論文の概要: Applied and Filtered: An End-to-End Algorithmic Fairness Audit of A Public Employment Agency
- arxiv url: http://arxiv.org/abs/2608.13022v1
- Date: Thu, 13 Aug 2026 09:46:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.465897
- Title: Applied and Filtered: An End-to-End Algorithmic Fairness Audit of A Public Employment Agency
- Title（参考訳）: 公共雇用機関のエンド・ツー・エンドアルゴリズムフェアネス監査の適用とフィルタリング
- Abstract要約: 本稿では,バルセロナアクティヴァが運営する半自動雇用システムにおいて,初のエンドツーエンドの公正度監査を行う。
2017年9月から2022年9月までの約497,000の候補空きパイプラインエントリを分析した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Algorithmic fairness evaluation commonly assesses AI systems as bounded technical components, abstracting away the organizational context in which they operate. We present, to our knowledge, the first independent end-to-end fairness audit of a semi-automated hiring system operated by Barcelona Activa, a public employment agency using the third-party TalentClue platform for candidate search and shortlisting. We analyze approximately 497,000 candidate-vacancy pipeline entries from September 2017 to September 2022, covering seven pipeline stages that span automated processing, human discretion, candidate data, and employer decisions. Aggregate outcomes across binary genders are statistically indistinguishable, yet this parity masks substantial disparities by salary level, age, and gender identity. Women face adverse impact in mid-salary shortlisting (DIR = 0.786, p < 0.001), alongside salary disparities in 15 of 20 sectors and a compounded disadvantage for women aged 46-55 (DIR = 0.77). Non-binary candidates are shortlisted at less than one third the rate of men (DIR = 0.295), although this estimate rests on a small sample (N = 285). Candidates aged 55 and over are entirely absent from the pipeline despite comprising 15.6% of Barcelona's labor force. The gender gap in shortlisting narrows over time, from 6.5 percentage points in 2017 to 1.3 in 2022. The audit further reveals a vendor-deployer information asymmetry: Barcelona Activa lacks access to key information about TalentClue's matching logic and evaluation. Fairness outcomes can thus arise from interactions among automated processing, human discretion, data quality, vendor opacity, and pipeline structure. We build on prior calls for sociotechnical, end-to-end fairness evaluation, showing empirically why model-level assessment alone can be insufficient for understanding fairness in deployed systems.
- Abstract（参考訳）: アルゴリズムフェアネス評価は、AIシステムを境界技術コンポーネントとして評価し、運用する組織的コンテキストを抽象化する。
我々は,バルセロナ・アクティヴァが運営する半自動雇用システムにおいて,第3のTalentClueプラットフォームを候補検索とショートリストに使用した,最初の独立したエンドツーエンドフェアネス監査を行う。
2017年9月から2022年9月までの約497,000の候補空きパイプラインエントリを分析し、自動化された処理、人間の判断、候補データ、雇用主の決定にまたがる7つのパイプラインステージをカバーしています。
二元性間の凝集結果は統計的に区別できないが、このパリティマスクは給与レベル、年齢、性別の同一性によってかなりの差がある。
女性は、20セクター中15の給与格差と46～55歳の女性(DIR=0.77)の複合的不利益とともに、中級のショートリスト(DIR = 0.786, p < 0.001)に悪影響を及ぼす。
非バイナリ候補は、男性の割合(DIR = 0.295)の3分の1以下でショートリストされるが、この推定は小さなサンプル(N = 285)に依存している。
55歳以上の候補者は、バルセロナの労働力の15.6%を占めるにもかかわらず、パイプラインから完全に欠席している。
ショートリストの男女差は、2017年の6.5ポイントから2022年の1.3まで、時間とともに狭まっている。
バルセロナアクティヴァは、TalentClueのマッチングロジックと評価に関する重要な情報にアクセスできない。
これにより、自動処理、人間の判断、データ品質、ベンダーの不透明度、パイプライン構造間の相互作用から、公正な結果が得られる。
我々は、社会技術的、エンドツーエンドの公正度評価に対する事前の要求に基づき、モデルレベルの評価だけでは、デプロイされたシステムにおける公正度を理解するのに不十分な理由を実証的に示す。
関連論文リスト
- Explainable Machine Learning for Broadband Adoption Disparities: Tract-Level Prediction and SHAP-Based Factor Profiling [6.076837441966713]
米国は、ブロードバンド拡大のためのインフラ投資および雇用法を通じて、およそ650億ドルを割り当てている。
本稿では,全国83,359施設を対象に,ブロードバンドの普及格差をプロファイリングするための機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-29T07:39:08Z) - Counterfactual, Per-Decision Bias Auditing for Automated Hiring: Localizing and Explaining Disparate Impact in Applicant Tracking Systems [0.0]
本稿では,AIバイアスファイアウォール(AIBF)について紹介する。
AIBFは、候補者の保護属性プロキシを中和し、決定を再スコアし、結果として生じる反事実シフトを測定する。
我々は、合成データではなく、アダルトとCompASの2つの実際の公開データセットを評価する。
論文 参考訳（メタデータ） (2026-08-21T18:19:20Z) - From Skill Extraction to Multistakeholder Recommendation: A Two-Stage Framework for Bias Governance in Skills-Based Job Matching [0.8749675983608171]
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。
論文 参考訳（メタデータ） (2026-07-17T07:37:17Z) - Neutralizing Structural Inequality in the Nigerian FinTech Sector [0.0]
本稿では,ナイジェリアフィンテックセクターにおけるポイント・オブ・セイル不正検出のための階層型AIトリアージモデルを提案する。
We Are All Equal世界観を採用することで、差別洗浄の課題に対処する。
論文 参考訳（メタデータ） (2026-07-11T13:46:06Z) - Agents' Last Exam [275.79071391137074]
Agents' Last Exam (ALE)は、AIエージェントを長期的、経済的に価値のある、現実のタスクで検証可能な結果で評価するために設計されたベンチマークである。
ALEは250以上の業界の専門家と共同で開発され、O*NET / SOC 2018を参照して定義された非物理産業をカバーしている。
現在の結果は、最も硬い層が飽和していないことを示している:主流のハーネスとバックボーンの構成で、平均フルパスレートは1%以下である。
論文 参考訳（メタデータ） (2026-06-03T20:20:46Z) - Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption [1.066082625513843]
Acemoglu-Restrepoタスク露光フレームワークを拡張し、エージェント人工知能システムの労働市場効果に対処する。
個々のサブタスクを代用する従来の自動化技術とは異なり、エージェントAIシステムはマルチステップ推論を使用してエンドツーエンドを実行する。
O*NETタスクデータからアルゴリズムで計算した複合尺度であるAgentic Exposureスコアを紹介する。
論文 参考訳（メタデータ） (2026-03-31T19:36:36Z) - 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) - Better Together: Quantifying the Benefits of AI-Assisted Recruitment [0.6749750044497731]
従来の採用プロセスかAI支援パイプラインのいずれかに、37,000人の応募者を若手開発者としてランダムに割り当てます。
AI支援パイプラインでは、候補者の54%が最終インタビューに合格し、従来のパイプラインから34%が合格した。
我々は,AIによる面接文の解析を行い,選択基準と会話のダイナミクスについて検討する。
論文 参考訳（メタデータ） (2025-07-08T22:51:46Z) - GenderCARE: A Comprehensive Framework for Assessing and Reducing Gender Bias in Large Language Models [73.23743278545321]
大規模言語モデル(LLM)は、自然言語生成において顕著な能力を示してきたが、社会的バイアスを増大させることも観察されている。
GenderCAREは、革新的な基準、バイアス評価、リダクションテクニック、評価メトリクスを含む包括的なフレームワークである。
論文 参考訳（メタデータ） (2024-08-22T15:35:46Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling
Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。
ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。
それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文 参考訳（メタデータ） (2022-08-10T03:41:48Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
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。