多测试下的高效候选人筛选及其对公平性的影响
机器学习
2019-05-28 v1 计算机与社会
机器学习
摘要
在招聘求职者时，雇主很少能直接观察到其潜在技能水平。相反，他们必须实施一系列面试和/或整理其他噪声信号，以估计工人的技能。传统经济学论文探讨的是雇主通过单一噪声信号获取工人技能的筛选模型。在本文中，我们将该理论分析扩展至多测试设定，同时考虑伯努利与高斯模型。我们分析了当雇主设定每位候选人固定测试数量时，以及当雇主可设定动态策略、基于先前测试结果自适应分配进一步测试时的雇主最优策略。首先，我们刻画了员工构成单一群体时的最优策略，展示了一些有趣的权衡。随后，我们探讨多群体设定，表明当各群体间噪声水平不同时，会出现一种根本的不可能性：我们无法在施以相同测试数量、使候选人服从相同决策规则的同时，又在两群体中实现相同结果。
引用
@article{arxiv.1905.11361,
title = {Efficient candidate screening under multiple tests and implications for fairness},
author = {Lee Cohen and Zachary C. Lipton and Yishay Mansour},
journal= {arXiv preprint arXiv:1905.11361},
year = {2019}
}