在技​​术产业中有很多关于普遍性的（或缺乏缺乏）。即使与Fisher v。德克萨斯大学奥斯汀，最近的美国最高法院裁决坚持肯定行动，科技公司正在寻找增加普遍性的替代方法。第一步是打击招聘偏差。最近的一项调查发现，黑人和西班牙裔计算机科学毕业生不太可能被聘用，而不是白色和亚洲同行。科技妇女的统计数据并没有更好，妇女同性也得到系统地强调，并比其男性同行减少10,000美元。

但是，我们都有一个简单的事情，我们可以做到这一点会大大减少招聘偏见。这些效果被妥善了解，成本可忽略不计。作为数据孵化器的管理员，帮助学生和行业从业者找到工作作为数据科学家的选择性团契，我们在我们的招生过程中练习这一点，因此我们目前的一半是少数民族。它不仅可以实现便宜且易于实现，而且对于少数民族申请人而言，它不仅是更公平的，但我们认为它允许我们找到更有才华的申请人。它是什么？摆脱传统的简历筛选。

当人们雇用科技职位时，他们几乎总是通过一堆简历一目了然。有一个大量的研究表明他们根据他们发现的歧视性判断。来自芝加哥大学的一篇着名的论文表明，候选人与白调的名字，否则相同的恢复是在接受采访时更容易被要求的50％。雇主更倾向于采访艾米莉和格雷格到Lakisha和Jamal。同样，来自耶鲁的研究人员表明（否则相同的）与男性名称的科学家们恢复“显着”更有可能被评为有能力，而不是与女性名称的相同相同的股票 - 甚至由女性评论者。

什么是驾驶这个？心理学家发现，我们大多数人都持有偏离女性或少数申请人的无意识的刻板印象。我们的大脑依赖于一系列隐性协会作为日常生活的认知捷径 - 可能在漫游塞伦盖蒂的同时提供我们的祖先的本能，但我们必须积极地在现代工作场所争斗。

当这些偏差被删除时，我们的招聘实践变得更加公平。来自哈佛大学的研究人员在20世纪50年代到1995年，审查了八大两个交响乐团的一次有超过14,000个试用记录。他们发现采用“盲目的”试镜，隐瞒表演者的性别增加了多达30％的妇女的速度。

即使我们弥补了竞争和性别的固有偏见，恢复筛选通常也根据亚洲议程或前雇主的其他无关因素选择候选人。虽然这些因素可能与表现不佳，但它们会导致狭隘的教育和就业章程和窒息的企业单一文化。如果您的所有编码器都是斯坦福电脑科学专业，他们都有同样的教授，解决了同样的练习，并都训练了同样的方式思考。这不是这个群体的令人惊讶的副产品，硅谷被称为“最新的老男孩俱乐部”，在性别歧视的指责中，它的初创公司疯狂地竞争解决与食物交付和洗衣拾取等相同的第一世界问题。

技术人员有各种条纹，无视简单的种族，性，学术和专业分类。正如您希望股票投资组合一样，公司应符合其天赋股票扩大其能力。和Groupthink可能对全球经济产生非常严重的影响：最近的英格兰银行报告将Groupthink引用为2008年金融危机的贡献原因之一。

但如果我们停止依靠恢复作为单一的真理来源，我们应该使用哪些其他因素进行评估？

有些公司（包括我们）开始依靠客观地评估标准编码挑战的绩效。可能会要求软件工程候选人构建API，而可以要求数据科学候选人分析与工作的实际需求更密切地关联的匿名或合成日志数据 - 比恢复制作更密切相关。应仅通过恢复筛查的颅核学不应判断为数据科学或软件工程的客观的技能。

在自由的开放源代码中，公司还可以从诸如GitHub等公共存储库上的堆栈溢出或代码贡献等技术讨论板上的答案推断出很多关于申请人的专业资格。

最后，如果需要恢复筛选，要求管理员在简历中黑人姓名，因此可以通过招聘经理审查“盲人”可以走很长的路要走我们的偏见。

显然，改革恢复筛查不会神奇地消除一夜之间的少数民族和女性的代表性 - 但它可以致力于打击招聘偏见。

天水迈克尔李是数据孵化器的创始人。

Ariel M'ndange-PFupfu是一个在数据孵化器居住的数据科学家。