算法不确定性是否影响人类专家？在选择性大学招生中的实证研究

算法预测本身具有内在的不确定性：即使具有相似的总体准确性的模型，也会对相同的个体产生不同的预测，这引发了高风险决策可能受到任意建模选择敏感的担忧。本文定义“算法敏感性”为任意建模选择如何传播到人类决策中：即当更有利的算法预测与较不利的算法预测呈现给决策者用于相同的个体时，决策结果偏移的程度。在一个嵌入选拔性美国大学招生周期的随机化实验中（样本量为19,545），我们让招生官审核每份申请材料时看到算法评分，而我们随机变更该评分来自两个相似准确性预测模型之一。尽管这两个模型在总体上表现相似，但它们经常为相同的申请人分配不同的分数，从而在所展示的分数上创造了外生变异。令人惊讶的是，我们发现几乎没有算法敏感性的证据：呈现更有利的分数并不会在平均情况下显著增加申请人被录取的概率，即使模型之间存在实质性 disagreement。这一发现表明，在这一专业且高风险的情境下，人类决策对算法预测中任意变异几乎不敏感，强调了专业判断和制度背景在调节算法不确定性下游影响方面的作用。