Simple Science

La science de pointe expliquée simplement

# Informatique# Intelligence artificielle# Calcul et langage

Peut-on combler le déséquilibre entre les sexes dans les emplois grâce à l'appariement basé sur les compétences ?

Examiner le rôle du matching basé sur les compétences pour promouvoir la diversité de genre au travail.

― 8 min lire


S'attaquer à l'inégalitéS'attaquer à l'inégalitéde genre dans lerecrutementdiversité des emplois.compétences et son impact sur laExplorer l'appariement basé sur les
Table des matières

Dans le marché du travail actuel, trouver les bons travailleurs pour les bons emplois, c'est pas toujours évident. Une nouvelle approche appelée "matching basé sur les compétences" essaie de résoudre ce problème en se concentrant sur les compétences que les candidats possèdent plutôt que sur leurs anciens postes ou diplômes. Ça permet aux chercheurs d'emploi d'explorer de nouvelles opportunités dans différents domaines basés sur ce qu'ils peuvent faire, même s'ils n'ont pas d'expérience directe dans ces secteurs.

Cependant, un gros souci persiste : la distribution des genres dans différentes professions est encore inégale. Beaucoup de métiers sont toujours dominés par un seul genre, et ça se reflète souvent dans les pratiques d'embauche. La question est : est-ce que ce matching basé sur les compétences peut aider à changer cet équilibre de genre ? Cet article examine l'impact de ces techniques de matching sur la mobilité de genre dans le marché du travail.

Ségrégation de Genre sur le Marché du Travail

La ségrégation de genre fait référence à la représentation inégale des genres dans certains emplois. Souvent, les métiers traditionnellement occupés par des femmes, comme les soins infirmiers ou l'enseignement, sont moins bien payés que ceux occupés par des hommes, comme l'ingénierie ou la gestion. Ça crée un cycle où certaines compétences liées au travail des femmes sont sous-évaluées, menant à moins d'opportunités d'avancement.

Des recherches montrent que des équipes diverses mènent à une meilleure innovation et efficacité. Améliorer la Diversité de genre dans divers métiers ne favorise pas seulement l'équité, mais bénéficie aussi à l'économie dans son ensemble. Cependant, augmenter simplement le nombre de femmes dans un domaine ne garantit pas automatiquement l'égalité. Les compétences valorisées doivent également changer.

Matching Basé sur les Compétences

Le matching basé sur les compétences est un processus où les chercheurs d'emploi sont associés à des opportunités en fonction de leurs compétences plutôt que de leurs anciens rôles. Cette méthode met l'accent sur ce que les individus peuvent offrir plutôt que sur ce qu'ils ont fait par le passé. Par exemple, un candidat avec de fortes compétences en communication pourrait être considéré pour un poste en marketing même si son dernier emploi était dans le service client.

L'idée derrière ce matching basé sur les compétences, c'est que ça pourrait offrir plus d'opportunités pour tout le monde, peu importe le genre. Si les chercheurs d'emploi peuvent mettre en avant leurs compétences, ça pourrait ouvrir des portes vers de nouveaux domaines et postes. Cette approche pourrait également créer un plus large éventail de candidats pour les employeurs, ce qui est particulièrement important dans les secteurs où il n'y a pas assez de candidats.

Explorer la Mobilité de Genre

Bien que le matching basé sur les compétences offre un potentiel intéressant, il reste des incertitudes sur son impact sur la mobilité de genre - comment la composition de genre de divers emplois pourrait changer en conséquence. Avec la montée des techniques basées sur les données dans le recrutement, comme l'utilisation d'algorithmes informatiques et de l'apprentissage automatique, il est essentiel de regarder de près comment ces méthodes pourraient reproduire les biais de genre existants.

Certaines études suggèrent que le langage utilisé pour décrire les exigences d'emploi peut refléter et perpétuer des biais sociétaux. Par exemple, des annonces d'emploi qui mettent l'accent sur certains traits peuvent attirer plus de candidats masculins ou féminins simplement en raison du choix des mots.

Pour mieux comprendre ces dynamiques, des recherches ont été menées pour voir comment la ségrégation de genre apparaît dans le langage utilisé pour décrire différentes professions. En analysant diverses Descriptions de postes, il devient possible d'observer des patterns dans la représentation des compétences et quels emplois sont étiquetés comme orientés vers les hommes ou les femmes.

Le Rôle des Modèles Linguistiques

Dans le monde technologique d'aujourd'hui, les modèles linguistiques informatiques jouent un rôle crucial dans l'interprétation des descriptions de postes et le rapprochement des candidats avec les offres. Ces modèles analysent de grandes quantités de données pour voir des patterns et des relations entre les descriptions de postes et les compétences des candidats. Cependant, si ces modèles sont basés sur des données linguistiques biaisées, ils pourraient enfoncer encore plus la ségrégation de genre.

Par exemple, si un modèle interprète un ensemble de compétences techniques principalement comme associées aux hommes, il pourrait ignorer des candidates féminines qualifiées simplement à cause du biais linguistique ancré dans les données sur lesquelles il a été entraîné. Ça peut reproduire les stéréotypes existants et créer une barrière d'entrée pour les femmes dans les domaines techniques.

Mesurer l'Impact

Pour évaluer l'effet du matching basé sur les compétences sur la ségrégation de genre, les chercheurs ont regardé différentes méthodes d'analyse des descriptions de postes et des compétences des candidats. Cela implique d'examiner le langage utilisé dans les annonces d'emploi et comment cela pourrait influencer la diversité des candidats.

En utilisant divers modèles basés sur les données, les chercheurs peuvent évaluer à quel point ces modèles réussissent à associer les candidats avec les ouvertures tout en vérifiant à quel point ils sont susceptibles de perpétuer les biais de genre existants. L'objectif est de créer des modèles qui non seulement trouvent les meilleurs candidats en fonction des compétences, mais qui promeuvent aussi un marché du travail plus diversifié et équitable.

Les Résultats

À travers des simulations et l'analyse des données d'emploi, les chercheurs ont identifié des patterns sur la façon dont la ségrégation de genre persiste dans la représentation des compétences. En examinant comment les titres de poste et les descriptions de compétences sont formulés, il est clair que certaines professions tendent également à se regrouper par genre.

Les résultats montrent que les modèles linguistiques peuvent effectivement porter en avant des biais présents dans les données d'entraînement. Par exemple, lorsque les compétences sont représentées par différentes techniques, il devient évident que les descriptions de postes dominées par les hommes suscitent une réponse différente de celles dominées par les femmes.

Les modèles qui mesurent à quel point les ouvertures d'emploi correspondent aux compétences des candidats peuvent par inadvertance favoriser certains genres. Si les professions bien notées ont un ratio de genre similaire à celui de l'ancien emploi d'un candidat, cela pourrait signifier que les chercheurs d'emploi restent dans le même domaine dominé par un genre. Ces données soulignent la nécessité d'une plus grande prise de conscience lors du développement et de l'utilisation de ces modèles dans l'embauche.

Conclusion

Le potentiel du matching basé sur les compétences pour améliorer la mobilité et la diversité dans le milieu de travail est immense. Cependant, ça comporte aussi le risque de renforcer les biais de genre existants si ce n'est pas abordé avec soin. À mesure que les organisations s'appuient de plus en plus sur des modèles pour associer les candidats, il est crucial de se concentrer sur la manière dont ces systèmes sont construits, quelles données ils utilisent et comment les résultats sont interprétés.

En reconnaissant et en traitant les biais inhérents dans le langage et les pratiques d'embauche, il est possible de travailler vers un marché du travail plus inclusif. Les recherches futures devraient continuer à analyser ces questions et intégrer un focus plus large sur la diversité, en considérant des facteurs comme l'ethnicité et le parcours en plus du genre. Cela peut aider à créer des systèmes plus justes qui bénéficient à tous ceux qui cherchent du travail, peu importe leur genre.

Promouvoir l'équité dans les processus de matching d'emploi peut mener à une main-d'œuvre plus saine et à une plus grande innovation dans divers domaines. Ce n'est pas juste un objectif pour les employeurs mais une nécessité pour toutes les parties prenantes du marché du travail.

Source originale

Titre: Gender mobility in the labor market with skills-based matching models

Résumé: Skills-based matching promises mobility of workers between different sectors and occupations in the labor market. In this case, job seekers can look for jobs they do not yet have experience in, but for which they do have relevant skills. Currently, there are multiple occupations with a skewed gender distribution. For skills-based matching, it is unclear if and how a shift in the gender distribution, which we call gender mobility, between occupations will be effected. It is expected that the skills-based matching approach will likely be data-driven, including computational language models and supervised learning methods. This work, first, shows the presence of gender segregation in language model-based skills representation of occupations. Second, we assess the use of these representations in a potential application based on simulated data, and show that the gender segregation is propagated by various data-driven skills-based matching models.These models are based on different language representations (bag of words, word2vec, and BERT), and distance metrics (static and machine learning-based). Accordingly, we show how skills-based matching approaches can be evaluated and compared on matching performance as well as on the risk of gender segregation. Making the gender segregation bias of models more explicit can help in generating healthy trust in the use of these models in practice.

Auteurs: Ajaya Adhikari, Steven Vethman, Daan Vos, Marc Lenz, Ioana Cocu, Ioannis Tolios, Cor J. Veenman

Dernière mise à jour: 2023-07-17 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2307.08368

Source PDF: https://arxiv.org/pdf/2307.08368

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Articles similaires