أحد صفحات التقدم العلمي للنشر
بياناتذكاء اصطناعيقضايا

هل يمكن للبيانات أن تدفع نحو الإنصاف العرقي؟

يمكن لجمع البيانات الصحيحة حول الموظفين وتحليلها أن يساعدا القادة على تحديد الأعمال المهمة وقياس التقدم نحو مزيد من أماكن العمل المنصفة.

شهد صيف عام 2020 عدداً غير مسبوق من قادة الشركات الذين يعترفون علناً بالعنصرية المؤسسية والهيكلية ويدينونها، وذلك كجزء من المحاسبة الوطنية للتفاوت العرقي. ودعت هذه التصريحات التي صدرت رداً على الاحتجاجات الواسعة النطاق ضد عنف الشرطة، إلى وضع حد للتفاوت العرقي في الأنظمة كلها، بما في ذلك الرعاية الصحية، والتعليم، والإسكان، والعدالة الجنائية، والعمالة. ونشأت هذه الحركة في وقت كان فيه الملونون أكثر ميلاً إلى العمل على الخطوط الأولى ضد الجائحة، في نظير أجور منخفضة، ومعدات وقائية هزيلة، في حين كان العاملون من ذوي الأجور الأعلى محتمين في منازلهم.

وفي الواقع، فإن الشركات التي تزعم أنها تدعم الإنصاف العرقي تلتزم بتغيير الحقائق على النحو التالي: من المرجح أن يعمل العاملون السود في الصناعات ذات الأجور المتدنية والتي تتميز بمعدل مرتفع للدوران الوظيفي Turnover، ويتقاضون أجورا أقل من نظرائهم من البيض، ويحصلون على صافي متوسط دخل يساوي عُشْر ما يتحصل عليه البيض. وهذا التفاوت الثابت ينطبق حتى على خريجي الجامعات من السود، الذين تبلغ أسرهم عن صافي ثراء أقل من ذلك الذي يحققه البيض المتسربون من المدارس الثانوية. والواقع أن الفجوة العرقية على صعيد الثروة راسخة رسوخا شديدا ما يجعل من الممكن، وفق بعض التقديرات لمعدل النمو الحالي، أن تستغرق الأسر السوداء 228 سنة حتى يتسنى لها أن تكدس الثروة التي تمتلكها الأسر البيضاء حالياً.1D. Asante-Mohammad, C. Collins, J. Hoxie, et al., “The Ever-Growing Gap: Without Change,
African-American and Latino Families Won’t Match White Wealth for Centuries” (Washington, D.C.: Institute for Policy Studies and CFED, 2016).

ويصف الإنصاف العرقي واقعاً بديلاً، حيث لم يعد العِرق يتوقع، بالمعنى الإحصائي، كيفية أداء المرء. وعلى الرغم من أن أغلبية الشركات تدرك أن إعلان المواقف وحده لن يقرب أماكن عملها – أو البلاد – من هذا الواقع، إلا أن قِلة من الشركات تثق بخطواتها التالية. ومن حسن الحظ أن أغلبية أصحاب العمل لديهم بالفعل ما يحتاجون إليه لتوجيه المسار: أي البيانات. وعلى مدى العقد الماضي من الزمن، استُخدِمت تحليلات البيانات أساسا لتحسين جودة المنتجات والخدمات، وتحسين الكفاءة في الإنتاج والتوزيع، وتشكيل نماذج الأعمال Business models. وعلى نحو مماثل، فإن اتباع نهج مختلف لتحليل بيانات القوى العاملة قد يساعد على تحديد خطوات قابلة للقياس وذات مغزى نحو مكان عمل أكثر إنصافاً.

لماذا نحتاج إلى إطار للإنصاف العرقي موجه بالبيانات

لا بد أن تكون استراتيجيات الإنصاف العرقي نظامية Systemic، وصريحة عرقياً، وموجهة نحو تحقيق النتائج إذا كان لها أن تنجح.2“Race-Explicit Strategies for Workforce
Equity in Healthcare and IT” (New York: Race Forward, June 15, 2017).
 ولفهم أفضل لمدى استعداد أصحاب العمل وغيرهم من الأطراف المعنية في عالم تنمية القوى العاملة للالتزام بتطبيق استراتيجيات كهذه، أجريتُ دراسة بحثية قاست مدى الفهم الدقيق لدى المشاركين للإنصاف العرقي (على نحو متميز عن التنوع Diversity أو الإدماج Inclusion)، وحددتُ نتائج قابلة للقياس في مجال الإنصاف Equity outcome، وجمعتُ بيانات وأعادة تقسيمها لقياس هذه النتائج، ونفذتُ سياسات صريحة عرقياً بهدف تعزيز الإنصاف.3E. Kennedy, “Desert in the Deluge: Using Data to Drive Racial Equity,” Catholic University Law Review 69, no. 1 (winter 2020): 23-52.

ووجدتُ -أنا- أن العديد من أصحاب العمل أعربوا عن رغبتهم القوية في إنشاء أماكن عمل منصفة وشاملة، لكن قِلة منهم حددوا نتائج محددة وقابلة للقياس تتفق مع هذه الأهداف. بل إن عدداً أقل منهم حللوا سياساتهم وممارساتهم لتحديد ما إذا كانت تساعد جهودهم أو تعرقلها. ولذا من الصعب، إن لم يكن من المستحيل، قياس التقدم.

ومن ناحية أخرى، يتمتع أصحاب العمل بإمكانية الوصول إلى مجموعة متزايدة من مجموعات بيانات القوى العاملة والتكنولوجيا اللازمة لتحليلها. ومع ذلك، كشفت دراستنا أن معظم أصحاب العمل لا ينقِّبون في تلك البيانات من أجل فهم أفضل لآثار الإنصاف الناجمة عن سياساتهم وممارساتهم، أو لمساعدة التغيير المؤسسي. ومن بين الطرق التي يمكن بها للمديرين صياغة حلول أكثر فاعلية هي تبني إطار مستند إلى البيانات يلزم مؤسساتهم بالعمل بما يلي:

1. اجمع البيانات المتعلقة بالعرق والإثنية وأعد تقسيمها وتحليلها.

2. حدِّد الفوارق العرقية في نتائج القوى العاملة.

3. أشر إلى العرق بوضوح عند الحديث عن التفاوتات.

4. استقصِ الأسباب الهيكلية للتفاوتات العرقية.

5. ضع استراتيجيات للقضاء على السياسات والممارسات والرسائل التي تعزز النتائج المتباينة وفق العرق.

ومن المرجح أن تؤدي المشاركة في النقاط الحاسمة للاحتفاظ بالموظفين، مثل الإلحاق بالعمل أو التقييم أو الترقية من دون تطبيق هذا الإطار إلى خسارة يمكن تجنبها في المواهب والإيرادات. وعلى العكس من ذلك، فإن القدرة على تحديد مواقع الحواجز العرقية تساعد على إزالتها. وفي حين أن تطبيق إطار كهذا يتطلب العمل بجهد، إلا أنه جزء لا يتجزأ من المسار لأي مبادرة باركتها القيادة العليا. وكما أشار أحد أصحاب العمل قائلا: ”هذا لا يعني أي شيء ما لم يجر قياسه، أو تزويده بالموارد اللازمة، أو دعمه. وإلى أن يحدث هذا فإن الأمر برمته لا يزيد على أن يكون مجرد نقاشا“.

اجمع البيانات الصحيحة وحلِّلها لتحديد التباينات

إذا كانت مؤسستكم كبيرة، فهي قد تجمع -بشكل منهجي- بالفعل بيانات القوى العاملة للامتثال لمتطلبات الإبلاغ الفيدرالية أو لمعالجة المسائل، مثل ارتفاع معدل نزيف الموظفين Attrition. وقد تعكس هذه الأرقام الإحصائية المجتمعة تجارب العاملين جميعاً، ما قد يحجب الفوارق العرقية. وإعادة تقسيم بياناتكم وفق العرق قد يقدم تحليلات أكثر أهمية.

وعلى الرغم من أن التفكيك قد يكون بسيطاً، إلا أن اتخاذ قرار في شأن ما ينبغي عمله باستخدام البيانات قد يكون أكثر تعقيداً. مثلاً، فإن الإنصاف في التعويض Equity in compensation والتطور الوظيفي يشير إلى جميع الموظفين بأنهم يتمتعون بتوقعات متساوية من حيث التطور في الأجل البعيد، وهو أمر بالغ الأهمية للاحتفاظ بهم. غير أن الطرق التي يمكن بها للعرق أن يؤثر في هذه الاحتمالات، وأن يتقاطع مع سياسات أخرى مثل الأقدمية، هي طرق معقدة. فقد يشكل موظفوكم الجدد مجموعة أكثر تنوعاً من الموظفين في الأجل البعيد، لكن سياسة التعويض التي تنتهجونها تقدر مدة العمل أكثر من الأداء. وربما تكون برامج التدريب الخاصة بكم محايدة عرقياً لكنها تستهدف الموظفات لمعالجة التمييز التاريخي بين الجنسين. وقد تشير التحليلات المتقدمة لهذه المسائل باعتبارها تتعلق بالإنصاف العرقي؛ ويظل النهج الأكثر فاعلية في حل هذه المسائل قراراً بشرياً.

كما ربما لا تكون لدى الشركات الصغيرة بيانات واسعة النطاق يمكن من خلالها استخلاص الأنماط، لكن يمكنها استخدام بيانات نوعية لإلقاء الضوء على تجارب موظفيها، ويمكن أن تتمتع هذه البيانات بالقدر نفسه من القوة.4T. Wang, “Why Big Data Needs Thick Data,” Medium, Jan. 20, 2016, https://medium.com

وجدت الأبحاث أن العديد من أصحاب العمل أعربوا عن رغبتهم القوية في إنشاء أماكن عمل منصفة وشاملة، لكن قِلة منهم حددوا نتائج محددة وقابلة للقياس تتفق مع هذه الأهداف.

ويمكن أن يؤدي طرح الأسئلة المناسبة إلى الكشف عن العلامات التحذيرية – مثلاً، أن يجري التواصل حول الوظائف الشاغرة في شكل شفهي. وفي حين تعتمد الشركات الصغيرة في الأغلب على التوريدات غير الرسمية والروابط الشخصية، قد تعمل الشبكات العرقية التي تنتج في الأغلب عن الفصل السكني والتعليمي؛ لتعزيز الحواجز أمام الفرص. وهذه أيضاً بيانات تشير إلى الحاجة إلى تحديد سبل جديدة للتوظيف. ومن بين الخيارات الأخرى المتاحة للشركات الصغيرة التي تبحث عن مزيد من البيانات مثلا: تجميع البيانات بين قطاعاتها، والكشف عن المعايير الصناعية التي تستطيع الشركات الصغيرة أن تعمل على أساسها.

خذ بعين الاعتبار العوامل المجتمعية والنظامية الأوسع نطاقاً

على الرغم من الازدهار الأخير الذي شهدته البرمجيات التحليلية المصممة للكشف عن الفوارق في الرواتب، ربما لا تكشف أدوات كهذه إلا قليلاً عن الأسباب الجذرية وراء هذه التفاوتات. مثلاً، عندما يتعلق الأمر بالنوع الجنسي (الجنوسة) Gender، أصر أحد محللي الموارد البشرية، بعد استخدامه للبرمجيات، على أنه ”عندما تكون العوامل الأخرى كلها ثابتة، يصبح التفاوت في الأجور ضئيلاً جدا في واقع الأمر“. ماذا يعني ذلك؟ يتحدى الإطار الخاص بالإنصاف الافتراض القائل إننا في بحثنا عن الفوارق ينبغي أن ”تكون العوامل الأخرى كلها ثابتة“. والواقع أن هذا النوع من التمييز البنيوي يمكن إخفاؤه داخل هذه ”العوامل الأخرى“ على وجه التحديد.

كان التمييز التاريخي بحكم القانون في مجالات الإسكان والتعليم وتشغيل العمالة بمثابة الأساس الذي يستمر عليه الفصل بحكم الأمر الواقع حاليا. وإذا استثنينا من التحليل أي معلومات عن المؤسسة التي منحت الموظف درجته التعليمية، أو مدة توليه لمنصبه، أو معدل ترقيته، فقد نتجاهل ببساطة – في حين نعتمد قيود التكنولوجيا العالية – الحواجز نفسها التي نأمل بإزالتها.

وعلى هذا، فإن أي استراتيجية فاعلة للإنصاف لا بد ألا تعالج الآثار المترتبة على العنصرية الشاملة فحسب، بل أيضاً أسبابها الجذرية؛ ويتعين عليها أن تسعى إلى تغيير الأنظمة وليس الأفراد. مثلاً، قد يعكس الافتقار إلى التنوع في قوة العمل التي هي على اتصال مباشر بالعملاء عدم الاستثمار البعيد الأجل في وسائل النقل العام والفصل السكني العميق الجذور. وتماماً كما ناصر أصحاب العمل لفترة طويلة تزويد المدارس العامة الطلبة بمهارات تركز على المستقبل، قد تدفعكم هذه التبصرات الخاصة بالبيانات نحو مناصرة تبني أنظمة أكثر إنصافاً للنقل وتنمية المجتمعات الصغيرة.

شجّع النقاشات حول العِرق وعدم الإنصاف

إذا كان لنا أن نسمي العرق بوضوح عندما نتحدث عن الفوارق، يتعين علينا أن نزيد في نحسّن من قدرتنا على إجراء مثل هذه المحادثات في مكان العمل تحسينا كبيرا. وقد توصلت دراستنا إلى أن أصحاب العمل عازفون عن الحديث عن العرق والعنصرية، وكثيراً ما يلجؤون إلى استخدام لغة محايدة عرقياً مثل ”الفرصة الاقتصادية“ أو ”الإدماج“. بيد أن محاسبتنا الوطنية الأخيرة أوضحت تماماً أن حذف العرق من مفردات الشركة ووضع سياسات تتسم بعمى الألوان تتجاهل العِرق لا تلغي التفاوت ولا تشجع على الإدماج. وبالنسبة إلى معظم قادة الأعمال، يتطلب تطوير القدرة على تسهيل المحادثات حول العِرق أو حتى المشاركة فيها مشاركة مثمرة ممارسة تعلم وتأمّل ذاتي مدى الحياة.

وبصرف النظر عما إذا كنتم تشعرون بالارتياح من الحديث عن العرق، تروي الخصائص الديموغرافية لشركتكم قصة بالفعل. فقد شرح أحد أصحاب العمل في مجال الضيافة قائلاً: ”إن الإنصاف العرقي في مكان العمل يعكس التنوع نفسه لدى شركاء الصف الأول. أروني مؤسسة يكون كل شخص في الخط الأول أسود أو بنياً، فتظهر لي من ثم بنية قيادية بيضاء في الأغلب: وهذه مشكلة“. لا يبشر عدم القدرة على الاعتراف بفوارق كهذه بالخير بالنسبة إلى أي قائد يبذل الجهود للقضاء عليها. ويتمثل أحد الحلول بإشراك مُيسِّر (مراجع) خارجي External facilitator للمساعدة على وضع لغة مشتركة، وإجراء مراجعة للسياسات والممارسات الموجودة، ووضع أهداف محددة قابلة للقياس.

وبمجرد أن تضع مؤسستكم هذه الأهداف، يمكن لإطار موجه بالبيانات أن يساعد على ترسيخ ممارسة الإنصاف العرقي كعادة إدارية. مثلاً، وصفت إحدى المديرات أولى محاولاتها لتطبيق الإطار، الذي كان يعني بالنسبة إليها ”حرفياً الكتابة على رأس كل أجندة اجتماع، ‘كيف يؤثر هذا في الإنصاف العرقي؟“ ففي مستهل الأمر شعرت بالإكراه، كما اعترفت، لكن بمرور الوقت ساعدت هذه الممارسة اليومية البسيطة على توليد ثقافة حيث كان السؤال الأكثر “تلقائية” هو، ”ما هو الأثر في الإنصاف العرقي والاندماج الذي قد تخلفه هذه السياسة، التكتيك، البيانات المحددة في مجال [املؤوا الفراغ]؟“

وفي مكان عمل آخر، تعهد فريق القيادة بالالتزام بالإنصاف العرقي كجزء صريح من عملية التوظيف. «يكون هذا في التوصيف الوظيفي، ويكون في المقابلة. ويكون في الأسئلة التي نطرحها على المُقيِّم، وهو معيار أساسي لتقييمات الأداء السنوية. وتضم كل لجنة بحث العديد من الموظفين من مختلف مشارب الاختلاف للمساعدة على تقييم ذلك المرشح. ”من الممكن فعل هذا“، كما يقول أحد المديرين في تلك المؤسسة. وبمرور الوقت، من الممكن أن تعمل تغيرات صغيرة ومقصودة كهذه لتحسين التنوع والإنصاف والاندماج في شكل كبير.

تذكر أن البيانات والتحليلات يمكن أن تحمل تحيزاً

يروج أنصار استخدام الذكاء الاصطناعي AI وتعلم الآلة Machine learning لإمكاناتهما في القضاء على التحيز العرقي في القرارات التي يتخذها البشر في شأن التوظيف والترقيات ومعدلات الرواتب والتدريب. ومن الممكن أن تحدد الخوارزميات التي تضع في الحسبان التجربة والمهارات المعروفة بالترابط مع النجاح مقدمي الطلبات والتي قد يجري التغاضي عنها لولا ذلك بسبب التحيز إلى المماثل أو التحيز إلى من ”يشبهني“.5P.T. Kim, “Data-Driven Discrimination at Work,” William and Mary Law Review 58,
no. 3 (February 2017): 857-936.
 وبهذه الطريقة، يمكن لأنظمة البيانات الواسعة النطاق أن تساعد على مكافحة أنواع التحيز الضمني الذي قد يؤدي إلى التمييز غير المشروع. وعلى نحو مماثل، من الممكن أن يساعد استخدام البيانات الموضوعية لدفع قرارات التوظيف على تخفيف الفوارق في الأجور أو الفصل المهني Occupational segregation لفترة طويلة بعد توظيف أحد الموظفين.

ولكن مجموعات البيانات الضخمة من الممكن أيضاً أن تكرر التحيز العرقي من خلال تعليم الآلات التمييز استناداً إلى وكلاء محايدين Neutral proxies ظاهرياً في مجال العرق، مثل المؤسسة التعليمية، والموقع الجغرافي، وتاريخ التدريب.6T.Z. Zarsky, “Understanding Discrimination in the Scored Society,” Washington Law Review 89, no. 4 (December 2014): 1375-1412. وكما حذر أحد المديرين قائلا: “هناك أمر واحد أتصارع معه وهو أن البيانات التي نجمعها تتأثر بأنظمة عنصرية أكثر ضخامة”. وفي حين بدأ العديد من أصحاب العمل بدمج الذكاء الاصطناعي AI في عملية اتخاذ القرار بمجال الموارد البشرية، هناك قلق صحيح من أن الفشل في الاهتمام بالتحيز في بيانات التدريب قد يؤدي إلى أدوات تكنولوجية تعكس التحيزات البشرية بدلاً من القضاء عليها. ومن شأن تطبيق إطار الإنصاف أن يساعد على الوقاية من استخدام البيانات، الكبيرة منها والصغيرة، على النحو الذي يعيد إنتاج الحواجز العرقية أمام الفرص.

لقد تسببت قرون من التمييز المؤسسي والبنيوي في إنشاء فجوة التفاوت المُدمِّرة في مجتمعاتنا الصغيرة وأماكن عملنا بل استمرار تكرارها. وفي حين أن الالتزامات العامة بالعدالة العرقية مشجعة، فإن العمل الحقيقي من أجل تغيير السياسات غير العادلة، وتوليد الفرص المنصفة، وإصلاح الأنظمة المعطلة لا بد أن يستمر. فأصحاب العمل لديهم الأدوات اللازمة للعمل بذلك. وكما شرح أحد المسؤولين التنفيذيين قائلا: ”من المذهل ما يستطيع أحد القادة على الجانب الصحيح من الإنصاف أن يفعله للتأثير في أي شركة“.

إليزابيث جيه. كنيدي Elizabeth J. Kennedy

إليزابيث جيه. كنيدي Elizabeth J. Kennedy

أستاذة مشاركة للقانون والمسؤولية الاجتماعية في مدرسة سيلينغر للأعمال والإدارة The Sellinger School of Business and Management في جامعة لويولا ماريلاند Loyola University Maryland. للتعليق على هذا الموضوع https://sloanreview.mit.edu/x/62222.

المراجع

المراجع
1 D. Asante-Mohammad, C. Collins, J. Hoxie, et al., “The Ever-Growing Gap: Without Change,
African-American and Latino Families Won’t Match White Wealth for Centuries” (Washington, D.C.: Institute for Policy Studies and CFED, 2016).
2 “Race-Explicit Strategies for Workforce
Equity in Healthcare and IT” (New York: Race Forward, June 15, 2017).
3 E. Kennedy, “Desert in the Deluge: Using Data to Drive Racial Equity,” Catholic University Law Review 69, no. 1 (winter 2020): 23-52.
4 T. Wang, “Why Big Data Needs Thick Data,” Medium, Jan. 20, 2016, https://medium.com
5 P.T. Kim, “Data-Driven Discrimination at Work,” William and Mary Law Review 58,
no. 3 (February 2017): 857-936.
6 T.Z. Zarsky, “Understanding Discrimination in the Scored Society,” Washington Law Review 89, no. 4 (December 2014): 1375-1412.
اظهر المزيد

مقالات ذات صلة

زر الذهاب إلى الأعلى