論文の概要: PopResume: Causal Fairness Evaluation of LLM/VLM Resume Screeners with Population-Representative Dataset

• arxiv url: http://arxiv.org/abs/2603.22714v1
• Date: Tue, 24 Mar 2026 02:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.250995
• Title: PopResume: Causal Fairness Evaluation of LLM/VLM Resume Screeners with Population-Representative Dataset
• Title（参考訳）: PopResume: 人口表現型データセットを用いたLLM/VLMレスタの因果フェアネス評価
• Authors: Sumin Yu, Juhyeon Park, Taesup Moon,
• Abstract要約: PopResume は LLM および VLM ベースの履歴検査システムの因果フェアネス監査のための人口適応型履歴検定データセットである。 我々は,保護された属性が履歴書に与える影響を,職業関連資格を介するビジネス必要パスと,人口統計学を介するリライニングパスの2つの経路に分解する。 以上の結果から,PSEに基づく評価は,AIを活用した採用において,因果的な監査フレームワークの必要性を浮き彫りにした結果,結果レベルによって隠蔽される公平性の問題を明らかにした。
• 参考スコア（独自算出の注目度）: 20.584165011363474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present PopResume, a population-representative resume dataset for causal fairness auditing of LLM- and VLM-based resume screening systems. Unlike existing benchmarks that rely on manually injected demographic information and outcome-level disparities, PopResume is grounded in population statistics and preserves natural attribute relationships, enabling path-specific effect (PSE)-based fairness evaluation. We decompose the effect of a protected attribute on resume scores into two paths: the business necessity path, mediated by job-relevant qualifications, and the redlining path, mediated by demographic proxies. This distinction allows auditors to separate legally permissible from impermissible sources of disparity. Evaluating four LLMs and four VLMs on PopResume's 60.8K resumes across five occupations, we identify five representative discrimination patterns that aggregate metrics fail to capture. Our results demonstrate that PSE-based evaluation reveals fairness issues masked by outcome-level measures, underscoring the need for causally-grounded auditing frameworks in AI-assisted hiring.
• Abstract（参考訳）: 本稿では, LLM と VLM を用いた再検診システムの因果フェアネス監査のための, 人口表現型再検診データセットである PopResume を提案する。 手動で注入された人口統計情報や結果レベルの格差に依存する既存のベンチマークとは異なり、PopResumeは人口統計に根ざし、自然属性の関係を保ち、パス固有効果(PSE)に基づく公正性評価を可能にする。 我々は,保護された属性が履歴書に与える影響を,職業関連資格を介するビジネス必要パスと,人口統計学を介するリライニングパスの2つの経路に分解する。 この区別により、監査人は法的に許容できない格差の源から分離することができる。 PopResume の 60.8K での 4 つの LLM と 4 つの VLM の評価を 5 つの職業で行う。 以上の結果から,PSEに基づく評価は,AIを活用した採用において,因果的な監査フレームワークの必要性を浮き彫りにした結果,結果レベルによって隠蔽される公平性の問題を明らかにした。

関連論文リスト

• An External Fairness Evaluation of LinkedIn Talent Search [55.18656975953939]
  LinkedInのTalent Searchランキングシステムのバイアスに対する、独立したサードパーティによる監査を行います。 我々は、性別と人種の2つの属性にまたがる潜在的なランキングバイアスに焦点を当てている。 我々の分析は、初期階級の少数派を過小評価していることを示している。
  論文  参考訳（メタデータ） (2025-11-13T19:10:49Z)
• AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights [0.0611737116137921]
  大規模言語モデル (LLM) は人書き履歴書よりも, 自己生成したコンテンツを体系的に好んでいることを示す。 このバイアスは、LSMの自己認識能力をターゲットにした単純な介入によって50%以上削減することができる。 これらの調査結果は、AIによる意思決定における、新しくて見過ごされたリスクを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-08-30T11:40:11Z)
• Mitigating Group-Level Fairness Disparities in Federated Visual Language Models [115.16940773660104]
  本稿では、FLと公正なプロンプトチューニング技術を組み合わせた新しいフレームワークであるFVL-FPを紹介する。 モデル性能を維持しながら、人口統計バイアスを軽減することに注力する。 本手法は,標準FL法に比べて平均45%の人口格差を減少させる。
  論文  参考訳（メタデータ） (2025-05-03T16:09:52Z)
• Evaluating Bias in LLMs for Job-Resume Matching: Gender, Race, and Education [8.235367170516769]
  大規模言語モデル(LLM)は、求職履歴書と候補履歴書を一致させることで、採用を自動化する能力を提供する。 しかし、これらのモデルに固有のバイアスは、不公平な雇用慣行をもたらし、社会的偏見を強化し、職場の多様性を損なう可能性がある。 本研究は、英語と米国の文脈における求人マッチングタスクにおけるLLMの性能と公平性について検討する。
  論文  参考訳（メタデータ） (2025-03-24T22:11:22Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• Small Changes, Large Consequences: Analyzing the Allocational Fairness of LLMs in Hiring Contexts [19.20592062296075]
  大規模言語モデル(LLM)は、採用のような高度なアプリケーションにますますデプロイされている。 本研究は、実際の人事利用を反映した2つのタスクを通して、LLMベースの採用システムの割当公平性を検討する。
  論文  参考訳（メタデータ） (2025-01-08T07:28:10Z)
• 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)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)

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。