[论文解读] Evaluating race and sex diversity in the world's largest companies using deep neural networks

Konstantin Chekanov, Polina Mamoshina+4 more|arXiv (Cornell University)|Jul 9, 2017

Gender, Security, and Conflict参考文献 23被引用 4

一句话总结

本研究提出一种深度学习方法，通过面部识别模型自动评估全球500家最大公司高管团队中的种族与性别多样性。通过将训练好的神经网络应用于董事会及管理层人员的资料，计算多样性指数并按性别、种族和年龄多样性对公司进行排名，展示了即使存在方法论局限，该方法仍具备可扩展性、实时性，且能实现无偏见的组织多样性评估。

ABSTRACT

Diversity is one of the fundamental properties for the survival of species, populations, and organizations. Recent advances in deep learning allow for the rapid and automatic assessment of organizational diversity and possible discrimination by race, sex, age and other parameters. Automating the process of assessing the organizational diversity using the deep neural networks and eliminating the human factor may provide a set of real-time unbiased reports to all stakeholders. In this pilot study we applied the deep-learned predictors of race and sex to the executive management and board member profiles of the 500 largest companies from the 2016 Forbes Global 2000 list and compared the predicted ratios to the ratios within each company's country of origin and ranked them by the sex-, age- and race- diversity index (DI). While the study has many limitations and no claims are being made concerning the individual companies, it demonstrates a method for the rapid and impartial assessment of organizational diversity using deep neural networks.

研究动机与目标

• 开发一种利用人工智能自动评估企业领导层多样性的可扩展方法。
• 评估《福布斯全球2000强》中最大公司高管及董事会成员的种族与性别代表性。
• 生成性别、种族和年龄的多样性指数（DI），以客观方式对公司进行排名。
• 通过用深度学习模型替代人工分类，减少多样性评估中的人为偏见。
• 证明利用人工智能实现实时、大规模组织多样性监测的可行性。

提出的方法

• 在面部图像上训练深度神经网络，以从高管及董事会成员的资料中预测种族与性别。
• 将训练好的模型应用于2016年《福布斯全球2000强》中的500家顶级公司。
• 通过将预测的人口统计特征与各国的国籍人口比例进行比较，计算性别、种族和年龄的多样性指数（DI）。
• 采用多分类框架预测种族，使用卷积神经网络进行二分类预测性别。
• 根据多样性指数得分对公司进行排名，以评估其代表性水平。
• 采用迁移学习和预训练模型，以提升在有限标注数据上的性能。

实验结果

研究问题

• RQ1 深度神经网络能否从高管面部图像中准确预测种族与性别，以评估组织多样性？
• RQ2 企业领导层预测的人口统计比例与国家人口统计数据相比如何？
• RQ3 多样性指数在多大程度上能够量化并排名全球顶级公司中性别、种族和年龄的代表性？
• RQ4 与人工方法相比，基于人工智能的自动化评估在多大程度上能减少多样性评估中的人为偏见？
• RQ5 在公司治理中使用面部识别技术进行多样性分析存在哪些局限与风险？

主要发现

• 深度学习模型成功从面部图像中预测种族与性别，性能可测量，从而实现大规模多样性评估。
• 观察到公司领导层人口统计特征与国家人口比例之间存在显著差异，表明部分群体代表性不足。
• 公司按多样性指数进行排名，揭示了在性别、种族和年龄维度上代表性水平的显著差异。
• 该方法展示了无需人工干预即可实现实时、自动化多样性监测的可行性。
• 本研究承认其局限性，包括训练数据中潜在的偏见以及面部识别使用带来的伦理问题。
• 未对任何具体公司做出断言，但该框架为未来多样性分析提供了可扩展的模板。