Riset UW: AI Penilai Wawancara Terbukti Bias Terhadap Aksen Non-Barat
Studi University of Washington mengungkap model audio AI OpenAI dan Google memberi skor lebih rendah bagi aksen non-Barat meski materi ucapan identik.
Foto: TechXplore (Dokumentasi editorial)
Poin penting
- Model audio AI terkemuka memberi skor wawancara lebih rendah pada aksen non-Barat meski teks identik.
- Riset menguji GPT-Audio 1.5, Gemini 2.5, dan Qwen 3 Omni memakai aneka naskah serta 52 penutur manusia.
- Model mentranskripsi kata secara akurat tetapi tetap memotong skor penyampaian dan isi jawaban.
Penggunaan kecerdasan buatan untuk menyaring kandidat karyawan kian populer di berbagai perusahaan global. Namun, teknologi evaluasi berbasis audio ini terbukti masih menyimpan bias bawaan yang dapat merugikan pelamar kerja.
Menurut laporan University of Washington yang dilansir TechXplore, model AI audio unggulan mendiskriminasi penutur beraksen non-Barat saat menilai wawancara kerja, presentasi, dan ujian kemampuan bahasa Inggris.
Skor Rendah Meski Transkripsi Tepat
Tim peneliti menguji empat sistem terdepan: GPT-Audio 1.5 dari OpenAI, Gemini 2.5 Pro dan Gemini 2.5 Flash milik Google, serta model terbuka Qwen 3 Omni. Model multimodal tersebut dievaluasi menggunakan suara sintetis ElevenLabs dan diverifikasi oleh 52 penutur manusia dari lima negara terkait.
Model multimodal merupakan sistem AI yang mampu memproses beberapa bentuk data sekaligus, seperti teks dan suara langsung. Pengujian melibatkan lima variasi aksen bahasa Inggris, yaitu aksen Amerika, Inggris, India, Tiongkok, dan Nigeria.
Hasil evaluasi menunjukkan aksen Tiongkok dan Nigeria secara konsisten memperoleh nilai terendah pada skala 1 sampai 7. Aksen India berada di peringkat menengah, sementara aksen Amerika dan Inggris selalu menempati urutan teratas.
Model memahami ucapan penutur dengan baik, tetapi mereka memiliki hierarki implisit berdasarkan aksen pembicara.
Peneliti mencatat ketimpangan ini tetap muncul kendati naskah yang dibaca sama persis dan berhasil ditranskripsikan tanpa salah. Semakin jauh jarak akustik aksen dari pelafalan standar Amerika Serikat, semakin rendah skor penyampaian materi yang diberikan sistem.
Apa Artinya bagi Pelaku Usaha
Temuan ini menjadi peringatan penting bagi para pemimpin bisnis dan manajer personalia yang ingin mengotomatisasi tahap penyaringan kandidat. Mengandalkan penilaian audio AI sepenuhnya berisiko menyingkirkan pelamar kompeten hanya karena gaya pelafalan mereka berbeda dari standar negara Barat.
Pelaku usaha di Indonesia sebaiknya tidak menyerahkan keputusan kelolosan wawancara sepenuhnya kepada peranti lunak otomatis. Perusahaan perlu menerapkan tinjauan manusia sebagai penentu akhir sebelum menolak kandidat berdasarkan skor algoritma.
Bagi organisasi yang menggunakan vendor teknologi asesmen pihak ketiga, lakukan audit berkala terhadap parameter penilaian yang digunakan. Pertimbangkan untuk membatasi evaluasi otomatis hanya pada transkripsi teks netral, bukan analisis akustik suara yang rentan memicu bias penilaian.
- TechXplore: Leading AI models are biased against certain accents when scoring interviews, presentations and tests
Lihat hasil pemeriksaan (8 klaim)
| Klaim | Putusan | Dasar di sumber |
|---|---|---|
| Riset University of Washington menemukan model audio AI OpenAI dan Google memberi skor lebih rendah bagi aksen tertentu saat menilai wawancara, presentasi, dan ujian bahasa Inggris. | Didukung | “The team investigated how state-of-the-art multimodal language models, including two from Google and one from OpenAI, evaluated human speech in job interviews, conference presentations and spoken Eng” TechXplore menyatakan tim peneliti UW meneliti model multimodal Google dan OpenAI dalam evaluasi wawancara, presentasi, dan tes bahasa Inggris. |
| Model yang diuji meliputi GPT-Audio 1.5, Gemini 2.5 Pro, Gemini 2.5 Flash, dan Qwen 3 Omni. | Didukung | “three proprietary AI models—Google's Gemini 2.5 Pro and Gemini 2.5 Flash, and OpenAI's GPT-Audio 1.5—and one open-source model, Qwen 3 Omni.” TechXplore mencantumkan keempat model AI tersebut sebagai fokus studi. |
| Pengujian menggunakan suara sintetis ElevenLabs dan divalidasi oleh 52 penutur manusia. | Didukung | “To study differences at scale, they had AI voices from ElevenLabs read the same pieces of text to the AI models being tested. They validated the results with 52 human speakers from the five countries.” TechXplore melaporkan penggunaan suara AI ElevenLabs serta validasi terhadap 52 penutur manusia dari lima negara. |
| Pengujian mencakup lima aksen bahasa Inggris: Amerika, Inggris, India, Tiongkok, dan Nigeria. | Didukung | “The models scored responses from voices speaking English with five different accents: American, British, Chinese, Indian and Nigerian.” TechXplore merinci lima aksen yang diuji dalam penelitian tersebut. |
| Model AI memberi peringkat terendah untuk aksen Tiongkok dan Nigeria, India di tengah, serta Amerika dan Inggris di peringkat tertinggi. | Didukung | “The AI models generally ranked Chinese and Nigerian accents the lowest, Indian in the middle and American and British the highest.” TechXplore memaparkan urutan peringkat skor aksen yang dihasilkan oleh model-model AI tersebut. |
| Penilaian dilakukan menggunakan skala 1 sampai 7 untuk penyampaian dan isi jawaban. | Didukung | “The four AI models then rated the responses on a scale of 1 to 7 for both delivery and content and gave a brief explanation for their scores.” TechXplore menyebutkan skala penilaian 1 hingga 7 untuk aspek delivery dan content. |
| Perbedaan skor tetap terjadi meski naskah ucapan identik dan model berhasil mentranskripsikan kata-kata penutur dengan tepat. | Didukung | “Even when the content was exactly the same and the models could accurately transcribe the speech, the systems ranked both the delivery and content higher for the American and British speakers.” TechXplore mencatat bahwa skor tetap bias kendati kontennya sama dan transkripsi akurat. |
| Semakin jauh jarak akustik aksen dari aksen Amerika, semakin rendah skor yang diberikan oleh model. | Didukung | “They then measured their "acoustic distance" and found that accents further from Americans' were often ranked lower.” TechXplore mengonfirmasi korelasi antara jarak akustik terhadap aksen Amerika dengan penurunan skor. |
Video AI terbaru
Messi asks ChatGPT to reimagine his room
