Discriminación algorítmica en la selección laboral mediante inteligencia artificial by ANGIE LUCIANA CALLE FERNANDEZ

60965987 — 2025-04-11 16:56:15 UTC

soluciones crece Perú

60965987 — 2025-04-11 17:02:36 UTC

Este mapa mental presenta las principales soluciones para lograr un proceso de selección laboral más justo mediante inteligencia artificial. Incluye auditoría de datos, revisión del algoritmo, supervisión humana, transparencia, monitoreo continuo y responsabilidad ética.

Nombre del recurso: Soluciones para una selección laboral justa con IA

Herramienta: MyLens

Grupos de estudios virtuales

60965987 — 2025-04-11 17:05:59 UTC

Hunkenschroer, A. L., & Luetge, C. (2022). Ethics of AI-enabled recruiting and selection: A review and research agenda. Journal of Business Ethics, 178, 977–1007. https://doi.org/10.1007/s10551-022-05049-6

Köchling, A., & Wehner, M. C. (2020). Discriminated by an algorithm: A systematic review of discrimination and fairness by algorithmic decision-making in the context of HR recruitment and HR development. Business Research, 13, 795–848. https://doi.org/10.1007/s40685-020-00134-w

60965987 — 2025-04-11 17:08:37 UTC

Párrafo 1

Una de las principales causas del problema ético es el diseño del sistema de inteligencia artificial basado en datos digitales incompletos. El algoritmo prioriza información como redes sociales, transacciones digitales y actividad en plataformas web, lo cual excluye a usuarios del sistema financiero tradicional. Esto genera una visión sesgada de la realidad económica y afecta la equidad en la evaluación crediticia.

Según Barocas y Selbst (2016), los sistemas de big data pueden producir impactos discriminatorios cuando utilizan variables que reflejan desigualdades estructurales. Asimismo, Mehrabi et al. (2021) explican que la falta de representatividad en los datos de entrenamiento incrementa significativamente los sesgos algorítmicos.

60965987 — 2025-04-11 17:11:03 UTC

Resumen

60965987 — 2026-06-30 03:59:41 UTC

María Castro, ingeniera con veinte años de experiencia, postuló a un puesto tecnológico mediante una plataforma que utilizaba inteligencia artificial para seleccionar currículums. Aunque cumplía con todos los requisitos, el sistema descartó automáticamente su perfil por considerar que tenía demasiada experiencia. Además, favorecía candidatos provenientes de universidades con mayor presencia histórica de hombres, reduciendo las oportunidades de profesionales altamente calificadas.

Descripción del problema

60965987 — 2026-06-30 04:00:02 UTC

El principal problema ético del caso es la discriminación algorítmica, ya que la plataforma no evalúa únicamente las capacidades de María, sino que la perjudica por su amplia experiencia y por patrones relacionados indirectamente con el género. Esto vulnera la igualdad de oportunidades y puede excluir sistemáticamente a mujeres y profesionales con mayor trayectoria (Köchling & Wehner, 2020).

También existe una falta de transparencia y responsabilidad, porque la postulante desconoce por qué fue rechazada y no puede cuestionar la decisión tomada por la IA. Cuando estos sistemas funcionan sin supervisión humana, aumentan los riesgos de decisiones injustas y poco explicables (Hunkenschroer & Luetge, 2022).

mejora alternativa

60965987 — 2026-06-30 04:00:16 UTC

la linea muestra los pasos para implementar un sistema de reclutamiento ético, iniciando con el diagnóstico del problema, seguido por la auditoría de datos, rediseño del algoritmo, evaluación de equidad, supervisión humana, transparencia y monitoreo continuo.

Nombre del recurso: Implementación de un sistema de reclutamiento con IA justo y transparente

Herramienta: MyLens

Párrafo 2

60965987 — 2026-06-30 04:28:08 UTC

Otra causa importante es la automatización excesiva en la toma de decisiones sin supervisión humana adecuada. Esto reduce la capacidad de corregir errores o considerar contextos específicos de los usuarios, lo que puede generar exclusión financiera injusta.

En este sentido, Barocas y Selbst (2016) señalan que la automatización sin control puede reforzar desigualdades existentes. De igual manera, Mehrabi et al. (2021) destacan que la ausencia de auditoría y transparencia en modelos de IA aumenta el riesgo de decisiones discriminatorias.

60965987 — 2026-07-03 20:53:29 UTC

Este video presenta el caso de una ingeniera que fue rechazada por un sistema automatizado debido a sesgos presentes en la inteligencia artificial. Además, muestra cómo la supervisión humana, la transparencia y la mejora de los algoritmos permiten construir proces