تجاوز إلى المحتوى
تحقيقات

الوظيفة التي تقررها الخوارزمية: ماذا تكشف وثائق تدقيق أدوات فرز المتقدمين؟

نُشر في 22 نوفمبر 2026 • SP NEWS

تحقيق وثائقي يختبر معنى ادعاءات «الفرز المحايد» و«القرار البشري»، ويقارن متطلبات التدقيق المنشورة والإنصاف وإشعار المتقدم وحدود النتائج الإحصائية.

متقدمة لوظيفة تملأ استمارة خلال مقابلة في مكتب؛ صورة حقيقية توضح سياق الفرز البشري والآلي دون تصوير نظام تجاري محدد.
متقدمة لوظيفة تملأ استمارة خلال مقابلة في مكتب؛ صورة حقيقية توضح سياق الفرز البشري والآلي دون تصوير نظام تجاري محدد. • Pexels / Sora Shimazaki

«الذكاء الاصطناعي يختار الأكفأ»: جملة تحتاج إلى دليل

تعد أدوات فرز طلبات الوظائف بقراءة آلاف السير الذاتية في زمن قصير، وترتيب المرشحين وفق متطلبات الوظيفة، وتقليل عبء الفرق البشرية. يبدو الوعد معقولًا من ناحية السرعة، لكنه يصبح حساسًا عندما يتحول ترتيب آلي إلى فرصة مقابلة أو استبعاد غير مرئي. قد يستخدم النظام كلمات مفتاحية، أو نموذجًا إحصائيًا، أو تحليلًا لغويًا متقدمًا؛ لكن ما يهم المتقدم ليس اسم التقنية، بل كيف أثرت في القرار، وهل كانت الخصائص المستخدمة مرتبطة بالوظيفة بصورة قابلة للدفاع عنها.

هذا التحقيق الوثائقي لا يزعم اختبار نظام تجاري محدد أو الوصول إلى بيانات شركات. بل يتتبع ما يمكن التحقق منه علنًا: تعريف أداة القرار الآلي، وواجب التدقيق، وطريقة حساب نسب الاختيار، ونطاق البيانات المستخدمة، وحدود تدخل البشر. ونقارن بين وثائق رسمية في نيويورك وإطار إدارة مخاطر الذكاء الاصطناعي NIST والمقاربة التنظيمية الأوروبية، حتى تتضح الفجوة بين بيان تسويقي عن «الإنصاف» ودليل يمكن فحصه.

أول سؤال تحقيقي: هل تؤثر الأداة في فرصة الإنسان فعلًا؟

ليس كل برنامج للتوظيف أداة قرار آلي بالمعنى ذاته. نظام جدولة مواعيد المقابلات لا يتخذ حكمًا على المرشح، بينما قد يؤثر برنامج يرتب السير الذاتية ويحدد أعلى 10% في من يحصل على اتصال من مسؤول الموارد البشرية. لذا ينبغي تحديد نقطة التأثير: هل تحجب الأداة الطلب قبل مراجعته؟ هل يظهر الترتيب للمدير فقط؟ هل يعتمد عليه القرار بصورة أساسية؟ أم يمنح النظام تنبيهًا لا يؤثر في النتيجة؟

في مدينة نيويورك، ينظم القانون المحلي 144 أدوات اتخاذ القرار الآلي المؤثرة في التوظيف أو الترقية وفق تعريفات وشروط محددة. يوضح دليل الجهة التنظيمية أن بعض الأدوات التي تساعد على قرار التوظيف بصورة جوهرية تدخل ضمن نطاق الالتزامات. لا يكفي وصف منتج بأنه «مساعد إداري» إذا كانت وظيفته العملية تمنح درجة تفضيل ذات أثر حاسم، كما لا يصح افتراض أن كل برنامج موارد بشرية يخضع تلقائيًا للقانون نفسه.

ثاني سؤال: ماذا يعني «تدقيق التحيز»؟

يشترط نظام نيويورك، في حالات انطباقه، إجراء تدقيق تحيز وفق الضوابط المحددة خلال السنة السابقة للاستخدام، ونشر ملخص بعض نتائجه وإعطاء إشعارات لازمة. هذا مطلب للإفصاح والمراجعة، وليس شهادة بأن كل نتيجة عادلة أو بأن جميع مجموعات المتقدمين ستنال فرصًا متساوية. فقد يكون التدقيق محدودًا بطبيعة العينة والخصائص المرصودة وطريقة جمع البيانات وجودتها.

يدقق القارئ في أربعة عناصر: من الجهة المستقلة التي أجرت التدقيق؟ متى؟ وما البيانات التي استُخدمت؟ وما معيار المقارنة؟ تقرير ينشر نسبة واحدة دون بيان عدد المرشحين والفئات والحالات المستبعدة لا يتيح فحصًا جادًا. كذلك ينبغي الانتباه إلى الفرق بين تدقيق أُجري على بيانات تاريخية وبين استخدام فعلي في وظيفة أو مدينة أو لغة جديدة؛ التعميم يحتاج إلى مبرر.

مثال توضيحي: النسبة وحدها قد تخفي حجم العينة

افترض اختبارًا افتراضيًا فيه 100 مرشح من المجموعة الأولى، اجتاز منهم 40 إلى القائمة القصيرة؛ معدل الاختيار 40%. وفي مجموعة ثانية من 100، اجتاز 24؛ معدل الاختيار 24%. نسبة معدل المجموعة الثانية إلى الأولى تساوي 0.60. هذا اختلاف جدير بالفحص، لكنه لا يثبت وحده أن الخوارزمية انتهكت قانونًا أو أن عاملًا بعينه هو السبب. فقد تختلف متطلبات الوظيفة والبيانات وطريقة اختيار العينة، ويجب إجراء تحليل مناسب مع تفسير وظيفي وقانوني.

إذا كان عدد أفراد المجموعة الثانية خمسة فقط، فإن تحول شخص واحد في النتيجة يغير النسبة 20 نقطة مئوية. تصير الاستنتاجات من عينات صغيرة أكثر هشاشة، وقد تخلق القيم المقربة انطباعًا بالدقة الزائفة. لذلك يطلب التقييم المسؤول ذكر المقامات وأعداد المختارين ومصادر البيانات وطرق التعامل مع الحالات الناقصة بدل الاكتفاء بنسب مئوية مجردة. هذه الأرقام حسابية تعليمية وليست نتائج منشورة لتدقيق شركة.

ثالث سؤال: أين يدخل التمييز غير المباشر؟

قد لا يستخدم النموذج الجنس أو العمر أو الخلفية العرقية مباشرة، لكنه يعتمد على مؤشرات ترتبط بها بصورة غير مباشرة: فترات الانقطاع المهني، أو نوع المؤسسة التعليمية، أو الرمز البريدي، أو أسلوب الصياغة، أو تاريخ العمل بدوام كامل. لا تثبت هذه الأمثلة بذاتها وجود تمييز في أي نموذج، لكنها تبين لماذا لا يكفي حذف خانة حساسة من البيانات لإثبات الإنصاف. تحتاج كل خاصية إلى تفسير وظيفي ومراجعة أثرها عبر مجموعات المتقدمين.

يتعين أيضًا فحص البيانات التاريخية التي يتعلم منها النظام. إذا عكست سجلات التوظيف القديمة اختيارات غير متوازنة، فقد يتعلم النموذج تفضيل أنماط مرشحين مشابهة لمن عُينوا سابقًا. ومن هنا تبرز أهمية التمييز بين القدرة على تقليد قرارات الماضي وبين القدرة على التنبؤ بأداء حقيقي في الوظيفة. قد تكون الدقة العالية في إعادة إنتاج قرار بشري سابق مؤشرًا على تكرار انحيازه، لا دليلًا على تصحيحه.

رابع سؤال: من المسؤول عن النتيجة؟

قد تطور شركة تقنية الأداة بينما يستخدمها صاحب عمل وفق إعدادات ومحددات مختلفة. ولا يكفي أن يقول أحد الطرفين إن الطرف الآخر مسؤول بالكامل عن الإيضاح. ينبغي معرفة من يحدد معايير الوظيفة والعتبات، ومن يستطيع مراجعة السجلات، ومن يبلغ المتقدم، ومن يحقق في الشكوى. قد تسمح واجهة الإدارة بخفض ترتيب مرشح دون أن تفصح للموظف عن السبب، ولذلك يمثل وجود سجل تدقيق وقنوات اعتراض جزءًا مهمًا من الحوكمة.

تنبه وثائق EEOC في الولايات المتحدة إلى أن استخدام البرمجيات والخوارزميات في إجراءات الاختيار قد يثير قضايا أثر سلبي على مجموعات محمية بموجب القانون. والسؤال القانوني هنا ليس ما إذا كانت الأداة تحمل شعار الذكاء الاصطناعي، بل ما إذا كان إجراء الاختيار، بما فيه استخدام الأداة، يفضي إلى أثر محظور أو يفتقر إلى التبرير المطلوب. يجب استشارة مختص قانوني عند تطبيق قواعد محلية؛ فهذا التحقيق ليس استشارة قانونية.

خامس سؤال: هل يستطيع الإنسان تغيير القرار فعلًا؟

ترد عبارة «إنسان في الحلقة» في كثير من مواد التسويق. لكنها قد تصف مجرد توقيع مدير على قائمة رتبتها خوارزمية. لكي تكون المراجعة البشرية ذات معنى، يحتاج المسؤول إلى معلومات مفهومة عن أساس التقييم، وحق تعديل النتيجة، ووقت كافٍ لمراجعة الحالات، وتدريب على احتمال أخطاء النظام. وإذا كان المدير يرى فقط درجة رقمية أو لونًا أحمر، فقد يتحول دوره إلى قبول آلي جديد مغطى بتوقيع بشري.

يمكن قياس واقعية التدخل ببيانات مثل نسبة القرارات التي عُدلت بعد مراجعة جوهرية، وأسباب التعديل، وعدد الحالات التي استُبعدت بسبب غياب بيانات مطلوبة أو فشل تحليل لغة السيرة الذاتية. ولكن نسبة تعديل منخفضة ليست دليلًا بحد ذاتها على جودة الخوارزمية، فقد تعني أيضًا أن الفريق البشري لا يعارضها أو لا يملك أدوات كافية للمراجعة.

سادس سؤال: كيف تتغير النتائج مع اللغة وصيغة السيرة الذاتية؟

قد يكون نظام استخراج المعلومات من السيرة الذاتية مدربًا على قوالب أو لغات محددة. إذا فشل في قراءة الجداول أو أسماء المؤهلات بلغات مختلفة، فقد يرسل مرشحًا مؤهلًا إلى ترتيب متدنٍ رغم تساوي خبرته مع الآخرين. يجب أن تشمل الاختبارات عينات متنوعة بصيغ ملفات ولغات وتواريخ عمل غير تقليدية، مع حصر أخطاء استخراج البيانات منفصلة عن أخطاء تقييم الملاءمة.

كما قد تتأثر النتائج بخصائص لا تعكس الكفاءة، مثل قدرة المرشح على كتابة ملف مناسب لبرنامج آلي أو استخدام عبارات يتوقعها النموذج. وفي سياقات متعددة اللغات، لا يبرر نجاح النموذج في الإنجليزية تعميم صلاحيته على العربية أو غيرها. الاختبار الصحيح يطابق لغة الاستخدام الفعلي، ولا يختزل العدالة إلى متوسط دقة عام.

ما الذي تكشفه الوثائق الأوروبية؟

يضع قانون الاتحاد الأوروبي للذكاء الاصطناعي بعض أنظمة التوظيف وتقييم المرشحين ضمن فئات عالية المخاطر وفق الوظيفة المقصودة وحدود التشريع، مع وجود تفاصيل واستثناءات ومواعيد تطبيق يجب التحقق منها عند الاستخدام. هذه المقاربة توسع مفهوم السلامة من دقة التصنيف إلى الحوكمة والتوثيق والمراقبة البشرية وإدارة المخاطر. لكنها لا تعني أن كل نظام فرز مطبق داخل أي دولة خاضع اليوم لكل التزامات اللائحة بصورة متماثلة؛ التنفيذ مرحلي وتفاصيل التطبيق متغيرة.

لذلك لا ينفع اقتطاع عبارة «عالي المخاطر» ووضعها على كل أداة. ينبغي قراءة تعريف الاستخدام المقصود وحدود أثر النظام وعلاقة الخرج بالقرار البشري، ومراجعة النص القانوني الرسمي والتحديثات. ويجب كذلك الفصل بين إطار المخاطر الاسترشادي NIST، الذي يقدم منهجًا للتقييم، والالتزام القانوني الذي يختلف بحسب الولاية القضائية.

قائمة الأدلة التي تجعل الادعاء قابلًا للفحص

يمكن طلب سجل يوضح الغرض المحدد من الأداة، وأنواع البيانات المدخلة، وحجم العينة، وفترة الاختبار، وطريقة حساب درجات المرشحين، ومؤشرات الأداء لكل فئة ذات صلة، وكيفية الاعتراض وإصلاح الأخطاء. وفي العمليات التي يحكمها القانون، يجب التحقق من نشر ملخصات التدقيق والإشعارات وفق النص المنطبق. لا يلزم نشر الشيفرة المصدرية كاملة لاستنتاج بعض المخاطر، لكن غياب المعلومات الأساسية يجعل ادعاء الحياد غير قابل للمراجعة.

أحد أخطر الأخطاء المنهجية تحويل نتائج اختبار داخلي إلى وعد خارجي مطلق. قد ترتفع دقة استخراج المهارات بينما تستمر مشكلة انحياز البيانات أو سوء تحديد الكفاءة. وقد ينجح النموذج على سيرة ذاتية واحدة ثم يفشل عندما تأتي الملفات بصيغة PDF مصورة. لذا يتطلب التقييم متابعة بعد التشغيل وتوثيق انتقال النظام إلى نسخ جديدة لا تكرر أخطاء قديمة.

ما الذي لم يثبته هذا التحقيق؟

لا يثبت هذا التحقيق وجود تمييز لدى شركة أو نظام تجاري بعينه، ولا يقدم قائمة سوداء لمزودي تقنيات التوظيف. ولم تنشئ SP NEWS حسابات اختبار لدى شركات أو تجمع بيانات شخصية للمرشحين أو تستخرج معلومات غير علنية. نطاق الاستنتاجات هو مقارنة أدلة تنظيمية ومنهجية عامة، وإيضاح الأسئلة اللازمة لتحويل ادعاءات الأداء إلى مؤشرات قابلة للتحقق. ويجب عدم اعتبار النماذج الحسابية المنشورة هنا نتائج تدقيق واقعي.

الاستنتاج الذي تسمح به الوثائق واضح: سرعة الفرز لا تساوي عدالته، ووجود تدقيق لا يعني غياب جميع أنواع الضرر، وإشراك الإنسان لا ينفع إن لم يمتلك أدوات مراجعة مستقلة. تصبح الأداة أكثر قابلية للمساءلة عندما يستطيع صاحب العمل والمتقدم والجهة المنظمة تتبع كيف أثرت البيانات والمعايير في الفرصة، وما الذي فُعل عند ظهور خطأ.

المنهجية والروابط المرجعية

قورنت وثائق الجهة التنظيمية في مدينة نيويورك وشروح قانون الاتحاد الأوروبي والمواد المنشورة لدى EEOC وإطار NIST AI RMF. لا يتضمن العمل مقابلات أو فحصًا تقنيًا سريًا أو تقارير داخلية غير منشورة. مثال نسب الاختيار حساب توضيحي وليس شهادة عن نظام فعلي. الصورة توضح مقابلة عمل بشرية، ولا تدل على أن صاحب العمل المصور يستخدم فرزًا آليًا. المراجع: NYC DCWP: Automated Employment Decision Tools FAQ؛ NYC DCWP: Local Law 144؛ EU AI Act: Regulation 2024/1689؛ NIST AI RMF: Trustworthiness؛ EEOC: AI and Employment Selection.

المصادر والمنهجية

تحقيق وثائقي في اللوائح والتفسيرات العامة لدى مدينة نيويورك والاتحاد الأوروبي وإرشادات NIST وEEOC. لا يتضمن اختراق أنظمة أو اختبارات سرية أو اتهام شركة محددة.

شارك المادة