論文の概要: Can Labor Markets Function in the Age of AI? The Evaluation Bottleneck in Hiring

• arxiv url: http://arxiv.org/abs/2609.30058v1
• Date: Thu, 24 Sep 2026 16:16:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.09554
• Title: Can Labor Markets Function in the Age of AI? The Evaluation Bottleneck in Hiring
• Title（参考訳）: AI時代の労働市場は機能するのか? : 雇用における評価基盤
• Abstract要約: AI支援の求職ツールがますます人気を集めている。 我々はこのトレードオフを、応募者が経験が異なり品質が一致しない雇用市場において研究する。 私たちは、AIが採用における中心的な摩擦を、アプリケーションの提出から信頼性の高い評価へとシフトさせる方法を示します。
• 参考スコア（独自算出の注目度）: 2.092922495279074
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI-assisted job-search tools have become increasingly popular by making it easier to find and apply to jobs. But by making it easier for applicants to generate and tailor application materials, they can also reduce how informative those materials are about applicant fit. We study this tradeoff in a hiring market where applicants differ in experience and latent match quality and firms use noisy application materials to decide whom to screen. We ask how AI affects downstream screening and hiring, and which applicants are most adversely affected. As application materials become less informative, a Bayesian firm rationally relies more heavily on coarse observables such as prior experience. Among the four applicant types defined by experience and compatibility for the job, inexperienced-compatible applicants are the most exposed: they lack observable experience and lose the individualized information that could distinguish them from other inexperienced candidates. When screening is costly, these changes can also generate inefficient screening failures in which firms screen no applicants or screen only experienced applicants. We then show that multistage hiring can arise as an endogenous firm response: a relatively inexpensive intermediate assessment allows firms to acquire new evidence of fit before costly full screening. This can restore screening opportunities that disappear under one-stage hiring and give inexperienced-compatible applicants a path to screening. Our results show how AI can shift the central friction in hiring from submitting applications to obtaining credible evaluation, creating entry barriers for high-fit workers without prior experience. Multistage hiring can endogenously arise in response, restoring evaluation opportunities that would otherwise disappear and helping preserve market functioning.
• Abstract（参考訳）: AI支援の求職ツールがますます人気を集めている。 しかし、応募者がアプリケーション素材を作成・調整しやすくすることで、応募者が適合する材料がどれだけ情報に合うかを減らすこともできる。 我々は、このトレードオフを、応募者が経験と質に相違する雇用市場において研究し、企業は、誰がスクリーニングするかを決めるためにノイズの多いアプリケーション材料を使用する。 我々は、AIが下流のスクリーニングや雇用にどんな影響を及ぼすのか、どの応募者が最も悪影響を受けているのかを尋ねる。 応用材料がより情報的になるにつれて、ベイジアン・ファームズ(英語版)は、先行経験のような粗い観測物に、合理的に強く依存する。 経験と適性によって定義された4種類の応募者の中で、経験不足の応募者は最も露呈し、観察可能な経験を欠き、経験不足の候補者と区別できる個人化された情報を失う。 費用がかかると、これらの変更は非効率なスクリーニング失敗を引き起こす可能性がある。 比較的安価な中間評価により、企業は、コストがかかるフルスクリーニングの前に、適合性の新たな証拠を取得できる。 これは、一段階の雇用で消滅するスクリーニングの機会を回復し、経験の浅い応募者にスクリーニングへの道を与える。 以上の結果から,AIは,求職者の求職における中心的な摩擦を,アプリケーションの提出から信頼性の高い評価へとシフトさせ,事前の経験のない高給労働者の参入障壁を創出する方法が示唆された。 マルチステージ雇用は不均一に起こり、そうでなければ消滅する評価機会を回復し、市場の機能を維持するのに役立つ。

関連論文リスト

• Detecting Soft Skills in ML Engineering Roles CVs [4.262842139213901]
  ソフトスキルは、ML対応システムを構築するMLエンジニア、データサイエンティスト、ソフトウェアエンジニアの間でコラボレーションを形成する。 候補者がこれらの能力をどのように表現するかは研究されておらず、既存のCVマイニング作業もキーワードベースである。 300個の硬化型CVのバランスコーパスを用いて,明示的かつ暗黙的に命名されたソフトスキルを抽出した。 次に、需要側の文献の主張を、役割のシグネチャ、高齢者の進行、開示スタイルに関する13の虚偽の仮説に変換する。
  論文  参考訳（メタデータ） (2026-08-10T13:03:24Z)
• Algorithmic Monocultures in Hiring [70.15400013850069]
  多くの雇用主は、同じ少数のアルゴリズムベンダーによって構築されたアルゴリズムで求職者をスクリーニングしている。 私たちは、400万のアプリケーションを提出する300万の応募者の新しいデータセットを取得し、分析します。 応募者の結果には明確な人種格差がある。
  論文  参考訳（メタデータ） (2026-05-26T17:59:55Z)
• Beyond the Resumé: A Rubric-Aware Automatic Interview System for Information Elicitation [41.93085698478849]
  大規模言語モデル(LLM)は、各候補者から費用対効果の高い情報を引き出すために、主題の専門家の役割を担っている。 コード、公開ドメイン/匿名履歴の控えめなデータセット、信念の校正テスト、シミュレートされたインタビューをリリースします。
  論文  参考訳（メタデータ） (2026-03-02T12:00:10Z)
• Can Online GenAI Discussion Serve as Bellwether for Labor Market Shifts? [62.386835769570006]
  本稿では,大規模言語モデルに関するオンライン議論が,労働市場の変化の早期指標として機能するかどうかを検討する。 我々は、公共の談話が雇用の変化の先駆けとなる領域と時間枠を特定するために、4つの異なる分析的アプローチを採用している。 調査の結果,求職率,純雇用率,在職期間,失業期間など,複数の指標で1～7ヶ月の雇用変化を事前に予測していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-11-20T04:18:25Z)
• 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)
• The Impact of Disability Disclosure on Fairness and Bias in LLM-Driven Candidate Selection [0.0]
  本研究では,大規模言語モデル(LLM)による候補選択に対する自発的に開示された情報の影響について検討する。 LLMは障害がないことを公表した候補者を好んだ。 候補者が障害の状態を公表しない場合であっても、LSMは障害を持っていないと明言した者に比べて、それらを選択する可能性が低い。
  論文  参考訳（メタデータ） (2025-05-30T21:44:17Z)
• Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction [56.17020601803071]
  近年の研究では、事前学習言語モデル(PLM)が、事実知識抽出において「急激なバイアス」に悩まされていることが示されている。 本稿では,突発バイアスを徹底的に調査し緩和することにより,既存のベンチマークの信頼性を向上させることを目的とする。
  論文  参考訳（メタデータ） (2024-03-15T02:04:35Z)

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。