Кратко: предлагаю многометодное цифрово‑социологическое исследование, которое сочетает аудит алгоритма, экспериментальные тесты (корреспондентские и манипуляции именами), количественный анализ причинно‑следственных связей и качественные интервью с разработчиками, HR и затронутыми кандидатами. Ниже — план, ожидаемые социальные последствия и практические рекомендации.

1) Цели и гипотезы

Цель: установить, где и как в пайплайне отбора имена приводят к дискриминации, и оценить масштабы эффекта.Основные гипотезы: (H1) модели/фильтры используют имя как прокси для этнической/культурной принадлежности; (H2) предвзятость возникает из несбалансированных данных и/или из функций, извлекаемых из имени; (H3) человеческие ревьюеры и правила дополняют алгоритмическую предвзятость.

2) Дизайн исследования — методы
А. Сбор данных

Логи отбора, метки (резюме пройдены/отклонены), полные резюме, метаданные процесса (время, набор рекрутеров).Дополнительные демографические данные (когда допустимо и легально).Документация по модели и фичам.

Б. Корреспондентный (audit) эксперимент

Подготовить пары сопоставимых резюме, отличающиеся только именем/транскрипцией/порядком (например: "Иван Иванов" vs "Ахмед Ибрагим").Рекомендация по объёму: (N = 2000) резюме (примерно (1000) уникальных пар) для адекватной статистической мощности; скорректировать по позициям и уровням.Анализ: различие в доле приглашений/прохождений между именами, тесты значимости (χ², z‑тест для долей), оценка отношения рисков и дисперсии.

В. Эксперимент с манипуляцией имен

Поэтапно изменять представление имени: полное имя, инициалы, только фамилия, латиница/транслитерация, псевдоним.Оценить изменение решений на каждом шаге.

Г. Анализ модели и интерпретация

Извлечь важности признаков (SHAP/LIME), проверить, вносит ли поле "имя" или производные фичи (например, embedding имени) значимый вклад.Построить логистическую регрессию/пропенсити‑модель, контролируя опыт, образование, ключевые навыки — оценить оставшийся эффект имени (коэффициент и доверительный интервал).Оценить причинность: использовать методики matching (propensity score matching) и/или регрессионный контроль.

Д. Качественные методы

Интервью с рекрутёрами, разработчиками модели и уволенными/отвергнутыми кандидатами для понимания практик и интерпретаций.Анализ политик и документации (requirements, стоп‑слова, фильтры).

Е. Мониторинг и метрики

Расчёт fairness‑метрик по группам (см. пункт 4).

3) Метрики и критерии оценки

Selection rate для группы (g): (\text{SR}_g = \frac{\text{кол-во прошедших}_g}{\text{кол-во апликантов}_g}).Disparate Impact (DI): (\text{DI} = \frac{\text{SR}{\text{minor}}}{\text{SR}{\text{ref}}}). Хорошая целевая граница: (\text{DI} \ge 0.8).Equal Opportunity difference: разница в true positive rate между группами.Odds‑ratio или логистический коэффициент влияния имени (контролируемый).SHAP‑вклад поля имени в финальное решение (средний абсолютный вклад).

4) Социальные последствия (кратко)

Системная дискриминация: исключение талантливых кандидатов по этническому/культурному признаку.Снижение разнообразия и инклюзивности штата → ухудшение инноваций и корпоративной репутации.Усиление неравенства: люди с непривычными именами получают меньше шансов на экономическое продвижение.Потенциальные юридические риски (антидискриминационные законы) и брендинговые потери.Порочный круг: сокращение числа наймов из группы → ещё меньше обучающих примеров → усиление системной предвзятости.

5) Практические рекомендации по устранению (по приоритету)
Краткосрочные (быстро внедримо)

Blind screening: временно скрыть поле "имя" на этапе автоматизированного скоринга; использовать только релевантные признаки (опыт, навыки).Правило обязательной ручной проверки для отклонённых резюме из демографически малых групп (human‑in‑loop).Логирование и отчётность: немедленный мониторинг SR по группам.

Среднесрочные (модель и данные)

Ретренинг моделей на сбалансированных/аугментированных данных: увеличить представительство резюме с непривычными именами (data augmentation, oversampling).Удаление/обезличивание имени в фичах или проектирование имени так, чтобы исключить прокси‑признаки (нельзя использовать embedding имени, который коррелирует с этничностью).Применить дебайзинг: adversarial debiasing (модель даёт предсказание, adversary пытается предсказать этничность — оптимизировать против).Калибровка порогов по подгруппам для достижения DI ≥ (0.8) (как временная мера).

Долгосрочные / организационные

Политика аудита и обеспечения справедливости: регулярные внешние и внутренние аудиты (ежеквартально).Требование к поставщикам ПО: прозрачность, интерпретируемость, SLA по fairness.Обучение HR и инженеров по вопросам алгоритмической справедливости.Механизм апелляций для отклонённых кандидатов.

6) Этические и юридические аспекты

Сбор демографических данных только с согласия, обеспечить защиту приватности.Хранить доказательную базу аудита на случай регуляторных проверок.Проконсультироваться с юристами в области труда и прав человека.

7) План внедрения и критерии успеха (пример)

Фаза 1 (1–2 мес): аудит логов + correspondent test ((N) как выше) → выявление эффекта.Фаза 2 (2–4 мес): внедрение blind screening + ретренинг модели.Критерии успеха через 6 мес: уменьшение разницы SR между группами до уровня, где (\text{DI} \ge 0.8) и разница в TPR не превышает допустимого порога (например, < (5\%)). Все числовые пороги зафиксировать в политике.

Заключение (одно предложение): сочетание технического аудита, экспериментов с контролем имён и организационных изменений позволит не только выявить источники предвзятости, но и снизить её масштаб до приемлемых нормативно‑корпоративных уровней, защищая права кандидатов и репутацию компании.