这可能会让很多人感到意外，但在某些情况下，即使对申请者群体一无所知，也有可能检测出遴选过程中的偏见。令人振奋的是，这意味着——除其他方面外——第三方也可以利用这种方法来检测偏见，无论负责遴选的人是否愿意被检测。

只要满足以下条件，你就可以使用这种方法：(a) 你至少拥有获选申请者的一个随机样本，(b) 他们的后续表现得到了衡量，以及 (c) 你所比较的各组申请者其能力分布大致相等。

它是如何运作的呢？想想偏见意味着什么。一个遴选过程对 x 类申请者存在偏见，意味着他们更难通过遴选。也就是说，x 类申请者必须比非 x 类申请者更优秀才能被选中。[1] 也就是说，那些通过遴选的 x 类申请者，其表现将会超过其他成功的申请者。而如果所有成功申请者的表现都得到了衡量，你就会知道他们是否真的如此。

当然，你用来衡量表现的测试本身必须是有效的。特别是，它不能被你试图衡量的偏见所扭曲。但在某些领域，表现是可以被衡量的，在这些领域检测偏见就很直接。想知道遴选过程是否对某类申请者存在偏见？看看他们是否比其他人表现更好。这不仅仅是一种检测偏见的启发式方法。这就是偏见的本质含义。

例如，许多人怀疑风险投资公司对女性创始人存在偏见。这很容易检测：在其投资组合公司中，有女性创始人的初创公司是否比没有女性创始人的表现更好？几个月前，一家风险投资公司（几乎可以肯定是无意中）发布了一项显示此类偏见的研究。First Round Capital 发现，在其投资组合中，有女性创始人的初创公司比没有女性创始人的表现更好，高出 63%。[2]

我一开始说这种方法会让许多人感到意外，原因在于我们很少看到这类分析。我确信，对于 First Round 来说，他们自己做了一项这样的分析也会让他们感到意外。我怀疑他们中没有人意识到，通过将样本限制在自己的投资组合内，他们所做的与其说是对初创公司趋势的研究，不如说是对自己挑选公司时偏见的研究。

我预测，未来我们会看到这种方法得到更广泛的应用。进行此类研究所需的信息正变得越来越容易获取。关于谁申请了什么的数据通常被负责遴选的机构严密保管，但如今，关于谁被选中的数据往往是公开的，任何愿意花精力去汇总的人都能获得。

注释

[1] 如果遴选过程对不同类型的申请者考察不同的方面，这种方法就行不通了——例如，如果雇主根据能力雇佣男性，却根据外貌雇佣女性。

[2] 正如 Paul Buchheit（保罗·布赫海特）所指出的，First Round 在这项研究中排除了其最成功的一项投资——Uber。虽然在某些类型的研究中排除异常值是合理的，但对于以捕捉异常值为核心的初创公司投资回报研究来说，则并非如此。

感谢 Sam Altman（山姆·奥特曼）、Jessica Livingston（杰西卡·利文斯顿）和 Geoff Ralston（杰夫·拉尔斯顿）阅读本文的草稿。