📈 economics

Strategic Costs of Perceived Bias in Fair Selection

यह शोध पत्र एक गेम-थ्योरेटिक मॉडल का उपयोग करके यह प्रदर्शित करता है कि कैसे सामाजिक संदर्भ और एआई (AI) उपकरणों से प्रभावित उम्मीदवारों के कथित चयन-पश्चात मूल्य में असमानताएं, प्रयास में तर्कसंगत अंतर को प्रेरित करती हैं जो अन्यथा योग्यता-आधारित चयन प्रक्रियाओं के माध्यम से असमानता को प्रसारित करती हैं, जिससे संस्थागत नीतियों को अनुकूलित करने और इन धारणा-संचालित पूर्वाग्रहों को कम करने के लिए एक ढांचा प्राप्त होता है।

मूल लेखक: L. Elisa Celis, Lingxiao Huang, Milind Sohoni, Nisheeth K. Vishnoi

प्रकाशित 2026-03-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: L. Elisa Celis, Lingxiao Huang, Milind Sohoni, Nisheeth K. Vishnoi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक विशाल, उच्च-दांव वाली दौड़ चल रही है जहाँ हर कोई एक प्रतिष्ठित टीम में जगह पाने की कोशिश कर रहा है। नियम कहते हैं कि दौड़ निष्पक्ष (fair) है: जो व्यक्ति सबसे तेज़ दौड़ता है (जो सबसे अधिक प्रयास करता है) वही जीतता है, चाहे वह कोई भी हो, कहीं से भी आया हो, या वह कैसा भी दिखता हो।

यह शोध पत्र एक पेचीदा सवाल पूछता है: क्या होगा अगर धावक यह विश्वास करने लगें कि फिनिश लाइन (जीत की रेखा) उनके लिए दूसरों की तुलना में कम मूल्यवान है?

भले ही दौड़ खुद पूरी तरह से निष्पक्ष हो, यह शोध पत्र तर्क देता है कि धारणा (perception) असमानता के एक 'स्व-सिद्ध भविष्यवाणात्मक चक्र' (self-fulfilling prophecy) को जन्म दे सकती है। यहाँ इस शोध पत्र की कहानी है, जिसे सरल अवधारणाओं में विभाजित किया गया है।

1. दौड़ और "इनाम"

इस मॉडल में, धावकों के दो समूह हैं:

समूह A (लाभान्वित): वे विश्वास करते हैं कि यदि वे जीतते हैं, तो उन्हें एक बड़ा पुरस्कार मिलेगा (एक शानदार नौकरी, उच्च वेतन, एक शानदार जीवन)।
समूह B (वंचित): वे विश्वास करते हैं कि भले ही वे जीत जाएं, इनाम छोटा होगा। शायद उन्हें समाज द्वारा, या पक्षपाती AI टूल्स द्वारा बताया गया है कि "आप जैसे लोगों को उतना वेतन नहीं मिलता" या "आपको समान अवसर नहीं मिलेंगे।"

उपमा: कल्पना कीजिए कि समूह A सोचता है कि इनाम एक गोल्डन टिकट है जो एक ऐसी फैक्ट्री में जाता है जहाँ अनंत चॉकलेट बनती है। समूह B सोचता है कि इनाम सिर्फ एक साधारण कैंडी बार है।

2. दौड़ने की लागत

तेज़ दौड़ने में ऊर्जा खर्च होती है। यह थका देने वाला है।

यदि आप सोचते हैं कि इनाम एक गोल्डन टिकट है, तो आप तब तक दौड़ने के लिए तैयार होंगे जब तक आपके फेफड़े जलने न लगें। आप अपनी सीमाओं को पार करेंगे क्योंकि इनाम उस दर्द के लायक है।
यदि आप सोचते हैं कि इनाम सिर्फ एक कैंडी बार है, तो आप निर्णय ले सकते हैं, "क्या सिर्फ एक कैंडी बार के लिए दौड़ने में इतना कष्ट सहना उचित है?" इसलिए, आप एक आरामदायक गति से दौड़ते हैं।

परिणाम: भले ही दौड़ के निर्णायक (विश्वविद्यालय या भर्ती करने वाली कंपनी) इस बात के प्रति अंधे हैं कि कौन दौड़ रहा है और वे केवल इस पर ध्यान देते हैं कि कौन सबसे तेज़ है, समूह A तेज़ी से दौड़ता है क्योंकि वे विश्वास करते हैं कि इनाम बड़ा है। समूह B धीमा दौड़ता है क्योंकि वे मानते हैं कि इनाम छोटा है।

3. "धारणा-संचालित पूर्वाग्रह" (Perception-Driven Bias)

यह इस शोध पत्र की मुख्य खोज है। पूर्वाग्रह दौड़ के नियमों में नहीं है; यह धावकों के मन में है।

क्योंकि समूह B कम उम्मीद करता है, वे कम प्रयास करते हैं।
क्योंकि वे कम प्रयास करते हैं, वे धीमे दौड़ते हैं।
क्योंकि वे धीमे दौड़ते हैं, वे हार जाते हैं।
क्योंकि वे हार जाते हैं, उनका यह विश्वास कि "हम जैसे लोग इनाम नहीं पाते" और भी पुख्ता हो जाता है।

यह एक दुष्चक्र है। सिस्टम "योग्यता-आधारित" (कौशल/प्रयास पर आधारित) दिखता है, लेकिन इनाम की धारणा ने खेल शुरू होने से पहले ही इसे बिगाड़ दिया है।

4. "उम्मीद की दहलीज" (Threshold of Hope)

लेखक गणित का उपयोग करके एक "टिपिंग पॉइंट" (निर्णायक बिंदु) का पता लगाते हैं।
कल्पना कीजिए कि जीतने के लिए 100 मील प्रति घंटा की गति की आवश्यकता है।

यदि समूह B विश्वास करता है कि इनाम इसके लायक है, तो वे 100 मील प्रति घंटा तक पहुँचने के लिए खुद को झोंक देंगे।
लेकिन यदि उनका विश्वास बहुत कम है (पूर्वाग्रह बहुत अधिक है), तो वे तय कर सकते हैं, "मैं केवल 80 मील प्रति घंटा की गति से दौड़ूँगा क्योंकि मैं इस इनाम के लिए इतना ही करने को तैयार हूँ।"
यदि आवश्यक गति 100 है, और वे केवल 80 पर दौड़ते हैं, तो उनके समूह से कोई भी नहीं जीतता। प्रतिनिधित्व शून्य तक गिर जाता है।

शोध पत्र दिखाता है कि समूह द्वारा इनाम को महत्व देने के तरीके में छोटे बदलाव भी यह दिखाने में भारी, गैर-रैखिक गिरावट (massive, non-linear drops) ला सकते है कि उनके समूह से वास्तव में कितने लोग चुने जाते हैं।

5. इसे कैसे ठीक करें (हस्तक्षेप)

यह शोध पत्र केवल समस्या की ओर इशारा नहीं करता है; यह इसे ठीक करने के लिए एक "मेनू" भी प्रदान करता है। संस्थानों (जैसे विश्वविद्यालयों या कंपनियों) के पास दो लीवर हैं जिन्हें वे खींच सकते हैं:

विकल्प A: मानक को कम करना (बढ़ी हुई चयनात्मकता/Selectivity)

दौड़ को आसान बनाएं। 100 मील प्रति घंटा के बजाय, शायद 90 मील प्रति घंटा ही काफी है।
लाभ: समूह B के अधिक लोग तुरंत जीत सकते हैं।
हानि: विजेताओं की "औसत गुणवत्ता" थोड़ी कम हो सकती है (संस्थान को कुल मिलाकर थोड़ा कम "योग्यता" प्राप्त होगी)।

विकल्प B: इनाम को बदलना (पूर्वाग्रह को कम करना)

समूह B को यह विश्वास दिलाएं कि इनाम वास्तव में एक गोल्डन टिकट है, न कि एक कैंडी बार। इसका अर्थ है वेतन अंतर को ठीक करना, भर्ती के बाद निष्पक्ष व्यवहार सुनिश्चित करना, या पक्षपाती AI टूल्स को गलत सलाह देने से रोकना।
लाभ: समूह B स्वाभाविक रूप से तेज़ी से दौड़ना शुरू कर देगा क्योंकि वे इनाम में विश्वास करते हैं। विजेताओं की "योग्यता" ऊँची बनी रहती है।
हानि: यह करना कठिन है। इसके लिए गहरे बैठे सामाजिक विश्वासों को बदलने या जटिल प्रणालीगत मुद्दों को ठीक करने की आवश्यकता होती है।

शोध पत्र की सलाह:

यदि अंतर बहुत बड़ा है, तो मानक को कम करना (विकल्प A) लोगों को अंदर लाने का सबसे तेज़ और सस्ता तरीका है।
यदि अंतर छोटा है, तो धारणा को ठीक करना (विकल्प B) बेहतर है क्योंकि यह मानकों को कम किए बिना लोगों को कड़ी मेहनत करने के लिए प्रेरित करता है।

व्यापक परिदृश्य (The Big Picture)

यह शोध पत्र असमानता को देखने के दो तरीकों के बीच के अंतर को पाटता है:

संरचनात्मक (Structural): "सिस्टम टूटा हुआ है।"
तर्कसंगत विकल्प (Rational Choice): "लोग उनके पास मौजूद जानकारी के आधार पर स्मार्ट निर्णय ले रहे हैं।"

लेखक दिखाते हैं कि दोनों सच हैं। सिस्टम निष्पक्ष दिखता है, लेकिन धावकों के मन में सफलता के मूल्य की धारणा (जो इतिहास, समाज और यहाँ तक कि AI द्वारा आकार लेती है) के कारण, वे ऐसे तर्कसंगत निर्णय लेते हैं जो अनुचित परिणामों की ओर ले जाते हैं।

संक्षेप में: आप एक निष्पक्ष दौड़ का ट्रैक तभी नहीं बना सकते जब धावकों को विश्वास ही न हो कि फिनिश लाइन पार करने का इनाम सार्थक है। असमानता को ठीक करने के लिए, हमें न केवल दौड़ के नियमों को, बल्कि धावकों के मन में इनाम के मूल्य को भी ठीक करना होगा।

यहाँ सेलिस, हुआंग, सोहोनी और विश्नोई के शोध पत्र "Strategic Costs of Perceived Bias in Fair Selection" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र योग्यता-आधारित प्रणालियों (जैसे विश्वविद्यालय प्रवेश, भर्ती) में एक विरोधाभास को संबोधित करता है: औपचारिक तटस्थता और समान चयन मानदंडों के बावजूद, नस्ल, लिंग और वर्ग के बीच महत्वपूर्ण असमानताएं बनी रहती हैं। जबकि पारंपरिक स्पष्टीकरण संरचनात्मक बाधाओं (संसाधनों तक असमान पहुँच) या सांख्यिकीय भेदभाव (चयनकर्ताओं के पक्षपाती विश्वास) पर ध्यान केंद्रित करते हैं, यह शोध पत्र धारणा-संचालित पूर्वाग्रह (perception-driven bias) की जाँच करता है।

मुख्य परिकल्पना यह है कि विभिन्न सामाजिक-आर्थिक समूहों के उम्मीदवारों के पास चुने जाने के अनुमानित मूल्य (perceived values of being selected - $v$ ) अलग-अलग हो सकते हैं। ये धारणाएं सामाजिक संदर्भ, ऐतिहासिक असमानताओं और तेजी से बढ़ते एल्गोरिदम संबंधी उपकरणों (जैसे LLMs जो पक्षपाती करियर या वेतन मार्गदर्शन प्रदान करते हैं) द्वारा आकार लेती हैं। भले ही चयन प्रक्रिया पूरी तरह से निष्पक्ष हो, तर्कसंगत एजेंट इन अनुमानित प्रतिफलों (perceived returns) के आधार पर अपने प्रयास के स्तर को रणनीतिक रूप से समायोजित करेंगे। यदि समूह A, समूह B की तुलना में सफलता के कम प्रतिफल को महसूस करता है, तो समूह A तर्कसंगत रूप से कम प्रयास करेगा, जिससे प्रतिनिधित्व और कल्याण में कमी आएगी, और इस प्रकार एक "निष्पक्ष" तंत्र के माध्यम से असमानता बनी रहेगी।

2. कार्यप्रणाली (Methodology)

लेखक कॉन्टेस्ट थ्योरी (contest theory) और एल्गोरिथमिक फेयरनेस (algorithmic fairness) की अवधारणाओं को मिलाते हुए एक गेम-थ्योरेटिक मॉडल (game-theoretic model) विकसित करते हैं।

मॉडल:
- एजेंट (Agents): $n$ एजेंटों की एक जनसंख्या जो दो समूहों में विभाजित है: एक विशेषाधिकार प्राप्त समूह $G_1$ (आकार $(1-\alpha)n$ ) और एक वंचित समूह $G_2$ (आकार $\alpha n$ )।
- मूल्यांकन (Valuations): प्रत्येक एजेंट $i$ के पास चुने जाने के लिए निजी मूल्यांकन $v_i$ होता है। $v_i \sim p_\ell$ समूह $\ell$ के लिए है। मॉडल एक स्केलिंग फैक्टर $\rho \in (0, 1]$ के माध्यम से प्रणालीगत नुकसान को मानता है, जहाँ $p_2(v) = \frac{1}{\rho}p_1(\frac{v}{\rho})$ । इसका अर्थ है कि $E[v_2] = \rho E[v_1]$ ।
- प्रयास और योग्यता (Effort and Merit): एजेंट अपेक्षित लाभ (expected payoff) को अधिकतम करने के लिए प्रयास $e_i$ चुनते हैं। दृश्यमान स्कोर $s_i = e_i + a_i$ है (जहाँ $a_i$ प्रारंभिक क्षमता है)। चयन शीर्ष $k = cn$ स्कोरों के आधार पर किया जाता है।
- प्रतिफल (Payoff): $\pi_i = \mathbb{I}(\text{selected}) \cdot v_i - e_i$ ।
- लक्ष्य: नैश इक्विलिब्रियम (Nash Equilibrium - NE) रणनीतियों का लक्षण वर्णन करना और प्रतिनिधित्व अनुपात ( $r_R$ ) और सामाजिक कल्याण अनुपात ( $r_S$ ) जैसे मेट्रिक्स का विश्लेषण करना।
विश्लेषणात्मक दृष्टिकोण:
- लेखक लार्ज-एजेंट लिमिट ( $n \to \infty$ ) का विश्लेषण करते हैं ताकि सुलभ क्लोज्ड-फॉर्म समाधान प्राप्त किए जा सकें, क्योंकि परिमित- $n$ (finite- $n$ ) नीतियां जटिल और अक्सर असममित होती हैं।
- वे बड़े पैमाने पर एक सममित NE के अस्तित्व और विशिष्टता को सिद्ध करते हैं और परिमित- $n$ नीतियों के इस सीमा (limit) की ओर अभिसरण दर ( $O(\sqrt{\log n / n})$ ) स्थापित करते हैं।
- वे यूनिफॉर्म डिस्ट्रीब्यूशन के तहत प्रमुख मेट्रिक्स के लिए स्पष्ट सूत्र व्युत्पन्न करते हैं और हस्तक्षेपों को डिजाइन करने के लिए एक कॉस्ट-सेंसिटिव ऑप्टिमाइजेशन फ्रेमवर्क का प्रस्ताव करते हैं।

3. मुख्य योगदान (Key Contributions)

धारणा-संचालित पूर्वाग्रह का मॉडलिंग (Modeling Perception-Driven Bias):
यह शोध पत्र एक नया ढांचा पेश करता है जहाँ पूर्वाग्रह चयन नियम में नहीं, बल्कि उम्मीदवारों के मूल्यांकन वितरण (valuation distribution) में है। यह प्रदर्शित करता है कि कैसे अनुमानित चयन पश्चात मूल्य ( $\rho$ ) में अंतर अकेले प्रयास में तर्कसंगत अंतर पैदा कर सकता है, जिससे एक "ब्लाइंड" योग्यता प्रतियोगिता में भी असमानताएं उत्पन्न होती हैं।
इक्विलिब्रियम लक्षण वर्णन (Equilibrium Characterization - Theorem 4.1):
लेखक सिद्ध करते हैं कि बड़े- $n$ सीमा में, दोनों समूहों के लिए NE नीति एक एकल थ्रेशोल्ड रणनीति (single threshold strategy) $s(v, a)$ की ओर अभिसरित होती है।
- एजेंट केवल तभी प्रयास करते हैं जब उनका संयुक्त मूल्यांकन और क्षमता ( $v+a$ ) एक वैश्विक थ्रेशोल्ड $t$ से अधिक हो।
- थ्रेशोल्ड $t$ , $(1-\alpha)F_1(t) + \alpha F_2(t) = 1-c$ का एकमात्र समाधान है, जहाँ $F_\ell$ समूहों के CDF हैं।
- इसका तात्पर्य है कि संतुलन में, अंतर्निहित मूल्यांकन विषमता के बावजूद, रणनीतिक वातावरण प्रभावी रूप से समूहों में समान हो जाता है।
माइक्रो-टू-मैक्रो मेट्रिक विश्लेषण (Micro-to-Macro Metric Analysis):
शोध पत्र निम्नलिखित के लिए क्लोज्ड-फॉर्म अभिव्यक्तियाँ व्युत्पन्न करता है:
- प्रतिनिधित्व अनुपात ( $r_R$ ): समूहों के बीच चयन दरों का अनुपात।
- सामाजिक कल्याण अनुपात ( $r_S$ ): औसत शुद्ध प्रतिफल का अनुपात।
- संस्थागत राजस्व ($RV$): चयनित एजेंटों की औसत योग्यता।
- मुख्य निष्कर्ष: ये मेट्रिक्स गैर-रेखीय व्यवहार (non-linear behavior) और तीक्ष्ण थ्रेशोल्ड प्रदर्शित करते हैं। उदाहरण के लिए, यदि पूर्वाग्रह $\rho$ , चयनात्मकता $c$ के सापेक्ष एक महत्वपूर्ण मान से नीचे गिर जाता है, तो वंचित समूह पूरी तरह से भागीदारी बंद कर सकता है ( $r_R = 0$ )।
हस्तक्षेप डिजाइन फ्रेमवर्क (Intervention Design Framework):
लेखक निष्पक्षता लक्ष्यों (जैसे "80% नियम" जहाँ $r_R \ge 0.8$ ) को पूरा करने के लिए आवश्यक हस्तक्षेपों की लागत को कम करने हेतु एक बाधा-युक्त अनुकूलन समस्या (constrained optimization problem) तैयार करते हैं।
- लीवर्स (Levers): संस्थान या तो चयनात्मकता ( $c$ ) बढ़ा सकते हैं या मूल्यांकन पूर्वाग्रह ( $\rho$ ) को कम कर सकते हैं।
- ट्रेड-ऑफ (Trade-offs): विश्लेषण से पता चलता है कि उच्च असमानता लक्ष्यों के लिए, पहुंच बढ़ाना (raising $c$ ) अधिक लागत प्रभावी है, जबकि छोटे अंतराल को कम करने के लिए, अनुमानित मूल्य में सुधार करना (raising $\rho$ ) बेहतर है।

4. मुख्य परिणाम और निष्कर्ष (Key Results and Findings)

"धारणा-संचालित" तंत्र (The "Perception-Driven" Mechanism): असमानताएं केवल संरचनात्मक बाधाओं का परिणाम नहीं हैं, बल्कि कम प्रतिफल के प्रति तर्कसंगत प्रतिक्रियाएँ हैं। यदि कोई समूह मानता है कि सफलता का प्रतिफल कम है (कम $\rho$ ), तो वे तर्कसंगत रूप से प्रयास में कम निवेश करते हैं, जिससे कम चयन दर होती है।
तीक्ष्ण थ्रेशोल्ड (Sharp Thresholds): $\rho$ $ρ$ के लिए एक महत्वपूर्ण थ्रेशोल्ड है (विशेष रूप से $\rho_c = 1 - \frac{c}{1-\alpha}$ $ρ_{c} = 1 - \frac{c}{1 - α}$ )।
- यदि $\rho < \rho_c$ , तो वंचित समूह शून्य प्रयास करता है, जिसके परिणामस्वरूप शून्य प्रतिनिधित्व होता है।
- यदि $\rho > \rho_c$ , तो प्रतिनिधित्व और कल्याण $\rho$ के साथ गैर-रेखीय रूप से बढ़ते हैं।
चयनात्मकता का प्रभाव (Impact of Selectivity): चयनात्मकता बढ़ाना (कम $c$ ) असमानताओं को बढ़ा देता है। अत्यधिक प्रतिस्पर्धी वातावरण (कम $c$ ) में, अनुमानित मूल्य में छोटे अंतर भी प्रतिनिधित्व में भारी अंतर पैदा कर देते हैं।
हस्तक्षेप अंतर्दृष्टि (JEE केस स्टडी): JEE एडवांस्ड 2024 परीक्षा के डेटा का उपयोग करके, लेखकों ने मॉडल को कैलिब्रेट किया। उन्होंने पाया कि 80% प्रतिनिधित्व अनुपात प्राप्त करने के लिए:
- यदि अंतर बड़ा है, तो केवल चयन दर ( $c$ ) बढ़ाना, अनुमानित मूल्य पूर्वाग्रह ( $\rho$ ) को ठीक करने की तुलना में अक्सर सस्ता होता है।
- हालांकि, जैसे-जैसे अंतर कम होता है, धारणा पूर्वाग्रह को ठीक करना अधिक कुशल मार्ग बन जाता है।
राजस्व बनाम निष्पक्षता (Revenue vs. Fairness): शोध पत्र एक ट्रेड-ऑफ दिखाता है: निष्पक्षता (वंचित समूह के लिए थ्रेशोल्ड कम करके) में सुधार के लिए चयनात्मकता ( $c$ ) बढ़ाना वास्तव में चयनित पूल की औसत योग्यता (राजस्व) को कम कर देता है क्योंकि यह वैश्विक थ्रेशोल्ड $t$ को कम कर देता है।

5. महत्व और निहितार्थ (Significance and Implications)

तर्कसंगत विकल्प और संरचनात्मक असमानता के बीच सेतु (Bridging Rational Choice and Structural Inequality): यह शोध पत्र दो विचारधाराओं को जोड़ता है। यह दिखाता है कि संरचनात्मक असमानताएं (अनुमानित मूल्य) तर्कसंगत व्यक्तिगत विकल्पों (प्रयास) के रूप में प्रकट हो सकती हैं, जिससे एक फीडबैक लूप बनता है जो बिना किसी स्पष्ट भेदभाव के असमानता को बनाए रखता है।
AI की भूमिका: यह AI उपकरणों के एक महत्वपूर्ण जोखिम को उजागर करता है: यदि LLMs पक्षपाती वेतन या करियर सलाह प्रदान करते हैं, तो वे प्रभावी रूप से मॉडल में पैरामीटर $\rho$ को बदल देते हैं, जिससे तर्कसंगत एजेंट योग्यता-आधारित प्रक्रियाओं से हटने लग सकते हैं, जिससे उस पूर्वाग्रह की पुष्टि होती है जिसके बारे में उन्हें चेतावनी दी गई थी।
नीति डिजाइन (Policy Design): यह कार्य संस्थानों के लिए एक मात्रात्मक टूलकिट प्रदान करता है। यह सुझाव देता है कि केवल "निष्पक्ष" चयन प्रक्रियाएं पर्याप्त नहीं हैं; संस्थानों को विभिन्न समूहों के लिए चयन के अनुमानित मूल्य को सक्रिय रूप से प्रबंधित करना चाहिए (जैसे मेंटरशिप, पारदर्शी वेतन डेटा, या लक्षित सहायता के माध्यम से) ताकि वंचित समूहों की भागीदारी के पतन को रोका जा सके।
सैद्धांतिक प्रगति: यह विषम मूल्यांकनों के साथ मल्टी-ग्रुप सेटिंग्स में कॉन्टेस्ट थ्योरी का विस्तार करता है, जो पहले एक खुली चुनौती थी, इसमें बड़े समुदायों में सामर्थ्य (equilibrium) के अस्तित्व और अभिसरण के लिए कठोर प्रमाण प्रदान करता है।

संक्षेप में, यह शोध पत्र तर्क देता है कि निष्पक्षता केवल चयन नियम के बारे में नहीं है, बल्कि परिणाम के अनुमानित मूल्य द्वारा बनाए गए प्रोत्साहन (incentives) के बारे में भी है। धारणा के अंतर को संबोधित किए बिना, योग्यता-आधारित प्रणालियाँ स्वाभाविक रूप से उम्मीदवारों के तर्कसंगत व्यवहार के माध्यम से मौजूदा असमानताओं को पुन: उत्पन्न करेंगी।