Scene, not heard: Exploring the influence of socioeconomic status background cues in asynchronous video interviews
Notice bibliographique
Résumé
Abstract While recent studies have highlighted the potential for background cues in asynchronous video interviews (AVIs) to inadvertently disclose non‐job‐related information about job applicants, researchers have yet to explore the impact of socioeconomic status (SES) cues. This study investigates whether background cues about SES (specifically cues not available in a face‐to‐face interview) introduce unique biases in the hiring process. We examined if evaluators could discern SES differences based on a job applicant's background and whether these cues influenced the perceived hireability of the job applicant. To enhance the realism of our findings and understand when such biases may be exacerbated, we simulated the conditions a hiring manager might face by inducing cognitive load (CL). In a working sample of N = 260 American Cloud Research Connect participants, we used a 2 (low; high SES) by 2 (low; high CL) between‐subjects experimental design. We found that although evaluators could identify differences in SES and did experience a difference in CL, these two factors did not directly influence the perceived hireability of the job applicant. We also investigated the role of evaluators' characteristics, such as their own SES, attitude towards poverty, and social dominance orientation. Although these did not directly influence their ratings of the job applicant, we identified noteworthy correlations: participants' perceptions of the SES of the background correlated with the job applicant's (a) perceived hireability, and (b) perceived SES. These findings emphasize the need for further research into the subtle cues that evaluators might use to gauge SES, which could impact a job applicant's AVI evaluation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».