Bias Algoritmico nell'IA: Analisi e Mitigazione del Bias di Genere nei Sistemi di Recruitment Automatizzato

L'integrazione di algoritmi di machine learning nei processi di selezione del personale introduce forme sistematiche di discriminazione di genere, spesso invisibili agli stessi operatori che li impiegano. Nel quadro normativo europeo, l'AI Act classifica i sistemi di recruiting automatizzato tra le applicazioni ad alto rischio, rendendo la rilevazione e la mitigazione del bias algoritmico un requisito fondamentale di compliance e responsabilità etica. La presente tesi analizza empiricamente tale fenomeno, studiandone le origini, misurandone l'entità e proponendo una strategia di mitigazione. L'indagine è condotta sul dataset Adult Census Income, ricontestualizzato in uno scenario di selezione professionale: la variabile target rappresenta il superamento della soglia reddituale di 50.000 dollari annui, utilizzata come indicatore di profilo qualificato, con particolare attenzione alle disparità tra candidati maschili e femminili. Tre modelli a complessità crescente — Regressione Logistica, Random Forest e Gradient Boosting — vengono addestrati e ottimizzati tramite GridSearchCV su una partizione stratificata 70/15/15. La valutazione integra metriche standard (Accuracy, AUC, Precision, Recall), calibrazione probabilistica e feature importance. È il modello Random Forest ad affermarsi come soluzione ottimale, evidenziando al contempo un significativo gap di selezione di genere nei dati storici. Un intervento di post-processing basato su soglie decisionali differenziate per genere consente di ridurre tale disparità in modo sostanziale, mantenendo performance predittive elevate. La robustezza è confermata da una validazione statistica su 30 ripetizioni indipendenti con intervalli di confidenza al 95%. I risultati dimostrano che il bias algoritmico nel recruiting è misurabile, sistematico e mitigabile, ma richiede metriche di fairness specifiche, essenziali per garantire la conformità agli standard europei sui sistemi IA ad alto rischio.