Investigación: Cómo las plataformas gig pueden mitigar el sesgo racial en las valoraciones

Las plataformas de trabajo en línea como Fiverr, Handy, Uber y Upwork han crecido de manera significativa desde finales de la década de 1990, transformando radicalmente la economía y las prácticas de gestión utilizadas para respaldar el trabajo gig. Uno de los principales cambios introducidos por estas plataformas es su dependencia de las valoraciones de los clientes para evaluar el desempeño de los trabajadores.

Las implicaciones de este cambio son profundas. Las valoraciones de los clientes en estas plataformas no son solo comentarios sobre el desempeño; influyen directamente en las oportunidades de empleo, las asignaciones de trabajo y los ingresos de los trabajadores.

POR QUÉ FALLA LA ESCALA DE CINCO ESTRELLAS Y CÓMO AYUDA LA DICOTOMIZACIÓN

Si bien muchas personas creen que las evaluaciones son meritocráticas en teoría, y que son una medida justa del desempeño, se ha demostrado que los sesgos sutiles pueden influir en las evaluaciones, incluso sin conciencia de ello. La probabilidad de que estos sesgos sutiles influyan en las valoraciones puede aumentar cuando los clientes tienen una mayor libertad para hacer la evaluación (por ejemplo, al incluir más puntos en la escala que fomenten una mayor diferenciación).

Por ejemplo, un cliente con un sesgo inconsciente podría calificar a un trabajador racializado con cuatro estrellas en lugar de cinco, creyendo que aún le está dando una buena valoración; al fin y al cabo, es la mayoría de las estrellas disponibles. Sin embargo, cuando estos ligeros cambios a la baja no están relacionados con la calidad y se repiten en miles de transacciones, estos pequeños sesgos se acumulan, dando lugar a desigualdades cuantificables en los ingresos y las oportunidades de los trabajadores.

Los trabajadores enfrentan una creciente inseguridad reputacional, ya que las plataformas de trabajo en línea utilizan algoritmos opacos y valoraciones de los clientes para determinar sus oportunidades laborales. Incluso pequeños cambios en las valoraciones de los trabajadores pueden reducir drásticamente sus ingresos.

Proponemos que cambiar a una escala de valoración dicotómica (por ejemplo, pulgar arriba/pulgar abajo) podría reducir estos sesgos al simplificar la decisión a una elección dicotómica. En lugar de permitir evaluaciones matizadas (pero potencialmente sesgadas), una escala dicotómica anima a los evaluadores a centrarse en la pregunta esencial: ¿El desempeño fue bueno o malo?

Recomendamos las siguientes estrategias para las plataformas que buscan reducir los sesgos en procesos de evaluación similares.

IDENTIFIQUE LAS BRECHAS.

Las plataformas deben auditar periódicamente sus sistemas de valoración para determinar si las evaluaciones varían sistemáticamente en función de las características que comúnmente no están relacionadas con la calidad del trabajo, como la identidad demográfica del trabajador.

Para detectar con mayor precisión los sesgos (y no las diferencias de calidad), las plataformas deben comparar las valoraciones de los trabajadores que realizan trabajos similares con una experiencia comparable. También pueden analizar de manera proactiva los comportamientos individuales de valoración de los clientes para identificar a aquellos que de forma sistemática califican a los trabajadores de forma diferente en función de sus características demográficas y no de su rendimiento.

SIMPLIFIQUE EL PROCESO.

Adopte procesos de evaluación más simples que dirijan la atención de los calificadores a la evaluación central: ¿El desempeño fue bueno o malo?, en lugar de sistemas de valoración complejos que puedan introducir ambigüedad y sesgo.

PROPORCIONE DIRECTRICES DE VALORACIÓN MÁS CLARAS.

En un principio, los responsables de las plataformas podrían preocuparse de que pasar a una escala más simple de pulgar arriba/pulgar abajo implique sacrificar las valiosas distinciones que ofrece una escala multipunto. Una posible solución es que las plataformas consideren el uso de una serie de valoraciones dicotómicas en los criterios más importantes para capturar comentarios detallados de manera clara y efectiva.

Los procesos de evaluación efectivos deben ser precisos, justos y fáciles de entender. Nuestra investigación demuestra que, cuando se trata de crear procesos de evaluación más eficaces, a veces las soluciones simples son las más poderosas.