测的中位数非常接近牛的确切体重。小组估计的体重是1197磅，而牛的实际体重是1198磅——相差只有0.08%。
这种“群体智慧”表明，在适当的条件下，群体可以比个人做出更有见地的决定，有时甚至胜过专家。格莱泽布鲁克和他的同事们怀疑，让更多人参与招聘过程，同样可以提高从大量申请中挑选出最佳候选人的几率。
许多招聘决定归结为肤浅的标准，比如选择只面试某些大学的毕业生，或者无意识地根据性别、种族或性取向等特征偏爱候选人。如果把注意力集中在这些敷衍了事的特质上，组织可能会错过高素质的候选人。此外，这种同质化的招聘做法可能会导致雇主错过从多元化角度获得的好处。188金宝搏官网app注册当每个人都以同样的方式解决问题时(即“群体思维”)，团队最终可能会完全忽略主要的关注点。
尽管公司越来越意识到多元化员工队伍的好处，但将这些目标实际转化为招聘实践一直是一个挑战。伦敦理工学院想知道，通过采用一种可以利用群体智慧的招聘策略，他们是否能打造出更好、更多样化的团队。
英国理工学院在2016年的报告中解释说:“对几乎所有组织来说，招聘都是一个至关重要的领域，但研究表明，大量的隐性偏见导致了不理想的招聘决策。”“研究表明，企业更有可能为名字听起来‘白人’的求职者提供面试机会。招聘人员会在面试中对个人做出草率的判断，并在招聘过程中(例如发送求职信和简历)过多地考虑与个人胜任某个职位的能力无关的因素(性别、种族、社会阶层)。”
美国科学学会研究员Philip E. Tetlock(宾夕法尼亚大学)的研究表明，当人们在合作团队中一起工作时，他们更善于预测结果。泰特洛克和他的同事花了数年时间研究决策和专业知识。他们的一个重要发现是，汇集多种观点可以抵消导致错误决策的认知偏见。伦敦理工学院借鉴了泰特洛克的研究，以帮助他们在招聘中应对偏见。
Glazebrook金宝搏官网登录, Fellgett和Ter Meer在他们的博客中解释说:“事实上，研究人员甚至已经表明，美国国防情报分析师可以访问机密信息，可以被一些基本教育的业余爱好者击败:主要是因为他们得出结论太快，面对新的和相互矛盾的信息时很难更新自己的观点。”
研究还表明，拥有不同背景和经验的人会以不同的方式解决问题，这种观点的多样性可以帮助组织做出更好的决策。188金宝搏官网app注册
由美国心理学会成员亚当·d·加林斯基(哥伦比亚大学)领导的一组心理科学家最近总结了在美国建立更多元化团队的经验论点心理科学视角“同质化的群体会因为错误的安慰和过度自信而产生狭隘的思维和群体思维(即过早达成共识)的风险。相比之下，在合作和竞争的环境下，多样化的群体往往更有创新精神，做出更好的决策。”
那么，在审查简历和面试应聘者的时候，需要多大的人才能最大限度地获得好处呢?
BIT设计了一个简单的在线实验，在这个实验中，大约400名评论者根据对一个通用招聘提示(例如，“告诉我你用你的主动能力解决一个困难情况的一次经历”)的反应，对四个假设的求职者进行打分。审稿人得到了一套指导方针，类似于进行结构化访谈的指导方针，以帮助他们评估回答的质量。
400人的人群有一个明确的最爱，很容易确定最佳候选人的回答。
格莱泽布鲁克及其同事解释说:“我们利用数据进行统计模拟，以估计不同群体正确选择最佳候选人的概率。”“我们创建了1000个不同规模的评审员组合，从1人到7人不等。然后，我们根据群体的规模将他们聚集在一起，并计算他们选择合适候选人的平均几率。”
当最佳回答和次佳回答之间存在质量差距时，大约16%的人会选择不太合格的人。然而，在一个由三个决策者组成的小组中，选择较弱候选人的几率降至6%，而在一个由五人组成的小组中，选择较弱候选人的几率降至1%。当两个候选人非常相似时，人们大约有50%的几率选择了最好的候选人——基本上，他们的准确率和抛硬币一样。另一方面，一群7人，超过70%的时间选择了更优秀的候选人。
当然，对每个职位进行400名评审是不太现实的。最终，有证据表明，三名审稿人是招聘的最佳人群规模，但更多的实验仍在进行中。
将科学转向内部
“行为洞察团队喜欢按照自己的原则生活。当我们检查有关组织如何改进其内部实践的文献时，我们意识到我们也必须将它们应用于BIT，”该团队解释道。
为此，北京理工大学开发了一个名为Applied的平台。这个项目的目标是利用行为科学的发现来减少偏见在招聘过程中的作用。
大多数工作都是从求职者提交简历和求职信开始的。然后，人力资源部的人会对申请者进行筛选，将范围缩小到一组将被邀请参加面试的人。但是上面描述的小实验根本不支持标准的简历筛选作为一个特别有用的招聘工具。例如，简历上有著名私立大学学位的候选人可能会被选中，而不是同样合格的州立大学毕业生，或者一个有着典型男性名字的候选人可能会被认为比女性求职者更有领导潜力。
研究认为，尤其是在简历方面，简历通常包含的信息与求职者的工作表现在很大程度上无关。然而，这些信息有可能利用评估者无意识的偏见，”BIT在2016年的报告中解释道。
应用平台试图通过实现四个关键特性来提高招聘的质量和多样性:匿名化、分块、集体智能和预测评估。188金宝搏官网app注册
首先，该平台通过清除姓名等无关信息(这些信息可以提供有关申请人性别、种族、年龄或民族背景的线索)来匿名化申请。然后通过“分块”来组织这些申请——而不是一次阅读一个完整的申请，审查人员将一个申请中的特定问题与其他申请中的相同问题进行比较。这有助于审稿人确定总体的最佳响应。
最后，三个或更多的人审查剩余的申请人。多个审稿人的一致意见有助于确保最终选择最好的候选人。工作评估和情境工作测试的选择是基于是否有证据表明特定测试“真正能预测工作表现”。
应用程序平台不仅适用于私人组织和企业:BIT已经使用该平台来改进他们自己的招聘实践。
你能消除招聘中的偏见吗?
在一项实验中，为了确定应用软件是否在做它应该做的事情，BIT的研究人员在他们自己的2015-2016年毕业生招聘期间，将该平台与更传统的“简历筛选”进行了测试。金宝搏官网登录
首先，该团队设计了一个平行的a /B测试，对160名在最初的多项选择测试中表现最好的候选人进行测试。所有候选人的申请材料都是通过自动申请审查和高级人力资源经理的正常“筛选”发送的，高级人力资源经理会审查简历和简历。最终的成功候选人将通过一系列严格的技能评估和最后的面对面面试。
最终，这一过程给了求职者两次被录用的机会:他们可以凭借出色的简历通过传统的审核程序，也可以根据应用招聘所使用的基于证据的招聘测试的分数被选中。
Glazebrook和Ter Meer在一篇文章中写道:“当我们把所有的数据都拉进去时，很多事情让我们感到惊讶。媒介。
应聘者的简历得分与随后几轮面试中的实际表现没有相关性。在其他评估中，仅仅拥有一份令人印象深刻的简历、知名学校和花哨的头衔，并不能预测你的考试成绩。然而，应用分数和两次面对面面试之间存在显著的正相关关系
也就是说，在申请材料上获得高分的人在面谈中也表现得很好。
但是，应用软件公司真的实现了招聘多元化吗?虽然两个招聘组在性别上没有显著差异，但有证据表明，Applied对残疾人和非白人背景的人的偏见较少，尽管样本量太小，无法为这些措施提供统计上显著的结论。
教育背景在两组人中所起的作用有显著差异。虽然简历筛选基于正规教育程度，但那些通过应用筛选的人有更多样化的教育背景——也就是说，受过最多高等教育的人不一定拥有最适合这份工作的技能。这一发现与b谷歌和IBM等公司的趋势一致，在这些公司，正规的大学教育或大学成绩越来越被视为一个人在工作中表现的无关因素。
格莱泽布鲁克和特米尔写道:“如果我们只看他们的简历，那么我们就不会雇佣(甚至不会遇到!)多达60%的求职者。。
当然，还需要更多的证据来证明这种招聘方式真的会转化为工作表现。应用程序的招聘人数太少，不足以在现实世界中对平台的能力进行有意义的测试，但应用程序团队正在寻找机会进行更大规模的测试。
在全国范围内，使用这种限制偏见的方法可能会对帮助个人找到他们符合条件的工作产生巨大影响。正如格莱泽布鲁克和特米尔所解释的那样，“即使五分之一的候选人得到了他们本来不会得到的工作，在整个经济中，也有数十万人得到了他们本来不会根据业绩得到的工作。”“
参考文献
行为洞察小组(2015)。行为洞察团队更新报告2015-16。检索自http://38r8om2xjhhl25mw24492dir.wpengine.netdna-cdn.com/wp-content/uploads/2016/09/BIT_Update_Report_2015-16-.pdf。
Galinsky, A. D, Todd, A. R.， Homan, A. C.， Phillips, K. W.， Apfelbaum, E. P.， Sasaki, S. J.， Maddux, w.w.(2015)。多样性的收益最大化和痛苦最小化:一个政策视角。188金宝搏官网app注册心理科学透视，10, 742 - 748。doi: 10.1177 / 1745691615598513
Glazebrook, K.， Fellgett, T.， & Ter Meer, J.(2016年2月17日)。你会通过抛硬币来决定雇佣吗?检索自http://www.behaviouralinsights.co.uk/labour-market-and-economic-growth/would-you-hire-on-the-toss-of-a-coin/
Glazebrook, K.， & Ter Meer, J.(2016年9月21日)。应用于测试-第1部分。媒介。检索自https://medium.com/finding-needles-in-haystacks/putting-applied-to-the-test-part-1-9f1ad6379e9e#.6dut0omuw
Glazebrook, K.， & Ter Meer, J.(2016, 10月3日).技术能提高多样性吗?188金宝搏官网app注册应用于测试-第2部分。媒介。检索自https://medium.com/finding-needles-in-haystacks/can-technology-improve-diversity-pu188金宝搏官网app注册tting-applied-to-the-test-part-2-a6fb98c26778#.k367wpl3z
Mellers, B.， Stone, E.， Murray, T.， Minster, A.， Rohrbaugh, N.， Bishop, M.， Tetlock, P.(2015)。识别和培养超级预测者，作为改进概率预测的一种方法。心理科学透视，10, 267 - 281。doi: 10.1177 / 1745691615577794
泰特洛克，p.e.， &加德纳，D.(2015)。超级预测:预测的艺术与科学。纽约，纽约:皇冠。
