diddeb/belonging-check

Audits d'offres d'emploi fondés sur des preuves en tant que compétence Claude – le libellé signale qui appartient.

Qu'est-ce que belonging-check ?

Cette compétence Claude, `diddeb/belonging-check`, permet de réaliser des audits d'offres d'emploi basés sur des preuves pour détecter les biais de langage qui peuvent décourager certains talents. En analysant le libellé des annonces, elle identifie les signaux subtils (comme le jargon de genre, les exigences non essentielles, ou un ton trop informel) qui peuvent exclure inconsciemment des candidats de groupes sous-représentés. Utile pour les recruteurs et les responsables RH souhaitant améliorer l'inclusivité de leurs recrutements, elle fonctionne avec Claude AI et utilise des recherches en sciences sociales pour fournir des recommandations concrètes. Son fonctionnement est simple : l'utilisateur soumet une annonce, et la compétence l'analyse en quelques secondes, mettant en évidence les passages problématiques et suggérant des réformulations plus inclusives.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add diddeb/belonging-check

Installed? Explore more Développement et programmation skills: steipete/bluebubbles, steipete/eightctl, steipete/blucli · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait belonging-check ?

Audits d'offres d'emploi fondés sur des preuves en tant que compétence Claude – le libellé signale qui appartient.

Description

Cette compétence permet de passer en revue les offres d'emploi pour détecter les biais de langage qui peuvent influencer la perception d'appartenance des candidats. Elle s'appuie sur des recherches en sciences sociales pour identifier les signaux textuels qui favorisent ou excluent certains groupes.

Utilisation

  1. Fournissez le texte d'une offre d'emploi à Claude.
  2. La compétence analysera le libellé et mettra en évidence les passages potentiellement problématiques.
  3. Elle proposera des reformulations inclusives et des recommandations fondées sur des preuves.

Fonctionnement

  • Analyse de biais de genre : détection du jargon masculin ou féminin excessif, des termes stéréotypés.
  • Analyse d'inclusivité : évaluation du ton général, de la formalité et de la clarté des exigences.
  • Recommandations : suggestions concrètes pour rendre l'annonce plus accueillante pour tous les talents.

Exemple

Offre originale : « Nous recherchons un développeur senior agressif qui dominera notre équipe technique. »

Résultat de l'audit : Termes comme « agressif » et « dominera » peuvent dissuader les femmes et les minorités. Suggestion : « Nous recherchons un·e développeur·se senior capable de collaborer efficacement et de diriger des projets techniques. »

Support

Pour toute question ou suggestion, veuillez ouvrir une issue sur le dépôt GitHub.

Skills associés