論文の概要: AI-based matching improves refugee employment in a double-blind randomized trial
- arxiv url: http://arxiv.org/abs/2609.35448v1
- Date: Mon, 28 Sep 2026 15:43:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 05:18:22.36738
- Title: AI-based matching improves refugee employment in a double-blind randomized trial
- Title（参考訳）: AIベースのマッチングは、二重盲検ランダム化裁判における難民雇用を改善する
- Abstract要約: アルゴリズム難民マッチングは、管理データ、機械学習、制約付き最適化を使用する。
新型コロナウイルスのパンデミックが労働市場の状況を変える直前に試行が始まった。
その結果、AIに基づく意思決定支援が、高いシークター割り当てを向上できるという稀な実証結果が得られた。
- 参考スコア（独自算出の注目度）: 0.614734109892692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Refugee integration is a central policy challenge for host countries, and where governments initially place refugees shapes their integration trajectories. Yet placement officers often have limited information about where each case is most likely to succeed. Algorithmic refugee matching uses administrative data, machine learning, and constrained optimization to recommend employment-optimized placements in real time as cases arrive, with human placement officers retaining final authority. Between January 2020 and June 2023, the Swiss State Secretariat for Migration randomly assigned about 2,000 refugee cases to receive a canton recommendation either algorithmically optimized for employment or drawn to approximate existing procedures, with placement officers and refugees blinded to assignment. The two arms used identical but separate canton and origin-group quotas, so gains reflect better refugee-canton matching rather than reallocation toward stronger labor markets. The trial began just before the COVID-19 pandemic shifted labor-market conditions. For the pre-registered primary outcome -- the share of months employed during the first three years -- the pooled intention-to-treat (ITT) estimate across the 2020-2023 placement cohorts was +2.2 percentage points (about 10% of the 22.3% control mean; 95% CI [+0.05, +4.33]), rising to +3.9 pp (about 17%; [+1.11, +6.68]) for the post-COVID 2022-2023 cohorts. Effects grew over time: at 36 months, the pooled ITT on the employment rate was +5.2 pp (about 11%; 95% CI [+1.10, +9.25]) -- comparable to the gains from hundreds of hours of intensive language training. Overall, the results provide rare field evidence that AI-based decision support can improve high-stakes public-sector allocation, offering a scalable, low-cost way to raise refugee employment.
- Abstract（参考訳）: 難民統合はホスト国にとって重要な政策課題であり、政府は当初難民が統合軌道を形作る。
しかし、配置官はしばしば、各事件が成功する可能性が最も高い場所についての限られた情報を持っている。
アルゴリズムによる難民マッチングは、管理データ、機械学習、制約付き最適化を使用して、ケースが到着すると、雇用最適化された配置をリアルタイムで推奨する。
2020年1月から2023年6月にかけて、スイス国家移民局(Swiss State Secretariat for Migration)は、アルゴリズムによって雇用に最適化されたカントン勧告を受けるために、約2000人の難民のケースをランダムに割り当てた。
両腕は同一だが別個のカントンと原産集団のクォータを使用していたため、より強い労働市場への移転よりも、難民・カントンマッチングをより良く反映している。
新型コロナウイルス(COVID-19)のパンデミックが労働市場の状況を変える直前に始まった。
2020-2023年の配置コホートにおけるプール・インテンション・ツー・トリート(ITT)の推定値は+2.2ポイント(22.3%のコントロール平均の約10%、95% CI [+0.05, +4.33])で、3.9pp(約17%、[+1.11, +6.68])まで上昇した。
影響は時間とともに増大し、36ヶ月のITTの雇用率は +5.2 pp (約11%; 95% CI [+1.10, +9.25]) であり、数百時間の集中言語訓練の成果に匹敵するものだった。
全体としては、AIベースの意思決定支援が、難民雇用を増やすためのスケーラブルで低コストな方法を提供することで、ハイリスクな公共セクター割り当てを改善するという、稀な現場証拠を提供する。
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) - 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) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - Measuring Global Migration Flows using Online Data [0.38836072943850625]
プライバシー保護された30億人のFacebookユーザーの記録を用いて、月間181カ国の国間移動フローを推定する。
我々は2022年に3910万人が海外に移住したと見積もっている(我が国の人口の0.63%)。
研究・政策介入を支援するため、人道データ交換を通じてこれらの見積もりを公開します。
論文 参考訳（メタデータ） (2025-04-16T01:19:26Z) - Scalable Reinforcement Post-Training Beyond Static Human Prompts: Evolving Alignment via Asymmetric Self-Play [52.3079697845254]
evaは、オフラインとオンラインのRLポストトレーニングの両方で、言語モデルがトレーニングプロンプトを適応的に作成できるようにする最初の方法である。
我々は,エバが有効なRLキュリキュラを作成でき,アブレーションにまたがって堅牢であることを示す。
論文 参考訳（メタデータ） (2024-10-31T08:15:32Z) - Iterative Reasoning Preference Optimization [84.15992372132507]
生成したChain-of-Thought(CoT)候補間の嗜好を最適化するための反復的アプローチを開発する。
このスキームの繰り返し繰り返しにおける推論の改善を示す。
例えば、GSM8Kは55.6%から81.6%に大きく改善され、精度は88.7%となり、32のサンプルのうち多数が投票した。
論文 参考訳（メタデータ） (2024-04-30T17:28:05Z) - Rites de Passage: Elucidating Displacement to Emplacement of Refugees on
Twitter [0.7487718119544156]
我々は、難民の自宅からホスト国への旅を探索するために、マルチモーダルアーキテクチャーを採用している。
私たちは2020年4月から2021年3月までに、この提案されたフレームワークをテストするために0.23万のマルチモーダルツイートを収集しました。
BERT+LSTMとInceptionV4の融合など,トランスフォーマーベース言語モデルと最先端画像認識モデルを組み合わせることで,非モーダルモデルよりも優れた性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-05-30T05:12:34Z) - A State-Distribution Matching Approach to Non-Episodic Reinforcement
Learning [61.406020873047794]
現実世界の応用への大きなハードルは、エピソード的な環境でのアルゴリズムの開発である。
提案手法は,提案する実証実験における状態分布に一致するように後方方針を訓練する手法である。
実験の結果,MEDALは3つのスパース・リワード連続制御タスクにおいて先行手法と一致し,性能が向上することがわかった。
論文 参考訳（メタデータ） (2022-05-11T00:06:29Z) - Comment on Stochastic Polyak Step-Size: Performance of ALI-G [104.83776736573009]
ALI-GとSPSはどちらも、機械学習モデルを最適化するためにPolyakのステップサイズを適応したものである。
CIFAR-10 と CIFAR-100 で ResNet-34 のトレーニングを行う場合,ALI-G は 93.5% (+6%) と 76% (+8%) と非常に少ないチューニングでそれぞれ到達可能であることを示す。
論文 参考訳（メタデータ） (2021-05-20T19:57:34Z) - Outcome-Driven Dynamic Refugee Assignment with Allocation Balancing [0.0]
本研究では,難民や亡命希望者とホスト国内の地理的地域をマッチングする2つの動的割当てアルゴリズムを提案する。
1つ目は、最小記録のオンライン割当てアルゴリズムにより、難民の平均雇用水準(または、関心の測定結果)を最大化することである。
第2のアルゴリズムは、難民の成果を改善するという目標と、時間とともに均等に割り当てたいという願望のバランスをとる。
論文 参考訳（メタデータ） (2020-07-02T21:28:15Z)
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。