Au cœur de la psychologie du travail et des organisations, l’évaluation des compétences et la sélection du personnel soulèvent des enjeux fondamentaux de justice distributive et de rigueur méthodologique. Lorsqu’une procédure d’évaluation apparemment neutre engendre une exclusion disproportionnée des membres d’un groupe protégé, le phénomène est qualifié d’impact disparate ou préjudiciable, posant un défi direct à l’idéal méritocratique des entreprises contemporaines.
L’impact disparate (Adverse Impact)
1. Définition concise
L’impact disparate (communément désigné sous le terme anglophone d’adverse impact) désigne, en psychologie du travail et en droit du travail, une situation dans laquelle une pratique de gestion des ressources humaines apparemment neutre — telle qu’un test psychométrique, une épreuve d’aptitude cognitive, un entretien structuré ou un critère physique — entraîne un taux de sélection, d’embauche ou de promotion substantiellement plus faible pour les membres d’une catégorie protégée (définie par le genre, l’origine ethnique, l’âge ou le handicap) par rapport au groupe majoritaire.
Contrairement au traitement disparate qui repose sur une intention discriminatoire explicite, l’impact disparate se focalise exclusivement sur les conséquences statistiques objectives d’un dispositif d’évaluation. Même en l’absence totale de préjugé conscient de la part de l’évaluateur, la présence d’une divergence statistique marquée suffit à caractériser une présomption de discrimination indirecte, obligeant l’organisation à démontrer formellement la validité prédictive et la nécessité professionnelle impérieuse de l’outil employé.
Dans le paradigme de la psychométrie appliquée, ce concept met en tension deux impératifs souvent concurrents : l’optimisation de la validité critériée d’un instrument de sélection visant à maximiser la performance future au travail, et la préservation de la justice organisationnelle ainsi que de la diversité démographique au sein des effectifs.
2. Étymologie et origine linguistique
Sur le plan morphologique et étymologique, le terme anglais adverse dérive du latin classique adversus, participe passé du verbe advertere, composé du préfixe ad- (vers, en direction de) et du verbe vertere (tourner). Littéralement, il renvoie à ce qui est « tourné contre », prenant le sens d’hostile, défavorable ou préjudiciable. Le terme impact provient quant à lui du latin impactum, supin du verbe impingere (« frapper contre », « heurter »). L’association des deux termes est apparue formellement dans le droit fédéral américain et la psychologie du travail et des organisations au tournant des années 1970 pour désigner l’effet dommageable et non intentionnel d’une règle impersonnelle sur un groupe spécifique.
Dans le monde francophone, la terminologie oscille entre plusieurs traductions selon les contextes juridiques et académiques. La doctrine juridique européenne et française privilégie l’expression de « discrimination indirecte », tandis que la psychologie organisationnelle, le management comparé et la psychométrie emploient couramment les locutions « impact disparate », « effet préjudiciable » ou « impact négatif ». En français canadien et au sein des organisations internationales, « impact disparate » ou « effet défavorable » s’est imposé comme le calque le plus rigoureux pour distinguer le phénomène statistique des conséquences pénales associées à l’intentionnalité.
3. Prononciation et forme grammaticale
En français, l’expression s’énonce phonétiquement /ɛ̃.pakt dis.pa.ʁat/. Il s’agit d’un syntagme nominal masculin singulier composé du nom commun « impact » (masculin) et de l’adjectif qualificatif « disparate », qui s’accorde en genre et en nombre avec le nom qu’il qualifie (au pluriel : des impacts disparates). L’adjectif « préjudiciable » (/pʁe.ʒy.di.sja.bl/) est également couramment employé sous la forme d’« impact préjudiciable ».
Sur le plan syntaxique, le terme s’emploie principalement comme complément d’objet direct ou sujet dans des propositions décrivant des propriétés évaluatives : « Le test cognitif produit un impact disparate significatif » ou « L’audit a révélé l’absence d’impact préjudiciable à l’égard des candidates ». On le rencontre également dans des constructions nominales composées comme « ratio d’impact disparate » ou « analyse d’impact préjudiciable ».
4. Explication conceptuelle détaillée
La notion d’impact disparate repose sur une distinction doctrinale et empirique cruciale entre la pureté procédurale apparente et l’équité substantielle des résultats. Une procédure de recrutement peut sembler entièrement égalitaire parce qu’elle est administrée de façon rigoureusement standardisée à l’ensemble des candidats, sans favoritisme personnel ni dérogation aux consignes. Néanmoins, si cette procédure s’appuie sur des variables d’évaluation fortement corrélées avec des disparités socioculturelles préalables ou des privilèges d’apprentissage historically ancrés, elle filtre disproportionnellement les groupes marginalisés.
Dans le domaine de l’évaluation psychologique, les prédicteurs du rendement professionnel présentent des écarts moyens intergroupes substantiels. Par exemple, les instruments mesurant l’aptitude cognitive générale (souvent appelée facteur g) génèrent fréquemment des différences de scores moyens entre groupes ethniques ou sociaux, généralement quantifiées par le d de Cohen. Lorsque les organisations utilisent ces instruments avec un seuil de coupure strict (sélection par ordre de mérite descendant dans un contexte de faible taux de sélection), les légers décalages dans la distribution des scores entraînent une chute spectaculaire du taux de sélection des groupes sous-représentés, créant ainsi un impact disparate majeur.
Il importe de souligner que l’impact disparate n’est pas synonyme absolu de discrimination illégale ou de biais psychométrique direct. En psychométrie, un outil est dit biaisé s’il présente un fonctionnement différentiel des items (DIF) ou s’il n’affiche pas la même validité prédictive (erreur de prédiction différentielle au sens des modèles de Cleary) pour tous les sous-groupes. Un test peut être psychométriquement équitable et rigoureusement valide pour prédire le rendement au travail, tout en produisant simultanément un impact disparate statistique sur le terrain opérationnel. Cette réalité conduit au fameux « dilemme diversité-validité » (diversity-validity dilemma), où les instruments possédant la plus forte validité critériée sont souvent ceux qui génèrent le plus d’exclusion démographique.
Le périmètre de l’impact disparate s’étend à l’ensemble du cycle de vie professionnel au sein des organisations. Il ne concerne pas uniquement le recrutement initial, mais également les tests d’admissibilité aux promotions, les évaluations quantitatives de la performance, les critères d’accès aux programmes de développement des cadres à haut potentiel, les restructurations et licenciements économiques fondés sur des algorithmes d’évaluation, ainsi que les dispositifs contemporains de sélection automatisée assistés par l’intelligence artificielle.
5. Évolution historique
L’émergence historique de la théorie de l’impact disparate trouve son point d’ancrage dans la législation américaine sur les droits civiques et dans un litige emblématique tranché par la Cour suprême des États-Unis en 1971 : l’arrêt Griggs v. Duke Power Co.. Avant l’adoption du Titre VII du Civil Rights Act de 1964, la société Duke Power imposait ouvertement une ségrégation des postes. Après la promulgation de la loi interdisant la discrimination raciale délibérée, l’entreprise instaura l’exigence d’un diplôme d’études secondaires et le passage réussi de deux tests standardisés d’aptitude cognitive (le Wonderlic Personnel Test et le Bennett Mechanical Comprehension Test) pour accéder aux postes les mieux rémunérés.
Ces conditions neutralisaient les candidatures des Afro-Américains, qui possédaient moins fréquemment ces diplômes en raison des disparités historiques du système éducatif ségrégué et obtenaient des scores moyens inférieurs aux tests standardisés. Dans une décision unanime rédigée par le juge en chef Warren Burger, la Cour suprême statua que le Titre VII prohibe non seulement les discriminations fondées sur une mauvaise intention, mais également les pratiques apparemment équitables en surface qui opèrent comme des « barrières intégrées » pour certains groupes, dès lors qu’elles ne sont pas justifiées par une nécessité professionnelle (business necessity).
Par la suite, en 1978, plusieurs agences fédérales américaines — dont l’EEOC (Equal Employment Opportunity Commission) et le Département de la Justice — adoptèrent les Uniform Guidelines on Employee Selection Procedures. Ce document historique a codifié des règles quantitatives opérationnelles pour détecter l’impact disparate, notamment la règle des quatre cinquièmes (ou règle des 80 %), et a formalisé les exigences techniques imposées aux psychologues industriels pour valider les tests de sélection.
Au niveau international et européen, cette logique a été intégrée par le droit communautaire au travers de la jurisprudence de la Cour de justice de l’Union européenne (notamment à partir de l’affaire Bilka-Kaufhaus en 1986). L’Union européenne a explicitement codifié le principe de « discrimination indirecte » dans ses directives fondamentales (telles que la directive 2000/78/CE et la directive 2006/54/CE), obligeant tout employeur européen à prouver la légitimité, la pertinence et la proportionnalité de toute exigence professionnelle causant un désavantage statistique à un groupe protégé.
6. Fondements théoriques
L’analyse de l’impact disparate repose sur plusieurs socles théoriques interconnectés appartenant à la psychologie sociale, à la théorie de la mesure psychologique et à la théorie organisationnelle :
Premièrement, la théorie de la justice organisationnelle, initiée par Jerald Greenberg et largement développée par Jason Colquitt, décompose l’équité perçue en justice distributive (l’équité des résultats alloués), justice procédurale (la neutralité et la cohérence des règles du jeu) et justice interactionnelle (la dignité du traitement interpersonnel). L’impact disparate illustre une contradiction fondamentale entre une justice procédurale formelle apparente et un déficit majeur de justice distributive. Lorsqu’un processus est perçu comme biaisé en raison d’une disparité disproportionnée dans les résultats, la légitimité globale de l’organisation s’en trouve profondément ébranlée aux yeux des parties prenantes.
Deuxièmement, la théorie de la représentativité et de l’équité des tests en psychométrie (formalisée par Robert Thorndike, Nancy Cole et d’autres) explore la modélisation mathématique du biais. Ces théoriciens ont démontré qu’un test peut satisfaire à la stricte neutralité de pente et d’ordonnée à l’origine (modèle de Cleary) tout en éliminant presque entièrement un sous-groupe nếu sa moyenne est décalée d’un écart-type. Ces travaux théoriques ont souligné que la simple équivalence métrique d’un instrument ne garantit en aucun cas une neutralité sociale lors de sa transposition en décision dichotomique (admis/rejeté).
Troisièmement, le modèle du dilemme diversité-validité en psychologie du travail, formalisé par des auteurs comme Wayne Cascio, Paul Sackett et Neal Schmitt, postule que les attributs humains présentant la corrélation la plus robuste avec la performance dans des tâches complexes (l’intelligence générale, la rapidité de traitement de l’information) manifestent également les disparités de groupe les plus marquées. Inversement, les variables présentant une disparité quasi nulle (certains traits de personnalité du modèle des Big Five comme la conscience professionnelle, la stabilité émotionnelle ou l’amabilité) présentent une validité prédictive univariée modérée. Ce cadre théorique incite à explorer des architectures de sélection compensatoires et multidimensionnelles.
7. Composantes clés, typologies et dimensions
Pour appréhender l’impact disparate dans toute sa complexité, il convient de le structurer selon plusieurs dimensions fondamentales :
- La nature des attributs psychologiques évalués : Les prédicteurs cognitifs purs (tests de raisonnement abstrait, verbal, numérique) génèrent historiquement le plus fort impact préjudiciable ethnique ou social, tandis que les inventaires de personnalité, les tests de jugement situationnel (SJTs) et les entretiens structurés présentent généralement un impact disparate modéré à faible.
- Le mode d’utilisation des scores : L’impact disparate varie drastiquement selon que le résultat est traité comme un seuil éliminatoire absolu (cut-off score), comme un critère de classement strict (top-down selection) ou comme une composante intégrée au sein d’un modèle compensatoire pondéré (banding ou approche multi-critères).
- Les groupes démographiques concernés : L’impact disparate s’observe selon plusieurs axes démographiques majeurs : le genre (par exemple dans les épreuves d’endurance physique ou de force pour les forces de l’ordre), l’âge (évaluations axées sur les nouvelles technologies ou l’agilité numérique favorisant les cohortes plus jeunes), l’origine ethnique ou culturelle (épreuves très sensibles au capital linguistique académique), et la situation de handicap.
- L’impact algorithmique et automatisé : Avec l’essor des modèles d’apprentissage automatique (machine learning) dans les processus de recrutement numérique, l’impact disparate prend la forme de biais algorithmiques invisibles, où les algorithmes reproduisent et amplifient les distorsions historiques contenues dans les jeux de données d’entraînement.
8. Exemples et cas illustratifs
Plusieurs cas emblématiques permettent d’illustrer la matérialisation concrète de l’impact disparate dans les organisations :
Cas 1 : L’épreuve physique standardisée pour sapeurs-pompiers. Une municipalité met en place une épreuve de sélection uniforme pour les candidats sapeurs-pompiers exigeant de transporter une charge de 70 kilogrammes sur une distance de 100 mètres en moins de 45 secondes. Même si ce test s’applique rigoureusement à tous sans distinction, le taux de réussite des candidates féminines est de 12 %, contre 68 % chez les candidats masculins. Le ratio de sélection (12 / 68 = 0,176, soit 17,6 %) est très inférieur au seuil de 80 %, constituant un impact disparate massif fondé sur le sexe. La collectivité ne pourra maintenir ce test que si elle prouve scientifiquement par une analyse de poste méticuleuse que ce barème précis reflète une exigence minimale indispensable à la sécurité des interventions.
Cas 2 : Le filtrage automatisé par algorithme prédictif. Une multinationale technologique déploie un outil d’intelligence artificielle chargé de trier les 50 000 candidatures reçues annuellement pour des postes d’ingénieurs logiciels. Le modèle a été entraîné sur les profils des collaborateurs les plus performants des dix dernières années, un échantillon composé à 85 % d’hommes issus de prestigieuses écoles d’ingénieurs. Bien que la variable « sexe » ait été délibérément supprimée de l’algorithme, ce dernier a déclassé systématiquement les CV contenant des marqueurs indirects corrélés au genre féminin (comme la participation à un club d’aviron féminin ou la mention d’écoles historiquement réservées aux femmes). Le taux d’admissibilité des femmes est tombé à 8 % contre 25 % pour les hommes, créant un impact disparate algorithmique sévère.
Cas 3 : L’affaire Ricci v. DeStefano (2009). La ville de New Haven organisa un examen écrit et oral standardisé pour promouvoir des pompiers au grade de capitaine et lieutenant. Les candidats blancs réussirent l’examen dans une proportion bien supérieure à celle des candidats afro-américains et hispaniques, au point qu’aucun candidat noir n’était éligible aux promotions immédiates. Craignant d’être poursuivie pour impact disparate, la municipalité annula purement et simplement les résultats de l’examen. Les pompiers ayant réussi l’épreuve portèrent plainte pour traitement disparate. La Cour suprême des États-Unis statua que la peur d’un impact disparate ne dispensait pas l’employeur de respecter le résultat d’une épreuve validée, à moins d’avoir une « base solide en preuves » démontrant que le test n’était pas lié aux exigences réelles de l’emploi.
9. Mesure et évaluation psychométrique
La quantification de l’impact disparate fait appel à plusieurs métriques statistiques normalisées, dont la plus universellement reconnue est le ratio de sélection issu de la règle des quatre cinquièmes (four-fifths rule) :
Selon cette formule, un outil présente un impact préjudiciable si le taux de sélection du groupe démographique le plus défavorisé ($SR_{\min}$) est inférieur aux quatre cinquièmes (soit 80 %) du taux de sélection du groupe ayant le taux le plus élevé ($SR_{maj}$) :
$$ext{Ratio d’impact} = rac{SR_{\min}}{SR_{maj}} < 0{,}80$$
Si 100 candidats masculins postulent et 50 sont retenus ($SR = 0{,}50$), le taux de sélection des femmes (dont 100 postulent) doit être d’au moins $0{,}50 imes 0{,}80 = 0{,}40$ (soit 40 sélectionnées). Si seules 25 femmes sont retenues ($SR = 0{,}25$), le ratio est de $0{,}25 / 0{,}50 = 0{,}50$ (50 %), ce qui démontre une violation de la règle des 80 % et établit une présomption statistique d’impact disparate.
Toutefois, la communauté psychométrique et statistique souligne depuis longtemps les limites de cette règle empirique, en particulier lorsqu’elle s’applique à de très grands ou de très petits échantillons. C’est pourquoi elle est systématiquement complétée par des tests de signification statistique :
- Le test de différence de proportions (Z-test / Test exact de Fisher) : Il évalue si l’écart entre les taux de sélection est imputable au simple hasard de l’échantillonnage ou s’il excède deux écarts-types (seuil conventionnel d’inférence statistique $p < 0{,}05$).
- La taille d’effet standardisée ($d$ de Cohen) : Mesure la distance entre les moyennes obtenues par les deux groupes à l’épreuve continue sous-jacente, exprimée en unités d’écart-type : $$d = rac{ar{X}_1 – ar{X}_2}{s_p}$$ où $s_p$ est l’écart-type combiné. Un écart $d = 0{,}80$ présage un impact disparate massif si la sélection est sélective.
- L’analyse par régression logistique et modèles à variables latentes : Utilisée pour vérifier si, à niveau d’aptitude égal, la probabilité d’être sélectionné diffère selon l’appartenance à un groupe protégé.
10. Applications et pertinence pratique
Dans la pratique managériale et RH, l’atténuation de l’impact disparate exige des stratégies d’ingénierie d’évaluation sophistiquées qui ne sacrifient pas la performance organisationnelle :
1. La diversification de la batterie d’évaluation : L’une des approches les plus efficaces consiste à concevoir des systèmes de sélection multimodaux. En combinant un test cognitif avec un inventaire de personnalité ciblé, un test de mise en situation professionnelle et un entretien structuré axé sur les compétences comportementales, l’organisation optimise la validité globale tout en réduisant considérablement l’impact disparate par compensation des forces.
2. Le regroupement par bandes de scores (Banding) : Développé par le psychologue Wayne Cascio, le banding traite les scores individuels non pas comme des mesures d’une précision chirurgicale absolue, mais en tenant compte de l’erreur standard de mesure (SEM). Tous les candidats se trouvant à l’intérieur d’une même bande de tolérance statistique sont considérés comme substantiellement équivalents sur le plan de la compétence. L’organisation peut alors mobiliser des critères secondaires légitimes au sein de la bande (tels que des compétences complémentaires ou des objectifs d’inclusion) sans dégrader la validité globale du recrutement.
3. L’optimisation algorithmique contrainte : Dans les dispositifs d’évaluation algorithmiques contemporains, les psychométriciens et scientifiques des données mettent en œuvre des fonctions de régularisation qui forcent le modèle prédictif à égaliser les taux de prédiction positive entre les groupes démographiques tout en maximisant la fonction d’utilité opérationnelle.
11. Recherches et preuves empiriques
La littérature scientifique sur l’impact disparate est l’une des plus abondantes et des plus rigoureuses de la psychologie appliquée contemporaine :
Une méta-analyse fondamentale de Paul R. Sackett, Neal Schmitt et leurs collaborateurs (2001) a réexaminé les relations empiriques entre validité prédictive et différences de groupes. Leurs travaux ont démontré que si les capacités cognitives générales demeurent le meilleur prédicteur isolé de l’efficacité au travail ($r pprox 0{,}51$ corrigé pour l’atténuation), elles entraînent invariablement un impact disparate élevé envers certains groupes minoritaires ($d$ oscillant entre 0,70 et 1,0 écart-type). Leurs recherches ont mis en évidence la nécessité d’élargir le spectre des critères de sélection au-delà du seul raisonnement cognitif traditionnel.
Poursuivant ces investigations, Kevin R. Murphy et ses collègues ont théorisé les compromis mathématiques inhérents au modèle utilité-diversité. Leurs simulations démontrent que même de très faibles différences moyennes de distribution ($d = 0{,}20$) se transforment en disparités d’embauche extrêmes lorsque le ratio de sélection est faible (par exemple lorsque seulement 5 % des meilleurs candidats sont recrutés). Les recherches confirment ainsi que la sélectivité accrue d’une entreprise agit comme un catalyseur exponentiel de l’impact disparate.
Dans le domaine de l’évaluation technologique récente, les travaux de Landers et Behrend (2023) analysent l’impact disparate provoqué par les technologies d’évaluation basées sur la reconnaissance vocale et l’analyse faciale vidéo lors d’entretiens asynchrones. Leurs conclusions démontrent que ces dispositifs induisent des biais non linéaires substantiels à l’encontre des personnes dont la langue maternelle diffère de la langue nationale dominante ou présentant des expressions faciales atypiques (neurodivergence), illustrant une mutation technologique de l’impact disparate.
12. Considérations culturelles et transculturelles
L’interprétation et le traitement de l’impact disparate varient de manière frappante selon les contextes juridiques, philosophiques et culturels à travers le monde :
Dans le modèle nord-américain (États-Unis et Canada), la catégorisation ethnoraciale et démographique est institutionnellement formalisée. Les employeurs sont légalement incités ou tenus de collecter des statistiques d’auto-identification ethnique, ce qui rend l’application mathématique de la règle des 80 % et le suivi statistique longitudinal pleinement opérationnels et transparents.
À l’opposé, le modèle républicain universaliste en France et dans certains pays d’Europe continentale interdit la collecte de données nominatives relatives à la race ou à l’origine ethnique (principe constitutionnel d’indivisibilité et dispositions de la CNIL). En conséquence, l’impact disparate relatif à l’origine y est rarement évalué par des équations directes sur les données du personnel. Il est principalement documenté de façon externe par la méthode des « testings » sur CV anonymes menés par des chercheurs en sciences sociales. En revanche, l’évaluation de l’impact disparate fondé sur le sexe, le handicap ou l’âge est obligatoire dans l’Union européenne grâce aux rapports périodiques d’égalité professionnelle.
Dans les économies émergentes et multiculturelles comme l’Afrique du Sud, le cadre législatif (notamment l’Employment Equity Act) impose une démarche proactive qui transcende le simple évitement de l’impact disparate : l’employeur doit concevoir des critères de sélection spécifiquement adaptés pour corriger activement les déséquilibres historiques causés par l’apartheid, transformant la neutralité statistique en une obligation de résultat distributif.
13. Critiques, controverses et limites
L’utilisation de la doctrine de l’impact disparate fait l’objet de vives controverses théoriques, méthodologiques et idéologiques :
Une première critique majeure émane des tenants de l’approche méritocratique stricte. Des chercheurs soutiennent que si un test possède une validité prédictive parfaitement établie et sans biais de mesure au sens strict (même courbe de régression pour tous), refuser d’utiliser ses résultats ou abaisser les exigences pour éliminer l’impact disparate revient à sous-optimiser sciemment la productivité économique de l’organisation. Selon cette perspective, l’impact disparate n’est que le reflet statistique d’inégalités socio-éducatives préexistantes que le système de recrutement n’a pas la responsabilité structurelle de compenser.
Une seconde controverse réside dans les imperfections méthodologiques intrinsèques de la règle des 80 %. Lorsque la cohorte évaluée est modeste (par exemple 15 candidats), l’acceptation ou le rejet d’un seul individu peut faire basculer le ratio en dessous ou au-dessus de 0,80, générant des faux positifs d’impact disparate dus à la simple volatilité d’échantillonnage. Inversement, sur des volumes massifs de centaines de milliers de candidats, des écarts infimes et sans pertinence pratique peuvent s’avérer statistiquement significatifs au sens des tests d’hypothèse nulle ($p < 0{,}001$).
Enfin, le débat juridique entourant l’impact disparate place souvent les employeurs dans une aporie difficile : modifier une méthode de sélection après coup pour neutraliser un impact disparate peut exposer l’organisation à des poursuites pour traitement disparate inversé de la part des candidats majoritaires évincés, comme l’a illustré la décision Ricci aux États-Unis.
14. Termes connexes et distinctions conceptuelles
La maîtrise de la thématique exige d’opérer des distinctions nettes entre des concepts souvent confondus :
- Traitement disparate (Disparate Treatment) : Discrimination intentionnelle et manifeste où des individus reçoivent un traitement différentiel explicite en raison de leur appartenance à un groupe protégé. L’impact disparate, lui, se caractérise par une pratique apparemment neutre dénuée d’intention hostile mais aux conséquences inégales.
- Discrimination indirecte : Équivalent juridique exact de l’impact disparate en droit européen. Elle désigne une disposition, un critère ou une pratique apparemment neutre susceptible d’entraîner un désavantage particulier pour des personnes d’une catégorie protégée, à moins que cette pratique ne soit objectivement justifiée par un objectif légitime et proportionné.
- Biais de test (Test Bias) : Erreur systématique inhérente à l’instrument psychométrique lui-même (non-invariance de mesure, fonctionnement différentiel des items). Un test peut être totalement exempt de biais psychométrique tout en produisant un fort impact disparate en raison de différences réelles dans la distribution des scores.
- Action positive (Affirmative Action / Discrimination positive) : Démarche volontariste proactive visant à favoriser délibérément l’embauche ou la promotion de groupes historiquement désavantagés, alors que l’évitement de l’impact disparate vise uniquement à garantir la neutralité des conséquences des processus d’évaluation ordinaires.
- Validité critériée : Degré auquel les scores d’un test corrèlent de façon significative avec une mesure tangible du rendement au travail. C’est l’argument de défense central requis par la loi pour légitimer un outil de sélection produisant un impact disparate.
15. Synthèse et points clés
L’impact disparate incarne la complexité des défis éthiques et scientifiques qui traversent la psychologie moderne du travail et de l’évaluation :
Il caractérise l’effet asymétrique et disproportionné d’un critère de sélection uniforme sur un groupe protégé, indépendamment de toute mauvaise foi de la part des recruteurs.
Sa détection repose sur des outils combinés : la règle pratique des quatre cinquièmes (80 %) et des indices d’inférence statistique confirmant la non-aléatoirité des écarts constatés.
Face à cet écueil, la solution ne réside pas dans l’abandon de la rigueur scientifique des évaluations, mais dans le déploiement d’outils diversifiés et complémentaires (personnalité, mises en situation, entretiens structurés) et dans une surveillance scrupuleuse des algorithmes modernes pour bâtir des organisations à la fois hautement compétentes et équitables.
Références
- Cascio, W. F., Outtz, J., Zedeck, S., & Goldstein, I. L. (1991). Statistical implications of minimum qualification cutoffs on adverse impact and utility. Journal of Applied Psychology, 76(3), 395–401. https://doi.org/10.1037/0021-9010.76.3.395
- Equal Employment Opportunity Commission. (1978). Uniform guidelines on employee selection procedures. Federal Register, 43(166), 38290–38315.
- Landers, R. N., & Behrend, T. S. (2023). Auditing the AI hire: Ensuring fairness and reducing adverse impact in algorithmic pre-employment selection. American Psychologist, 78(1), 36–49. https://doi.org/10.1037/amp0001003
- Murphy, K. R., & Dzieweczynski, J. L. (2005). Why do tests of general cognitive ability predict performance? Current Directions in Psychological Science, 14(2), 90–94. https://doi.org/10.1111/j.0963-7214.2005.00341.x
- Sackett, P. R., Schmitt, N., Ellingson, J. E., & Kabin, M. B. (2001). High-stakes testing in employment, credentialing, and higher education: Prospects in a post-affirmative-action world. American Psychologist, 56(4), 302–318. https://doi.org/10.1037/0003-066X.56.4.302
- Schmitt, N., Rogers, W., Chan, D., Sheppard, L., & Jennings, D. (1997). Adverse impact and predictive efficiency of various predictor combinations. Journal of Applied Psychology, 82(5), 719–730. https://doi.org/10.1037/0021-9010.82.5.719