Analyse des discriminations sur le sexe et l’origine supposés

En France, le manque de statistiques ethniques a conduit différents organismes publics et privés à développer une méthodologie basée sur le genre ou l’origine supposés.

Un baromêtre de la diversité dans l’audiovisuel

Le Conseil supérieur de l’audiovisuel (CSA), pour réaliser un baromètre de la diversité de la société française, s’est placé du point de vue du téléspectateur, pour estimer sur un échantillon des productions ou des diffusion, entre autre variables, l’origine perçue et le sexe des personnes visibles à l’écran :

  • l’origine perçue (perçu comme « blanc », perçu comme « noir », perçu comme « arabe », perçu comme « asiatique », « autre »)
  • le sexe (« masculin », « féminin »)

Cet outil de mesure permet, depuis 2009 d’évaluer objectivement la perception de la diversité de la société française à la télévision. et d’en voir les évolutions dans le temps. 

Etude sur les discriminations dans l’emploi public

La Direction de l’animation de la recherche, des études et des statistiques (Dares) est la direction du ministère du Travail, du Plein emploi et de l’Insertion qui produit des analyses, des études et des statistiques sur les thèmes du travail, de l’emploi, de la formation professionnelle et du dialogue social.

Comme le CSA, pour ses études sur les discriminations, la DARES a développé une méthodologie basée sur le genre ou l’origine supposée, en se plaçant du point de vue du recruteur (c’est à dire, du point de vue de la personne susceptible de discriminer un candidat). Pour ses analyses quantitative, la DARES s’est appuyé sur le logiciel onomastique NamSor, un logiciel “made in France” qui permet de réaliser des études sur le genre (à partir des prénoms) et également sur l’origine supposée (à partir des patronymes). 

Qu’en est-il des discriminations au sein des entreprises privées ? 

Dans le secteur privé, le risque est grand pour une grande entreprise soucieuse de son image de se voir clouée au pilori de la discrimination, vis-à-vis des femmes ou de telle minorité. Les entreprises ont quelque fois du mal à réconcilier les différentes contraintes éthiques et légales, pour auditer leurs processus de ressources humaines (recrutement, promotions, augmentations salariales, licenciements, ruptures conventionnelles, etc.) et vérifier un traitement équitable des différentes populations (femmes, hommes, minorités, handicap etc.) La question des discriminations ethniques est vue comme une boite de pandore, alors que les entreprises ont encore du mal à digérer toutes les nouvelles contraintes en faveur de l’égalité femme-homme. Quelles données peuvent-être collectées dans un cadre compatible avec le Règlement Général sur la Protection des Données (RGPD), pour quelle finalité? Que ferait-on des résultats d’une telle étude pour améliorer les processus RH sans les compliquer à l’infini? Ces questions sont suffisement complexes pour que des cabinets de conseil se spécialisent sur le sujet. Entre autre, société de conseil fondée par Etienne Allais, a introduit une méthode scientifique basée sur les patronymes pour réaliser des études sur les discriminations dans le strict respect de la reglementation française et européenne. 

Le recrutement assisté par l’intelligence artificielle est-il neutre ou biaisé?

Dans les agences de recrutement ou dans les grandes entreprises, les robots lisent les CVs avant de les soumettre au jugement d’une femme ou d’un homme. Dans 75% des cas selon cet article du Guardian, les candidatures sont évaluées par une intelligence artificielle, pour être notées et filtrées avant d’être présentée à un humain : niveau d’expérience, de compétence, adéquation à une fiche de poste, etc. Ces algorithmes sont ils neutres vis à vis des femmes ou des minorités? Une erreur commune est de croire que le respect du RGPD (et donc l’absence de données sur le genre, l’origine ethno-culturelle, ou autres variables sensibles) garantit la neutralité des algorithmes. Pas de donnée de sexe, pas de biais de genre. Pas d’information sur la race supposée ou l’origine, pas de discrimination vis à vis de telle ou telle minorité. Mais c’est mal connaître les technologies du ‘machine learning’ et en particulier, les outils de traitement automatique du langage qui ont fait tant de progrès ces dernières années. Le sujet est suffisement complexe pour que des équipes de recherche du monde entier planchent sur les solutions potentielles. NamSor collabore notamment avec le projet FIXOUT (LORIA/INRIA) pour concevoir des algorithmes équitables dans le domaine du recrutement assisté. 

A propos de NamSor

NamSor™ est une société européenne d’onomastique appliquée. 

 

 

 

 

 

 

 



Citer ce billet
Elian Carsenat (2022, 24 novembre). Analyse des discriminations sur le sexe et l’origine supposés. Onomatique. Consulté le 30 mai 2024, à l’adresse https://doi.org/10.58079/sj15

Vous aimerez aussi...

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search