Analyse patronymique

Les statistiques en raison des origines sont réalisées depuis longtemps en France. Elles ne sont pas interdites mais fortement encadrées afin que leurs réalisations ne dérogent pas aux principes républicains et notamment à l’article 1 de la Constitution.

Les études en raison des origines doivent être menées pour améliorer l’égalité des citoyens et les outils déployés pour y arriver ne doivent pas pouvoir être détournés de leur objectif premier afin de nous protéger collectivement de toute instrumentalisation des données et de toute utilisation à des fins de discriminations.

La réalisation de ces statistiques, nécessaires à l’amélioration des politiques d’inclusion des entreprises, ne vise pas à comparer des situations entre les entreprises ou vis-à-vis de la société, mais bien à réaliser une évaluation propre à chaque entité.

Pour répondre à ces principes nous nous appuyons sur :

Pour réaliser des statistiques sur les origines, nous procédons à une catégorisation sur la base du patronyme.

L’outil namsor détermine le genre et le pays d’origine supposé d’une personne à partir de son nom et de son prénom. Il est déjà utilisé et éprouvé par de nombreuses institutions à travers le monde et permet d’obtenir un résultat avec des marges d’erreur suffisamment faible quand il est utilisé sur un échantillon de taille suffisante.

La catégorisation de l’origine est couplé avec une anonymisation à très court terme comme c’est demandé par la législation.

• Analyse des biais algorithmiques de genre ou d’origines lors du processus sélectif de recrutement automatisé par un outil de suivi des candidats (ATS – application tracking system)
• Répartition d’origines dans les types de contrats (CDD / CDI / Intérimaires) et par niveau de qualification (BEP ; BAC ; BAC +2 …)
• Répartition des origines par tranche de rémunération.
• Comparaison des personnes encore présentes dans l’entreprise après 6 / 12 / 24 mois en fonction de l’origine.
• Évolution moyenne de la rémunération en fonction de l’origine au bout d’un an, cinq ans, dix ans.

Aujourd’hui, 95% des grandes entreprises et 50% des entreprises moyennes utilisent un système automatisé de suivi des candidats (ATS).

Ces systèmes de suivi des candidats, familièrement appelés « robots de CV » ou simplement ATS, sont utilisés par les recruteurs et les responsables du recrutement pour collecter, suivre et trier les CV. Parmi les outils les plus utilisés – comme Oracle Taleo, Bullhorn, IBM Kenexa BrassRing, Jobvite, SmartRecruiter, BambooHR, SAP SuccessFactors, Workable – la plupart offrent des fonctions configurables de recherche de CVs utilisant le ‘machine learning’. Si le logiciel ATS détermine que le curriculum vitae correspond au poste pendant le processus de recrutement et d’embauche, il se hisse au sommet de la liste des avis. Si votre CV ne répond pas à certaines qualifications, telles que des erreurs de formatage ou un manque de mots-clés, il risque de ne jamais atteindre un public humain. Un danger encore difficilement mesurable guette les entreprises qui utilisent de tels outils : les biais algorithmiques liés aux techniques d’intelligence artificielle. Ces outils, entraînés à partir de données historiques, peuvent reproduire voire amplifier la tendance à exclure certains candidats en fonction de leur genre ou de leur origine des résultats de recherche. Ainsi, le CV d’une femme pourraient n’apparaître systématiquement qu’en seconde page des candidats postulant aux métiers techniques, simplement parceque le logiciel d’IA a appris à reconnaitre un CV féminin et à le sous-pondérer. Une croyance commune est que la solution est de ne pas indiquer les informations de genre ou d’origine à la machine, mais celle-ci peut l’apprendre d’autres variables textuelles (accords grammaticaux, informations géographiques, informations concernant les langues étrangères, structure socio-linguistique du texte, activités extra-professionnelles …) Plus l’outil ATS est facile d’utilisation et ‘intelligent’, plus le risque de discriminer est grand.