Διακρίσεις στην εργασία

Εισαγωγή

Η αναζήτηση εργασίας είναι το επόμενο βήμα στη ζωή ενός πρόσφατου απόφοιτου. Έτσι και εγώ έχω ξεκινήσει εδώ και κάμποσο καιρό να αναζητώ μία εργασία. Αυτό το διάστημα που έμπαινα σε σχετικές πλατφόρμες σε καθημερινή βάση παρατηρούσα έναν σημαντικό αριθμό αγγελιών οι οποίες έθεταν αρκετά αμφιλεγόμενους όρους. Από τη μία μεριά μπορεί κάποιος να ισχυριστεί ότι μπορεί ο εκάστοτε εργοδότης να θέτει τις δικές του προϋποθέσεις για το προσωπικό που θα απαρτίζει την επιχείρησή του. Αυτό είναι απολύτως λογικό. Το πρόβλημα ξεκινάει όταν υπάρχουν όροι το προσωπικό μας να έχει κάποια συγκεκριμένα χαρακτηριστικά τα οποία είναι έμφυτα, γεννιόμαστε με αυτά και (ως επί το πλείστον) δεν μπορούμε να τα αλλάξουμε. Φύλο, εθνικότητα, ηλικία ή ακόμα και γονίδια «ομορφιάς» είναι μερικές σχετικές απαιτήσεις που θα διαβάσουμε σε αρκετές αγγελίες. Προφανώς τα παραπάνω αποτελούν σοβαρές μορφές διακρίσεων οι οποίες κυριαρχούν ακόμα και σήμερα.

Αυτή η αρχική εντύπωση υποστηρίζεται και από τα στατιστικά στοιχεία. Οι διακρίσεις στην αγορά εργασίας δεν αφορούν μόνο μεμονωμένες αγγελίες, αλλά αντικατοπτρίζονται σε δομικές ανισότητες που καταγράφονται συστηματικά σε ευρωπαϊκό επίπεδο. Σύμφωνα με τη Eurostat, στην Ελλάδα τρεις κατηγορίες πληθυσμού αντιμετωπίζουν σταθερά δυσμενέστερους όρους στην αγορά εργασίας: οι γυναίκες, τα άτομα με αναπηρία και οι αλλοδαποί. Ας εξετάσουμε καθεμία ξεχωριστά.

Χάσμα φύλου στην απασχόληση

Ας ξεκινήσουμε με τις διαφορές μεταξύ φύλων, οι οποίες αποτελούν ίσως τη πιο διαδεδομένη μορφή εργασιακής ανισότητας. Θα αναζητήσουμε τα ποσοστά ανεργίας ανά φύλο και θα διαπιστώσουμε μία διαχρονική και συνεχιζόμενη μέχρι και σήμερα υψηλότερη ανεργία των γυναικών έναντι των ανδρών. Από το 1998, η ανεργία μεταξύ γυναικών δεν κατέβηκε ποτέ στα ίδια επίπεδα με αυτή των ανδρών. Ωστόσο, υπάρχει μια θετική τάση: η διαφορά μεταξύ των δύο φύλων έχει μειωθεί σταδιακά, από περίπου 10 ποσοστιαίες μονάδες το 1998 σε περίπου 4 ποσοστιαίες μονάδες σήμερα.

Αξίζει να σταθούμε στο τι συνέβη κατά τη διάρκεια της κρίσης. Μεταξύ 2010 και 2013, η ανεργία εκτοξεύτηκε και για τα δύο φύλα, αλλά το ενδιαφέρον είναι ότι η ψαλίδα μεταξύ ανδρών και γυναικών στένεψε. Αυτό δεν συνέβη επειδή βελτιώθηκε η θέση των γυναικών, αλλά επειδή η ανδρική ανεργία αυξήθηκε ραγδαία, ιδίως σε κλάδους όπως η οικοδομή και η μεταποίηση που πλήττονται πρώτοι σε περιόδους ύφεσης. Μετά το 2013, καθώς η οικονομία ανέκαμψε, η ψαλίδα άρχισε πάλι να ανοίγει ελαφρά, υπενθυμίζοντας ότι η σύγκλιση στα χρόνια της κρίσης ήταν εν μέρει πλασματική.

Πέρα από τα ποσοστά ανεργίας, η Ελλάδα εμφανίζει ένα από τα μεγαλύτερα χάσματα φύλου στην απασχόληση σε ολόκληρη την ΕΕ. Το 2024, η διαφορά στο ποσοστό απασχόλησης μεταξύ ανδρών και γυναικών ήταν 18,8 ποσοστιαίες μονάδες, η δεύτερη μεγαλύτερη στην Ένωση, αμέσως μετά την Ιταλία. Αντίθετα, σε χώρες όπως η Φινλανδία, η Λιθουανία και η Εσθονία, η διαφορά κυμαίνεται κάτω από 3 ποσοστιαίες μονάδες.

Το κλείσιμο της ψαλίδας που βλέπουμε στο αριστερό γράφημα αποτελεί θετική εξέλιξη, αλλά αν το συγκρίνουμε με τον μέσο όρο της ΕΕ (δεξιά), γίνεται φανερό ότι η Ελλάδα ξεκίνησε από πολύ χειρότερη αφετηρία. Στην ΕΕ, η διαφορά μεταξύ ανδρικής και γυναικείας ανεργίας κυμαίνεται σταθερά κάτω από 1 ποσοστιαία μονάδα τα τελευταία χρόνια, ενώ στην Ελλάδα παραμένει κοντά στις 4. Με άλλα λόγια, ακόμα κι αν η τάση είναι σωστή, ο ρυθμός σύγκλισης είναι αργός.

Πώς όμως τοποθετείται η Ελλάδα σε σχέση με τις υπόλοιπες χώρες της ΕΕ; Το παρακάτω γράφημα δείχνει τη διαφορά ανεργίας μεταξύ γυναικών και ανδρών (σε ποσοστιαίες μονάδες) για κάθε κράτος μέλος. Θετικές τιμές σημαίνουν ότι η ανεργία των γυναικών υπερβαίνει αυτή των ανδρών, ενώ αρνητικές τιμές υποδηλώνουν το αντίστροφο.

Στο γράφημα παρατηρούμε ότι η Ελλάδα (με κόκκινο) βρίσκεται σταθερά στις πρώτες θέσεις, μαζί με την Ισπανία και την Ιταλία. Δεν είναι τυχαίο ότι πρόκειται για μεσογειακές χώρες με παρόμοια πολιτισμικά χαρακτηριστικά: ισχυρός ρόλος της οικογένειας, περιορισμένη δημόσια παιδική μέριμνα, και παραδοσιακά πρότυπα καταμερισμού εργασίας στο νοικοκυριό. Από την άλλη πλευρά, χώρες της Βαλτικής και της Σκανδιναβίας εμφανίζουν μηδενική ή ακόμα και αρνητική διαφορά (δηλαδή χαμηλότερη γυναικεία ανεργία), κάτι που συνδέεται με εκτεταμένα δίκτυα παιδικής φροντίδας, γονική άδεια και για τους δύο γονείς, καθώς και πολιτικές ισότητας που εφαρμόζονται εδώ και δεκαετίες.

Ένα ακόμα σημείο που αξίζει σχολιασμού: σε αρκετές ανατολικοευρωπαϊκές χώρες (Λετονία, Εσθονία, Λιθουανία), η γυναικεία ανεργία είναι χαμηλότερη από την ανδρική. Αυτό εξηγείται εν μέρει από τη δομή της οικονομίας τους, όπου κλάδοι με υψηλή ανδρική απασχόληση (βιομηχανία, κατασκευές) είναι πιο ευάλωτοι σε κυκλικές διακυμάνσεις.

Άτομα με αναπηρία: εκτός αγοράς εργασίας

Μία ακόμα κατηγορία πληθυσμού που βρίσκεται σε ιδιαίτερα μειονεκτική θέση στην αγορά εργασίας είναι τα άτομα με αναπηρία. Τα στοιχεία της Eurostat για το 2024 αποκαλύπτουν μια δυσοίωνη εικόνα: στην Ελλάδα, περίπου τα τρία τέταρτα (75,7%) των ατόμων με αναπηρία ηλικίας 15 ως 64 ετών βρίσκονται εκτός εργατικού δυναμικού. Το ποσοστό αυτό είναι σχεδόν 1,7 φορές μεγαλύτερο από τον μέσο όρο της ΕΕ (44,5%), τοποθετώντας τη χώρα στις τρεις χειρότερες θέσεις πανευρωπαϊκά, μαζί με τη Βουλγαρία και τη Ρουμανία.

Το πρόβλημα δεν σταματά εκεί. Ακόμα και για όσα άτομα με αναπηρία αναζητούν ενεργά εργασία, η πιθανότητα να παγιδευτούν σε μακροχρόνια ανεργία είναι δυσανάλογα υψηλή. Στην Ελλάδα, το 66,2% των ανέργων ατόμων με αναπηρία αναζητά εργασία για πάνω από ένα έτος. Ο αντίστοιχος ευρωπαϊκός μέσος όρος είναι 40,6%. Σε ευρωπαϊκό επίπεδο, το χάσμα απασχόλησης μεταξύ ατόμων με και χωρίς αναπηρία ανέρχεται σε 24 ποσοστιαίες μονάδες.

Πίσω από αυτά τα νούμερα κρύβονται πολλαπλά εμπόδια. Πέρα από τις προκαταλήψεις των εργοδοτών, η ελληνική αγορά εργασίας στερείται σε μεγάλο βαθμό υποδομών προσβασιμότητας: φυσικής (κτίρια, μεταφορές), ψηφιακής (ιστοσελίδες, λογισμικό), αλλά και θεσμικής (ευέλικτα ωράρια, τηλεργασία, υποστηριζόμενη απασχόληση). Είναι χαρακτηριστικό ότι η Ελλάδα κατατάσσεται στις τελευταίες θέσεις και σε ποσοστά τηλεργασίας στην ΕΕ, μια μορφή εργασίας που, σύμφωνα με πρόσφατες μελέτες, βελτίωσε αισθητά την απασχολησιμότητα ατόμων με αναπηρία μετά την πανδημία σε χώρες που την υιοθέτησαν ευρέως.

Στο γράφημα είναι εμφανής η απόσταση της Ελλάδας (κόκκινο) τόσο από τον ευρωπαϊκό μέσο όρο (μπλε) όσο και από τις σκανδιναβικές χώρες, όπου λιγότερο από το ένα τρίτο των ατόμων με αναπηρία μένει εκτός αγοράς εργασίας. Η Φινλανδία, για παράδειγμα, επιτυγχάνει ποσοστό 28% χάρη σε ένα ολοκληρωμένο σύστημα υποστηριζόμενης απασχόλησης, ενώ στην Ελλάδα τέτοιες δομές παραμένουν σποραδικές.

Η Βουλγαρία, που κατέχει την πρώτη θέση, αποτελεί μια ακραία περίπτωση: σχεδόν 9 στα 10 άτομα με αναπηρία δεν συμμετέχουν καθόλου στην αγορά εργασίας. Αυτό αντικατοπτρίζει ευρύτερα προβλήματα στο σύστημα αναπηρίας αρκετών ανατολικοευρωπαϊκών χωρών, όπου τα επιδόματα αναπηρίας λειτουργούν συχνά ως αντικίνητρο εργασίας αντί ως εργαλείο ένταξης.

Γηγενείς και αλλοδαποί: ανισότητες στην πρόσβαση

Η τρίτη διάσταση που αξίζει να εξεταστεί αφορά τις διαφορές μεταξύ γηγενών και αλλοδαπών εργαζομένων. Τα στοιχεία δείχνουν ότι η Ελλάδα κατέχει μια ιδιαίτερα δυσμενή θέση στην ΕΕ: το 2023, κατέγραψε το χαμηλότερο ποσοστό απασχόλησης αλλοδαπών (foreign-born) στην Ένωση. Αντίστοιχα, η ανεργία μεταξύ πολιτών εκτός ΕΕ είναι συστηματικά υψηλότερη σε σχεδόν όλα τα κράτη μέλη.

Αξίζει να σημειωθεί μια ιδιαιτερότητα: η Ελλάδα ήταν η μόνη χώρα στην ΕΕ όπου, το 2024, τα υψηλότερα ποσοστά ανεργίας δεν αφορούσαν πολίτες τρίτων χωρών αλλά πολίτες άλλων κρατών μελών. Αυτό μπορεί να εξηγηθεί εν μέρει από τη δομή της μεταναστευτικής ροής προς την Ελλάδα: αρκετοί ευρωπαίοι πολίτες (κυρίως από Βουλγαρία και Ρουμανία) εργάζονται σε εποχιακούς ή άτυπους κλάδους, ενώ ένα μέρος των πολιτών τρίτων χωρών απασχολείται στην αγροτική οικονομία ή στη ναυτιλία, κλάδους με σχετικά σταθερή ζήτηση. Σε κάθε περίπτωση, τα ευρήματα υποδηλώνουν δομικές δυσκολίες ένταξης στην ελληνική αγορά εργασίας ακόμα και για πολίτες με ελεύθερη πρόσβαση σε αυτήν.

Ο πίνακας αποκαλύπτει μια εντυπωσιακή ανισορροπία: στην Ελλάδα, οι γηγενείς με έναν αλλοδαπό γονέα εμφανίζουν ποσοστό απασχόλησης μόλις 52,1%, ενώ ο αντίστοιχος ευρωπαϊκός μέσος όρος ξεπερνά το 76%. Αυτό σημαίνει ότι ακόμα και η «δεύτερη γενιά» μεταναστών αντιμετωπίζει σημαντικά εμπόδια ένταξης στη χώρα μας, κάτι που δεν μπορεί να εξηγηθεί αποκλειστικά από γλωσσικά ή πολιτισμικά εμπόδια, καθώς πρόκειται για άτομα που μεγάλωσαν στην Ελλάδα.

Ηλικιακές διακρίσεις: η αόρατη «ημερομηνία λήξης»

Μια τέταρτη διάσταση ανισότητας που διαπερνά την ελληνική αγορά εργασίας — και είναι ιδιαίτερα ορατή στις ίδιες τις αγγελίες — αφορά την ηλικία. Το πρόβλημα εκδηλώνεται στα δύο άκρα της ηλικιακής κλίμακας: στους νέους που αδυνατούν να εισέλθουν και στους μεγαλύτερους που αδυνατούν να επανενταχθούν.

Στο ένα άκρο, η ανεργία των νέων (15–24) στην Ελλάδα παραμένει από τις υψηλότερες στην ΕΕ. Τον Δεκέμβριο του 2024 η ανεργία στη συγκεκριμένη ηλικιακή ομάδα ήταν 21%, μειωμένη σημαντικά σε σχέση με το 33,2% του 2019, αλλά η Ελλάδα κατατασσόταν παρόλα αυτά στην 4η χειρότερη θέση στην ΕΕ. Αξίζει να σημειωθεί ότι η διαφορά μεταξύ του ποσοστού ανεργίας νέων (unemployment rate) και του αναλογικού αριθμού ανέργων νέων (unemployment ratio) ξεπερνά τις 10 ποσοστιαίες μονάδες στην Ελλάδα, γεγονός που υποδηλώνει ότι πολλοί νέοι απλώς δεν συμμετέχουν καθόλου στο εργατικό δυναμικό — είτε επειδή σπουδάζουν, είτε επειδή έχουν εγκαταλείψει την αναζήτηση.

Στο άλλο άκρο, οι εργαζόμενοι 55–64 ετών αντιμετωπίζουν ένα διαφορετικό αλλά εξίσου σοβαρό πρόβλημα. Η Ελλάδα ανήκει στις χώρες της ΕΕ με ποσοστό απασχόλησης μεγαλύτερων εργαζομένων κάτω του 55%, ενώ σε χώρες όπως η Τσεχία, η Δανία, η Γερμανία και η Σουηδία τα αντίστοιχα ποσοστά ξεπερνούν το 70%. Το 2023, το ποσοστό απασχόλησης στην ηλικιακή ομάδα 55–64 στην Ελλάδα ήταν μόλις 54,1%. Παράλληλα, η Ελλάδα εμφανίζει το υψηλότερο ποσοστό μακροχρόνιας ανεργίας στην ΕΕ (5,4%), φαινόμενο που πλήττει δυσανάλογα τους μεγαλύτερους σε ηλικία ανέργους: αν κάποιος χάσει τη δουλειά του μετά τα 50, η πιθανότητα να βρει νέα θέση μειώνεται δραματικά.

Πίσω από αυτά τα νούμερα κρύβεται ένα μείγμα παραγόντων. Από τη μεριά της ζήτησης, οι εργοδότες συχνά αντιμετωπίζουν τους μεγαλύτερους εργαζόμενους ως «ακριβούς» ή «δύσκολα προσαρμόσιμους», προτιμώντας νεότερους υποψηφίους που μπορούν να πληρωθούν λιγότερο και να εκπαιδευτούν «από το μηδέν». Από τη μεριά της προσφοράς, η Ελλάδα υστερεί σημαντικά σε προγράμματα δια βίου μάθησης και επαγγελματικής επανακατάρτισης — εργαλεία που σε βόρειες χώρες επιτρέπουν στους εργαζόμενους να παραμένουν ανταγωνιστικοί σε μεγαλύτερες ηλικίες.

Η ηλικιακή διάκριση, σε αντίθεση με τη διάκριση φύλου, σπάνια αναγνωρίζεται ως τέτοια. Αγγελίες που ζητούν «άτομο έως 35 ετών» ή «νεαρό/ή υπάλληλο» αποτελούν κοινή πρακτική, χωρίς να εγείρουν τις αντιδράσεις που θα προκαλούσε μια αντίστοιχη αναφορά σε φύλο ή εθνικότητα. Ωστόσο, η θέσπιση ηλικιακών ορίων χωρίς αντικειμενική αιτιολόγηση αποτελεί μορφή διάκρισης τόσο σύμφωνα με την ευρωπαϊκή νομοθεσία (Οδηγία 2000/78/ΕΚ) όσο και σύμφωνα με το ελληνικό δίκαιο. Η διαφορά είναι ότι, στην πράξη, η εφαρμογή παραμένει ελάχιστη.

Στο γράφημα διαπιστώνουμε ότι η ανεργία των νέων (15–24) ακολουθεί πάντα μια πολύ πιο ακραία πορεία: εκτοξεύτηκε στο 58% κατά τη διάρκεια της κρίσης και, παρά τη σημαντική μείωση, παραμένει σταθερά τριπλάσια από αυτή των υπολοίπων ηλικιακών ομάδων. Η ομάδα 55–74 εμφανίζει χαμηλότερο ποσοστό ανεργίας, αλλά αυτό είναι εν μέρει παραπλανητικό: πολλοί μεγαλύτεροι εργαζόμενοι που χάνουν τη δουλειά τους δεν καταγράφονται ως άνεργοι αλλά αποχωρούν εντελώς από το εργατικό δυναμικό, μη εμφανιζόμενοι στα στατιστικά ανεργίας.

Η ηλικιακή διάκριση, λοιπόν, λειτουργεί ως ένα διπλό φίλτρο: κλείνει τις πόρτες στους νέους που δεν διαθέτουν ακόμα «εμπειρία» και ταυτόχρονα στους μεγαλύτερους που θεωρούνται ότι έχουν «ξεπεράσει» μια αόριστη ημερομηνία λήξης.

Συνολική εικόνα

Τα παραπάνω στοιχεία συνθέτουν μια εικόνα που δεν αφήνει πολλά περιθώρια αμφιβολίας. Η ελληνική αγορά εργασίας εξακολουθεί να λειτουργεί με σημαντικές δομικές ανισότητες. Οι γυναίκες αντιμετωπίζουν σταθερά υψηλότερη ανεργία από τους άνδρες, με χάσμα τετραπλάσιο του ευρωπαϊκού μέσου όρου. Τα άτομα με αναπηρία μένουν κατά συντριπτική πλειοψηφία εκτός αγοράς εργασίας. Και οι αλλοδαποί, ακόμα και δεύτερης γενιάς, βρίσκουν κλειστές πόρτες σε βαθμό που δεν συναντάμε πουθενά αλλού στην ΕΕ. Και η ηλικία λειτουργεί ως διπλό φίλτρο αποκλεισμού: οι νέοι αδυνατούν να εισέλθουν στην αγορά εργασίας με ποσοστά ανεργίας τριπλάσια του μέσου όρου, ενώ οι μεγαλύτεροι εργαζόμενοι, αν χάσουν τη θέση τους, παγιδεύονται σε μακροχρόνια ανεργία ή αποχωρούν εντελώς από το εργατικό δυναμικό.

Αυτές οι διαφορές δεν αποτελούν απλά στατιστικές ανωμαλίες. Μεταφράζονται σε πραγματικούς αποκλεισμούς και γίνονται ορατές στις ίδιες τις αγγελίες: αγγελίες που ζητούν «νεαρή κοπέλα με ευπαρουσίαστη εμφάνιση», αγγελίες που θέτουν ηλικιακά όρια χωρίς καμία αιτιολόγηση, ή που αποκλείουν σιωπηρά όσους δεν ανταποκρίνονται σε ένα στενό προφίλ.

Με αυτή τη βάση, ας στρέψουμε τώρα τη ματιά μας στις ίδιες τις αγγελίες και σε αυτό που μας αποκαλύπτουν για τις πρακτικές πρόσληψης στην Ελλάδα.

Χαρακτηριστικά αγγελιών

Ας εξετάσουμε τώρα τι μας αποκαλύπτουν οι ίδιες οι αγγελίες. Αξιοποιώντας δεδομένα που συλλέχθηκαν μέσω scraping από τη δημοφιλή πλατφόρμα αναζήτησης εργασίας xe.gr, μπορούμε να σχηματίσουμε μια εικόνα για την ελληνική αγορά εργασίας, τουλάχιστον όπως αυτή αντικατοπτρίζεται στις αγγελίες. Το δείγμα περιλαμβάνει 5093 αγγελίες και θα εξετάσουμε τρία βασικά χαρακτηριστικά: το ωράριο εργασίας, τον τύπο σύμβασης και τον τρόπο εργασίας (φυσική παρουσία ή τηλεργασία).

Ωράριο εργασίας

Ξεκινώντας από το ωράριο, η εικόνα είναι μονοσήμαντη: το 88.1% των αγγελιών αφορά θέσεις πλήρους απασχόλησης, μόλις το 8.1% προσφέρει μερική απασχόληση και ένα μικρό 3.9% δεν διευκρινίζει καθόλου το ωράριο.

Η σχεδόν απουσία μερικής απασχόλησης δεν είναι αθώα. Σε χώρες με υψηλότερα ποσοστά γυναικείας συμμετοχής στην αγορά εργασίας (π.χ. Ολλανδία, Δανία, Γερμανία) η μερική απασχόληση λειτουργεί ως γέφυρα ένταξης, ιδίως για γονείς, φοιτητές ή άτομα με αναπηρία. Στην Ελλάδα, η περιορισμένη προσφορά τέτοιων θέσεων ενδέχεται να ενισχύει τον αποκλεισμό ακριβώς αυτών των ομάδων που εξετάσαμε στην εισαγωγή. Όταν η αγορά προσφέρει σχεδόν αποκλειστικά πλήρη απασχόληση, όσοι δεν μπορούν να ανταποκριθούν σε αυτό το μοντέλο μένουν εκτός.

Τύπος σύμβασης

Στον τύπο σύμβασης, το εύρημα που ξεχωρίζει δεν είναι η κατανομή μεταξύ αορίστου και ορισμένου χρόνου, αλλά η έλλειψη πληροφόρησης. Το 77.1% των αγγελιών δεν διευκρινίζει καθόλου τον τύπο σύμβασης. Από τις υπόλοιπες, το 21.1% αναφέρει σύμβαση αορίστου χρόνου και μόλις το 1.9% ορισμένου χρόνου.

Η αδιαφάνεια αυτή δεν είναι απλώς ένα τεχνικό κενό. Για έναν υποψήφιο που αναζητά εργασιακή σταθερότητα, η απουσία πληροφόρησης λειτουργεί αποτρεπτικά ή, χειρότερα, οδηγεί σε δυσάρεστες εκπλήξεις μετά την πρόσληψη. Αξίζει να αναρωτηθούμε αν αυτή η πρακτική είναι τυχαία ή αν αντικατοπτρίζει μια συνειδητή στρατηγική: η ασάφεια ως προς τους όρους εργασίας ευνοεί τον εργοδότη, αφήνοντας τον υποψήφιο σε θέση διαπραγματευτικής αδυναμίας.

Τρόπος εργασίας

Το πιο εντυπωσιακό εύρημα αφορά ίσως τον τρόπο εργασίας. Το 98.3% των αγγελιών απαιτεί φυσική παρουσία. Η τηλεργασία αντιπροσωπεύει μόλις το 0.6% και το υβριδικό μοντέλο το 1.1%. Με άλλα λόγια, σε ένα δείγμα άνω των 5000 αγγελιών, λιγότερες από 90 προσφέρουν κάποια μορφή ευελιξίας στον τόπο εργασίας.

Αυτό το εύρημα συνδέεται άμεσα με όσα αναφέρθηκαν στην εισαγωγή για τα άτομα με αναπηρία. Διεθνείς μελέτες κατέδειξαν ότι η τηλεργασία, όπως αναπτύχθηκε κατά τη διάρκεια της πανδημίας, βελτίωσε αισθητά την απασχολησιμότητα ατόμων με κινητικές ή άλλες δυσκολίες σε χώρες που την υιοθέτησαν ευρέως. Στην Ελλάδα, η επιλογή αυτή ουσιαστικά δεν υπάρχει. Η σχεδόν καθολική απαίτηση φυσικής παρουσίας λειτουργεί ως μια μορφή έμμεσης διάκρισης: δεν αποκλείει ρητά κάποιον, αλλά στην πράξη κλείνει την πόρτα σε όσους αντιμετωπίζουν δυσκολίες μετακίνησης ή προσβασιμότητας.

Τι μας λένε συνολικά τα χαρακτηριστικά

Αν συνδυάσουμε τα τρία αυτά ευρήματα, η εικόνα που προκύπτει είναι μιας αγοράς εργασίας αρκετά άκαμπτης: πλήρες ωράριο, φυσική παρουσία, και αδιαφάνεια ως προς τους όρους. Αυτή η ακαμψία δεν πλήττει εξίσου όλους. Πλήττει δυσανάλογα τις γυναίκες που αναζητούν ευελιξία λόγω οικογενειακών υποχρεώσεων, τα άτομα με αναπηρία που χρειάζονται εναλλακτικές μορφές εργασίας, και τους νέους ή τους αλλοδαπούς που θα μπορούσαν να ξεκινήσουν μέσα από μερική ή απομακρυσμένη απασχόληση.

Με αυτά τα δεδομένα, ας στρέψουμε τώρα τη ματιά μας στη μεθοδολογία του πειράματος, εξετάζοντας πώς μπορούμε να ανιχνεύσουμε συστηματικά τις διακρίσεις μέσα στο περιεχόμενο των αγγελιών.

Μεθοδολογία πειράματος

Στις προηγούμενες ενότητες είδαμε ότι η ελληνική αγορά εργασίας εμφανίζει σημαντικές δομικές ανισότητες σε τέσσερις άξονες: φύλο, αναπηρία, εθνικότητα και ηλικία. Τα στοιχεία αυτά προέρχονται από μακροοικονομικούς δείκτες και έρευνες εργατικού δυναμικού. Η ερώτηση που τίθεται τώρα είναι διαφορετική: μπορούμε να ανιχνεύσουμε αυτές τις διακρίσεις μέσα στις ίδιες τις αγγελίες; Και αν ναι, ποια είναι η έκτασή τους;

Αφορμή και ερευνητικό ερώτημα

Η αφορμή για αυτή την ανάλυση ήταν μια απλή παρατήρηση: περιηγούμενος σε πλατφόρμες αναζήτησης εργασίας, συναντούσα σε καθημερινή βάση αγγελίες με αμφιλεγόμενους όρους — ηλικιακά όρια χωρίς αιτιολόγηση, αναφορές σε φύλο ή εμφάνιση, απαιτήσεις που δεν σχετίζονται με τη φύση της θέσης. Αυτές οι παρατηρήσεις οδήγησαν στο κεντρικό ερευνητικό ερώτημα: σε ποιο βαθμό εκφράζονται στο κείμενο των αγγελιών εργασίας πρακτικές που συνιστούν — άμεσα ή έμμεσα — διακρίσεις;

Σε αντίθεση με τη μελέτη μεμονωμένων αξόνων, η ανάλυση επιχειρεί να καλύψει ταυτόχρονα πολλαπλές μορφές διακρίσεων: ηλικιακή προτίμηση, φύλο, εμφάνιση. Παράλληλα, επιχειρεί να διακρίνει αν οι ηλικιακές αναφορές αντικατοπτρίζουν γνήσιες προτιμήσεις εργοδοτών ή είναι αποτέλεσμα κρατικών πολιτικών (π.χ. επιδοτούμενα προγράμματα ΔΥΠΑ που στοχεύουν συγκεκριμένες ηλικιακές ομάδες).

Γιατί scraping και όχι ερωτηματολόγιο

Θα μπορούσαμε να μελετήσουμε τις πρακτικές πρόσληψης μοιράζοντας ερωτηματολόγια σε εργοδότες. Αυτή η προσέγγιση, ωστόσο, πάσχει από ένα θεμελιώδες πρόβλημα: κανένας εργοδότης δεν θα δήλωνε ανοιχτά ότι θέτει ηλικιακά κριτήρια ή ότι προτιμά «ευπαρουσίαστες κοπέλες». Η κοινωνική επιθυμητότητα (social desirability bias) καθιστά τα ερωτηματολόγια ακατάλληλα για τη μέτρηση συμπεριφορών που ο ίδιος ο ερωτώμενος αναγνωρίζει ως προβληματικές.

Η εναλλακτική — και αυτή που υιοθετήθηκε — είναι η εξόρυξη (scraping) δεδομένων απευθείας από αγγελίες. Η λογική είναι απλή: οι αγγελίες αποτελούν αποκαλυπτικές πράξεις (revealed preferences). Ο εργοδότης γράφει ελεύθερα τι ζητάει, χωρίς να φιλτράρει τις απαντήσεις του όπως θα έκανε σε μια έρευνα. Αν μια αγγελία αναφέρει «ηλικία έως 35», αυτό δεν είναι αξιολογική κρίση ερευνητή — είναι η ίδια η πρόθεση του εργοδότη, καταγεγραμμένη δημόσια.

Η μεθοδολογική αυτή προσέγγιση έχει αντιστοιχίες στη διεθνή βιβλιογραφία. Η τεχνική correspondence study — που χρησιμοποίησαν μεταξύ άλλων οι Bertrand & Mullainathan (2004) — εκμεταλλεύεται επίσης πραγματικές αγγελίες ως πεδίο μέτρησης διακρίσεων, αν και με διαφορετικό μηχανισμό (αποστολή πλαστών βιογραφικών). Η δική μας προσέγγιση εστιάζει στο περιεχόμενο των αγγελιών αντί στις αποκρίσεις σε αυτές.

Συλλογή δεδομένων

Τα δεδομένα συλλέχθηκαν από την πλατφόρμα xe.gr (Χρυσή Ευκαιρία), μία από τις μεγαλύτερες πλατφόρμες αναζήτησης εργασίας στην Ελλάδα. Η εξόρυξη πραγματοποιήθηκε στις 2 Φεβρουαρίου 2025 με χρήση της γλώσσας R και των πακέτων rvest και httr. Η διαδικασία διήρκεσε περίπου 4 ώρες και κάλυψε 255 σελίδες αποτελεσμάτων (20 αγγελίες ανά σελίδα).

Το τελικό δείγμα αποτελείται από 5.093 αγγελίες, με εύρος δημοσίευσης 15 ημερών (16 Ιανουαρίου – 2 Φεβρουαρίου 2025). Για κάθε αγγελία συλλέχθηκαν τα ακόλουθα στοιχεία:

Τα δεδομένα διατίθενται ελεύθερα μέσω GitHub Releases για αναπαραγωγιμότητα.

Προεπεξεργασία κειμένου

Η ανάλυση ελεύθερου κειμένου στα ελληνικά παρουσιάζει ιδιαίτερες τεχνικές προκλήσεις. Η ελληνική γλώσσα χαρακτηρίζεται από πτώσεις, τονισμό και ποικιλία καταλήξεων, γεγονός που σημαίνει ότι η ίδια λέξη μπορεί να εμφανίζεται με πολλαπλές μορφές (π.χ. «νέος», «νέα», «νέων», «νέο», «νέους»). Αν δεν αντιμετωπιστεί αυτό, ο εντοπισμός λέξεων-κλειδιών θα υποτιμά σημαντικά την έκταση του φαινομένου.

Η προεπεξεργασία πραγματοποιήθηκε σε δύο φάσεις: πρώτα κανονικοποίηση χαρακτήρων και στη συνέχεια γλωσσολογική ανάλυση μέσω lemmatization.

Κανονικοποίηση χαρακτήρων

Ως πρώτο βήμα, κάθε κείμενο περιγραφής μετατράπηκε σε πεζά (str_to_lower()) και αφαιρέθηκαν οι τόνοι μέσω Unicode normalization (stri_trans_general("NFD; [:Nonspacing Mark:] Remove; NFC")). Αυτό εξασφαλίζει ότι λέξεις όπως «Νέος», «νέος» και «νεος» αντιμετωπίζονται ως ίδιες. Παράλληλα, η στήλη type αποσυντέθηκε σε τρεις ξεχωριστές μεταβλητές (ωράριο, παρουσία, τύπος σύμβασης) και οι ημερομηνίες μετατράπηκαν από ελληνική μορφή σε τυπική Date.

clean_data <- data %>%
  mutate(
    descr_clean = descr %>%
      str_to_lower() %>%
      stri_trans_general("NFD") %>%
      stri_replace_all_regex("\\p{Mn}", "")
  )

Lemmatization

Η αφαίρεση τόνων δεν αρκεί για να αντιμετωπίσει το πρόβλημα των πτώσεων. Η λέξη «νέος» εμφανίζεται σε μια αγγελία ως «νέα», «νέο», «νέων», «νέους», «νέες» — έξι διαφορετικές μορφές που πρέπει να αναγνωριστούν ως ένα και το αυτό λήμμα. Για τον σκοπό αυτό, εφαρμόστηκε lemmatization χρησιμοποιώντας το πακέτο udpipe με το προεκπαιδευμένο μοντέλο greek-gdt, το οποίο βασίζεται στο Greek Dependency Treebank.

if (!file.exists("greek-gdt-ud-2.5-191206.udpipe")) {
  udpipe_download_model(language = "greek-gdt", model_dir = ".")
}
udmodel <- udpipe_load_model("greek-gdt-ud-2.5-191206.udpipe")

lemmatize_text <- function(text, model) {
  if (is.na(text) || text == "") return(NA_character_)
  ann <- udpipe_annotate(model, x = text)
  ann_df <- as.data.frame(ann)
  paste(ann_df$lemma, collapse = " ")
}

clean_data <- clean_data %>%
  mutate(descr_lemma = sapply(descr_clean, lemmatize_text, model = udmodel))

Μετά το lemmatization, η αναζήτηση λέξεων-κλειδιών γίνεται πάνω στη στήλη descr_lemma, όπου κάθε λέξη έχει αναχθεί στη λεμματική της μορφή. Έτσι, αντί να ψάχνουμε με regex πολλαπλές κλίσεις μιας λέξης (π.χ. νε[οα]ς?|νεων|νεους|νεες), αρκεί να αναζητήσουμε το λήμμα νεος.

Ωστόσο, ο lemmatizer δεν είναι τέλειος — ιδιαίτερα σε ανεπίσημα κείμενα αγγελιών μπορεί να αποτυγχάνει σε ορθογραφικά λάθη ή ασυνήθιστες κλίσεις. Για τον λόγο αυτό, οι λίστες λέξεων-κλειδιών συμπεριλαμβάνουν και κάποιες πρόσθετες κλιτικές μορφές ως δίχτυ ασφαλείας.

Μέθοδος Α: Ανίχνευση με λέξεις-κλειδιά

Ο πυρήνας της πρώτης μεθόδου βασίζεται στον εντοπισμό λέξεων-κλειδιών μέσα στο lemmatized κείμενο (descr_lemma) κάθε αγγελίας. Για κάθε αγγελία δημιουργήθηκαν πέντε δίτιμες (Boolean) μεταβλητές, που καλύπτουν τέσσερις άξονες πιθανών διακρίσεων και έναν θεσμικό παράγοντα:

Μεταβλητή	Τι ανιχνεύει	Ενδεικτικά κλειδιά (λήμματα + fallback)
isAgeism	Ηλικιακή διάκριση	νεος, νεαρος, νεανικος, ετων, ηλικια, φρεσκος αποφοιτος
isGenderBias	Διάκριση φύλου	κοπελα, κοριτσι, κυριος, κυρια, αρρεν, θηλυ, αντρας, γυναικα
isAppearanceBias	Κριτήριο εμφάνισης	ευπαρουσιαστος, εμφανισιμος, παρουσιαστικο, καλη εικονα
isPolicy	Κρατικά προγράμματα	οαεδ, δυπα, ανεργος, επιδοτηση, κοινωφελης, 21-29
isRacialBias	Εθνικότητα / καταγωγή	υπηκοοτητα, καταγωγη, αλλοδαπος, μονο ελλην

Η μέθοδος λέξεων-κλειδιών είναι πλήρως αναπαραγώγιμη, διαφανής, και δεν εξαρτάται από εξωτερικά μοντέλα. Ωστόσο, υπόκειται σε δύο σημαντικούς περιορισμούς. Πρώτον, παράγει ψευδώς θετικά αποτελέσματα: η λέξη «νέα» μπορεί να αναφέρεται σε «νέα θέση» αντί σε «νέο άτομο». Δεύτερον, αδυνατεί να εντοπίσει έμμεσες ή περιφραστικές διακρίσεις — π.χ. «δυναμικό προφίλ» ως υποκατάστατο ηλικιακής προτίμησης, ή χρήση μόνο θηλυκού γένους στον τίτλο θέσης χωρίς ρητή αναφορά σε φύλο.

Μέθοδος Β: Ταξινόμηση με LLM

Για να ξεπεραστούν οι περιορισμοί της μεθόδου λέξεων-κλειδιών, κάθε αγγελία ταξινομήθηκε και από ένα μεγάλο γλωσσικό μοντέλο (LLM). Η κατηγοριοποίηση πραγματοποιήθηκε μέσω του πακέτου R ellmer, χρησιμοποιώντας το μοντέλο gpt-4.1-nano της OpenAI μέσω structured output.

Σχεδιασμός prompt

Το LLM λαμβάνει ως είσοδο το πλήρες κείμενο κάθε αγγελίας μέσα σε tags <αγγελία>...</αγγελία> και παράγει ένα δομημένο αποτέλεσμα (structured output) με πέντε Boolean πεδία — ένα για κάθε άξονα διάκρισης — και μία σύντομη αιτιολόγηση. Το system prompt περιλαμβάνει σαφείς κανόνες ερμηνείας:

• Η αναφορά σε φύλο μέσω γραμματικού γένους (π.χ. «ζητείται πωλήτρια») μετράει ως διάκριση φύλου, εκτός αν η θέση απαιτεί φυσικά συγκεκριμένο φύλο.
• Εκφράσεις όπως «δυναμικό περιβάλλον» ή «ενεργητικό άτομο» δεν αποτελούν ηλικιακή διάκριση, εκτός αν συνδυάζονται με σαφή ηλικιακή αναφορά.
• Η απαίτηση γνώσης ελληνικής γλώσσας δεν αποτελεί φυλετική διάκριση· η απαίτηση συγκεκριμένης εθνικότητας ή υπηκοότητας αποτελεί.
• Αναφορές σε ΔΥΠΑ/ΟΑΕΔ σημειώνονται ως policy-related ακόμα κι αν συνυπάρχουν με ηλικιακή διάκριση.

Εκτέλεση

Η ταξινόμηση εκτελέστηκε σε batches των 500 αγγελιών, με αποθήκευση ενδιάμεσης προόδου ώστε να είναι δυνατή η ανάκτηση σε περίπτωση διακοπής. Συνολικά ταξινομήθηκαν και οι 5.093 αγγελίες. Τα αποτελέσματα διατίθενται ελεύθερα μέσω GitHub.

Πλεονεκτήματα και περιορισμοί LLM

Η μέθοδος LLM υπερτερεί ποιοτικά: κατανοεί πλαίσιο, εντοπίζει έμμεσες διακρίσεις, και αποφεύγει ψευδώς θετικά σαν αυτά που παράγει η λέξη «νέα» στη μέθοδο keywords. Ωστόσο, δεν είναι πλήρως ντετερμινιστική — η ίδια αγγελία θα μπορούσε να ταξινομηθεί ελαφρώς διαφορετικά σε δεύτερη εκτέλεση. Επιπλέον, η ταξινόμηση εξαρτάται από τη διατύπωση του prompt και τις «αποφάσεις» ενός αδιαφανούς μοντέλου.

Τι μετράμε και τι όχι

Και οι δύο μέθοδοι ανιχνεύουν ρητές ή ημι-ρητές αναφορές σε κριτήρια διάκρισης. Αποτελούν κάτω φράγμα (lower bound) του πραγματικού φαινομένου:

• Σιωπηρές διακρίσεις: Ένας εργοδότης μπορεί να προτιμά νεότερους υποψηφίους χωρίς να το γράφει — ο αποκλεισμός γίνεται στο βιογραφικό ή τη συνέντευξη.
• Πλατφορμική κάλυψη: Τα δεδομένα προέρχονται μόνο από το xe.gr. Αγγελίες σε LinkedIn, εφημερίδες ή word of mouth δεν καλύπτονται.
• Χρονική κάλυψη: Πρόκειται για στιγμιότυπο 15 ημερών — δεν αποτυπώνει εποχικές διακυμάνσεις.

Η χρήση δύο ανεξάρτητων μεθόδων (κανόνες + LLM) λειτουργεί ως εσωτερική τριγωνοποίηση: τα σημεία συμφωνίας ενισχύουν την εμπιστοσύνη στα ευρήματα, ενώ τα σημεία διαφωνίας αναδεικνύουν τα όρια κάθε προσέγγισης.

Αποτελέσματα

Στην ενότητα αυτή παρουσιάζονται τα αποτελέσματα της ανάλυσης σε τρία επίπεδα. Πρώτα, συγκρίνουμε τις δύο μεθόδους ανίχνευσης (λέξεις-κλειδιά και LLM) ώστε να αξιολογήσουμε την αξιοπιστία τους. Στη συνέχεια, εξετάζουμε κάθε άξονα διάκρισης ξεχωριστά, αναδεικνύοντας τα κλαδικά και γεωγραφικά πρότυπα που αναδύονται. Τέλος, συνθέτουμε μια συνολική εικόνα, εξετάζοντας πόσες αγγελίες εμφανίζουν πολλαπλές μορφές διάκρισης ταυτόχρονα.

Σε όλη την ενότητα, χρησιμοποιούμε τη μέθοδο LLM ως κύρια αναφορά — καθώς παρέχει πιο ακριβή κατηγοριοποίηση χάρη στην κατανόηση πλαισίου — και τη μέθοδο λέξεων-κλειδιών ως σημείο σύγκρισης.

Σύγκριση μεθόδων ανίχνευσης

Πριν προχωρήσουμε στην ανάλυση κάθε άξονα, είναι σκόπιμο να εξετάσουμε κατά πόσο οι δύο μέθοδοι συμφωνούν μεταξύ τους. Ο παρακάτω πίνακας παρουσιάζει, για κάθε άξονα διάκρισης, το ποσοστό αγγελιών που εντοπίζει κάθε μέθοδος, το ποσοστό συμφωνίας μεταξύ τους, καθώς και τον αριθμό περιπτώσεων που εντοπίζει μόνο η μία μέθοδος.

Από τον πίνακα και το γράφημα προκύπτουν ορισμένα ενδιαφέροντα πρότυπα. Στους άξονες εμφάνισης και εθνικότητας, οι δύο μέθοδοι παρουσιάζουν υψηλή συμφωνία — κάτι αναμενόμενο, καθώς οι αντίστοιχες εκφράσεις (π.χ. «ευπαρουσίαστη», «ελληνικής υπηκοότητας») είναι σχετικά μονοσήμαντες. Αντίθετα, στον άξονα ηλικίας η απόκλιση είναι μεγαλύτερη: η μέθοδος λέξεων-κλειδιών τείνει να υπερεκτιμά, κυρίως λόγω ψευδώς θετικών από την πολυσημία λέξεων όπως «νέος» (που μπορεί να σημαίνει «πρόσφατος» αντί «νεαρός»), ενώ η LLM εντοπίζει έμμεσες αναφορές (π.χ. «πρώτη εργασιακή εμπειρία») που η μέθοδος keywords χάνει. Στον άξονα φύλου, η LLM εντοπίζει περισσότερες περιπτώσεις, πιθανώς επειδή αναγνωρίζει τη χρήση γραμματικού γένους ως έμμεση διάκριση — ένα σημείο που οι λέξεις-κλειδιά δεν καλύπτουν πλήρως.

Η απόκλιση μεταξύ μεθόδων δεν αποτελεί αδυναμία· αντίθετα, αναδεικνύει τα τυφλά σημεία κάθε προσέγγισης και ενισχύει την εμπιστοσύνη στα σημεία όπου συμφωνούν.

Ηλικιακή διάκριση

Η ηλικιακή αναφορά αποτελεί τη συχνότερη μορφή ρητής διάκρισης στο δείγμα. Ωστόσο, πριν αξιολογήσουμε την έκτασή της, πρέπει να απαντήσουμε σε ένα κρίσιμο ερώτημα: οι ηλικιακές αναφορές αντικατοπτρίζουν γνήσιες προτιμήσεις εργοδοτών ή είναι αποτέλεσμα θεσμικών κινήτρων;

Ο ρόλος των κρατικών προγραμμάτων

Το ελληνικό κράτος, μέσω της ΔΥΠΑ (πρώην ΟΑΕΔ), επιδοτεί προγράμματα απασχόλησης που στοχεύουν συγκεκριμένες ηλικιακές ομάδες (π.χ. 21–29 ετών). Αγγελίες που αναφέρονται σε τέτοια προγράμματα δεν εκφράζουν απαραίτητα προκατάληψη του εργοδότη αλλά ανταπόκριση σε θεσμικά κίνητρα. Ωστόσο, οι δύο μεταβλητές δεν είναι αμοιβαία αποκλειόμενες — μια αγγελία μπορεί να αναφέρει πρόγραμμα ΔΥΠΑ και ταυτόχρονα να ζητάει «νεανικό προφίλ». Αυτή η αλληλοκάλυψη μπορεί να υποδηλώνει ότι ορισμένοι εργοδότες χρησιμοποιούν τα κρατικά προγράμματα ως θεσμικό κάλυμμα για ηλικιακές προτιμήσεις που θα υπήρχαν ούτως ή άλλως.

Η ύπαρξη αγγελιών που ανήκουν στην κατηγορία «Και τα δύο» — δηλαδή αναφέρονται σε κρατικό πρόγραμμα αλλά ταυτόχρονα εκφράζουν ηλικιακή προτίμηση πέρα από αυτή που επιβάλλει το πρόγραμμα — αποτελεί σημαντικό εύρημα. Υποδηλώνει ότι τα θεσμικά κίνητρα, αν και σχεδιασμένα για την ενίσχυση της νεανικής απασχόλησης, ενδέχεται να λειτουργούν παράλληλα ως μηχανισμός νομιμοποίησης ηλικιακών κριτηρίων στις προσλήψεις.

Κλαδική κατανομή

Η ηλικιακή διάκριση δεν κατανέμεται ομοιόμορφα. Ορισμένες κατηγορίες εργασίας εμφανίζουν δυσανάλογα υψηλά ποσοστά ηλικιακών αναφορών. Το παρακάτω γράφημα εστιάζει στις κατηγορίες με τουλάχιστον 20 αγγελίες, ώστε να αποφύγουμε στρεβλώσεις από πολύ μικρά δείγματα.

Η κατανομή αποκαλύπτει ένα ενδιαφέρον πρότυπο: οι κλάδοι με την υψηλότερη συχνότητα ηλικιακών αναφορών τείνουν να είναι εκείνοι που δεν απαιτούν εξειδικευμένα προσόντα — θέσεις όπου η εργοδοτική «προτίμηση» σε νεότερους υποψηφίους δεν μπορεί να δικαιολογηθεί από τεχνικές απαιτήσεις. Αυτό συνάδει με τη θέση ότι η ηλικιακή διάκριση αποτελεί πρωτίστως πολιτισμικό φαινόμενο — αντανάκλαση στερεοτυπικών αντιλήψεων για «κατάλληλη ηλικία» — παρά αποτέλεσμα αντικειμενικών επιχειρησιακών αναγκών.

Διάκριση φύλου

Η διάκριση φύλου αποτελεί τη δεύτερη πιο συχνή μορφή ρητής διάκρισης στο δείγμα. Ένα σημαντικό μέρος αυτών των αναφορών δεν είναι κατ’ ανάγκη εχθρικό — πολλές αγγελίες χρησιμοποιούν απλώς γραμματικό γένος (π.χ. «ζητείται πωλήτρια» ή «ζητείται σερβιτόρος»). Αυτό, ωστόσο, δεν είναι αθώο: η αποκλειστική χρήση θηλυκού γένους για τη γραμματεία ή αρσενικού για τη μεταφορά αντικατοπτρίζει — και αναπαράγει — μια σιωπηρή πεποίθηση ότι η θέση «ανήκει» σε συγκεκριμένο φύλο. Το κεντρικό ερώτημα δεν είναι μόνο πόσες αγγελίες κάνουν αναφορά σε φύλο, αλλά σε ποιους κλάδους συγκεντρώνονται αυτές οι αναφορές.

Η κατανομή δεν είναι τυχαία. Οι κλάδοι που εμφανίζουν τη μεγαλύτερη συχνότητα αναφορών σε φύλο τείνουν να είναι αυτοί με ισχυρά έμφυλα στερεότυπα: πωλήσεις, εστίαση, γραμματειακή υποστήριξη και φροντίδα. Αυτό επιβεβαιώνει τη θέση ότι ο επαγγελματικός διαχωρισμός (occupational segregation) δεν είναι απλώς αποτέλεσμα ατομικών επιλογών, αλλά αναπαράγεται ενεργά μέσα από τις ίδιες τις πρακτικές πρόσληψης.

Γεωγραφική κατανομή διακρίσεων

Οι διακρίσεις δεν κατανέμονται ομοιόμορφα στον γεωγραφικό χώρο. Ορισμένες περιοχές εμφανίζουν υψηλότερα ποσοστά ρητών αναφορών, γεγονός που μπορεί να αντανακλά διαφορές στη δομή της τοπικής αγοράς εργασίας, στο μέγεθος των επιχειρήσεων ή στην ευαισθητοποίηση γύρω από ζητήματα ισότητας.

Η γεωγραφική κατανομή πρέπει να ερμηνευθεί με προσοχή. Οι διαφορές μεταξύ περιοχών μπορεί να οφείλονται στη σύνθεση των κλάδων (π.χ. τουριστικές περιοχές με πολλές θέσεις εστίασης), στο μέγεθος των επιχειρήσεων (μικρότερες επιχειρήσεις τείνουν να χρησιμοποιούν πιο άτυπο γλωσσικό ύφος), ή σε πολιτισμικούς παράγοντες. Δεδομένου ότι το δείγμα μας καλύπτει μόνο 15 ημέρες, οι γεωγραφικές διαφορές θα πρέπει να επιβεβαιωθούν με μεγαλύτερα χρονικά παράθυρα.

Συνολική εικόνα: πολλαπλές διακρίσεις

Αφού εξετάσαμε κάθε άξονα ξεχωριστά, αξίζει να στρέψουμε τη ματιά μας στη συνολική εικόνα. Πόσες αγγελίες εμφανίζουν τουλάχιστον μία μορφή διάκρισης; Και πόσες συνδυάζουν πολλαπλές;

Για τον υπολογισμό αυτό εξαιρούμε τις αγγελίες που αναφέρονται μόνο σε κρατικά προγράμματα (χωρίς άλλη ένδειξη ηλικιακής προτίμησης), ώστε να εστιάσουμε στις γνήσιες εργοδοτικές πρακτικές.

Συνολικά, το [PLACEHOLDER: % από R — any_bias_pct] των αγγελιών εμφανίζει τουλάχιστον μία ένδειξη διάκρισης (συμπεριλαμβανομένων των κρατικών προγραμμάτων). Αν εξαιρέσουμε τις αγγελίες που αφορούν αποκλειστικά κρατικά προγράμματα, το ποσοστό διαμορφώνεται στο [PLACEHOLDER: % από R — any_bias_noPolicy_pct]. Ακόμα και αυτό το «καθαρό» ποσοστό αποτελεί κάτω φράγμα — αντικατοπτρίζει μόνο τις ρητές αναφορές και δεν περιλαμβάνει τις σιωπηρές διακρίσεις που λαμβάνουν χώρα στα μεταγενέστερα στάδια της διαδικασίας πρόσληψης.

Οι αγγελίες με δύο ή περισσότερους άξονες διάκρισης αποτελούν ιδιαίτερο ενδιαφέρον, καθώς αποκαλύπτουν τη διασταυρούμενη (intersectional) φύση ορισμένων πρακτικών πρόσληψης. Ένας υποψήφιος που είναι γυναίκα, μεγαλύτερη σε ηλικία ή χωρίς «ευπαρουσίαστη εμφάνιση» αποκλείεται ταυτόχρονα από πολλαπλά κριτήρια — και το κόστος αυτού του αποκλεισμού είναι σωρευτικό.

Ενδεικτικά παραδείγματα αγγελιών

Τα στατιστικά αποκτούν νόημα μόνο όταν συνοδεύονται από συγκεκριμένα παραδείγματα. Στον παρακάτω πίνακα παρατίθενται αποσπάσματα πραγματικών αγγελιών (ανωνυμοποιημένες ως προς τον εργοδότη) μαζί με την ταξινόμηση που έδωσε κάθε μέθοδος. Τα παραδείγματα επιλέχθηκαν ώστε να αναδείξουν τρεις κατηγορίες: περιπτώσεις συμφωνίας μεταξύ μεθόδων, ψευδώς θετικά αποτελέσματα της μεθόδου keywords, και περιπτώσεις που εντόπισε μόνο η LLM.

Τα παραδείγματα αναδεικνύουν τα πλεονεκτήματα κάθε μεθόδου. Η μέθοδος λέξεων-κλειδιών επισημαίνει κάθε εμφάνιση λέξεων όπως «νέος/νέα», ακόμα κι αν αναφέρονται σε «νέα θέση» ή «νέο κατάστημα» — ψευδώς θετικά που η LLM αποφεύγει χάρη στην κατανόηση πλαισίου. Αντίστροφα, η LLM εντοπίζει έμμεσες ηλικιακές αναφορές (π.χ. «πρώτη εργασιακή εμπειρία», «φρεσκοαπόφοιτος», «δυναμικό περιβάλλον» σε συνδυασμό με ηλικιακή αναφορά) που η μέθοδος keywords δεν καλύπτει εξ ορισμού.