我喜欢的工作还是我能得到的工作：利用田野实验设计职位推荐系统

推荐系统（Recommendation Systems, RSs）越来越多地被用于指导在线平台上的求职者，然而目前部署的算法通常针对点击、申请或录用等预测性目标进行优化，而非求职者的福利。我们开发了一个包含申请阶段的求职模型，在该模型中，一个职位的价值取决于两个维度：它给求职者带来的效用以及申请成功的概率。该模型表明，福利最优的 RS 通过结合两者的期望剩余指数对职位进行排序，并揭示了为何仅基于效用、录用概率或观察到的申请行为的排序通常是次优的，这是行为与福利之间反转问题的一个实例。我们通过与法国公共就业服务局合作进行的两项随机现场实验来检验这些预测并量化其实际重要性。第一项实验比较了现有算法及其组合，提供了两个维度均影响申请决策的行为证据。在该模型和这些结果的指导下，第二项实验将比较范围扩展到一个旨在近似福利最优排序的 RS。这些实验在展示给求职者的职位上产生了外生变化，使我们能够估计模型、验证其行为预测并构建福利指标。由模型隐含的最优排序所启发的算法显著优于现有方法，并且表现接近福利最优基准。我们的结果表明，将预测工具嵌入一个简单的求职框架中，并将其与实验证据相结合，可以在实践中产生具有显著福利增益的推荐规则。