論文の概要: A Job I Like or a Job I Can Get: Designing Job Recommender Systems Using Field Experiments
- arxiv url: http://arxiv.org/abs/2603.21699v1
- Date: Mon, 23 Mar 2026 08:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.57158
- Title: A Job I Like or a Job I Can Get: Designing Job Recommender Systems Using Field Experiments
- Title（参考訳）: 好きな仕事か仕事か:フィールド実験による求人推薦システムの設計
- Authors: Guillaume Bied, Philippe Caillou, Bruno Crépon, Christophe Gaillac, Elia Pérennes, Michèle Sebag,
- Abstract要約: 我々は,空き時間の価値が作業者に提供するユーティリティと,アプリケーションが成功する確率の2つの次元に依存する,アプリケーション段階の求人モデルを開発する。
以上の結果から,単純な求職フレームワークに予測ツールを組み込むことで,実質的な福祉的利益を伴うレコメンデーションルールが得られることが示唆された。
- 参考スコア（独自算出の注目度）: 4.631231507161585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommendation systems (RSs) are increasingly used to guide job seekers on online platforms, yet the algorithms currently deployed are typically optimized for predictive objectives such as clicks, applications, or hires, rather than job seekers' welfare. We develop a job-search model with an application stage in which the value of a vacancy depends on two dimensions: the utility it delivers to the worker and the probability that an application succeeds. The model implies that welfare-optimal RSs rank vacancies by an expected-surplus index combining both, and shows why rankings based solely on utility, hiring probabilities, or observed application behavior are generically suboptimal, an instance of the inversion problem between behavior and welfare. We test these predictions and quantify their practical importance through two randomized field experiments conducted with the French public employment service. The first experiment, comparing existing algorithms and their combinations, provides behavioral evidence that both dimensions shape application decisions. Guided by the model and these results, the second experiment extends the comparison to an RS designed to approximate the welfare-optimal ranking. The experiments generate exogenous variation in the vacancies shown to job seekers, allowing us to estimate the model, validate its behavioral predictions, and construct a welfare metric. Algorithms informed by the model-implied optimal ranking substantially outperform existing approaches and perform close to the welfare-optimal benchmark. Our results show that embedding predictive tools within a simple job-search framework and combining it with experimental evidence yields recommendation rules with substantial welfare gains in practice.
- Abstract（参考訳）: 推薦システム(RS)は、オンラインプラットフォーム上で求職者を誘導するために使われることが多いが、現在展開されているアルゴリズムは通常、求職者の福祉ではなく、クリック、アプリケーション、雇用といった予測目的に最適化されている。
我々は,空き時間の価値が作業者に提供するユーティリティと,アプリケーションが成功する確率の2つの次元に依存する,アプリケーション段階の求人モデルを開発する。
このモデルでは、福祉最適RSは、両者を組み合わせて予想余剰指数でランク付けし、また、実用性、雇用確率、観察されたアプリケーション行動のみに基づくランク付けが、行動と福祉の間の逆問題である全般的に最適である理由を示している。
我々はこれらの予測を検証し、フランスの公共雇用サービスで実施された2つのランダム化フィールド実験を通して、それらの実用的重要性を定量化する。
最初の実験は、既存のアルゴリズムとそれらの組み合わせを比較し、両方の次元がアプリケーション決定を形成するという振る舞いの証拠を提供する。
モデルおよびこれらの結果から導かれる第2の実験は、福祉最適ランキングを近似したRSとの比較を拡張した。
この実験は、求職者に示される空洞の内因性変化を生じさせ、モデルの推定、行動予測の検証、福祉基準の構築を可能にした。
モデルに最適化された最適なランク付けによって得られるアルゴリズムは、既存のアプローチを大幅に上回り、福祉最適ベンチマークに近い性能を発揮する。
以上の結果から,単純な求職枠組みに予測ツールを組み込んで実験的な証拠と組み合わせることで,推薦規則と実質的な福祉的利益が得られたことが示唆された。
関連論文リスト
- Personalized Recommendations via Active Utility-based Pairwise Sampling [1.704905100460915]
単純かつ直感的なペアワイズ比較から好みを学習するユーティリティベースのフレームワークを提案する。
本研究の中心的な貢献は,嗜好評価のための新規なユーティリティベースアクティブサンプリング戦略である。
論文 参考訳（メタデータ） (2025-08-12T19:09:33Z) - RewardBench 2: Advancing Reward Model Evaluation [71.65938693914153]
リワードモデルは、好みのデータからニュアンスされた信号をキャプチャするために、言語モデルの訓練後を通して使用される。
コミュニティは報酬モデルを評価するためのベストプラクティスを確立し始めている。
本稿では,新しいマルチスキル報酬モデルベンチマークであるRewardBench 2を紹介する。
論文 参考訳（メタデータ） (2025-06-02T17:54:04Z) - Task load dependent decision referrals for joint binary classification in human-automation teams [5.004501184476518]
本稿では,バイナリ分類タスクを行う人間自動チームにおける最適意思決定基準の問題について考察する。
我々は、参照のためのタスクの最適セットを決定するためのランキングスキームとポリシーを提供する。
その結果、ブラインドポリシーよりも最適な参照ポリシーを提案する場合、統計的に有意な利得が得られた。
論文 参考訳（メタデータ） (2025-04-05T19:09:04Z) - Foundation Models at Work: Fine-Tuning for Fairness in Algorithmic Hiring [5.482898079941062]
対象の微調整に強化学習を活用するAutoRefineを提案する。
本稿では,言語バイアスがレコメンデーションシステムに影響を及ぼすアルゴリズム的採用プラットフォームにおいて発生する問題の方法を示す。
本モデルは,多様性と公正度基準を満たすために,職務記述におけるバイアスを検出し,規制する。
論文 参考訳（メタデータ） (2025-01-13T13:36:17Z) - Experiment Planning with Function Approximation [49.50254688629728]
本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。
本稿では,関数近似に適合する2つの実験計画戦略を提案する。
そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
論文 参考訳（メタデータ） (2024-01-10T14:40:23Z) - A Flexible Approach for Normal Approximation of Geometric and
Topological Statistics [8.658596218544774]
双対あるいはポアソン点過程の安定化関数のクラスに対する正規近似結果を導出する。
このフレキシブルな概念と強い安定化の理論を組み合わせて結果を確立する。
論文 参考訳（メタデータ） (2022-10-19T17:36:50Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z) - Provably Efficient Reward-Agnostic Navigation with Linear Value
Iteration [143.43658264904863]
我々は、最小二乗値スタイルのアルゴリズムで一般的に使用される、より標準的なベルマン誤差の概念の下での反復が、ほぼ最適値関数の学習において強力なPAC保証を提供することを示す。
そこで本稿では,任意の(線形な)報酬関数に対して,最適に近いポリシーを学習するためにどのように使用できるかを示す。
論文 参考訳（メタデータ） (2020-08-18T04:34:21Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z)
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。