Applying for jobs online is one of the worst digital experiences of our time. And applying for jobs in person really isn't much better.
درخواست شغل به صورت آنلاین یکی از بدترین تجربههای دیجیتال دوران ما است. و انجام آن به صورت شخصی هم واقعا چندان بهتر نیستند.
[The Way We Work]
[طریقی که ما کار میکنیم]
Hiring as we know it is broken on many fronts. It's a terrible experience for people. About 75 percent of people who applied to jobs using various methods in the past year said they never heard anything back from the employer. And at the company level it's not much better. 46 percent of people get fired or quit within the first year of starting their jobs. It's pretty mind-blowing. It's also bad for the economy. For the first time in history, we have more open jobs than we have unemployed people, and to me that screams that we have a problem.
استخدام کردن میدانیم در خیلی جبههها شکست خورده. تجربه وحشتناکی برای مردم است. در حدود ۷۵ درصد آدمهایی که با استفاده از روشهای متنوع در سال گذشته درخواست شغل کردند گفتند که هرگز از کارفرما پاسخی نشنیدند. و در سطح شرکتی هم اوضاع بهتر نبوده است. ۴۶ درصد کارکنان ظرف یک سال اول شروع کارشان استعفا دادند یا اخراج شدهاند. کاملا عجیب است. برای اقتصاد هم خوب نیست. برای اولین بار در تاریخ، در قیاس با آدمهای بیکار، فرصتهای شغلی بیشتری داریم، و به نظرم خبر از وجود مشکلی دارد.
I believe that at the crux of all of this is a single piece of paper: the résumé. A résumé definitely has some useful pieces in it: what roles people have had, computer skills, what languages they speak, but what it misses is what they have the potential to do that they might not have had the opportunity to do in the past. And with such a quickly changing economy where jobs are coming online that might require skills that nobody has, if we only look at what someone has done in the past, we're not going to be able to match people to the jobs of the future.
باور دارم که مسبب اصلی همه اینها وجود یک تکه کاغذ به اسم رزومه است. قطعا یک رزومه حاوی نکات مفیدی است: مهارتهای رایانهای، نقشهایی که شخص داشته، زبانهایی که صحبت میکند، اما آنچه ندارد اشاره به پتانسیلهایی است که برای انجام دارد که احتمالا در گذشته فرصتی برای انجامشان را نداشته است. و با چنین اقتصاد به سرعت در حال تغییری در جایی که شغلها آنلاین هستند احتمالا مهارتهایی لازمند که کسی ندارد، اگر فقط به کارهایی که فرد در گذشته انجام داده نگاه کنیم، قادر به مطابقت دادن آنها با شغلهای آینده نخواهیم بود.
So this is where I think technology can be really helpful. You've probably seen that algorithms have gotten pretty good at matching people to things, but what if we could use that same technology to actually help us find jobs that we're really well-suited for? But I know what you're thinking. Algorithms picking your next job sounds a little bit scary, but there is one thing that has been shown to be really predictive of someone's future success in a job, and that's what's called a multimeasure test.
بنابراین اینجاست که به نظرم فناوری باید به کمک بیاید. احتمالا دیدهاید که الگوریتمها چطور در تطبیق دادن آدمها با چیزها عملکرد نسبتا خوبی داشتند، اما اگر از همین فناوری استفاده کنیم جهت کمک واقعی به ما در یافتن شغلهایی که ما واقعا برای آنها مناسب هستیم؟ اما میدانم به چه فکر میکنید. گزینش شغل بعدی شما توسط الگوریتمها کمی ترسناک است، اما یک جیزی هست که نشان داده برای موفقیت آینده شخص در یک شخص واقعا متضمن پیشگویی باشد. و به آن آزمونهای چندسنجشی میگویند.
Multimeasure tests really aren't anything new, but they used to be really expensive and required a PhD sitting across from you and answering lots of questions and writing reports. Multimeasure tests are a way to understand someone's inherent traits -- your memory, your attentiveness. What if we could take multimeasure tests and make them scalable and accessible, and provide data to employers about really what the traits are of someone who can make them a good fit for a job?
این آزمونها واقعا چیز جدیدی نیستند، اما قدیم خیلی گران بودند وباید یک نفر با مدرک دکتری روبریتان بنشیند و کلی پرسش و پاسخ و گزارشنویسی در کار بود. آزمونهای چند سنجشی روشی هستند برای فهم خصایص ذاتی فرد-- حافظه و توجه شما. چطور میشود اگر این آزمونهای چندسنجشی را برداریم و درجهبندی کرده و در دسترس قرار دهیم و دادههایی را در اختیار کارفرمایان قرار دهیم که درباره خصایص است که آن فرد را مناسب داشتن آن شغل میکند؟
This all sounds abstract. Let's try one of the games together. You're about to see a flashing circle, and your job is going to be to clap when the circle is red and do nothing when it's green.
ناملموس به نظر میرسد. بیایید یک بازی با هم انجام دهیم. یک دایرهای جلوی شما ظاهر می شود، شغل شما این است که اگر قرمز بود دست بزنید و وقتی سبز است کاری نکنید.
[Ready?]
[آماده؟]
[Begin!]
[شروع!]
[Green circle]
[دایره سبز]
[Green circle]
[دایره سبز]
[Red circle]
[دایره قرمز]
[Green circle]
[دایره سبز]
[Red circle]
[دایره قرمز]
Maybe you're the type of person who claps the millisecond after a red circle appears. Or maybe you're the type of person who takes just a little bit longer to be 100 percent sure. Or maybe you clap on green even though you're not supposed to. The cool thing here is that this isn't like a standardized test where some people are employable and some people aren't. Instead it's about understanding the fit between your characteristics and what would make you good a certain job. We found that if you clap late on red and you never clap on the green, you might be high in attentiveness and high in restraint. People in that quadrant tend to be great students, great test-takers, great at project management or accounting. But if you clap immediately on red and sometimes clap on green, that might mean that you're more impulsive and creative, and we've found that top-performing salespeople often embody these traits.
شاید از آن دست افرادی باشید که ۱ هزارم ثانیه بعد از ظاهر شدن دایره قرمز دست میزنند. یا از آن نوع آدمها باشید که کمی بیشتر درنگ میکنند تا۱۰۰٪ مطمئن شوند. یا حتی با دیدن سبز هم دست میزنید با این که قرار نیست. نکته باحال این است این یک آزمون استاندارد نیست که برخی آدمها قابل استخدام هستند و برخی نیستند. در عوض درباره فهم تناسبی است بین ویژگیهای شما و آنچه شما را برای یک شغل خاص خوب میکند. متوجه شدیم که اگر شما با دیدن قرمز دیرتر دست بزنید و بیخیال سبز شوید احتمالا بالاترین دقت و محدودیت دارند. آدمها در آن چهارگوش تمایل دارند بهترین دانش آموزان، ممتحنها باشند، عالی در مدیریت پروژه یا حسابداری. اما اگر فوری با دیدن قرمز یا گاهی با دیدن سبز دست بزنید به این معناست که خلاقیت یا بیپروایی شما بیشتر است، و ما آن فروشندگانی با بالاترین عملکرد را پیدا کردیم که این خصایص را دارند.
The way we actually use this in hiring is we have top performers in a role go through neuroscience exercises like this one. Then we develop an algorithm that understands what makes those top performers unique. And then when people apply to the job, we're able to surface the candidates who might be best suited for that job.
روشی که درواقع در استخدام استفاده میکنیم این است که بهترین عوامل تمرینات علم عصب شناسی مثل این یکی را پشت سر بگذارند بعد الگوریتمی را میسازیم که میفهمد چه چیزی باعث منحصربه فرد عملکرد آنها میشود. و وقتی افراد برای آن شغلها درخواست دادند، قادریم کاندیداهای که از همه برای آن شغلها مناسبترند را بیابیم.
So you might be thinking there's a danger in this. The work world today is not the most diverse and if we're building algorithms based on current top performers, how do we make sure that we're not just perpetuating the biases that already exist? For example, if we were building an algorithm based on top performing CEOs and use the S&P 500 as a training set, you would actually find that you're more likely to hire a white man named John than any woman. And that's the reality of who's in those roles right now. But technology actually poses a really interesting opportunity. We can create algorithms that are more equitable and more fair than human beings have ever been. Every algorithm that we put into production has been pretested to ensure that it doesn't favor any gender or ethnicity. And if there's any population that's being overfavored, we can actually alter the algorithm until that's no longer true. When we focus on the inherent characteristics that can make somebody a good fit for a job, we can transcend racism, classism, sexism, ageism -- even good schoolism.
خب شاید فکر کنید این کار با خطر همراه است. دنیای کار امروز متنوعترین نیست و اگر الگوریتمهایی بسازیم بر پایه عملکرد بهترینهای حال حاضر، از کجا یقین حاصل کنیم که صرفا تداوم بخشیدن جانبداریهایی نباشد که الان وجود دارند. برای مثال، اگر الگوریتمی بسازیم که بر مبنای عملکرد بهترین مدیرعاملها باشد و S&P 500 معیار آموزش ما باشد، درواقع پی خواهید برد که احتمال استخدام یک مرد سفید پوست به نام جان از هر زنی بیشتر است. و این واقعیت کسانی است که اینک در آن نقشها هستند. اما فناوری درواقع فرصت واقعا جالبی را در اختیار میگذارد. الگوریتمهایی را فراهم میکنیم که عادلانهتر و منصفاتهتر از قبل برای بشریت است. هر الگوریتمی که معرفی میکنیم قبلا تست شده تا مطمئن باشم به نفع قومیت یا جنسیت خاصی عمل نمیکند. و اگر هم جمعیتی باشد که که زیادی مورد لطف قرار بگیرد، در واقع قادریم آن الگوریتم را تغییر دهیم تا دیگر آنطور عمل نکند. وقتی روی ویژگیهای درونی متمرکز میشویم که باعث میشود شخص برای شغلی شایسته باشد، ما میتوانیم نژادپرستی، طبقهگرایی، جنسیتگرایی و سنگرایی و حتی دانشگاه خوب را بالاتر بدانیم.
Our best technology and algorithms shouldn't just be used for helping us find our next movie binge or new favorite Justin Bieber song. Imagine if we could harness the power of technology to get real guidance on what we should be doing based on who we are at a deeper level.
بهترین فناوری و الگوریتمهای ما تنها نباید برای پیشنهاد تماشای فیلم بعدی ما یا جدیدترین آهنگ محبوب ما از جاستین بیبر استفاده شود. فکر کنید چه میشود وقتی بتوانیم با مهار نیروی فناوری رهنمودی واقعی بگیریم تا چه کاری را بر اساس آنچه در سطح عمیقترمان هستیم باید انجام دهیم.