Kort antwoord: Bias in spraakherkenning bestaat echt. Uit gepubliceerde studies blijkt dat er meer transcriptiefouten zijn bij sommige accenten, bij niet-moedertaalsprekers en bij mensen die stotteren of dysartrie hebben. Een spraakgesprek is maar zo eerlijk als wat er na de transcriptie gebeurt. Vraag daarom om drie waarborgen: een mens die het oorspronkelijke antwoord hoort, een andere route en monitoring.
Belangrijkste punten
- In een studie uit 2020 naar vijf commerciële systemen was de gemiddelde woordfoutratio 0,35 voor zwarte sprekers en 0,19 voor witte sprekers van Amerikaans Engels (VS).
- Onderzoek naar spraakherkenning voor het Nederlands vond bias tegen niet-moedertaalaccenten en regionale accenten, en naar leeftijd en geslacht (NL, onderzoekssystemen).
- Drie waarborgen verkleinen het risico: een mens beoordeelt de opname, niet alleen de transcriptie; kandidaten kunnen een andere route kiezen en om aanpassingen vragen; je monitort waar de transcriptie misgaat.
- Vraag elke leverancier om gemeten foutpercentages per taal en per groep sprekers, of om een eerlijk “nog niet”.
Op deze pagina: Hoe groot is de bias in spraakherkenning bij verschillende sprekers? · Waarom is een transcriptiefout belangrijk bij screening? · Welke drie waarborgen verkleinen het risico? · Om welke aanpassingen moeten kandidaten kunnen vragen? · Wat vraag je aan een leverancier van screening via spraak? · Hoe instrueer je beoordelaars over de beperkingen van transcripties? · Wat betekent dit voor uitzendbureaus en werkgevers met personeel op de werkvloer? · Conclusie: de transcriptie mag nooit het laatste woord hebben · Hoe Radius helpt · Veelgestelde vragen
Spraakgesprekken lossen een echt probleem op bij werving voor de werkvloer. Een sollicitant voor een functie in het magazijn, de schoonmaak of de beveiliging kan ’s avonds op de eigen telefoon antwoorden, zonder motivatiebrief. Maar het antwoord komt bij de recruiter terecht via software die spraak omzet in tekst, en die software verstaat niet iedereen even goed. HR-directeuren, ondernemingsraden en compliance officers vragen terecht wat er gebeurt met de kandidaat die verkeerd wordt verstaan.
In dit artikel lees je wat het onderzoek laat zien, welke waarborgen het risico verkleinen en welke vijf vragen je aan elke leverancier van screening via spraak stelt, ook aan ons. Het accentprobleem kwam in één alinea aan bod in ons eerdere artikel Geen enkele wervingstool neemt vooroordelen weg. Ook de onze niet. Hoe wij omgaan met toezicht, transparantie en het vastleggen van gegevens, lees je op onze pagina Vertrouwen en compliance.
Hoe groot is de bias in spraakherkenning bij verschillende sprekers?
De nauwkeurigheid verschilt per spreker, en de gepubliceerde verschillen zijn groot.
Onderzoekers meten de nauwkeurigheid met de woordfoutratio (in het Engels word error rate). Dat is het aantal woorden dat een systeem mist, verkeerd verstaat of toevoegt, als aandeel van de woorden die echt zijn gesproken. Als referentie dient een zorgvuldige transcriptie door een mens. Een woordfoutratio van 0,35 betekent ongeveer 35 fouten per 100 woorden.
Gemiddelde woordfoutratio, vijf commerciële systemen
Sprekers van Amerikaans Engels (VS)
35fouten per 100 woorden, zwarte sprekers
19fouten per 100 woorden, witte sprekers
Een woord dat het systeem miste, verkeerd verstond of toevoegde
Vier studies brengen het probleem in kaart.
| Studie | Systemen en sprekers | Bevinding | Beperkingen |
|---|---|---|---|
| Koenecke et al., 2020, PNAS (VS) | Vijf commerciële systemen, van Amazon, Apple, Google, IBM en Microsoft; gestructureerde interviews met 42 witte en 73 zwarte sprekers in vijf Amerikaanse steden, 19,8 uur audio | Gemiddelde woordfoutratio van 0,35 voor zwarte sprekers en 0,19 voor witte sprekers | Alleen Amerikaans Engels; de resultaten gaan over de versies die destijds zijn getest |
| Feng et al., 2024, Computer Speech and Language (NL, onderzoek) | Twee ontwerpen van onderzoekssystemen, voor het Nederlands en voor het Mandarijn | Bias ten aanzien van geslacht, leeftijd, regionale accenten en niet-moedertaalaccenten | Onderzoeksmodellen, geen commerciële producten |
| Mujtaba et al., 2024, NAACL (Engels) | Zes spraakherkenningssystemen; echte spraak van mensen die stotteren, plus een synthetische dataset | Bij alle zes de systemen een consistente, statistisch significante nauwkeurigheidsbias ten nadele van onvloeiende spraak | Alleen Engels; een deel van de vergelijking gebruikt synthetische spraak |
| De Russis en Corno, 2019, Journal of Reliable Intelligent Environments (Engels) | Drie cloudplatforms; een onderzoekscorpus van mensen met dysartrie, een spraakaandoening door neurologische schade | Woordfoutratio’s van ongeveer 80 tot 90% bij sprekers met een lage verstaanbaarheid, tegenover ongeveer 15 tot 25% bij sprekers zonder afwijkende verstaanbaarheid | Klein Engelstalig corpus; de resultaten gaan over de versies die destijds zijn getest |
Voor wie zo’n systeem koopt, zijn twee punten belangrijk.
Ten eerste ligt een groot deel van de oorzaak bij de systemen en niet bij de sprekers. Koenecke en collega’s vonden dat het verschil even groot was wanneer zwarte en witte sprekers dezelfde zinnen uitspraken, wat wijst op de akoestische modellen en niet op woordkeuze. Feng en collega’s vonden dat uitspraakverschillen maar een fractie van de gemeten bias verklaarden. Je lost het probleem in het model niet op door kandidaten te vragen duidelijker te spreken.
Ten tweede heeft geen van deze studies een wervingsproduct getest, en worden commerciële systemen na verloop van tijd bijgewerkt. Dat werkt twee kanten op. Je kunt er niet vanuit gaan dat een leverancier dezelfde verschillen heeft, maar ook niet dat er geen zijn. Volgens ons kom je daar alleen achter door te meten, in de talen en bij de groepen sprekers die je in de praktijk aanneemt.
Waarom is een transcriptiefout belangrijk bij screening?
Omdat samenvattingen, bewijs en beslissingen meestal op de transcriptie zijn gebaseerd.
Bij de meeste screening via spraak wordt de opname tekst, de tekst een samenvatting en de samenvatting bewijs per functie-eis. Een drukke recruiter leest eerst de samenvatting, dus een fout aan het begin komt bij de beslissing terecht, tenzij iemand de fout onderweg tegenhoudt.
Voorbeeld ter illustratie. Een sollicitant voor een functie als orderpicker zegt: “Ik heb een reachtruckcertificaat, geldig tot 2028.” De transcriptie luidt “rich truck certificaat, geldig tot 2018”. De samenvatting noteert het certificaat als verlopen en de eis staat op “niet voldaan”. Niets in de tekst wijst op een fout. Alleen wie het antwoord afspeelt, hoort wat er echt is gezegd.
“Ik heb een reachtruckcertificaat, geldig tot 2028.”
“rich truck certificaat, geldig tot 2018”
Alleen wie het antwoord afspeelt, hoort wat er echt is gezegd.
De fouten die bij screening voor de werkvloer het meest uitmaken, zijn kleine fouten:
- namen van certificaten en machines, zoals reachtruck, heftruck of VCA;
- getallen: datums, jaren ervaring, startdatums en diensttijden;
- ontkenningen en korte woorden, zoals “kan” en “kan niet”;
- plaatsnamen en namen van eerdere werkgevers.
Het risico is het grootst in drie situaties. De eerste is een geautomatiseerde regel die kandidaten afwijst of laat afvallen op basis van getranscribeerde tekst. De AVG geeft kandidaten het recht om niet te worden onderworpen aan een besluit dat uitsluitend is gebaseerd op geautomatiseerde verwerking en hen in aanmerkelijke mate treft, zoals een automatische afwijzing, tenzij er een uitzondering geldt (AVG, artikel 22). De tweede is een samenvatting die onzekerheid verbergt: een nette alinea leest als een feit, zelfs bij slechte geluidskwaliteit. De derde is te veel vertrouwen in de output. De Europese AI-verordening (AI Act) schrijft voor dat wervingstools met een hoog risico zo worden gebouwd dat wie er toezicht op houdt, zich bewust kan blijven van de neiging om te veel op de output te vertrouwen en de output door een andere beslissing kan vervangen (AI-verordening, artikel 14, lid 4). Voor AI die bij werving wordt gebruikt, gelden die verplichtingen vanaf 2 december 2027 (Verordening (EU) 2026/1744).
Met accent komt er nog een risico bij, want het kan wijzen op iemands herkomst. De Nederlandse gelijkebehandelingswetgeving verbiedt direct en indirect onderscheid op grond van onder meer ras en nationaliteit bij de aanbieding van een betrekking, de vervulling van een openstaande betrekking en arbeidsbemiddeling (Algemene wet gelijke behandeling, artikel 1 en artikel 5, lid 1). Of een bepaald proces die grens overschrijdt, hangt af van de feiten. Volgens ons is dat een sterke reden om ervoor te zorgen dat geen enkel systeem accent beoordeelt, en om na te gaan dat transcriptiefouten niet ongemerkt als accentfilter werken.
Welke drie waarborgen verkleinen het risico?
Een mens hoort het origineel, kandidaten kunnen van route wisselen en je monitort.
Geen van deze waarborgen neemt de bias in spraakherkenning weg. Samen voorkomen ze dat een transcriptiefout een wervingsbeslissing wordt, en elk van de drie kun je als koper in een demo controleren.
1. Een mens beoordeelt het oorspronkelijke antwoord, niet alleen de transcriptie
De opname is het bewijs; de transcriptie helpt je alleen om de juiste plek in de opname te vinden. Beoordelaars moeten het antwoord achter elke regel van de samenvatting kunnen afspelen, bij voorkeur direct op het moment dat bij de betreffende eis hoort, en dat ook doen voordat ze een eis als niet voldaan of een antwoord als onduidelijk markeren. Een aangewezen persoon neemt de beslissing en heeft daarvoor eerst het bewijs gezien. Een onduidelijk of ontbrekend antwoord gaat naar die persoon voor een vervolgvraag en nooit naar een automatische afwijzing: ontbreken is niet hetzelfde als niet voldoen.
2. Kandidaten kunnen een andere route kiezen
Vertel kandidaten aan het begin dat de interviewer geautomatiseerd is, dat een mens het resultaat beoordeelt en hoe ze in plaats daarvan een mens kunnen bereiken, bijvoorbeeld via een telefoongesprek met een recruiter of schriftelijke antwoorden op dezelfde vragen. De keuze voor die route mag niet in hun nadeel meetellen. Sinds 2 augustus 2026 moeten aanbieders van systemen die rechtstreeks met mensen communiceren er volgens de AI-verordening ook voor zorgen dat die mensen te horen krijgen dat ze met AI te maken hebben, tenzij dat duidelijk is (AI-verordening, artikel 50, lid 1).
De noodzaak daarvan is niet theoretisch. In een groot veldexperiment met ongeveer 67.000 in aanmerking komende sollicitaties voor klantenservicefuncties op de Filipijnen werd 7% van de door de AI gevoerde gesprekken afgebroken door een technische storing, en gaf de sollicitant in 5% van de gesprekken aan niet verder te willen met de AI (Jabarian en Henkel, 2026, werkdocument, niet peer-reviewed). Een proces dat is gebouwd voor grote aantallen heeft een eigen route nodig voor deze mensen.
3. Je monitort waar de transcriptie misgaat
Houd per gesprekstaal en per locatie bij hoe vaak beoordelaars een transcriptie corrigeren of van een samenvatting afwijken, hoe vaak gesprekken worden afgebroken, hoe vaak kandidaten van route wisselen en hoe de doorstroomcijfers verschillen tussen gesprekstalen. Neem elke maand van elke taal een kleine steekproef van gesprekken en vergelijk de transcriptie met de opname. Geef terugkerende fouten door aan de leverancier: bij namen van certificaten, lokale plaatsnamen en termen voor diensten herhalen de fouten zich vaak. Wie uitkomsten naar herkomst meet, krijgt daarmee eigen privacyvragen. Begin daarom met wat je al hebt, zoals de gesprekstaal, en vraag advies voordat je meer gegevens gaat verzamelen.
| Waarborg | Zo controleer je het in een demo | Wat het niet oplost |
|---|---|---|
| Een mens beoordeelt het origineel | Vraag degene die de demo geeft om het antwoord achter één regel van de samenvatting af te spelen | De transcriptie zelf wordt niet nauwkeuriger |
| Een andere route | Vraag om het eerste scherm van de kandidaat te zien en wat er gebeurt als iemand om een mens vraagt | Kandidaten die er nooit over horen |
| Monitoring | Vraag welke rapportages er zijn, wie ze ziet en wie er actie op onderneemt | Iemand moet nog altijd actie ondernemen op wat het laat zien |
Om welke aanpassingen moeten kandidaten kunnen vragen?
Praktische veranderingen waarmee kandidaten kunnen laten zien wat ze kunnen.
Volgens de Nederlandse Wet gelijke behandeling op grond van handicap of chronische ziekte (WGBH/CZ) houdt het verbod van onderscheid ook de plicht in om waar nodig doeltreffende aanpassingen te doen, tenzij die een onevenredige belasting vormen (WGBH/CZ, artikel 2). Het verbod geldt voor de aanbieding van een betrekking en de behandeling bij de vervulling van een openstaande betrekking (artikel 4, onder a). Hoe dat uitpakt bij een bepaald proces met spraakgesprekken, hangt af van de feiten, dus win juridisch advies in over je eigen opzet.
Bij een spraakgesprek kunnen onder meer de volgende aanpassingen nuttig zijn:
- een telefoongesprek met een recruiter in plaats van het geautomatiseerde gesprek;
- schriftelijke antwoorden op dezelfde vragen;
- meer tijd, pauzes zonder tijdslimiet en de mogelijkheid om een vraag opnieuw te horen;
- een begeleider of tolk bij het gesprek, voor zover de functie dat toelaat;
- voor mensen die stotteren of een spraakaandoening hebben: beoordelaars die naar de opname luisteren in plaats van de transcriptie te lezen.
Zeg aan het begin hoe kandidaten erom kunnen vragen, en eis geen medische toelichting. Noem wie de verzoeken afhandelt en hoe snel dat gebeurt. Houd de vragen en criteria op elke route gelijk, zodat de antwoorden vergelijkbaar blijven. Leg vast dat er een aanpassing is gedaan, niet waarom: gezondheidsgegevens zijn gevoelig en zelden nodig voor de wervingsbeslissing.
Wat vraag je aan een leverancier van screening via spraak?
Vijf vragen om schriftelijk te stellen, met bij elke vraag een goed antwoord.
| # | Vraag | Een goed antwoord | Waarschuwingssignaal |
|---|---|---|---|
| 1 | Hoe vaak worden woorden verkeerd getranscribeerd, per taal, bij moedertaal- en niet-moedertaalsprekers, en hoe is dat gemeten? | Gemeten cijfers met de methode, of een eerlijk “nog niet” en een plan | Eén algemeen nauwkeurigheidscijfer, of cijfers voor een andere taal |
| 2 | Kunnen beoordelaars bij elke regel van de samenvatting het oorspronkelijke antwoord horen? | Ja, gekoppeld aan elke eis | Alleen de transcriptie of de samenvatting wordt bewaard |
| 3 | Beoordeelt een model accent, stemtoon of emotie? | Een duidelijk nee, schriftelijk | Labels zoals “communicatie”, “zelfverzekerdheid” of “sentiment”, afgeleid uit de stem |
| 4 | Hoe horen kandidaten dat de interviewer geautomatiseerd is, en welke andere routes en aanpassingen kunnen ze kiezen? | Aan het begin verteld; een telefonische of schriftelijke route; een aangewezen contactpersoon voor aanpassingen | Alleen een melding in de privacyverklaring |
| 5 | Wat gebeurt er als de transcriptie mislukt, het geluid wegvalt of een antwoord ontbreekt? Wordt iemand afgewezen zonder dat een mens het bekijkt? | Het gaat naar een mens; niemand wordt automatisch afgewezen | Ontbrekende antwoorden tellen als niet voldaan |
Vraag 3 heeft naast een eerlijkheidskant ook een juridische kant. Sinds 2 februari 2025 verbiedt de AI-verordening AI-systemen die op de werkplek emoties van mensen afleiden uit biometrische gegevens, zoals gezichtsuitdrukkingen of stem, behalve om medische of veiligheidsredenen. Volgens de richtsnoeren van de Europese Commissie, die niet bindend zijn, geldt dit verbod ook voor kandidaten tijdens de werving (richtsnoeren van de Commissie over verboden AI-praktijken, C(2025) 5052 final).
De bredere lijst, die ook ingaat op bewijs voor validiteit, gegevens en de AI-verordening, staat in AI-software voor werving kiezen: 10 vragen voor elke leverancier.
Hoe instrueer je beoordelaars over de beperkingen van transcripties?
Vertel ze dat de transcriptie een concept is en de opname het bewijs.
Sinds 2 februari 2025 verplicht de AI-verordening organisaties die AI-systemen gebruiken om maatregelen te nemen voor de AI-geletterdheid van het personeel dat ermee werkt. Sinds de Digital Omnibus op 27 juli 2026 in werking is getreden, moeten organisaties maatregelen nemen die de AI-geletterdheid van het personeel ondersteunen, zonder dat zij voor iemand een bepaald niveau hoeven te garanderen (AI-verordening, artikel 4, zoals gewijzigd bij Verordening (EU) 2026/1744). Een briefing van één pagina over transcriptie is daar een praktisch onderdeel van:
- Transcripties bevatten bij sommige sprekers meer fouten: mensen met een accent, niet-moedertaalsprekers en mensen die stotteren of een spraakaandoening hebben.
- Luister naar het antwoord voordat je een eis als niet voldaan markeert.
- Vergelijk namen, getallen en ontkenningen met de opname.
- Beoordeel de inhoud van het antwoord aan de hand van de eis. Grammatica en accent beoordeel je niet.
- Noteer elke fout in de transcriptie, zodat ze geteld en aan de leverancier gemeld kunnen worden.
- Als je van een samenvatting afwijkt, leg je vast waarom.
- Als een kandidaat om een andere route of een aanpassing vraagt, geef je dat dezelfde dag door.
In ons artikel over menselijk toezicht bij werving lees je wat de controle van een beoordelaar tot een echte controle maakt.
Wat betekent dit voor uitzendbureaus en werkgevers met personeel op de werkvloer?
De waarborgen moeten gelden voor alle talen, locaties en opdrachtgevers.
Uitzendbureaus interviewen kandidaten in meerdere talen voor meerdere opdrachtgevers tegelijk, en recruiters die voor veel functies beoordelen, hebben de minste tijd om te luisteren. Als elke eis is gekoppeld aan het moment in de opname waarop daar antwoord op wordt gegeven, scheelt dat tijd. Uitzendbureaus kunnen de vijf vragen aan leveranciers ook gebruiken als een opdrachtgever vraagt hoe een kandidaat is gescreend, en de alternatieve route een vast onderdeel maken van de standaardintake.
Werkgevers met personeel op de werkvloer lopen tegen een andere valkuil aan. Heb je voor een functie echt Nederlands nodig op de werkvloer, leg dat niveau dan vast als eis en toets het bij elke kandidaat op dezelfde manier. Anders kan de kwaliteit van de transcriptie een informele taaltoets worden die niemand heeft gekozen. Ondernemingsraden zullen vragen wat er wordt opgenomen, wie er luistert, hoe lang opnames worden bewaard en hoe kandidaten van route kunnen wisselen; zorg dat je de antwoorden schriftelijk klaar hebt vóór het gesprek met de ondernemingsraad. In onze gids over de AI Act bij werving en selectie staat het bredere tijdpad.
Conclusie: de transcriptie mag nooit het laatste woord hebben
Bias in spraakherkenning is goed gedocumenteerd voor sommige accenten, voor niet-moedertaalsprekers en voor mensen met een spraakaandoening, en geen enkele leverancier kan die met een belofte laten verdwijnen. Wat een koper zelf in de hand heeft, is wat er daarna gebeurt: een mens die het oorspronkelijke antwoord hoort, een uitweg uit het geautomatiseerde gesprek met aanpassingen op verzoek, en monitoring die laat zien waar het systeem verkeerd verstaat. Vraag om gemeten foutpercentages voor jouw talen, geef de voorkeur aan een eerlijk “nog niet” boven een vage bewering en controleer de waarborgen in de demo.
Hoe Radius helpt
Radius Hire is een AI-wervingsplatform voor functies op de werkvloer in Nederland. De AI Interviewer neemt een kort, gestructureerd spraakgesprek af dat kandidaten op hun telefoon kunnen voeren, wanneer het hen uitkomt, in de taal die voor de functie is ingesteld.
- Kandidaten horen aan het begin dat de interviewer geautomatiseerd is en dat een mens het resultaat beoordeelt.
- Elk gesprek kan worden bewaard als opname, transcriptie en samenvatting. Met Match laat Radius per eis zien wat er als bewijs is: een document of een controle, alleen wat de kandidaat zelf zei, of nog niets. Daarbij hoort het moment in het gesprek waarop het antwoord op die eis te horen is.
- De AI Interviewer beoordeelt geen accent, uiterlijk of achtergrond.
- Radius wijst nooit zelfstandig een kandidaat af. Een recruiter bekijkt het bewijs, kan alles wat Radius laat zien terzijde leggen en neemt elke wervingsbeslissing.
Hoe dit aansluit bij de AI-verordening, staat op onze pagina Vertrouwen en compliance.
Veelgestelde vragen
Werkt spraakherkenning voor niet-moedertaalsprekers?
Meestal wel, maar in gepubliceerd onderzoek minder nauwkeurig dan voor moedertaalsprekers. Een studie naar onderzoekssystemen voor het Nederlands vond bias tegen niet-moedertaalaccenten. Hoe een bepaald product presteert, hangt af van de modellen en talen, dus vraag de leverancier om gemeten cijfers in de talen waarin je werft.
Zijn AI-spraakgesprekken eerlijk voor mensen met een accent?
Alleen zo eerlijk als de beoordeling erachter. Transcriptiefouten zijn ongelijk verdeeld, dus eerlijkheid hangt af van mensen die het oorspronkelijke antwoord controleren, een uitweg uit het geautomatiseerde gesprek en regelmatige monitoring. Geen enkel systeem hoort het accent zelf te beoordelen.
Kunnen kandidaten ervoor kiezen om geen AI-gesprek te doen?
Dat zouden ze moeten kunnen. Leg aan het begin uit hoe ze een mens kunnen bereiken, bied een telefoongesprek of een schriftelijke vorm aan en zorg dat die keuze niet in het nadeel van de kandidaat wordt meegewogen.
Kunnen we de kwaliteit van de transcriptie testen voordat we live gaan?
Ja. Vraag collega’s of vrijwilligers die de talen en accenten van je sollicitanten spreken, met hun toestemming, de echte vragen voor de functie te beantwoorden. Laat een mens elke transcriptie met de opname vergelijken en de fouten in namen van certificaten, getallen en ontkenningen tellen. Herhaal de test nadat de leverancier zijn modellen heeft bijgewerkt.
Algemene informatie, geen juridisch advies. Stand van zaken op 21 oktober 2026.
Bronnen
- Koenecke, A., Nam, A., Lake, E., Nudell, J., Quartey, M., Mengesha, Z., Toups, C., Rickford, J. R., Jurafsky, D., en Goel, S. (2020). Racial disparities in automated speech recognition. Proceedings of the National Academy of Sciences, 117(14), 7684 tot 7689. Gepubliceerd op 23 maart 2020. https://doi.org/10.1073/pnas.1915768117. Gecontroleerd op 21 oktober 2026.
- Feng, S., Halpern, B. M., Kudina, O., en Scharenborg, O. (2024). Towards inclusive automatic speech recognition. Computer Speech and Language, 84, 101567. Online gepubliceerd in september 2023, verschenen in het nummer van maart 2024. https://doi.org/10.1016/j.csl.2023.101567. Gecontroleerd op 21 oktober 2026.
- Mujtaba, D., Mahapatra, N. R., Arney, M., Yaruss, J. S., Gerlach-Houck, H., Herring, C., en Bin, J. (2024). Lost in transcription: Identifying and quantifying the accuracy biases of automatic speech recognition systems against disfluent speech. Proceedings of NAACL 2024 (Volume 1: Long Papers), 4795 tot 4809. Verschenen in juni 2024. https://aclanthology.org/2024.naacl-long.269/. Gecontroleerd op 21 oktober 2026.
- De Russis, L., en Corno, F. (2019). On the impact of dysarthric speech on contemporary ASR cloud platforms. Journal of Reliable Intelligent Environments, 5, 163 tot 172. Gepubliceerd in juli 2019. https://doi.org/10.1007/s40860-019-00085-y. Gecontroleerd op 21 oktober 2026.
- Jabarian, B., en Henkel, L. (2026). Voice AI in Firms: A Natural Field Experiment on Automated Job Interviews. Werkdocument, arXiv:2607.28222, versie 2, 11 september 2026. https://arxiv.org/abs/2607.28222. Gecontroleerd op 21 oktober 2026.
- Wet gelijke behandeling op grond van handicap of chronische ziekte (WGBH/CZ), artikelen 2 en 4, versie geldend vanaf 1 januari 2026. wetten.overheid.nl. https://wetten.overheid.nl/BWBR0014915/2026-01-01. Gecontroleerd op 21 oktober 2026.
- Algemene wet gelijke behandeling (Awgb), artikelen 1 en 5, versie geldend vanaf 1 januari 2026. wetten.overheid.nl. https://wetten.overheid.nl/BWBR0006502/2026-01-01. Gecontroleerd op 21 oktober 2026.
- Verordening (EU) 2016/679 (AVG), artikel 22. Publicatieblad L 119, 4 mei 2016. https://eur-lex.europa.eu/eli/reg/2016/679/oj. Gecontroleerd op 21 oktober 2026.
- Verordening (EU) 2024/1689 (AI-verordening), artikel 4, artikel 5, lid 1, onder f, artikel 14 en artikel 50, lid 1. Publicatieblad, 12 juli 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj. Gecontroleerd op 21 oktober 2026.
- Verordening (EU) 2026/1744 (Digitale omnibus inzake AI), tot wijziging van Verordening (EU) 2024/1689. Publicatieblad, 24 juli 2026. https://eur-lex.europa.eu/eli/reg/2026/1744/oj. Gecontroleerd op 21 oktober 2026.
- European Commission (2025). Guidelines on prohibited artificial intelligence practices established by Regulation (EU) 2024/1689, C(2025) 5052 final, 29 juli 2025. Niet bindend. https://digital-strategy.ec.europa.eu/en/library/commission-publishes-guidelines-prohibited-artificial-intelligence-ai-practices-defined-ai-act. Gecontroleerd op 21 oktober 2026.