Inteligencia Artificial e Inclusión en el Trabajo
una agenda teórica sobre neurodiversidad, discapacidad y justicia en los procesos de contratación
Palabras clave:
inclusión, neurodiversidad, discapacidad, reclutamiento algorítmico, justicia organizacionalResumen
Los sistemas automatizados de reclutamiento prometen eficiencia y estandarización, pero pueden reproducir concepciones restringidas de competencia, comunicación y comportamiento adecuado. Este artículo propone una agenda teórica sobre justicia, discapacidad y neurodiversidad en los procesos de selección mediados por inteligencia artificial, articulando el modelo social de la discapacidad, la accesibilidad digital, la justicia organizacional y la gobernanza algorítmica. Como resultado, se estructuran cuatro condiciones para un reclutamiento inclusivo: accesibilidad desde el diseño, evaluación restringida a las competencias necesarias para el puesto, oferta de adaptaciones razonables asociadas a canales de apelación con mediación humana, y participación de personas con discapacidad en la gobernanza de los sistemas. El análisis indica que las métricas estadísticas de equidad son insuficientes cuando el proceso mantiene barreras comunicacionales, sensoriales o cognitivas. Se concluye que la legitimidad de un sistema de reclutamiento debe evaluarse por su capacidad de reconocer diferentes formas legítimas de demostrar competencia profesional.
##plugins.generic.academicMetrics.block.title##
- ##plugins.generic.academicMetrics.block.downloads## 0
- ##plugins.generic.academicMetrics.block.views## 56
##plugins.generic.academicMetrics.block.noDoi##
Descargas
Referencias
Armstrong, T. (2012). Neurodiversity in the classroom: Building strength-based success in the regular classroom. ASCD.
Bogen, M., & Rieke, A. (2018). Help wanted: An examination of hiring algorithms, equity, and bias. Upturn.
Colquitt, J. A. (2001). On the dimensionality of organizational justice: A construct validation of a measure. Journal of Applied Psychology, 86(3), 386-400.
Eubanks, V. (2018). Automating inequality: How high-tech tools profile, police, and punish the poor. St. Martin's Press.
Floridi, L., Cowls, J., Beltrametti, M., et al. (2018). AI4People - An ethical framework for a good AI society. Minds and Machines, 28(4), 689-707.
Kuzior, A., Kettler, K., & Rąb, Ł. (2020). Digitalization of work and human resources processes: Challenges for responsible management. Administrative Sciences, 10(3), 53.
Oliver, M. (2013). The social model of disability: Thirty years on. Disability & Society, 28(7), 1024-1026.
O'Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.
Pasquale, F. (2015). The black box society: The secret algorithms that control money and information. Harvard University Press.
Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. Proceedings of FAT* 2020, 469-481.
Raji, I. D., Smart, A., White, R. N., et al. (2020). Closing the AI accountability gap. Proceedings of FAT* 2020, 33-44.
Shakespeare, T. (2014). Disability rights and wrongs revisited. Routledge.
Singer, J. (2017). NeuroDiversity: The birth of an idea. CreateSpace.
Torraco, R. J. (2016). Writing integrative literature reviews. Human Resource Development Review, 15(4), 404-428.
Yeung, K. (2018). Algorithmic regulation: A critical interrogation. Regulation & Governance, 12(4), 505-523.
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los artículos publicados por Noemica Journal están licenciados bajo Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Se permite compartir y adaptar el contenido para cualquier finalidad, siempre que se otorgue el crédito correspondiente a los autores y a la publicación original.
