Losing Your Female Talent: A Simulation Game of Gender Discrimination and Data Analysis

Wir haben diesen Kurs für das Executive MBA-Programm der CEU entwickelt. Das Programm hat das Motto "EMBA für eine offene Welt" und fördert faktenbasiertes, kritisches Denken und die Auseinandersetzung mit relevanten gesellschaftlichen Themen. Die Studentenschaft hat einen sehr unterschiedlichen Bildungs-, Arbeits- und nationalen Hintergrund, und der Austausch von Erfahrungen ist ein wichtiger Teil des Lernens.

Die Herausforderung bestand darin, einen Kurs zu konzipieren, der Entscheidungsträgern statistische Methoden und eine statistische Denkweise auf eine Weise vermittelt, die sie auf wichtige wirtschaftliche und gesellschaftliche Probleme anwenden können. Der Kurs enthielt zunächst viele kleine Fallstudien zur Datenanalyse, aber wir stellten fest, dass die Fallstudie zur geschlechtsspezifischen Diskriminierung und zum geschlechtsspezifischen Lohngefälle das meiste Engagement und die meisten Diskussionen hervorrief. Einige Studenten hatten persönliche Erfahrungen mit unfairen HR-Praktiken und geschlechtsspezifischen Organisationskulturen. Andere vertraten die Ansicht, dass die Bezahlung nur die Leistung widerspiegeln sollte, ohne jeglichen Bezug auf das Geschlecht, ob positiv oder negativ. Wir beschlossen, den gesamten Kurs um dieses eine Thema herum neu zu gestalten und die Diskussion ausdrücklich kontradiktorisch zu gestalten: ein simulierter Gerichtsfall.

Wir gingen bei der Gestaltung des Lehrplans rückwärts vor und zählten zunächst die Lernergebnisse auf, die die Studenten erreichen sollten. Diese waren

1. Erkennen und Vermeiden potenzieller Fallstricke bei der automatisierten Datenanalyse.
2. Verstehen, wie Daten gesammelt werden und dass Stichproben unter Auswahl- und Überlebensverzerrungen (selection and survival bias) leiden können. Beurteilen, ob eine Stichprobe für einen bestimmten Zweck geeignet ist.
3. Anwendung von statistischen Hypothesentests, um eine Variable in zwei Gruppen zu vergleichen. Kompromisse zwischen einer ausreichend großen und einer ausreichend kleinen Stichprobe erklären.
4. Verstehen, wie Machine Learning Personen auf der Grundlage von beobachteten Variablen in Gruppen einteilen kann. Bewerten von Fehlern bei Klassifizierungsmodellen, z.B. Schwellenwertklassifizierer für Kreditwürdigkeitsprüfungen. Vergleich von verschiedenen Modellen sowohl aus statistischer als auch aus betriebswirtschaftlicher Sicht.
5. Diskussionen über verschiedene Auslöser von Diskriminierung und Voreingenommenheit bei der menschlichen Entscheidungsfindung. Erläuterungen, wie KI-Algorithmen diese Verzerrungen abmildern oder verstärken können.
6. Kritische Bewertung von statistischen Analysen auf der Grundlage von Fachwissen und allgemeinem menschlichen Urteilsvermögen.

Wir haben formative Beurteilungen entwickelt, um zu messen, ob die Studenten diese Ergebnisse erreicht haben. Dazu gehörten Diskussionen und Präsentationen im Unterricht sowie Aufsätze nach dem Unterricht. Schließlich haben wir die Aktivitäten und Lernmaterialien entwickelt, die den Studenten helfen, diese Ergebnisse zu erreichen.

Die wichtigste Aktivität im Unterricht ist ein Simulationsspiel, bei dem die Studenten in Kläger und Angeklagte aufgeteilt werden und im "Gerichtssaal" während eines Prozesses Argumente vorbringen. Die Kläger behaupten, dass die weiblichen Angestellten des fiktiven Unternehmens unterbezahlt sind. Die Angeklagten versuchen, die Diskriminierung zu widerlegen.

Neben dem allgemeinen immersiven Charakter eines Simulationsspiels bietet dieser spezielle Rahmen eine Reihe von pädagogischen Vorteilen. Erstens hält der kontradiktorische Charakter eines Rechtsstreits die Aufmerksamkeit der Studenten zu jeder Zeit aufrecht. Selbst wenn das gegnerische Team vorträgt, achten die Studenten genau darauf, Schlupflöcher in der Argumentation zu finden, die sie zu ihrem eigenen Vorteil ausnutzen können. Zweitens bietet die Struktur von Gerichtsverfahren einen natürlichen Rahmen für die Präsentation und Diskussion von Ergebnissen. Die Teams legen Tabellen und Diagramme als Beweise vor, die vom gegnerischen Team angefochten werden. In Anbetracht des übergreifenden Themas des Prozesses sind die pädagogischen Mittel der Teamarbeit, der Präsentation und der Diskussion ganz natürlich. Drittens eignet sich die Disparate Impact Doctrine des amerikanischen Arbeitsrechts hervorragend, um statistische Methoden zu lehren und zu lernen, wie sie auf die Untersuchung von Diskriminierung angewendet werden. Nach dieser Doktrin wird Diskriminierung durch quantitative Daten nachgewiesen und nicht durch Zeugenaussagen.

Nachdem wir uns auf das pädagogische Format geeinigt hatten, suchten wir nach Bereichen, in denen realistische Daten über geschlechtsspezifische Diskriminierung gezeigt werden konnten. Da Leistungsunterschiede oft als Erklärung für das geschlechtsspezifische Lohngefälle herangezogen werden, brauchten wir einen Sektor mit einem relativ homogenen Leistungsmaß. Die größte Herausforderung dabei ist, dass Unternehmen in der Regel keine internen Daten wie z. B. die Leistung weitergeben.

Wir haben uns aus drei Gründen für den Rechtsdienstleistungssektor als Untersuchungsgegenstand entschieden. Erstens haben "White Shoe"-Kanzleien (große allgemeine Rechtsdienstleistungsunternehmen, die meist in New York City ansässig sind) traditionell mit Geschlechterproblemen und einer "Boys' Club"-Kultur zu kämpfen, was sie zu einem idealen Umfeld für eine Gender-Fallstudie macht. Zweitens basieren Beförderung und Bezahlung in diesen Kanzleien zumeist auf den von den Mandanten in Rechnung gestellten Stunden und den durch neue Mandanten erzielten Einnahmen, also auf zwei quantitativen Messgrößen für die Leistung. Drittens, und das ist der wichtigste Punkt, haben statistische Untersuchungen auf der Grundlage von Umfragen der American Bar Association auffällige Muster von geschlechtsspezifischen Unterschieden bei der Bezahlung und Beförderung ergeben. Wir konnten auch auf die anonymisierten Umfragedaten zugreifen, um realistische Szenarien für unsere Simulation zu erstellen.

Um die Anonymität zu wahren, geben wir die Originaldaten nicht an die Studenten weiter. Wir haben einen simulierten Datensatz erstellt, der die wichtigsten Korrelationen in den Originaldaten aufgreift. Diese Daten bilden die Grundlage für die Analyse; Kläger und Angeklagte gehen den Datensatz mit strukturierten Übungen durch und heben verschiedene statistische Muster hervor. Die Klage verfolgt weibliche Mitarbeiter (Junior-Anwälte) einer fiktiven Anwaltskanzlei, die behaupten, dass sie im Vergleich zu ihren männlichen Kollegen unterbezahlt sind.

Die Zeit im Klassenzimmer wird zu etwa gleichen Teilen auf die folgenden Arten von Aktivitäten aufgeteilt: Teamarbeit und Präsentationen in den jeweiligen Rollen des Planspiels; allgemeine Diskussionen über die gelernten Inhalte nach jeder Runde in der Rolle; und traditionelle Vorlesungen, in denen die untersuchten Konzepte vorgestellt oder vertieft werden. So fesselnd das Planspiel auch ist, die Studenten brauchen auch Frontalunterricht, um ein gewisses Maß an Vertrauen in die Methoden und die Terminologie zu gewinnen. Wann immer möglich, müssen die Studenten ein Konzept in ihrer Teamarbeit entdecken, bevor es ihnen in einer Vorlesung gezeigt wird. So erkennen die Studenten zum Beispiel erst, dass sie Leistungsunterschiede "kontrollieren" wollen, bevor sie lernen, wie man das mit der multiplen Regression auch tatsächlich durchführen kann.

Um die eigentliche Analyse durchzuführen, haben wir ein völlig neues Kartenspielformat entwickelt. Wir haben die Erfahrung gemacht, dass es sehr schwierig ist, den Zusammenhalt des Teams und die ständige Aufmerksamkeit aufrechtzuerhalten, wenn die Übungen am Computer durchgeführt werden. Die Teamkollegen, die nicht am Computer sitzen, verlieren schnell das Interesse. Wir haben stattdessen ein Kartenspiel entwickelt, an dem alle Teammitglieder gleichzeitig teilnehmen. Es gibt verschiedene Karten für verschiedene Datensätze, Datenoperationen, statistische Methoden und statistische Ergebnisse, wie Tabellen und Grafiken. Wenn Sie die Karten auf die richtige Weise kombinieren, erhalten Sie die Lösung, d.h. eine neue Karte. Schon bald liegen viele Karten auf dem Tisch eines jeden Teams und die Teammitglieder diskutieren aktiv über die richtige Reihenfolge für die Verwendung und Präsentation der Karten.

Die von den Studenten am meisten geschätzten Merkmale des Kurses waren die Wichtigkeit des Themas (Geschlechterdiskriminierung), das fesselnde Simulationsformat und das Kartenspiel, das eine dringend benötigte Abwechslung zum Computerbildschirm bot. Die Studenten lernten, dass jede statistische Analyse ein menschliches Urteilsvermögen beinhaltet und dass es keine einheitliche Definition einer "objektiven, unvoreingenommenen" Analyse gibt.

Wir planen, den Kurs weiter auszubauen und Themen wie künstliche Intelligenz, automatisierte Entscheidungsfindung und Fairness einzubeziehen. Diese Themen gewinnen zunehmend an Bedeutung und unterstreichen die Notwendigkeit des menschlichen Urteils als Faktor, der die technischen und statistischen Werkzeuge ergänzt.