《HUMAN RESOURCE MANAGEMENT》：Equity by Design: A Positive Organizational Scholarship Approach to Human Resource-Artificial Intelligence Systems Design
编辑推荐：
在当今两极分化的社会政治气候下，多样性、公平和包容（DEI）努力日益面临抵制，其中公平在学术和实践话语中变得边缘化，尽管它在确保员工生命周期内机会和资源的公平分配方面具有核心重要性。随着人力资源（HR）决策越来越多地由人工智能（AI）中介，这些担忧被放大，从而
在当今两极分化的社会政治气候下，多样性、公平和包容（DEI）努力日益面临抵制，其中公平在学术和实践话语中变得边缘化，尽管它在确保员工生命周期内机会和资源的公平分配方面具有核心重要性。随着人力资源（HR）决策越来越多地由人工智能（AI）中介，这些担忧被放大，从而将公平的焦点从个体判断转移到系统设计。在本文中，研究人员引入了人力资源-人工智能（HR-AI）系统设计的概念，将其定义为对支持核心人力资源功能的AI工具进行有意规划和配置，以反映和嵌入焦点组织价值观的方式。更具体地说，研究人员关注公平的HR-AI系统设计，这涉及AI中介的人力资源系统的设计，其中公平考量嵌入在其底层逻辑、评估标准和决策过程中。借鉴积极组织学术（POS），研究人员开发了一个基于价值观的公平HR-AI系统设计框架，该框架基于三个核心要素：优势导向、作为美德价值的正义和作为关系原则的高质量连接。这些受POS启发的设计要素可以将现有HR-AI系统中嵌入的基于功绩、基于优化和基于同质性的偏见逻辑重新导向更公平的结果。本文通过将公平理论化为可设计的系统特征，为DEI学术做出贡献；通过识别以公平为导向的设计逻辑，推进了关于AI在人力资源中的研究；并将POS学术扩展到数字中介的组织情境。
论文解读文章
**研究背景与问题**
在当今两极分化的社会政治环境下，多样性、公平和包容（DEI）举措面临日益增长的反弹，其中公平（equity）在学术和实践讨论中愈发边缘化，尽管它对确保员工生命周期中机会与资源的公平分配至关重要。当人力资源（HR）决策越来越多地被人工智能（AI）中介时，公平的焦点从个体判断转向系统设计，这加剧了上述担忧。以往研究表明，组织往往将公平视为孤立干预（如多样性培训）的下游结果，而非系统架构的内嵌特征。同时，AI在HR中的应用主要受效率逻辑驱动，缺乏对公平作为核心设计原则的考虑，从而可能复制甚至放大现有职场不平等。因此，亟待回答的关键问题是：如何有意设计AI工具，以打破嵌入在HR实践中的系统性偏见？
**研究内容与结论**
研究人员引入了HR-AI系统设计的概念，将其定义为对支持核心HR功能的AI工具进行有意规划和配置，以反映和嵌入组织价值观。针对公平这一组织价值观，研究人员聚焦于在HR-AI系统的底层逻辑、评估标准和决策过程中嵌入公平考量。基于积极组织学术（POS）这一以价值观为基础的理论视角，研究人员开发了一个包含三个核心要素的设计框架：优势导向（strengths-based orientation）——聚焦个体与集体的积极能力而非缺陷；作为美德价值的正义（justice as a virtuous value）——将公平、透明和可质疑性作为系统要求；以及作为关系原则的高质量连接（high-quality connections, HQC）——强调互动中的活力、相互尊重与包容。这三个POS元素分别对应并纠正HR-AI系统中存在的三种偏见逻辑：基于功绩的逻辑（merit-based biasing logic）、基于优化的逻辑（optimization-based biasing logic）和基于同质性的逻辑（homophily-based biasing logic），从而在评估（evaluation）、过程（process）和获取（access）三个维度提升公平性。论文发表在《HUMAN RESOURCE MANAGEMENT》。
**主要关键技术方法**
研究人员采用理论构建的方法，通过整合DEI、AI在HR中的应用以及POS三股研究流的文献，提出概念框架。该框架不涉及实验或实证数据，而是基于逻辑推理和既有研究证据。研究人员识别并分析了三种主导偏见逻辑（功绩、优化、同质性）及其在HR-AI系统中的表现形式，并引入POS的三个核心要素作为设计特征，通过概念模型（图1）阐明各要素如何通过中介路径影响公平结果。此外，研究人员还讨论了实施中面临的数据基础设施、AI中介的社会交换限制以及对AI的怀疑等挑战。
**研究结果**
**4.1 基于功绩的偏见逻辑**：功绩逻辑假设绩效和晋升应由“客观”指标决定，但研究表明即使正式的程序化功绩制度也常常复制甚至加剧不平等。当该逻辑编入算法时，由于算法被认为更客观，可能使不平等结果合法化。通过优势导向的设计，HR-AI系统可拓宽对能力和成功的定义，减少对狭窄功绩信号的依赖，从而提升评估公平性。
**4.2 基于优化的偏见逻辑**：优化逻辑以效率与预测准确性为中心，但历史数据往往反映不平等，模型优化会无意中编码并复制这些不平等。以正义作为美德价值，要求系统将公平、透明和可质疑性作为核心设计考量，从而打破仅以效率为目标的优化逻辑，促进过程公平。
**4.3 基于同质性的偏见逻辑**：同质性逻辑表现为决策者偏好与现有员工在背景、身份等方面相似的个体。高质量连接（HQC）导向通过创造条件鼓励跨边界互动、扩大关系获取，打破同质性对机会分配的约束，从而提升获取公平性。
**讨论与结论**
**讨论**：研究人员指出，将POS原则嵌入HR-AI系统需应对数据基础设施局限、AI中介社会交换的关系限制以及对AI的怀疑等挑战。数据基础设施往往缺乏捕捉员工成长轨迹的丰富纵向数据；AI中介的交换缺乏人类互动的微妙与情感深度，可能影响员工对公平的感知；管理者和员工对AI系统的不透明性产生怀疑，需通过“人在回路”（human-in-the-loop）方式保留人类判断与质疑空间。
**结论翻译**：本文通过整合POS原则，推进了一种基于价值观的公平HR-AI系统设计方法。研究人员并未将公平视为附属的或下游的问题，而是提出它可以且应该直接嵌入HR-AI系统的架构中。研究框架识别了指导现有HR实践的三种主导偏见逻辑（功绩、优化、同质性）如何通过技术和组织选择编入算法工具，从而强化现有职场不平等。研究人员从POS中提取了三种设计导向，以不同方式对抗这些逻辑并扩展公平：优势导向挑战功绩偏见逻辑，通过拓宽对绩效和潜力的定义支持评估公平；将正义视为美德价值，使其成为核心设计考量，从而打破优化偏见逻辑，促进过程公平；将高质量连接作为关系原则嵌入系统，通过促进包容、响应和跨边界联系打断同质性偏见逻辑，促进获取公平。这三种导向共同为构建HR-AI系统提供了路线图，使组织不仅避免复制主导模式，更能主动重塑工作场所中获取和机会的产生方式。
