Assessing biasing factors in asynchronous video interviews: applicant completion decisions, video background, and evaluation format
Notice bibliographique
Résumé
Asynchronous video interviews (AVIs) have become popular selection methods due to their flexibility and cost savings but might introduce new forms of bias. For instance, interviewees often complete them from home, their surroundings might signal personal or protected statuses, and technology issues might distort the information provided. This paper leverages two complementary studies to examine (a) the AVI completion decisions, recording quality, and background elements present in high- and low-stakes job interviews, (b) to what extent these AVI-specific elements and interviewees’ characteristics can bias performance ratings, and (c) whether evaluation standardization can help mitigate such biases. Study 1 used mock interviews with (N = 626) Prolific participants evaluated by professional hiring managers. Study 2 involved high-stakes interviews with (N = 523) real applicants for competitive education programmes evaluated by trained raters using either standardized or unstandardized approaches. AVI elements (attire, room tidiness, technical issues, background) were coded in both studies. Results showed that completion decisions depended on AVI stakes and could influence evaluations. Issues with recording quality were rare and modestly related to AVI evaluations. AVI backgrounds signalling personal or protected statuses were very rare and unrelated to evaluations. Evaluations standardization reduced bias only in relation to sex-based differences, but not other interviewee characteristics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,147 | 0,337 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».