論文の概要: Mapping Stakeholder Needs to Multi-Sided Fairness in Candidate Recommendation for Algorithmic Hiring

• arxiv url: http://arxiv.org/abs/2508.00908v1
• Date: Tue, 29 Jul 2025 11:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 14:39:57.58747
• Title: Mapping Stakeholder Needs to Multi-Sided Fairness in Candidate Recommendation for Algorithmic Hiring
• Title（参考訳）: アルゴリズム採用のための候補推薦におけるマルチサイトフェアネスへのステークホルダーの対応
• Authors: Mesut Kaya, Toine Bogers,
• Abstract要約: 本稿では,候補推薦システムにおけるフェアネスに対するマルチステークホルダーアプローチを提案する。 求職者、企業、採用者、その他の求人ポータルの従業員がインタビューを受けた。 私たちはこれらのインタビューを使って、雇用における不公平な生きた経験を探求します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Already before the enactment of the EU AI Act, candidate or job recommendation for algorithmic hiring -- semi-automatically matching CVs to job postings -- was used as an example of a high-risk application where unfair treatment could result in serious harms to job seekers. Recommending candidates to jobs or jobs to candidates, however, is also a fitting example of a multi-stakeholder recommendation problem. In such multi-stakeholder systems, the end user is not the only party whose interests should be considered when generating recommendations. In addition to job seekers, other stakeholders -- such as recruiters, organizations behind the job postings, and the recruitment agency itself -- are also stakeholders in this and deserve to have their perspectives included in the design of relevant fairness metrics. Nevertheless, past analyses of fairness in algorithmic hiring have been restricted to single-side fairness, ignoring the perspectives of the other stakeholders. In this paper, we address this gap and present a multi-stakeholder approach to fairness in a candidate recommender system that recommends relevant candidate CVs to human recruiters in a human-in-the-loop algorithmic hiring scenario. We conducted semi-structured interviews with 40 different stakeholders (job seekers, companies, recruiters, and other job portal employees). We used these interviews to explore their lived experiences of unfairness in hiring, co-design definitions of fairness as well as metrics that might capture these experiences. Finally, we attempt to reconcile and map these different (and sometimes conflicting) perspectives and definitions to existing (categories of) fairness metrics that are relevant for our candidate recommendation scenario.
• Abstract（参考訳）: EUのAI法が制定される以前には、アルゴリズムによる雇用の候補者または求人推薦(CVと求人投稿を半自動でマッチングする)が、不公平な治療が求職者に深刻な損害をもたらすリスクの高いアプリケーションの一例として使用されていた。 しかし、候補者を求職者や求職者に推薦することは、マルチステークホルダー推薦問題の適切な例である。 このようなマルチステークホルダーシステムでは、レコメンデーションを生成する際に関心を抱くのはエンドユーザーだけではない。 求職者に加えて、求職者、求職者の背後にある組織、採用機関自体といった他の利害関係者もこれに利害関係者であり、関連する公正度指標の設計に彼らの視点を含めるべきである。 それでも、アルゴリズム的雇用における公正さの過去の分析は、他の利害関係者の視点を無視して、一方的な公正さに制限されてきた。 本稿では,このギャップに対処し,人間-イン・ザ・ループのアルゴリズム的採用シナリオにおいて,候補候補CVを人材採用者に推薦する候補推薦システムにおいて,公平性に対するマルチステークホルダーアプローチを提案する。 我々は40の利害関係者(求職者、企業、採用者、その他の求職者)と半構造化インタビューを行った。 私たちはこれらのインタビューを使って、雇用における不公平な生きた経験、公正さの定義の共同設計、そしてこれらの経験を捉えうるメトリクスを探索しました。 最後に、これらの異なる(時には矛盾する)視点と定義を、候補の推奨シナリオに関係のある既存の(カテゴリの)公正度メトリクスに調整し、マッピングしようとします。

関連論文リスト

• Algorithmic Hiring and Diversity: Reducing Human-Algorithm Similarity for Better Outcomes [0.5831737970661138]
  我々は、ショートリストの段階で平等な表現を強制することは、より多様な最終雇用に変換されないことを理論的、経験的に示している。 この結果に影響を及ぼす重要な要因は,アルゴリズムのスクリーニング基準と人材採用担当者の評価基準との相関である。 本稿では,マネージャが見落としやすい候補を選別し,その評価基準に従って競争力を保つことで,ショートリストの多様化を明示的に図った補完的アルゴリズムアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-20T14:09:43Z)
• Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
  本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。 そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。 具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
  論文  参考訳（メタデータ） (2023-10-18T10:32:39Z)
• Fairness and Bias in Algorithmic Hiring: a Multidisciplinary Survey [43.463169774689646]
  この調査は、システム、バイアス、尺度、緩和戦略、データセット、およびアルゴリズム雇用と公正性の法的側面のバランスよく統合されたカバレッジを持つ実践者や研究者を対象としている。 私たちの仕事は、現在の機会と制限を強調し、すべての利害関係者に対する共有メリットを保証するために、将来の作業に対する推奨を提供することによって、この技術のコンテキスト化された理解とガバナンスを支援します。
  論文  参考訳（メタデータ） (2023-09-25T08:04:18Z)
• A Co-design Study for Multi-Stakeholder Job Recommender System Explanations [2.6681297407122577]
  異なる利害関係者のタイプには、説明の好みが強く異なることが分かりました。 候補は、短いテキストによる説明を好み、潜在的なマッチを素早く判断できることを示している。 一方、採用マネージャはビジュアルグラフに基づく説明を好んでおり、より技術的で包括的な概要を垣間見ることができます。
  論文  参考訳（メタデータ） (2023-09-11T14:51:20Z)
• The Initial Screening Order Problem [20.105850916041952]
  候補検定における初期検定順序(ISO)の役割について検討する。 ISOは、$k$の候補を選択する際に、スクリーニング者が候補プールを検索する順序を指す。
  論文  参考訳（メタデータ） (2023-07-28T08:48:32Z)
• A Survey on Fairness-aware Recommender Systems [59.23208133653637]
  本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。 次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-06-01T07:08:22Z)
• Perspectives on Large Language Models for Relevance Judgment [56.935731584323996]
  大型言語モデル(LLM)は、関連判断を支援することができると主張している。 自動判定が検索システムの評価に確実に利用できるかどうかは不明である。
  論文  参考訳（メタデータ） (2023-04-13T13:08:38Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Allocation Schemes in Analytic Evaluation: Applicant-Centric Holistic or Attribute-Centric Segmented? [30.17763246746458]
  採用や大学入学など、応募者の評価や選定など、多くの応用がある。 これらのアプリケーションでは、応募者数は多く、分散方式でタスクを複数の評価者に割り当てるのが一般的である。 我々は、各評価官により多くの応募者を割り当てるが、申請者当たりの属性が少ないことを検討し、分割割当と呼ぶ。
  論文  参考訳（メタデータ） (2022-09-18T22:02:46Z)
• A Dataset on Malicious Paper Bidding in Peer Review [84.68308372858755]
  悪意あるレビュアーは、紙の割り当てを非倫理的に操作するために戦略的に入札した。 この問題を緩和するための方法の作成と評価への重要な障害は、悪意ある紙入札に関する公開データの欠如である。 我々は、参加者に正直に、悪意的に入札するよう指示されたモックカンファレンス活動から収集された、新しいデータセットをリリースする。
  論文  参考訳（メタデータ） (2022-06-24T20:23:33Z)
• Opportunistic Multi-aspect Fairness through Personalized Re-ranking [5.8562079474220665]
  複数の公正度次元にわたる個人の嗜好を学習するフェアネス・アウェア・レコメンデーションに対する再ランクのアプローチを提案する。 我々は,我々の正当性とメートル法に依存しないアプローチが,従来よりも正確性と公平性の間のトレードオフを良好に達成していることを示す。
  論文  参考訳（メタデータ） (2020-05-21T04:25:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。