論文の概要: From Skill Extraction to Multistakeholder Recommendation: A Two-Stage Framework for Bias Governance in Skills-Based Job Matching

• arxiv url: http://arxiv.org/abs/2607.15707v1
• Date: Fri, 17 Jul 2026 07:37:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.782986
• Title: From Skill Extraction to Multistakeholder Recommendation: A Two-Stage Framework for Bias Governance in Skills-Based Job Matching
• Title（参考訳）: スキル抽出からマルチステークホルダレコメンデーションへ:スキルベースのジョブマッチングにおけるバイアスガバナンスのための2段階フレームワーク
• Abstract要約: スキル抽出、プロファイル形成、および候補ジョブマッチングのバイアスは、候補者の不公平な治療に寄与する可能性がある。 本稿では,スキルベースのジョブマッチングにおいて,バイアスを検出し,管理するための2段階のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.8749675983608171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-based labor-market systems or platforms can affect access to job opportunities prior to organizational candidate rankings or hiring decisions. Such applications warrant caution, as biases in skill extraction, profile formation, and candidate-job matching may contribute to unfair treatment of candidates. In this paper, we propose a two-stage framework for detecting and governing bias in skills-based job matching. Stage 1, skill extraction and profile formation, addresses how candidates provide skills and preferences to the system, how the system extracts and structures this information, and the bias risks this entails, with a focus on chatbot-based elicitation. Stage 2, multistakeholder candidate-job recommendation, would embed this information in a recommender system in which candidate, company, and regulatory objectives are represented by separate agents, each producing an independent candidate-job ranking; these rankings would be combined through social choice-based aggregation into a single, auditable recommendation. The two stages are connected by a shared distinction between hard constraints, which require correction before processing continues, and soft constraints, which are logged to inform later decisions. Following an AI Act-aligned assessment methodology (based on the Fraunhofer AI Assessment Catalog), we propose using distributional auditing and counterfactual testing to produce a Stage 1 bias inventory sorted into hard and soft constraints, with the latter informing fairness thresholds for Stage 2. The same logic would apply to Stage 2: fairness metrics crossing predefined thresholds would trigger an adapted recommendation process, while smaller deviations would be logged as bias reports and persistent fairness states.
• Abstract（参考訳）: AIベースの労働市場システムやプラットフォームは、組織的候補者のランク付けや雇用決定に先立って、雇用機会へのアクセスに影響を与える可能性がある。 このような応用は、スキル抽出、プロファイル形成、および候補-ジョブマッチングのバイアスが、候補者の不公平な扱いに寄与する可能性があるため、注意が必要である。 本稿では,スキルベースのジョブマッチングにおいて,バイアスを検出し,管理するための2段階のフレームワークを提案する。 ステージ1 スキル抽出とプロファイル形成は、候補者がシステムにスキルや好みを提供する方法、システムがこの情報を抽出し、構成する方法、そして、それがもたらすバイアスリスクに対処する。 ステージ2 マルチステークホルダー候補ジョブ推薦は、候補、企業、規制対象がそれぞれ独立したエージェントによって代表されるレコメンデーションシステムにこの情報を組み込んで、それぞれ独立した候補ジョブランキングを生成し、これらのランキングは社会的選択に基づく集計を通じて単一の監査可能なレコメンデーションにまとめられる。 2つのステージは、処理が継続する前の修正を必要とするハード制約と、後の決定を伝えるためにログに記録されるソフト制約の相違によって接続される。 AI Act-aligned Assessment Method(Fraunhofer AI Assessment Catalogに基づく)に続いて、我々は、分散監査と反ファクトテストを使用して、第1段階のバイアスインベントリをハードとソフトの制約に分類し、後者はステージ2の公平性閾値を示す。 事前定義されたしきい値を越える公平度メトリクスは、適応された推奨プロセスのトリガーとなり、小さな偏差はバイアスレポートや永続的公正状態として記録される。

関連論文リスト

• From Matching Models to Recruiting Agents: A Systematized Narrative Review of AI Recruitment Systems, Evaluation, and Governance [1.436449142247059]
  このレビューは、ニューラル・パーソナリティ・マッチングによる双方向の検索と行動ランキングから発展を辿る。 類似性から相互適合性、モデルから複合ワークフロー、オフライン予測からエビデンスと生産性に整合した評価という3つの組み合わせの遷移を分析した。 評価証拠から最強の証明可能なクレームへのステージマッピングと,相互性,エビデンス,時間的制御,選択的,監査可能なシステムに関するアジェンダを導入する。
  論文  参考訳（メタデータ） (2026-09-03T08:46:03Z)
• De-conflating Preference and Qualification: Constrained Dual-Perspective Reasoning for Job Recommendation with Large Language Models [8.386442126920372]
  JobRecは、制約付きデュアルパースペクティブ推論を通じて、好みと資格を廃止するためのジェネレーティブなジョブレコメンデーションフレームワークである。 JobRecは、強いベースラインを一貫して上回り、戦略対応のプロフェッショナルマッチングの制御性を改善する。
  論文  参考訳（メタデータ） (2026-02-03T04:42:53Z)
• AI-Driven Decision-Making System for Hiring Process [0.0]
  本稿では,AIによるモジュール型マルチエージェント採用アシスタントを提案する。 i)文書とビデオ前処理、(ii)構造化された候補プロファイルの構築、(iii)公開データ検証、(iv)明示的なリスクペナルティによる技術的/文化的な評価、(v)対話型インターフェースによる人文間検証を統合している。
  論文  参考訳（メタデータ） (2025-12-17T18:45:17Z)
• 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)
• Rethinking Consistent Multi-Label Classification under Inexact Supervision [60.79309683889278]
  部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。 補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
  論文  参考訳（メタデータ） (2025-10-05T08:30:32Z)
• Mapping Stakeholder Needs to Multi-Sided Fairness in Candidate Recommendation for Algorithmic Hiring [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-29T11:37:19Z)
• Fairness Is Not Enough: Auditing Competence and Intersectional Bias in AI-powered Resume Screening [0.0]
  本研究では,8つの主要なAIプラットフォームに関する2部監査を通じて,能力の問題を検討する。 実験1では、複雑な、文脈的な人種的、性別的偏見が確認され、いくつかのモデルは、人口統計学的信号の存在のために候補を罰するだけであった。 実験2は、コア能力を評価し、重要な洞察を与えた: バイアスのないように見えるいくつかのモデルは、実際に、実質的な評価を行うことができない。
  論文  参考訳（メタデータ） (2025-07-11T16:57:13Z)
• Towards Two-Stage Counterfactual Learning to Rank [50.51916012823433]
  ランク付けのためのカウンターファクトラーニングは、ユーザのインタラクションからランク付けポリシーを学ぶことを目的としている。 現実のアプリケーションでは、候補文書セットは数百万の順序で行われ、単一のステージのランキングポリシーを非現実的にしている。 本稿では,2段階間の相互作用を考慮した2段階CLTR推定器を提案する。
  論文  参考訳（メタデータ） (2025-06-25T22:00:12Z)
• Two Tickets are Better than One: Fair and Accurate Hiring Under Strategic LLM Manipulations [4.536082020644864]
  大規模言語モデルを用いた操作に適した戦略分類フレームワークを新たに導入する。 提案手法では,求人アルゴリズムが提案した履歴書に付加的な操作を施す。 我々は,雇用成果がグループに依存しない決定に収束し,差分アクセスによる格差を解消することを証明する。
  論文  参考訳（メタデータ） (2025-02-18T19:01:04Z)
• 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)
• Algorithmic Fairness and Vertical Equity: Income Fairness with IRS Tax Audit Models [73.24381010980606]
  本研究は、IRSによる税務監査選択を通知するシステムの文脈におけるアルゴリズムフェアネスの問題について検討する。 監査を選択するための柔軟な機械学習手法が、垂直エクイティにどのように影響するかを示す。 この結果は,公共セクター全体でのアルゴリズムツールの設計に影響を及ぼす。
  論文  参考訳（メタデータ） (2022-06-20T16:27:06Z)
• 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。