面向投递招聘广告算法的歧视审计

Facebook、Google 和 LinkedIn 等广告平台通过其定向广告向广告主承诺价值。然而，多项研究表明，即便广告主未提出要求，此类平台上的广告投递也会因平台隐藏的算法优化而按性别或种族产生偏斜。基于先前测量广告投递偏斜的工作，我们开发了一种用于黑盒审计投递招聘广告中歧视算法的新方法。我们的第一项贡献是区分因性别或种族等受保护类别导致的广告投递偏斜，与因目标受众中人员资质差异导致的偏斜。该区分在美国法律中十分重要，其中广告可基于资质定向，但不可基于受保护类别。其次，我们开发了区分可由资质差异解释的偏斜与其他因素（如广告平台对参与的优化或在其偏倚数据上训练算法）的审计方法。我们的方法通过比较两家员工实际性别分布不同的公司、针对相似职位同步投放的两个广告的投递情况来控制工作资质。我们描述了用以在结果中确立非资质偏斜证据的严谨统计检验。第三，我们将所提方法应用于两个知名的招聘广告定向平台：Facebook 与 LinkedIn。我们证实了 Facebook 上广告投递存在性别偏斜，且无法由资质差异正当化。我们未能发现 LinkedIn 上的广告投递偏斜。最后，我们建议改进广告平台实践，以使出于公共利益的对其算法的外部审计更可行且准确。