سلاحهای تخریب ریاضی

(سیارک)  : وقتی کوچک بودم ، از پنجره ی ماشین به ترافیک خیره میشدم و ارقام پلاکهای وسایل نقلیه را می خواندم. من هر کدام را به عناصر پایه ای ، یعنی اعداد اولیه ای که انها را می ساخت تقلیل میدادم. 45 = 3 x 3 x 5 . به این کار فاکتورنویسی گفته میشد و ان تفریح و سرگرمی تحقیقی مورد علاقه ی من بود.


عشق من به ریاضی عاقبت تبدیل به یک اشتیاق شدید شد. من وقتی چهارده ساله بودم به کمپ ریاضی رفتم و در حالی که یک مربع روبیک را محکم نزدیک سینه ام گرفته بودم به خانه امدم. ریاضی برای من یک پناهگاه امن در مقابل اشفتگی دنیا بود.ان به سمت جلو پیشروی می کرد ، دایره ی دانش ان به طور بی رحمانه ای از طریق اثبات توسط اثبات توسعه می یافت. و من توانستم به ان بیفزایم. من در دانشگاه کارشناسی ارشد ریاضی را گرفتم و به دنبال کسب Ph.D (دکترا) رفتم . سرانجام من یک استاد رسمی – ازمایشی (استادیار) در کالج برنارد شدم ، که یک سازمان ریاضی ترکیب شده با کالج کلمبیا داشت .
و سپس من تغییر بزرگی ایجاد کردم. من از شغلم استعفا دادم و به عنوان یک تحلیلگر کمی (مقداری) برای ئی.دی.شاو ، یک صندوق سرمایه گذاری پیشتاز شروع به کار کردم.هنگام ترک دانشگاه برای سرمایه گذاری من علوم ریاضی تئوری انتزاعی را عملا می دانستم . عملیاتی که ما اجرا می کردیم به تریلیونها دلار که از یک حساب به دیگری در گردش بودند ترجمه میشدند. در ابتدا من از کار در این لابراتوار جدید هیجان زده و ذوق زده بودم اما در پاییز 2008 ، بعد از اینکه کمی بیش از یک سال در انجا بودم ، ان ورشکست شد .
این شکست این موضوع را بسیار روشن ساخت که علوم ریاضی که زمانی پناهگاه من بود نه تنها شدیدا در مسائل جهان درگیر میشد بلکه انها را نیز تقویت می کرد. بحران مسکن ، فروپاشی موسسه های سرمایه گذاری عمده ، همه توسط بکار بردن مناسب فرمول هایی جادویی ریاضی مساعدت و کنترل میشد. و دیگر اینکه ، از قدرتهای فراطبیعی که انها را بسیار دوست دارم سپاسگذارم ، ریاضی با تکنولوژی ترکیب شد تا هرج و مرج و بدبختی را تکثیر کند ، بازده را افزایش دهد و سیستمهایی را که اکنون من معیوب میدانم مقیاس بندی کند.
اگر ما فهیم باشیم ، ما باید یک قدم به عقب برداریم تا دریابیم که چگونه ریاضی مورد سواستفاده قرار گرفت و چگونه می توانیم مانع از رخ دادن مصیبت مشابهی در اینده شویم . اما در عوض ، در پی بحران تکنیکهای ریاضی جدید از همیشه داغتنرند ، و هنوز به دامنه های بیشتری در حال گسترشند. انها از طریق پتابایت (هر پتابایت معادل 1024 ترابایت) های 24/7 از اطلاعات به پیش میروند ، بیشتر انها از رسانه ها اجتماعی یا وبسایتهای تبلیغاتی برداشته شده اند. و به طور افزایش یابنده ای ، انها نه روی بازار مالی جهانی بلکه روی موجودیت انسانی ما تمرکز کرده اند. ریاضیدانان و امار شناسان ، امیال ما ، حرکات ما و قدرت صرف شده ی ما رو مورد مطالعه قرار می دهند. انها قابل اعتماد بودن ما را پیشی بینی می کنند و پتانسیل ما را به عنوان دانشجو ، کارگر ، عاشق و یا مجرم محاسبه می کنند.(سیارک)
این یک اقتصاد داده های بزرگ بود و دستاوردهای دیدنی و جذابی را وعده داده بود. یک برنامه ی کامپیوتری می تواند در عرض چند ثانیه به سرعت هزاران رزومه یا درخواست وام را پردازش کند و و انها را با مورد انتظارترین کاندید ها در راس ،در فهرستهای مرتبی دسته بندی کند.به این ترتیب نه تنها در زمان صرفه جویی میشود بلکه همچنین داد و ستد معقول و عادلانه انجام میشود. بعد از همه ، ان افراد متعصب را درگیر نمیکند تا در یه دسته پانصدتایی کاغذ کند و کاو کنند ،بلکه ماشینها به درستی اعداد سرد را پردازش می کنند. از سال 2010 یا همون حدود ، ریاضیات خودش را بگونه که قبل از ان هیچ وقت در امور انسان نبود ، اثبات کرد .
در عین حال من مشکلی را دیدم. نرم افزارهای قدرت یافته توسط ریاضی ، اقتصاد اطلاعاتی ای را بکار می بردند که براساس انتخابهای موجود خطاپذیر انسان ، پایه ریزی شده بودند. بی شک تعدادی از این انتخاب ها با بهترین نیت ها ایجاد شده بودند. اما تعدادی از این مدل ها و الگوریتم ها ، غرض ورزی های انسانی ، بد بفهمی ها و گرایش به یک سمت خاص را ،در سیستمهای نرم افزای که به طور افزایش یابنده ای زندگی مان را مدیریت می کنند ، رمز نویسی می کنند. این مدلهای ریاضی مثل خدایان مبهم و غیرشفاف با کارهایی تماما نامرئی اما با بیشترین روحانی در قلمروشان بودند یعنی ریاضی دانان و دانشمندان کامپیوتر. رای ها و نظرات حتی اگر اشتباه و مضر بودند فراتر از مورد بحث و بازخواست قرارگرفتن بودند. و در حالیکه ثروتمندان را ثروتنمندتر می سختند فقیر را تنبیه و به جامعه مان ظلم می کردند.
من برای این مدلهای زیانبار یک اسم گذاشتم : سلاحهای تخریب ریاضی یا به اختصار WMDs (Weapons of Math Destruction).
و ما زمانی دوباره خواهیم دید که قربانیهای انسانی WMDs ، خودشان با یک استاندارد شواهد به مراتب بسیار بالاتر از الگوریتم ها، نگه داشته شده اند.
به نیمه ی تاریک داده (دیتا) ی بزرگ خوش امدید.
یک مدل منصفانه
بانکداران محلی ان را برای سرپا ماندن در یک شهر بکار میبرند. انها پول را کنترل می کنند. اگر یک اتومبیل یا یک گرونامه می خواهید بهترین و مناسب ترین لباستان را بپوشید یک قرار ملاقات فراهم کنید. به عنوان یک عضو از اجتماع تان ، ان بانکدار احتمالا جزئیات مشخصی از زندگیتان را می داند. او درباره عادات به کلیسا رفتن یا نرفتن شما می داند . او تمام ماجراهای برادرهای بزرگتر شما با قانون شما را می داند. او می داند که رئیس شما (کسی (رئیس) که همچنین همبازی گلف او است) در مورد شما به عنوان یک کارمند چه نظری دارد. طبیعتا او نژاد و قومیت شما را می داند و همچنین زیرچشمی رقمهای درخواست شما را بررسی می کند.
اولین چهار عاملی که اغلب ،بر قضاوت بانکدارها در مورد شما ، عمدی یا سهوی ،تاثیر می گذارند. و شانس خوبی وجود دارد که او به طور محتمل تر به مردمانی از حوزه های خودش اعتماد کند. این فقط انسان بود . اما برای میلیونها امریکایی ان به این معنی است که وضعیت موجود رقمی قبلی برای گفتن حداقل به چالش کشیده شود. خارجی ها شامل اقلیت ها و زنان به طور معمول تحریم میشوند. انها باید نمونه ای از کارها و اوراق مالی تاثیرگذار ایجاد کنند و سپس انها را برای جلب نظر بانکداران روشن فکر بکار گیرند.
ان عادلانه نبود. و سپس در راستای ان یک الگوریتم امد و چیزها اصلاح شدند. در دهه ی پنجاه یک ریاضیدان به نام کارل ایزاک و دوست مهندسش به نام بیل فیر (Bill Fair) مدلی به نام فِیر ایزاک اختراع کردند ، و همینطور شرکتی (FICO) که خطر یک اهمال فردی را روی وام دهی ارزیابی می کرد. این امتیاز FICO توسط فرمولی تامین میشد که فقط مراقب امور مالی وام گیرنده ؛اغلب بدهی ها و ثبت پرداخت صورتحساب های ان فرد ؛ بود. امتیاز کوررنگ بود. و ان برای بانک بسیار مطلوب از کار درامد زیرا ان ریسک ها را بسیار دقیق پیش بینی می کرد و در همان حال درها را برای میلیون ها مشتری باز می کرد. امتیاز FICO هنوز هم بکار میرود. ان توسط اژانسهای اعتباری شامل اکسپرین ، ترانسونیون و اکیویفاکس (Equifax) استفاده میشود ، که هر کدام در منبع های اطلاعاتی مختلفی با مدل FICO همکاری می کنند تا با امتیاز خودشان بالا بیایند.
این امتیاز که بسیار ستودنی هستند ، غیر WMD نسبت داده میشود . اول از همه انها یک حلقه ی بازخوردی واضح دارند. شرکتهای اعتباری می توانند ببینند که وام گیرندگان راجع به وام هایشان نکول می کنند و انها می توانند ارقام را علیه امتیاز ها تطبیق دهند. اگر اینطور به نظر برسد که وام گیرنده ای با امتیاز بالا با توجه به چیزی که مدل پیش بینی کرده ، مکررا نکول می کند ، FICO و شرکت اعتباری می تواند ان مدلها را در جهت صحیحتر شدن تغییر دهد. این یک جور استفاده از امار به نظر می رسد.
امتیازهای اعتباری به طور نسبی شفاف هستند. برای مثال ، وبسایت FICO یک دستورالعمل ساده را در مورد اینکه چطور امتیازتان را بهبود بخشید پیشنهاد میدهد.(کاهش بدهی ، پرداخت به موقع صورتحساب و کاهش سفارش کارتهای جدید اعتباری). با اهمیت یکسان ، صنعت امتیازدهی اعتباری نیز تنظیم میشود. اگر شما در مورد امتیازهایتان سوالی دارید شما برای درخواست گزارش اعتباری تان حق قانونی دارید ، که دربرگیرنده ی تمام اطلاعات مربوط به امتیاز شامل ، ثبت گرونامه ، پرداخت قبوض ، بدهی کلی شما و درصد اعتبار در دسترسی که استفاده می کنید ، میشوند. به هر حال فرایند میتواند به طور طاقت فرسایی کند و ارام باشد ، اگر شما اشتباهی کشف کردید می توانید ان را درست کنید.
بعداز روزهای پیشگامی ایزاک و فیر ، استفاده از امتیاز به طور گسترده ای ، توسعه یافت. امروزه ما ان را به هر مسیر قابل تصوری به عنوان مخلوطی از اطلاعات ریاضیدانان و اماردانان با یکدیگر اضافه می کننم ، از کدهای پستی گرفته تا الگوهای اینترنت گردی مان برای انجام خریدهای جدید .تعدادی از مدلهای شبه علمی انها ، اعتبار ما را پیش بینی می کنند و به ما به اصطلاح امتیازهای ئی (e-scores) را می دهند که این امتیازها براساس متغیرهای بیشماری مثل شغل ما ، ارزش خانه ی ما و سرگرمی ها و عادات ما در طی زندگی محاسبه میشوند.
این اعداد که ما انها را به ندرت میبینیم درهایی را برای تعدادی از ما باز می کنند ، در حالیکه انها را با شدت به صورت بقیه می کوبانند. برخلاف امتیاز FICO ، امتیاز های ئی به طور خلاصه مطلق ، غیرقابل شمارش ، غیرقابل تنظیم و ناعادلانه هستند ، انها WMDs هستند.
یک شرکت ویرجینایی یک مدل اولیه پیشنهاد داد. این شرکت خدمات مشتری یابی را برای شرکتها فراهم می کرد ، شامل خدمتی که به مدیریت ترافیک مرکز تماس کمک می کرد. در یک چشم بر هم زدن ، این تکنولوژی به داده های موجود راجع به تماس گیرنده ها دست یافت و انها را در یک سلسله مراتب قرار داد.انهایی که در راس بودند به نظر می رسید چشم انداز پرمنفعتی داشته باشند و به سرعت به یک اپراتور انسانی متصل شدند. انهایی که در پایین بودند یا بیشتر و بیشتر منتظر می مانند و یا به یک مرکز خارج پر ازدحام اعزام می شدند ، جاییکه به طور عمده با ماشین ها سر و کار داشتند.
شرکتهای کارت اعتباری ، به محض اینکه کسی از وبسایت انها بازدید می کرد به سرعت محاسباتی انجام می دادند. انها اغلب می توانند به داده های وبگردی و الگوهای خرید دسترسی داشته باشند ، که بصیرت عظیمی در مورد مشتری های بالقوه به انها می دهد. مثلا بر حسب شانس ، کسی که برای یک جگوار جدید کلیک می کند باید ثروتمندتر از کسی باشد که برای یک تاروس 2003 در وبسایت Carfax.com کلیک می کند. بیشتر سیستم های امتیاز دهی همچنین مکان کامپیوتر ملاقات کننده از سایت را می خوانند. وقتی که این با داده های املاک واقعی تطبیق داده میشود انها می توانند فضولی هایی در مورد ثروت افراد انجام دهند. کسی که کامپیوتری را در ایوانی در پوش بالبوای سانفرانسیسکو استفاده می کند چشم اندازی بسیار بهتر از کسی دارد که در ان طرف خلیج در اوکلند شرقی زندگی می کند.
حالا در نظر بگیرید که حلقه ی بازخورد افتضاح انها امتیازدهی ئی را ایجاد می کند. به احتمال بسیار زیاد، سیستم امتیازدهی ئی انها ، به بخش خشن اوکلند شرقی امتیاز پایینی خواهد داد. مردم زیادی در اینجا نکول می کنند. بنابراین ارائه ی کارت اعتباری اختصاصی جمعیت پرمخاطره تر را مورد هدف خواهد داد. ان به معنی اعتبار موجود کمتر و نرخ بهره ی بالاتر برای کسانی است که تاکنون تلاش کرده اند.
امتیازهای ئی تنها برای امتیازهای اعتباری قابل فهمند. اما تا زمانی که شرکتها قانونا از استفاده ی امتیازهای اعتباری برای بازاریابی خرید منع میشوند، انها ان را با جایگزین های نامناسب و در هم ریخته به انجام می رسانند. منطق مطمئنی برای این ممنوعیت وجود دارد. بعد از همه ی اینها ، تاریخچه ی اعتباری ما شامل اطلاعات بسیار شخصی ای میشود که کنترل کامل افرادی که باید ان اطلاعات را ببیند منطقی میسازد. لیکن نتیجه این شد که شرکت به غواصی کردن در استخر داده های عظیم غیرقابل تنظیم برای ایجاد یک بازار موازی داده ، پایان دادند. در پردازش ، انها به طور عمده از نظارت دولت امتناع می کردند. انها سپس موفقیت را با منافعی در بهره وری اندازه گرفتند ، جریان پول نقد و مزایا. با انتظارات کمی ، مفاهیمی مثل عدالت و شفافیت در الگوریتمهای انها نمی گنجد.

بیایبد ان را با بانکداری دوران 1950 مقایسه کنیم. عمدا یا سهوا ، بانکداران نکات داده های مختلفی را می سنجیدند که ربط کمی به توانایی فردی که قرار است وام مسکن بگیرد داشتند یا هیچ ربطی نداشتند. او (بانکدار) به ان طرف میزش نگاه می کرد و طبقه و نژاد مشتری را می دید و از ان نتایجی استنتاج میکرد. سابقه ی مجرمانه ی پدر مشتری ممکن بود علیه او بکار رود ، در حالیکه حضور مرتب در کلیسا می توانست کمک کننده باشد.
تمام این نکات اطلاعاتی ، به نوعی پروکسی یا نماینده بودند. در جستجوی او برای مسئولیت پذیری مالی مشتری ، بانکدار ممکن بود به طور بی غرضانه ای ارقام را مطالعه کند ( بدون شک تعدادی از بانکداران نمونه اینطور بودند). اما در عوض ، او چیزهایی از نژاد ، مذهب و ارتباطات خانوداگی استنتاج میکرد. در انجام این کارها ، او از به دقت بررسی کردن وام گیرنده به عنوان یک فرد خودداری می کرد و در عوض ، او را در دسته ای از مردم که امروزه امارشناسان" یک سطل " می گویند جای می داد. “ مردمی مثل تو “ بر این اساس او تصمیم می گرفت که می تواند اعتماد کند یا نه.(سیارک)
پیشرفت بزرگ ایزاک و فیر پروکسی ها را به نفع امور مالی مربوطه مثل نحوه ی پرداخت صورتحساب در گذشته ، خلاص کرد. انها تجزیه و تحلیلشان را روی افراد متمرکز کردند نه روی مردمان دیگر با خصوصیات مشابه . برعکس ، امتیازدهی ئی ما در زمان به عقب برد. انها افراد را از طریق یک کولاک واقعی از پروکسی ها اثبات تجزیه و تحلیل کردند. انها در یک هزارم ثانیه محاسبات “ مردمی مثل تو “ را انجام میدهند. و اگر معلوم شد مقدار کافی از این مردمان "مشابه" ساکن (خنثی)، یا بدتر ، مجرم هستند با ان فرد بر طبق نتیجه رفتار خواهد شد.
مسئله با پروکسی ها ( پروکسی به معنی لغوی نماینده ، یک نوع حافظه میانگیر بین کاربر و کامپیوتر است)
مردم همواره از من در مورد چگونگی تدریس اخلاق به یک کلاس دانشمندان دیتا (داده) می پرسند. من معمولا با یک بحث در مورد اینکه چطور یک مدل ئی بسازیم شروع می کنم و از انها می پرسم که ایا قراردادن عامل "نژاد" در مدل منطقی است یا نه . قطعا انها پاسخ می دهند که چنین سوالی ناعادلانه و احتمالا غیرقانونی است. سوال بعدی این است که ایا از "کد پستی" استفاده کنیم یا نه . این در ابتدا نسبتا عادلانه به نظر می رسد. اما زیاد طول نمی کشد تا دانشجویان بفهمند که انها بی عدالتی های گذاشته را در مدلشان تدوین کرده اند. وقتی انها ویژگی های مثل "کد پستی" را لحاظ می کنند انها عقیده ای را بیان می کنند که تاریخچه ی رفتار انسان در ان بر اساس تکه ای ملک و زمین باید تعیین شود ، حداقل در بخشی ،مثلا فردی که انجا زندگی می کند باید چگونه وامی دریافت کند.
از طرف دیگر ، مدلسازان امتیاز ئی ، سعی می کنند به این سوال پاسخ دهند که "مردمی مثل تو در گذشته چگونه رفتار می کردند؟" در حالیکه به طور ایده ال انها باید این سوال را بپرسند "تو در گذشته چگونه رفتار میکردی؟"
من باید ذکر کنم که در پروکسی های جهان اماری ای که ساکن هستند ، انها اغلب کار می کنند . پرندگانی از یک پر که گروه را گرد هم می اورند. مردم ثروتمند سفرهای دریایی و BMW ها را می خرند. تقریبا تمام مردم فقیر به پرداخت روزانه وام نیاز دارند. و تا وقتیکه این مدلهای اماری برای بیشترین زمان بکار گرفته میشوند بهره وری افزایش می یابد و سود و منفعت موج میزند. سرمایه گذاران ، سرمایه شان را بر روی سیستم های علمی ای دو برابر می کنند که می توانند هزاران نفر از مردم در چیزی که به عنوان سطل (bucket) صحیح ،ظاهر میشود قرار دهند. ان پیروزی دیتا ی عظیم است.
اما اگر شخصی مورد سو تفاهم قرار گیرد و در سطل غلطی قرار گیرد چه میشود؟ این موضوع اتفاق می افتد . و هیچ بازخوردی نیست تا سیستم را در مسیر درست قرار دهد.یک موتور کرانچ (crunch : بیان ظرفیت کامپیوتر برای پردازش اعداد و ارقام ریاضی) اماری هیچ راهی ندارد تا بفهمد که یک مشتری بالقوه ی با ارزش را به جهنم مرکز تماس اعزام کرده است. بدتر از این ، در جهان غیرقابل تنظیم امتیازدهی ئی ، بازندگان مجال کمی برای شکایت دارند ،چیزی بسیار کمتر از اصلاح خطای سیستم. و تا زمانی که تمام سیستم تاریک به طور پیوسته در مزارع سرور ها ی دور ، کار می کند ، انها به ندرت چیزی درباره ی ان می فهمند. اغلب انها احتمالا به این نتیجه می رسند که زندگی واقعا ناعادلانه است.
اعتبار یک خاصیت/تقوا است
در دنیایی که تاکنون توصیف کردم امتیاز ئی با میلیونها پروکسی موجود در سایه ها ، تغذیه میشود ، در حالیکه گزارشات اعتباری ما با داده های مناسب و مربوط دسته بندی میشوند که تحت نظر قانون عمل می کنند. اما متاسفانه ، ان به این سادگی ها هم نیست. در اغلب موارد گزارشات اعتباری به عنوان یک پروکسی نیز خدمت می کنند.
تعجب اور نیست که تعدادی از موسسات در جامعه ی ما ، از شرکتهای بزرگ گرفته تا دولت ، در تلاش برای به دام انداختن افراد معتبر و قابل اعتماد هستند.بنابراین وقتی ان به استخدام در می اید ، تمام رویکردهای بیش از حد معمول برای امتیاز اعتباری درخواست کننده در نظر گرفته میشود. اگر مردم صورتحساب هایشان را سر موقع پرداخت کنند و از بدهی اجتناب کنند ، استخدام کنندگان از خودشان می پرسند که ایا این نشانه ای از قابل اعتماد بودن و موثق بودن نیست ؟ انها می دانند که این دقیقا مشابه نیست. اما ایا یک اشتراک معنی دار وجود ندارد ؟
این گونه هست که گزارشات اعتباری به جایی بسیار فراتر از طبقه ی اصلی خود گسترش یافته اند. قابلیت اعتماد اعتباری به یک منزلت برای دیگر خاصیت ها و تقواها تبدیل شده است. برعکس ، اعتبار بد ، به عنوان یک نشانه ازگروهی گناهان و قصور در حال افزایش که هیچ ربطی به پرداخت صورت حساب ندارند ، در نظر گرفته میشود.
برای کاربردهای خاصی ، چنین پروکسی ای می توانند به صورت غیرزیانبار ظاهر شود. برای مثال تعدادی از خدمات قرارگذاری و دوستیابی انلاین ، مردم را براساس امتیازهای اعتباریشان تطبیق می دهند. یکی از انها ،یعنی امتیازهای اعتباری دوستیابی ، علنا اعلام می کند که "اعتبارهای خوب سکسی و جذاب هستند" .ما می توانیم حکمت مرتبط کردن رفتار مالی به عشق را مورد بحث قرار دهیم. اما حداقل مشتریان امتیازهای اعتباری دوستیابی می دانند که چرا و چگونه وارد چه چیزی میشوند . ان فرای انها است.
لیکن اگر شما دنبال یک شغل می گردید ، احتمال زیادی وجود دارد که یک پرداخت از دست رفته ی کارت اعتباری یا دیرکرد شهریه وامهای دانشجویی ، بتواند علیه شما استفاده شود. بر اساس براوردی توسط انجمنی برای مدیریت منابع انسانی ، نزدیک به نیمی از استخدام کننده های امریکایی ، موردهای استخدامی بالقوه را با نگاه کردن به گزارشات اعتباریشان ، غربال میکنند. بعضی از انها وضعیت اعتباری مستخدم موجود را به خوبی بررسی می کند ، خصوصا وقتی که پای ارتقا رتبه ی کاری در میان باشد.(سیارک)
قبل از اینکه شرکتها این بررسی ها را انجام دهند ، باید اجازه بگیرند. اما ان معمولا چیزی بیشتر از یک تشریفات نیست ؛ در تعدادی از شرکتها افرادی که از تحویل اطلاعات اعتباری شان سر باز زنند ، حتی برای مشاغل در نظر گرفته نخواهند شد. و اگر سابقه ی اعتباری انها ضعیف است به احتمال زیاد نادیده گرفته خواهند شد. براوردی در سال 2012 بر روی بدهی های کارتهای اعتباری در خانواده های با درامد متوسط و پایین ، تمام این نکات را واضح ساخت. یک نفر از ده شرکت کننده گزارش کرده که از یک استخدام کننده شنیده است که تاریخچه های اعتباری بد و ناقص باعث نابودی شانس انها شده است ، و هیچکسی نمی تواند حدس بزند چه تعدادی به خاطر گزارشات اعتباریشان رد صلاحیت شدند و در تاریکی رها شدند (به انها علت ردشدن گفته نشد). در حالیکه قانون تصریح می کند که استخدام کنندگان باید به جویندگان شغل وقتی که مسائل اعتباری موجب رد صلاحیت انها میشود ، هشدار دهند ، ان واقعا سخت که باور کنی تعداد از انها (استخدام کننده ها) به سادگی به کاندیدها می گویند که انها به اندازه ی کافی مناسب نبودند و یا افراد دیگری شایسته تر از انان تشخیص داده شدند.(سیارک)
ممارست در استفاده ی امتیازهای اعتباری در امر استخدام موجب به وجود امدن یک چرخه ی خطرناک فقر میشود. بعد از همه چیز ، اگر شما نمی توانید به خاطر سابقه ی اعتباری تان شغلی بدست اورید ، ان سابقه به طور محتمل بدتر خواهد شد ، و حتی کار کردن در وطن سختتر میشود. ان بی شباهت به شرایط افراد جوان نیست که وقتی دنبال بدست اوردن اولین شغلشان هستند به علت عدم تجربه رد صلاحیت میشوند. یا گرفتاری های افرادی که مدتی طولانی بدون شغل مانده اند برای پیدا کردن ان افراد معدود که حاضر باشند انها با وجود این مسئله که مدت زیادی بیکار بوده اند استخدام کند. ان یک حلقه بازخورد مارپیچی و مغلوب کننده برای مردم بدشانسی است که به ان دچار شده اند.
طبیعتا استخدام کننده ها ، موافقت و هفکری کمی با این استدلال دارند.
و اعتبار خوب ، انها اینطور استدلال می کنند که ان نشانه ی فردی مسئولیت پذیر است ، یعنی ان نوع فردی که انها دوست دارند استخدام کنند. اما در نظر گرفتن بدهی به عنوان مسئله ی اخلاقی یک اشتباه است. روزانه تعداد بیشماری از مردم سخت کوش و قابل اعتماد با ورشکست شدن شرکتها ، خرجهای قطع شده ،و یا جابه جایی ها شغلشان را ازدست می دهند . این تعداد در طی بحران های اقتصادی افزایش می یایند. و تعدادی از افراد به تازگی بیکار شده خودشان را بدون بیمه عمر می بینند. تمام چیزی که برای ناتوانی در پرداخت یک بهره ی وام نیاز است این است که انها دچار یک بیماری یا تصادف شوند. حتی با وجود انجام مراقبت های مقرون به صرفه که رتبه های غیر بیمه را کاهش می دهد ، مخارج پزشکی و درمانی ، بزرگترین علت ورشکستی در امریکا است.
این گونه نیست که بگوییم تمام سازمانهای کارگزینی در سراسر امریکا بر اساس یک تله ی عمدی فقر بنا شده اند. بدون شک انها باور دارند که گزارشات اعتباری حقایق مربوطه ای را در بردارند که به انها در گرفتن تصمیمات مهم کمک می کنند. بعد از همه اینها "داده ی بیشتر ،بهتر" اصل راهنمای عصر اطلاعات است. هنوز هم به اسم انصاف ، تعدادی از این اطلاعات ممکن است خرد نشده یا کرانچ نشده باقی بمانند.

 این پست را چگونه می‌بینید؟ برای شما مفید بود؟ لطفا با نوشتن کامنت در زیر ما را مطلع کنید.  (سیارک

ترجمه  itrans.ir

نظرات

برای ارسال نظر باید وارد حساب کاربری شوید. ورود یا ثبت نام

بیشتر بخوانید