প্রতিকূল প্রভাব পরীক্ষার জন্য US HR প্লেবুক: চালান, পড়ুন, ঠিক করুন
যদি আপনার নিয়োগ প্রক্রিয়া কোনো সুরক্ষিত গোষ্ঠীর জন্য সর্বোচ্চ-স্কোরকারী গোষ্ঠীর তুলনায় উল্লেখযোগ্যভাবে কম নির্বাচন হার তৈরি করছে, তাহলে এটি তদন্তযোগ্য একটি সংকেত। ওই পদ্ধতিতে আরেকটি নিয়োগ সিদ্ধান্ত নেওয়ার আগেই ইমপ্যাক্ট রেশিও এবং একটি সিগনিফিক্যান্স টেস্ট (বৃহত্তর বা ক্ষুদ্রতর নমুনার জন্য উপযুক্ত পদ্ধতি ব্যবহার করে) চালান। যদি কোনোটিই সমস্যা নির্দেশ করে, তাহলে UGESP-এর অধীনে মূল্যায়নটি যাচাই করুন অথবা এমন একটি কম বৈষম্যমূলক বিকল্প ব্যবহার করুন যা তুলনামূলকভাবে কাজের পারফরম্যান্স পূর্বাভাস দেয়।
TL;DR:
- বিরূপ প্রভাব (Adverse Impact) নিরপেক্ষ নির্বাচন পদ্ধতিতেও ঘটতে পারে, যেমন পরীক্ষা বা সাক্ষাৎকার, এবং ইচ্ছাকৃত অভিপ্রায় ছাড়াই পরিসংখ্যানগতভাবে উল্লেখযোগ্য বৈষম্য তৈরি করতে পারে।
- মূল্যায়ন যাচাইয়ের মধ্যে রয়েছে নির্বাচন হার গণনা করা, ০.৮০-এর নিচের ইমপ্যাক্ট রেশিও চিহ্নিত করা এবং উপযুক্ত নমুনা আকার সহ সিগনিফিক্যান্স টেস্ট পরিচালনা করা, যেখানে সঠিকতার জন্য একাধিক নিয়োগ চক্র একত্রিত করা হয়।
- সংস্থাগুলিকে UGESP মেনে চলতে এবং অডিটের জন্য প্রস্তুত থাকতে আবেদনকারীর ডেটা, যাচাই প্রচেষ্টা এবং প্রভাব বিশ্লেষণের বিস্তারিত রেকর্ড রাখতে হবে, বিশেষত ফেডারেল ঠিকাদারদের জন্য।
- কাজ-নির্দিষ্ট, ভূমিকা-ভিত্তিক মূল্যায়ন এবং কাঠামোবদ্ধ সাক্ষাৎকার সাধারণ স্ক্রিনের চেয়ে ভালোভাবে বৈষম্য কমায়, বিশেষ করে যখন প্রথমে কাজের বিশ্লেষণ করে ডিজাইন করা হয়।
- ইমপ্যাক্ট রেশিও এবং AI টুলগুলির ক্রমাগত পর্যবেক্ষণ, ভেন্ডর যাচাই সহ, ন্যায্য নিয়োগ অনুশীলন বজায় রাখতে এবং সময়ের সাথে পুনরাবৃত্তিমূলক বৈষম্য এড়াতে অপরিহার্য।
সূচিপত্র
- বিরূপ প্রভাব পরীক্ষা আসলে কী পরিমাপ করে
- সংখ্যা কীভাবে চালাবেন: নির্বাচন হার, ইমপ্যাক্ট রেশিও এবং সিগনিফিক্যান্স টেস্ট
- অতিরিক্ত বা কম প্রতিক্রিয়া ছাড়াই ফলাফল পড়া
- পাইপলাইন ঠিক করা: কাজের বিশ্লেষণ, কাঠামোবদ্ধ সাক্ষাৎকার এবং আরও ভালো মূল্যায়ন
- যাচাই এবং রেকর্ড রাখা: UGESP আপনার কাছে কী রাখার প্রত্যাশা করে
- AI এবং অ্যালগরিদমিক স্ক্রিনিং টুলগুলি নিয়ন্ত্রণে রাখা
- আরও ন্যায্য মূল্যায়ন তৈরির একটি ব্যবহারিক চেকলিস্ট
- শিল্পজুড়ে বিরূপ প্রভাব পরীক্ষা কেমন দেখায়
- বিরূপ প্রভাব পরীক্ষা কোথায় ব্যর্থ হয়
- চলমান গভর্ন্যান্সে বিরূপ প্রভাব পরীক্ষা অন্তর্ভুক্ত করা
- Talent Approved দিয়ে দ্রুত আরও ন্যায্য পরীক্ষা তৈরি করুন
- সূত্র
- FAQ
বিরূপ প্রভাব পরীক্ষা আসলে কী পরিমাপ করে
বিরূপ প্রভাব একটি পরিসংখ্যানগত ফলাফল, কোনো উদ্দেশ্য নয়। এটি তখন প্রকাশ পায় যখন একটি নিরপেক্ষ দেখতে নির্বাচন পদ্ধতি — একটি জ্ঞানীয় পরীক্ষা, একটি সাক্ষাৎকার রুব্রিক, একটি রেজুমে স্ক্রিন — জাতি, লিঙ্গ, বয়স বা অন্যান্য সুরক্ষিত গোষ্ঠী জুড়ে অর্থপূর্ণভাবে ভিন্ন পাস রেট তৈরি করে, কেউ কী উদ্দেশ্য করেছিল তা নির্বিশেষে। এই পার্থক্যটি এটিকে বৈষম্যমূলক আচরণ (disparate treatment) থেকে আলাদা করে, যার জন্য প্রমাণ দরকার যে কেউ ইচ্ছাকৃতভাবে কাউকে লক্ষ্য করেছে। বিরূপ প্রভাব বিশ্লেষণ একটি শীতল প্রশ্ন জিজ্ঞাসা করে: সংখ্যাগুলি কি অসমভাবে পড়েছিল, এবং যদি তাই হয়, কেন?
আইনি কাঠামো তিনটি জায়গা থেকে আসে। নাগরিক অধিকার আইনের Title VII এমন কর্মসংস্থান অনুশীলন নিষিদ্ধ করে যা একটি সুরক্ষিত গোষ্ঠীকে অসামঞ্জস্যপূর্ণভাবে স্ক্রিন আউট করে যতক্ষণ না নিয়োগকর্তা অনুশীলনটি ন্যায্যতা দিতে পারে। কর্মচারী নির্বাচন পদ্ধতির অভিন্ন নির্দেশিকা (UGESP), ১৯৭৮ সালে ফেডারেল সংস্থাগুলি দ্বারা যৌথভাবে গৃহীত, নিয়োগকর্তারা কীভাবে তাদের নির্বাচন সরঞ্জামগুলি মূল্যায়ন করবেন এবং কখন তারা সরকারকে একটি যাচাই গবেষণা দেবেন তা বিশদ করে। EEOC Title VII প্রয়োগ করে এবং ব্যাখ্যামূলক নির্দেশনা প্রদান করে, এবং OFCCP ফেডারেল ঠিকাদারদের ক্ষেত্রে সমান্তরাল মানদণ্ড প্রয়োগ করে এবং প্রায়ই সম্মতি নিরীক্ষার সময় পরিসংখ্যানগত পরীক্ষা চালায়।
যাচাই তখনই শুরু হয় যখন বিরূপ প্রভাব বিশ্লেষণ পরিসংখ্যানগত এবং ব্যবহারিক সিগনিফিক্যান্স থ্রেশহোল্ড অতিক্রম করে এমন একটি বৈষম্য খুঁজে পায়। সেই মুহূর্তে, EEOC নির্দেশিকা সরাসরি বলে: নিয়োগকর্তাকে দেখাতে হবে যে পদ্ধতিটি কাজ-সম্পর্কিত এবং ব্যবসায়িক প্রয়োজনীয়তার সাথে সামঞ্জস্যপূর্ণ, অথবা একটি কম বৈষম্যমূলক বিকল্পে যেতে হবে।
ফেডারেল আইন কর্মসংস্থান পরীক্ষার প্রসঙ্গে এই গোষ্ঠীগুলিকে সুরক্ষিত করে:
- জাতি এবং বর্ণ
- লিঙ্গ, গর্ভাবস্থা এবং লিঙ্গ পরিচয় সহ
- জাতীয় উৎপত্তি
- ধর্ম
- বয়স (৪০ এবং তার বেশি, ADEA-এর অধীনে)
- প্রতিবন্ধিতার অবস্থা (ADA)
এই প্রতিটি বিভাগের নিজস্ব নির্বাচন-হার তুলনা প্রয়োজন। এগুলিকে একসাথে মিশিয়ে ফেলা, বা শুধুমাত্র জাতি পরীক্ষা করে বয়স এড়িয়ে যাওয়া, এইভাবেই বৈষম্য অলক্ষিত থাকে যতক্ষণ না একটি অভিযোগ আপনার ডেস্কে এসে পড়ে।
সংখ্যা কীভাবে চালাবেন: নির্বাচন হার, ইমপ্যাক্ট রেশিও এবং সিগনিফিক্যান্স টেস্ট
আপনার নিয়োগ পাইপলাইনে পক্ষপাত পরীক্ষা করা একটি নির্দিষ্ট ক্রম অনুসরণ করে। একটি ধাপ এড়িয়ে গেলে আপনি হয় একটি বাস্তব সমস্যা মিস করবেন অথবা একটি কাল্পনিক সমস্যার পিছনে ছুটবেন।
- প্রতিটি গোষ্ঠীর জন্য নির্বাচন হার গণনা করুন। নির্বাচিত সংখ্যাকে সেই গোষ্ঠীর আবেদনকারীর সংখ্যা দিয়ে ভাগ করুন। যদি ৮০ জন মহিলা আবেদন করেন এবং ২০ জনকে নিয়োগ দেওয়া হয়, তাহলে নির্বাচন হার ২৫%।
- সর্বোচ্চ-নির্বাচন-হার গোষ্ঠী চিহ্নিত করুন। গোষ্ঠীর আকার নির্বিশেষে এটি আপনার তুলনার ভিত্তিরেখা হয়ে যায়।
- ইমপ্যাক্ট রেশিও গণনা করুন। প্রতিটি গোষ্ঠীর নির্বাচন হারকে ভিত্তিরেখা গোষ্ঠীর হার দিয়ে ভাগ করুন। ০.৮০-এর নিচের একটি রেশিও চার-পঞ্চমাংশ নিয়মকে ট্রিগার করে।
- একটি সিগনিফিক্যান্স টেস্ট চালান। প্রতি গোষ্ঠীতে ৩০ বা তার বেশি নমুনার জন্য, দুই-নমুনা বাইনোমিয়াল Z-টেস্ট ব্যবহার করুন। ছোট নমুনার জন্য, Fisher's exact test ব্যবহার করুন, যা বৃহৎ-নমুনা আনুমানিকতার উপর নির্ভর করে না।
- আপনার আলফা স্তরের বিপরীতে ব্যাখ্যা করুন। বেশিরভাগ অনুশীলনকারীরা প্রায় ৯৫% আস্থা প্রতিনিধিত্বকারী একটি আলফা স্তর ব্যবহার করেন, যদিও কিছু সংস্থা দুই-পুচ্ছ তুলনার জন্য কঠোর থ্রেশহোল্ড প্রয়োগ করে।
পরিসংখ্যান কলআউট: OFCCP একটি পরিসংখ্যানগতভাবে উল্লেখযোগ্য থ্রেশহোল্ডে একটি পরম Z-মান বিবেচনা করে যা প্রায় ৯৫% আস্থা স্তরের সাথে সামঞ্জস্যপূর্ণ, মোটামুটিভাবে একটি ৯৫% আস্থা থ্রেশহোল্ডের সাথে সমন্বিত। এই সংখ্যাটি, শুধু চার-পঞ্চমাংশ রেশিও নয়, একটি ফেডারেল সম্মতি কর্মকর্তা নিরীক্ষার সময় আসলে গণনা করবেন।
চার-পঞ্চমাংশ নিয়ম একটি স্ক্রিনিং ডিভাইস, কোনো রায় নয়। EEOC নির্দেশিকা এটিকে একটি থাম্বের নিয়ম হিসাবে বর্ণনা করে যা সংস্থাগুলি বিবেচনার সাথে প্রয়োগ করে। ছয়জন আবেদনকারীর একটি পুলে ০.৭৯ অনুপাত পরিসংখ্যানগতভাবে প্রায় কিছুই বোঝায় না। ৪,০০০ আবেদনকারী জুড়ে ০.৮৩ অনুপাত এখনও একটি বাস্তব, উল্লেখযোগ্য বৈষম্য উপস্থাপন করতে পারে। নিয়মটি কোথায় দেখতে হবে তা নির্দেশ করে। Z-টেস্ট বা Fisher's exact test আপনাকে বলে যে আপনি যা দেখছেন তা শব্দ নাকি একটি কাঠামোগত সমস্যা।
এখানে একটি সরলীকৃত উদাহরণ। ধরুন একটি টেকনিশিয়ান পদের জন্য ২০০ জন পুরুষ এবং ১৫০ জন মহিলা আবেদন করেছেন। ইমপ্যাক্ট রেশিও হল ২০/৩০, বা ০.৬৭, ০.৮০ থ্রেশহোল্ডের অনেক নিচে। সেই সংখ্যায় একটি দুই-নমুনা Z-টেস্ট চালানো (উভয় গোষ্ঠী ৩০ ছাড়িয়ে যায়) আপনাকে বলবে যে সেই ১০-পয়েন্টের ব্যবধান সম্ভবত সুযোগের কারণে নাকি মূল্যায়নে একটি কাঠামোগত সমস্যা প্রতিফলিত করে।
অতিরিক্ত বা কম প্রতিক্রিয়া ছাড়াই ফলাফল পড়া
একটি ফ্ল্যাগড রেশিও তদন্তের শুরুর বিন্দু, বৈষম্যের স্বয়ংক্রিয় নির্ধারণ নয়, এবং একটি পরিষ্কার রেশিও গ্যারান্টি দেয় না যে আপনার প্রক্রিয়া ন্যায্য। ছোট আবেদনকারীর পুল চার-পঞ্চমাংশ রেশিও এবং সিগনিফিক্যান্স টেস্ট উভয়কেই বিকৃত করে: মুষ্টিমেয় নিয়োগ একটি নির্বাচন হার ১০ বা ১৫ পয়েন্ট দুলিয়ে দিতে পারে, তাই একটি একক নিয়োগ চক্র নিজে থেকে পুরো গল্প বলে না।
এই সাধারণ ভুলগুলির দিকে নজর রাখুন:
- আপনার আলফা সামঞ্জস্য না করে ডজন ডজন উপগোষ্ঠী পরীক্ষা করা, যা শুধুমাত্র সুযোগের কারণে ডেটায় কোথাও মিথ্যা ইতিবাচকের সম্ভাবনা বাড়িয়ে দেয়।
- আস্থা ব্যবধান উপেক্ষা করা এবং একটি সীমান্তরেখা রেশিওকে নিশ্চিতভাবে ঠিক বা নিশ্চিতভাবে ভুল হিসাবে বিবেচনা করা।
- একটি খারাপ ত্রৈমাসিকে অতিরিক্ত প্রতিক্রিয়া দেখানো বরং প্যাটার্নটি ধরে রাখে কিনা তা দেখতে বেশ কয়েকটি নিয়োগ চক্র একত্রিত করুন।
- একটি "পাসিং" চার-পঞ্চমাংশ রেশিওতে কম প্রতিক্রিয়া দেখানো যা একটি পরিসংখ্যানগতভাবে উল্লেখযোগ্য Z-স্কোর লুকিয়ে রাখে, কারণ দুটি পরিমাপ ভিন্ন প্রশ্নের উত্তর দেয়।
প্রতিটি সিগনিফিক্যান্স টেস্টে Type I ত্রুটির (একটি ন্যায্য প্রক্রিয়াকে পক্ষপাতদুষ্ট হিসাবে ফ্ল্যাগ করা) এবং Type II ত্রুটির (একটি সত্যিকারের পক্ষপাতদুষ্ট প্রক্রিয়া মিস করা) মধ্যে একটি ট্রেড-অফ রয়েছে। একটি কঠোর আলফা মিথ্যা অ্যালার্ম কমায় কিন্তু ছোট নমুনায় বাস্তব বৈষম্যগুলিকে স্লিপ থ্রু করা সহজ করে তোলে, যা ঠিক কারণেই নিয়ন্ত্রকরা গোষ্ঠীর আকার পাতলা হলে Z-টেস্টের পরিবর্তে Fisher's exact test-এর উপর নির্ভর করেন।
প্রো টিপ: কোনো বৈষম্য বাস্তব কিনা তা সিদ্ধান্ত নেওয়ার আগে কমপক্ষে দুই বা তিনটি নিয়োগ চক্র একত্রিত করুন। ১২ জন আবেদনকারী সহ একটি আউটলায়ার ত্রৈমাসিক একটি নাটকীয়-দেখতে অনুপাত তৈরি করতে পারে যা পরবর্তী ২০০ জন প্রার্থীকে ডেটাসেটে যোগ করার পরে অদৃশ্য হয়ে যায়।
যখন একটি ফলাফল একাধিক চক্র জুড়ে চার-পঞ্চমাংশ থ্রেশহোল্ড এবং একটি সিগনিফিক্যান্স টেস্ট উভয়ই পার করে, তখন এটি আপনার যাচাইয়ে যাওয়া বা একটি প্রতিস্থাপন পাইলট করার সংকেত, শুধু পর্যবেক্ষণ করা এবং আশা করা নয় যে এটি নিজে ঠিক হয়ে যাবে।
পাইপলাইন ঠিক করা: কাজের বিশ্লেষণ, কাঠামোবদ্ধ সাক্ষাৎকার এবং আরও ভালো মূল্যায়ন
প্রশমন তখনই সবচেয়ে ভালো কাজ করে যখন এটি আপনি কোনো কাজ পোস্ট করার আগেই শুরু হয়, বিরূপ প্রভাব বিশ্লেষণ একটি সমস্যা খুঁজে পাওয়ার পরে নয়।
- একটি কাজের বিশ্লেষণ দিয়ে শুরু করুন। কোনো পরীক্ষা বেছে নেওয়া বা তৈরি করার আগে ভূমিকাটির জন্য প্রকৃত কাজ এবং দক্ষতা নির্ধারণ করুন। একটি ডেটা-এন্ট্রি ভূমিকার জন্য একটি সাধারণ জ্ঞানীয়-ক্ষমতা স্ক্রিন বৈষম্য আমন্ত্রণ জানায় যা একটি কাজ-ভিত্তিক টাইপিং এবং নির্ভুলতা পরীক্ষা এড়াতে পারত।
- বিস্তৃত স্ক্রিনের চেয়ে কাজ-ভিত্তিক, ভূমিকা-নির্দিষ্ট মূল্যায়নকে প্রাধান্য দিন। কাঠামোবদ্ধ, কাজ-প্রাসঙ্গিক পরীক্ষা যা প্রকৃত কাজের দায়িত্ব প্রতিফলিত করে বিমূর্ত যোগ্যতা পরীক্ষার চেয়ে ছোট গোষ্ঠী পার্থক্য তৈরি করে এবং এখনও ভালোভাবে পারফরম্যান্স পূর্বাভাস দেয়।
- নির্দিষ্ট প্রশ্ন এবং স্কোরিং রুব্রিক সহ কাঠামোবদ্ধ সাক্ষাৎকার ব্যবহার করুন। অকাঠামোবদ্ধ সাক্ষাৎকার, যেখানে প্রতিটি সাক্ষাৎকারকারী মনে যা আসে তাই জিজ্ঞাসা করেন, সেখানে বিষয়গত পক্ষপাত সবচেয়ে কঠিনভাবে প্রবেশ করে।
- স্কোরকার্ড তৈরি করুন এবং রেটারদের সেগুলির বিপরীতে ক্যালিব্রেট করতে প্রশিক্ষণ দিন। একই উত্তর স্কোর করা দুজন সাক্ষাৎকারকারীর একে অপরের এক পয়েন্টের মধ্যে থাকা উচিত, তিন পয়েন্ট দূরে নয়।
- যখন একটি টুল বিরূপ প্রভাব ফ্ল্যাগ করে তখন বিকল্পগুলি পাইলট করুন। UGESP নিয়োগকর্তাদের উপযুক্ত বিকল্পগুলি মূল্যায়ন করতে এবং উল্লেখযোগ্যভাবে সমান বৈধতা এবং কম প্রভাব সহ একটি গ্রহণ করতে বাধ্য করে।
প্রো টিপ: শুধুমাত্র বৈষম্য দেখায় বলে একটি মূল্যায়ন বাতিল করবেন না। প্রথমে প্রস্তাবিত প্রতিস্থাপনের বিপরীতে এর বৈধতা তুলনা করুন। একটি ভালো-যাচাইকৃত পরীক্ষার জন্য একটি অপরীক্ষিত পরীক্ষা অদলবদল করা একটি আইনি ঝুঁকিকে একটি খারাপ-নিয়োগ ঝুঁকির জন্য বিনিময় করতে পারে।
কাঠামোবদ্ধ, কাজ-ভিত্তিক স্ক্রিনিং সরঞ্জাম সরাসরি কাজের দক্ষতার সাথে ম্যাপ করা ন্যায্যতা এবং পূর্বানুমানযোগ্য নির্ভুলতা উভয় ক্ষেত্রেই সাধারণ স্ক্রিনগুলিকে ধারাবাহিকভাবে ছাড়িয়ে যায়, মূলত কারণ তারা কাজটি আসলে যা দাবি করে তা পরিমাপ করে, তার একটি প্রক্সির পরিবর্তে।
যাচাই এবং রেকর্ড রাখা: UGESP আপনার কাছে কী রাখার প্রত্যাশা করে
UGESP একবার বিরূপ প্রভাব বিশ্লেষণ পরিসংখ্যানগত এবং ব্যবহারিক থ্রেশহোল্ড অতিক্রম করলে একটি যাচাই গবেষণার প্রয়োজন হয়, এবং নির্দেশিকাগুলি তিন ধরনের প্রমাণ স্বীকার করে: বিষয়বস্তু বৈধতা (পরীক্ষাটি সরাসরি কাজের কাজগুলি প্রতিফলিত করে), মানদণ্ড-সম্পর্কিত বৈধতা (স্কোরগুলি প্রকৃত কাজের পারফরম্যান্সের সাথে সম্পর্কযুক্ত), এবং কনস্ট্রাক্ট বৈধতা (পরীক্ষাটি কাজে সাফল্যের সাথে সংযুক্ত একটি অন্তর্নিহিত বৈশিষ্ট্য পরিমাপ করে)।
স্থানীয় যাচাই, আপনার নিজের আবেদনকারীর জনসংখ্যার উপর পরিচালিত একটি গবেষণা, সবচেয়ে বেশি গুরুত্ব বহন করে। পরিবহিত বৈধতা, যেখানে আপনি অন্য কোথাও একটি অনুরূপ কাজের যাচাই গবেষণার উপর নির্ভর করেন, গ্রহণযোগ্য যখন ভূমিকা এবং সেটিংসগুলি সত্যিকারের তুলনীয়, কিন্তু নিয়ন্ত্রকরা ফিটটি ঘনিষ্ঠভাবে পরীক্ষা করেন।
এই রেকর্ডগুলি ফাইলে রাখুন এবং নিরীক্ষার জন্য প্রস্তুত রাখুন:
- প্রতিটি রিকুইজিশনের জন্য সুরক্ষিত গোষ্ঠী দ্বারা বিভক্ত আবেদনকারীর প্রবাহ ডেটা
- প্রতিটি নিয়োগ চক্রের জন্য নির্বাচন হার এবং ইমপ্যাক্ট রেশিও গণনা
- পদ্ধতি এবং ফলাফল সহ যেকোনো যাচাই গবেষণার ডকুমেন্টেশন
- একটি ক্রয়কৃত মূল্যায়ন কীভাবে তৈরি এবং যাচাই করা হয়েছিল তা বর্ণনাকারী ভেন্ডর উপকরণ
CFR §1607.4 সরাসরি চার-পঞ্চমাংশ নিয়ম প্রয়োগের সাথে সংযুক্ত রেকর্ডকিপিং প্রত্যাশার রূপরেখা দেয়। এই রেকর্ডগুলিকে আপনি ট্যাক্স ডকুমেন্টের মতো বিবেচনা করুন: বছরের পর বছর ধরে রাখা, চক্র অনুযায়ী সংগঠিত, এবং স্বল্প নোটিশে হস্তান্তর করতে প্রস্তুত।
AI এবং অ্যালগরিদমিক স্ক্রিনিং টুলগুলি নিয়ন্ত্রণে রাখা
একটি অ্যালগরিদম শুধুমাত্র এই কারণে ছাড় পায় না কারণ একজন মানুষ হাতে স্কোরিং নিয়মগুলি লেখেনি। EEOC প্রযুক্তিগত নির্দেশিকা স্পষ্ট যে কোনো অ্যালগরিদমিক ছাড় নেই। সফটওয়্যার, রেজুমে-র্যাংকিং টুল এবং AI-চালিত স্ক্রিনিং অবশ্যই ১৯৮৫ সালের কাগজ-এবং-পেন্সিল পরীক্ষার মতো একই কাজ-সম্পর্কিততা এবং যাচাই বার পূরণ করতে হবে।
একটি পর্যবেক্ষণ ক্যাডেন্স তৈরি করুন, একটি এক-বার পরীক্ষা নয়:
- প্রতিটি নিয়োগ চক্র বা ত্রৈমাসিক, যেটি আগে আসে, ইমপ্যাক্ট রেশিও এবং সিগনিফিক্যান্স টেস্ট পুনরায় চালান
- শুধুমাত্র চূড়ান্ত সিদ্ধান্তে নয়, টুলটি যেখানে স্পর্শ করে প্রতিটি পর্যায়ে সুরক্ষিত গোষ্ঠী দ্বারা নির্বাচন হার ট্র্যাক করুন
- ভেন্ডরদের সরাসরি তাদের যাচাই প্রমাণ, তাদের প্রশিক্ষণ ডেটার বিবরণ এবং তারা যে কোনো ন্যায্যতা পরীক্ষা চালিয়েছেন তা জিজ্ঞাসা করুন
- একটি প্রতিকারের পথ প্রস্তুত রাখুন: মডেল সামঞ্জস্য, অতিরিক্ত মানব পর্যালোচনা, বা একটি বিকল্প মূল্যায়নে অদলবদল
প্রো টিপ: আপনি সাইন করার আগে একটি ভেন্ডরের বিরূপ প্রভাব ডকুমেন্টেশন অনুরোধ করুন, আপনার প্রথম ফ্ল্যাগড ত্রৈমাসিকের পরে নয়। AI স্ক্রিনিং টুলগুলির চলমান তত্ত্বাবধান একটি স্থায়ী অনুশীলন হিসাবে তাড়াহুড়োর চেয়ে অনেক ভালো কাজ করে।
আরও ন্যায্য মূল্যায়ন তৈরির একটি ব্যবহারিক চেকলিস্ট
ন্যায্য পরীক্ষা ডিজাইন দিয়ে শুরু হয়, ক্ষতি নিয়ন্ত্রণ দিয়ে নয়। কাজের কাজগুলিকে পরীক্ষার বিষয়বস্তুতে ম্যাপ করুন, সেই কাজগুলির চারপাশে আইটেম তৈরি করুন, একটি বাস্তব আবেদনকারীর নমুনা দিয়ে পাইলট করুন, ইমপ্যাক্ট রেশিও পরিমাপ করুন, তারপর পূর্ণ রোলআউটের আগে যাচাই করুন বা সংশোধন করুন।
- একটি একক প্রশ্ন লেখার আগে মূল কাজের কাজগুলি ম্যাপ করুন
- সাধারণ যোগ্যতার প্রশ্ন নয়, কাজ-ভিত্তিক আইটেম তৈরি করুন
- একটি প্রতিনিধিত্বমূলক আবেদনকারীর নমুনা দিয়ে পাইলট করুন
- পূর্ণ মোতায়েনের আগে ইমপ্যাক্ট রেশিও এবং সিগনিফিক্যান্স পরিমাপ করুন
- পাইলট যা দেখায় তার উপর ভিত্তি করে যাচাই করুন বা পুনরাবৃত্তি করুন
অ্যান্টি-চিট সুরক্ষা এবং AI-উৎপন্ন স্কোরিং সারসংক্ষেপ এই চক্রটি উল্লেখযোগ্যভাবে ত্বরান্বিত করে। যখন প্রতিটি প্রার্থী একই পর্যবেক্ষণ শর্তে একই কাজ-ভিত্তিক পরীক্ষা নেন এবং প্রতিটি স্কোর একটি নথিভুক্ত যুক্তি সহ আসে, আপনি ইমপ্যাক্ট রেশিও গণনার জন্য পরিষ্কার ডেটা এবং একটি নিরীক্ষার জন্য প্রস্তুত কাগজের ট্রেইল পান।
শিল্পজুড়ে বিরূপ প্রভাব পরীক্ষা কেমন দেখায়
যান্ত্রিকতা সর্বত্র একই থাকে, কিন্তু যে সরঞ্জামগুলি তদন্তকে ট্রিগার করে তা সেক্টর অনুযায়ী পরিবর্তিত হয়। উৎপাদন এবং লজিস্টিক্সে, শারীরিক ক্ষমতা পরীক্ষা এবং শক্তি মূল্যায়ন ঐতিহাসিকভাবে লিঙ্গ দ্বারা সবচেয়ে বড় ব্যবধান তৈরি করেছে, অনেক নিয়োগকর্তাকে কাজ-সিমুলেশন পরীক্ষার দিকে যেতে প্রণোদনা দিয়েছে যা কাঁচা শক্তির মানদণ্ডের পরিবর্তে প্রকৃত উত্তোলন বা গতি প্রতিফলিত করে।
প্রযুক্তি এবং অর্থে, জ্ঞানীয় ক্ষমতা পরীক্ষা এবং কোডিং মূল্যায়ন সবচেয়ে বেশি তদন্ত আকর্ষণ করে। একটি সাধারণ লজিক পাজল পরীক্ষা জাতি বা জাতীয় উৎপত্তি দ্বারা বৈষম্য তৈরি করতে পারে যা একটি ভূমিকা-নির্দিষ্ট কোডিং চ্যালেঞ্জ, কাজটি যে প্রকৃত ভাষা এবং টাস্ক স্ট্যাক ব্যবহার করে তার বিপরীতে স্কোর করা, প্রায়ই উল্লেখযোগ্যভাবে সংকুচিত করে।
খুচরা এবং আতিথেয়তা নিয়োগ কাঠামোবদ্ধ সাক্ষাৎকার এবং ব্যক্তিত্ব মূল্যায়নের উপর ব্যাপকভাবে নির্ভর করে, যেখানে অকাঠামোবদ্ধ, মুক্ত-প্রবাহমান সাক্ষাৎকার ফর্ম্যাটগুলি রেটার-চালিত বৈষম্যের সবচেয়ে সাধারণ উৎসগুলির মধ্যে একটি হিসাবে রয়ে গেছে। স্বাস্থ্যসেবা সিস্টেমগুলি ক্রমশ লাইসেন্স-সংলগ্ন দক্ষতা (রোগীর চার্টিং নির্ভুলতা, ওষুধের গণিত) পরীক্ষা করছে বিস্তৃত যোগ্যতার পরিবর্তে, মূলত কারণ সেই কাজ-ভিত্তিক পরিমাপগুলি বৈধতা এবং বিরূপ প্রভাব পর্যালোচনা উভয়ের অধীনে আরও ভালো ধরে রাখে।
সরকারি-খাত এবং সরকারি ঠিকাদার নিয়োগ সবচেয়ে কঠোর তদন্তের অধীনে বসে, যেহেতু OFCCP সম্মতি পর্যালোচনাগুলি নিয়মিতভাবে আবেদনকারীর প্রবাহ ডেটা টেনে আনে এবং Z-টেস্ট স্বাধীনভাবে পুনরায় চালায়। ফেডারেল চুক্তি সহ যেকোনো নিয়োগকর্তার ধরে নেওয়া উচিত যে তাদের সংখ্যাগুলি বিল্ডিংয়ের বাইরের কারো দ্বারা পুনরায় গণনা করা হবে।
বিরূপ প্রভাব পরীক্ষা কোথায় ব্যর্থ হয়
চার-পঞ্চমাংশ নিয়ম এবং সিগনিফিক্যান্স পরীক্ষা উপযোগী সরঞ্জাম কিন্তু সীমাবদ্ধতা রয়েছে। উভয় পদ্ধতিই একটি কাঠামোগত দুর্বলতা ভাগ করে নেয়: তারা গোষ্ঠী স্তরে ফলাফল পরিমাপ করে, যার মানে তারা ব্যক্তিগত স্তরের অন্যায্যতা সম্পূর্ণরূপে মিস করতে পারে, বা এমন একটি বৈষম্য ফ্ল্যাগ করতে পারে যার পরীক্ষার সাথে কোনো সম্পর্ক নেই এবং সবকিছু একটি অপ্রতিনিধিত্বমূলক আবেদনকারীর পুলের সাথে সম্পর্কযুক্ত।
নমুনার আকার উভয় দিকে কাটে। একটি গোষ্ঠীতে খুব কম আবেদনকারী এবং চার-পঞ্চমাংশ রেশিও এক বা দুটি নিয়োগে বন্য দুলে ওঠে। Fisher's exact test Z-টেস্ট আনুমানিকতার চেয়ে ছোট নমুনাগুলি আরও ভালো পরিচালনা করে, কিন্তু ছোট নমুনাগুলি পরিসংখ্যানগত শক্তি সীমিত করে। এবং এটিও আট জন আবেদনকারীর একটি পুল থেকে পরিসংখ্যানগত শক্তি তৈরি করতে পারে না। অন্য প্রান্তে, খুব বড় আবেদনকারীর পুলগুলি এত ছোট ব্যবধানের জন্য একটি পরিসংখ্যানগতভাবে উল্লেখযোগ্য Z-স্কোর তৈরি করতে পারে যে কারো ক্যারিয়ারের ফলাফলের জন্য এর কোনো ব্যবহারিক অর্থ নেই।
ডেটার গুণমান তার নিজস্ব দুর্বল বিন্দু। স্ব-প্রতিবেদিত জনসংখ্যাগত ডেটায় ফাঁক এবং অসঙ্গতি রয়েছে। মাল্টি-স্টেজ নিয়োগ ফানেলগুলি ট্র্যাক রাখা সহজ করে তোলে যে প্রার্থীরা স্বেচ্ছায় বাদ পড়েছেন বনাম আপনি যে টুলটি পরীক্ষা করছেন তার দ্বারা স্ক্রিন আউট হয়েছেন। এবং একাধিক তুলনার জন্য সামঞ্জস্য না করে একবারে ডজন ডজন কাজের বিভাগ বা অবস্থান পরীক্ষা করা, সম্ভাবনা বাড়িয়ে দেয় যে কিছু শুধু সুযোগের কারণে ফ্ল্যাগড দেখায়।
এর কোনোটিই পদ্ধতিটিকে অকেজো করে না। এর মানে হলো বিরূপ প্রভাব পরীক্ষা একটি বিচার কলে একটি ইনপুট, এমন কোনো সূত্র নয় যা নিজে থেকে একটি পরিষ্কার পাস বা ব্যর্থতা দেয়।
চলমান গভর্ন্যান্সে বিরূপ প্রভাব পরীক্ষা অন্তর্ভুক্ত করা
আমি যে সবচেয়ে বড় ভুল দেখি তা হলো এটিকে একটি স্থায়ী শৃঙ্খলার পরিবর্তে একটি এক-বার নিরীক্ষা হিসাবে বিবেচনা করা। রেশিওগুলি একবার চালান, ফ্ল্যাগড পরীক্ষা ঠিক করুন, এগিয়ে যান, এবং একই ব্যবধান প্রায়ই দুটি নিয়োগ চক্র পরে সামান্য ভিন্ন ছদ্মবেশে পুনরায় প্রকাশ পায়। এটি ত্রৈমাসিক পর্যালোচনায় অন্তর্ভুক্ত করুন, নিয়োগ ব্যবস্থাপকদের সতর্কতার লক্ষণগুলি চিহ্নিত করতে প্রশিক্ষণ দিন এই আগেই যে HR পরে ধরতে হয়, এবং আইনি, HR এবং বিশ্লেষণকে একই ঘরে রাখুন যখন একটি সংখ্যা নড়ে। কোনো ভাগ করা ড্যাশবোর্ড ছাড়া তিনটি বিভাগ জুড়ে বিভক্ত মালিকানা হলো কীভাবে বৈষম্যগুলি বছরের পর বছর অলক্ষিত থাকে।
— Jimmie
Talent Approved দিয়ে দ্রুত আরও ন্যায্য পরীক্ষা তৈরি করুন
Talent Approved দ্রুত কাজ-ভিত্তিক মূল্যায়ন তৈরি করতে সাহায্য করার জন্য সরঞ্জাম অফার করে, যা বিরূপ প্রভাব বিশ্লেষণ যখন দ্রুত একটি বিকল্প পাইলট করার প্রয়োজন নির্দেশ করে তখন কার্যকর হতে পারে। Magic Create ফিচারটি সরাসরি একটি কাজের বিবরণ বা দক্ষতার তালিকা থেকে ভূমিকা-নির্দিষ্ট পরীক্ষা তৈরি করে, এই গাইডটি সাধারণ জ্ঞানীয় স্ক্রিনের চেয়ে যে ধরনের কাজ-ম্যাপড মূল্যায়নের সুপারিশ করে।
অন্তর্নির্মিত পর্যবেক্ষণ এবং AI-উৎপন্ন পারফরম্যান্স সারসংক্ষেপ যাচাই গবেষণা বা পর্যালোচনার জন্য উপযোগী পরিষ্কার, নথিভুক্ত স্কোরিং ডেটা প্রদানের লক্ষ্য রাখে। সেই ডকুমেন্টেশন ট্রেইল, উপরে আবৃত প্রশমন ধাপগুলির সাথে সরাসরি সংযুক্ত, প্রায়ই একটি দ্রুত সম্মতি উত্তর এবং পুরানো স্প্রেডশিটের মাধ্যমে খোঁজার মধ্যে পার্থক্য। আপনার বর্তমান স্ক্রিনিং টুল যদি কখনো গোষ্ঠী জুড়ে এর নির্বাচন হার নিয়ে আপনাকে উদ্বিগ্ন করে, Talent Approved-এ একটি ভূমিকা-নির্দিষ্ট মূল্যায়ন তৈরি শুরু করুন এবং দেখুন কত দ্রুত একটি আরও ন্যায্য পরীক্ষা একসাথে আসে।
সূত্র
- কর্মসংস্থান পরীক্ষা এবং নির্বাচন পদ্ধতি | EEOC
- CFR §1607.4 — বৈষম্যের সংজ্ঞা: নির্বাচন পদ্ধতির ব্যবহার এবং বৈষম্যের মধ্যে সম্পর্ক
FAQ
বিরূপ প্রভাব এবং বৈষম্যমূলক আচরণের মধ্যে পার্থক্য কী?
বিরূপ প্রভাব হলো একটি নিরপেক্ষ পদ্ধতি থেকে সুরক্ষিত গোষ্ঠী জুড়ে ফলাফলে পরিসংখ্যানগত বৈষম্য, যেখানে বৈষম্যমূলক আচরণের জন্য একটি নির্দিষ্ট ব্যক্তি বা গোষ্ঠীর বিরুদ্ধে ইচ্ছাকৃত বৈষম্যের প্রমাণ প্রয়োজন।
কর্মসংস্থান পরীক্ষায় চার-পঞ্চমাংশ নিয়ম কী?
এটি একটি সম্ভাব্য সমস্যা ফ্ল্যাগ করে যখন একটি সুরক্ষিত গোষ্ঠীর নির্বাচন হার সর্বোচ্চ-নির্বাচন-হার গোষ্ঠীর হারের ৮০%-এর নিচে পড়ে, যদিও EEOC নির্দেশিকা এটিকে একটি স্ক্রিনিং টুল হিসাবে বিবেচনা করে, আইনি পরম নয়।
Z-টেস্ট বনাম Fisher's Exact Test কখন ব্যবহার করব?
প্রতিটি গোষ্ঠীতে ৩০ বা তার বেশি আবেদনকারী থাকলে দুই-নমুনা বাইনোমিয়াল Z-টেস্ট ব্যবহার করুন; ছোট নমুনার জন্য Fisher's exact test ব্যবহার করুন, যেখানে বৃহৎ-নমুনা আনুমানিকতা অবিশ্বস্ত হয়ে পড়ে।
AI নিয়োগ সরঞ্জামগুলিরও কি বিরূপ প্রভাব পরীক্ষার প্রয়োজন?
হ্যাঁ। EEOC স্পষ্ট করেছে যে বিরূপ প্রভাব বিশ্লেষণ থেকে অ্যালগরিদমিক সরঞ্জামগুলির কোনো ছাড় নেই, তাই সফটওয়্যার এবং AI-চালিত স্ক্রিনিং সরঞ্জামগুলি ঐতিহ্যগত মূল্যায়নের মতো একইভাবে পরীক্ষা এবং যাচাই করতে হবে।
আমার মূল্যায়ন বিরূপ প্রভাব দেখালে কী হয়?
আপনাকে দেখাতে হবে যে পদ্ধতিটি কাজ-সম্পর্কিত এবং ব্যবসায়িক প্রয়োজনীয়তার সাথে সামঞ্জস্যপূর্ণ, অথবা তুলনামূলক বৈধতা সহ একটি কম বৈষম্যমূলক বিকল্প গ্রহণ করতে হবে, এবং Talent Approved-এর মতো প্ল্যাটফর্মগুলি আপনাকে দ্রুত সেই বিকল্পটি পাইলট এবং নথিভুক্ত করতে সাহায্য করতে পারে।