发现并减少隐藏在你学习数据中的偏见

某些词汇就像一滩汽油中的火花。“偏见”绝对是其中一个词,而且理由很充分。如果我们正在做的一些事情,我们没有意识到,造成了对他人的伤害,那么我们绝对应该认真对待。

那么,你的学习数据中是否隐藏着偏见呢?当然有。学习数据是由人类产生的(嘘;不要告诉那些认为LMS在做所有工作的人。)哪里有人类,哪里就有偏见,但要想对偏见做点什么,你需要了解它。术语可能会让人混淆,所以让我们把术语弄清楚。

认知偏见

认知偏差是一种系统的错误思维,在评估信息和采取行动时。

看看"系统"这个词。"这不是错误或笨拙的问题。这是一条你大脑经常会走的捷径,它会导致错误。你的大脑总是走捷径。你别无选择。在你周围的世界里有太多的信息,如果你不快速地猜测一下你从感官中接收到的分散的刺激,你就无法全部吸收。

魔术师利用你自己的认知偏见来创造他们的幻觉。想了解更多关于认知偏见的信息,请查看Beau Lotto的TED演讲.而且,吉姆·克莱恩提供了一种被称为精神盲点的认知偏见的例子——如果你的大脑不能理解某事,你就不能看到它LinkedIn的文章

这一切听起来可能没什么害处。真正的歧视幽灵在哪里,我们甚至不知道它?

内隐偏见

内隐偏见(也称为无意识偏见)是由一系列你没有意识到的关于世界的信念导致的,这些信念仍然影响着你对你所感知的事物所做的选择。

我是在七十年代长大的,看了很多电视节目,在每一部关于警察的节目中,罪犯都是黑人。我并不是有意识地相信黑人是罪犯,但在我易受影响的那些年里,我受到的强化留下了一种隐含的偏见,我花了很多年才注意到。要消除这些偏见需要做很多工作。有大量的资源的。

偏见的时代

但这在L&D中又如何体现呢?我曾经与一个L&D团队合作,他们花了好几年的时间让他们的公司从导师指导的培训过渡到在线培训。我当时正在帮助他们进行一项重要的数据迁移,我询问了那些没有电脑的人的记录。

他们带着困惑的表情看着我。“没有计算机就没有学习者,”其中一人说。当我指出该公司包括设备人员、生产人员和现场工作人员,他们没有电脑时,他们被打倒了。

他们如此专注于在线学习,以至于他们不相信没有电脑的人仍然是学习者。想想这个错误是如何影响学习资源部署的决策的。熟悉各种不同类型的内隐偏见是一个很好的开始。

偏见是如何渗透到学习数据中的——如何应对

也许你不相信这是一个真正的问题。毕竟,学习数据来自于LMS。用户在没有人为干预的情况下学习课程并完成学业;偏见是如何渗透进来的?它只是学习数据。我们又不是在做统计研究。

事实上,这些说法是错误的。人类对你的“自动化”数据了如指掌。课程和学习者由管理员输入。由于用户或系统错误而没有捕获的完成将被手动“更正”。报告通常被转移到电子表格中,以便“清理”。

学习数据并不简单。在大数据时代,我们错误地认为我们不再需要统计数据,因为我们现在拥有所有的数据。查看公司的学习数据。它是否代表所有正在发生的学习?每个学习者都有代表吗?

学习数据收集和分析一个统计。我们观察的是活动的一个子集,并推断出整体。你可能只是在检查总和和平均值,而不是标准偏差和概率,但这仍然是统计。因此,我们在系统中引入了第三种形式的偏差。

统计偏差

统计偏差是指用于产生统计分析结果的方法没有准确描述总体情况。

一旦你意识到你在处理统计偏差,你就有了丰富的资源来处理认知偏差和内隐偏差,这些偏差可能也会困扰你的系统。

选择性偏差

在你看来,你并没有为你的学习数据选择样本总体,但这确实发生了。通过课程目录设计、评估设计、交流和使课程可访问的方式,你限制了数据中反映的人群。

当样本总体不能准确地代表整个总体时,就会发生选择偏差。看看你的LMS中完成课程最多的人。然后看看你公司的人口分布。它们匹配吗?以这种方式看待你的学习数据是发现无意识偏见结果的一个很好的开始。

自我选择是选择偏差的一个子集,人们参与的动机扭曲了结果。这发生在课程反馈中。人们在高度激励或高度失望时提供反馈。这排除了大多数在反应中更中立的用户。

当你在反馈数据中看到巨大的波动(好或坏)时,你可以查看一下总体情况,看看它是否准确地代表了你的目标用户。想办法(比如社交媒体和部门会议)接触那些不太可能参与的人,以确保你得到不同的观点。

观察者偏见

不存在完全客观的观察者。当创建试点、调查、测试和其他用户研究时,L&D部门通常依靠他们知道的人来提供帮助。L&D的人都认识谁?其他L&D人员和HR人员。

当用户研究使用来自L&D和HR的信息作为基础时,偏见就很容易滋生。当进行这种类型的研究时,接触你的人际网络之外的人。使用与你正在做的工作无关的项目中的人员名单。员工行动小组和特殊兴趣小组的邮件列表在这方面很有效。

时间框架的偏见

通常情况下,在课程启动和绩效评估周期结束时,使用率会出现峰值。如果你比较课程的使用情况,但使用去掉某个课程尖峰的截止日期,数据将是扭曲的。调整您的使用数据,以考虑到在完成培训提醒时出现的截止日期和峰值。

资金的偏见

好吧,让我们说实话。这些数据的接收者恰好是批准你预算的人。不要陷入试图拿出支持你的事业的数据的陷阱。没有人真的被愚弄。

团队的长期生存能力取决于它产生结果的能力。如果数据不能证明这一点,那么您需要改变您的工作方法。将数据作为一种工具,而不是一种最终产品。此外,定期回顾您正在收集的数据以及原因确保您所收集的数据能够提供有价值的、与性能相关的见解

要了解更多关于商业数据分析中的统计偏差,请参阅《哈佛商业评论》的这篇文章:分析中要避免的5种统计偏差

从哪里开始?

回到我们最初的问题:在你的学习数据中是否存在偏见。是的,你可以做些什么——但只有当你真正看到数据是如何创建的,并且你对偏见持开放态度。

首先看看谁被包括,谁被排除,以及为什么。然后看看这个过程是如何影响这些人的他们的观点的,不是你的。

如果你不诚实地看待你是如何收集学习数据的,你的决定将基于错误的假设,使现状永久化。

和你的同事探讨领导力问题

和你的学习型领导同事一起探索应对当今不断变化的工作场所所需要的策略和技能。加入学习领袖联盟它是一个供应商中立的全球社区,为那些想要保持领先地位的领导者提供学习机会,也为那些想要建立自己技能的有抱负的领导者提供机会。

学习协会的联盟会员包包括访问独家数字事件和内容策划今天的现代学习领袖,以及参加在全球举行的亲自学习领导事件的机会。

Baidu