Speciale - AI og bias i rekruttering
Oversat titel
Thesis - AI and bias in recruitment
Forfatter
Jensen, Anna Møller
Semester
4. semester
Udgivelsesår
2026
Afleveret
2026-06-01
Resumé
Specialet undersøger, hvordan AI-baserede rekrutteringsværktøjer på én gang kan reducere bias i rekrutteringsprocesser og samtidig reproducere eller skjule eksisterende uligheder, og hvilke konsekvenser det har for fair og ansvarlig brug af AI. Fokus er de tidlige faser af rekruttering med særlig vægt på jobopslag, hvor sprog og struktur kan påvirke, hvem der føler sig inkluderet i at søge. Undersøgelsen bygger på en kvalitativ analyse af 20 danske jobopslag fra Jobindex inden for Informationsteknologi samt Social og Sundhed. En deduktiv kodningsramme, baseret på litteraturen om sproglig, strukturel og signal-/fortolkningsbias, blev anvendt til at identificere mønstre; derudover blev AI brugt til at omskrive udvalgte opslag for at se, hvordan potentielt skæve formuleringer blev ændret. Resultaterne viser, at bias sjældent optræder som eksplicit diskrimination, men som subtile mekanismer såsom kønnet sprog, idealiserede kandidatprofiler, omfattende krav og signaler om “cultural fit”. AI kan bidrage til mere neutrale og inkluderende formuleringer, men kan ikke betragtes som en neutral løsning, fordi systemer trænes på historiske data og sprogbrug, der kan indeholde indlejrede skævheder. Dermed risikerer AI både at reproducere eller skjule eksisterende uligheder, samtidig med at fremstå objektiv og troværdig. Specialet konkluderer, at ansvarlig brug af AI i rekruttering kræver en kombination af teknologiske værktøjer, menneskelig refleksion, transparens og løbende kritisk evaluering af både data og AI-genererede outputs.
This thesis examines how AI-based recruitment tools can both reduce bias in hiring processes and reproduce or conceal existing inequalities, and what this means for fair and responsible AI use. The study focuses on the early stages of recruitment, especially job advertisements, where language and structure shape who feels included in applying. It draws on a qualitative analysis of 20 Danish job ads from Jobindex in the Information Technology and Social and Healthcare categories. A deductive coding framework grounded in literature on linguistic, structural, and signal/interpretive bias was used to identify patterns; in addition, AI was applied to selected ads to see how potentially biased wording would be rewritten. Findings indicate that bias rarely appears as explicit discrimination but as subtle mechanisms such as gendered language, idealized candidate profiles, extensive requirements, and signals of cultural fit. AI can help produce more neutral and inclusive formulations, yet it is not a neutral fix because systems are trained on historical data and language patterns that may embed structural biases. As a result, AI risks reproducing or masking inequalities while appearing objective and trustworthy. The thesis concludes that responsible AI use in recruitment requires a combination of technological tools, human reflection, transparency, and continuous critical evaluation of both data and AI-generated outputs.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet fuldtekst]