数据驱动的针对性帮扶对求职者长期公平性动态的建模

公共机构使用数据驱动决策支持正变得愈发广泛，并已影响公共资源的分配。这引发了伦理担忧，因其已对少数群体和历史受歧视群体产生不利影响。本文中，我们采用一种结合统计、数据驱动方法与动态建模的途径，以评估劳动力市场干预的长期公平性效应。具体而言，我们开发并使用一个模型来研究公共就业机构选择性通过针对性帮扶支持求职者所导致决策的影响。对谁获得何种帮扶的选择基于一个数据驱动的干预模型，该模型估计个人及时找到工作的几率，并依赖于描述两群体（如男性和女性）间劳动力市场相关技能分布不均的人口数据。该干预模型对个人实际技能的获取不完整，可用群体归属知识补充，从而使用受保护属性来提高预测精度。我们评估了该干预模型的动态——尤其是公平性相关问题及不同公平目标间的权衡——随时间的变化，并将其与不使用群体归属作为预测特征的干预模型比较。我们得出结论：为正确量化权衡并评估此类系统在现实中的长期公平性效应，对周边劳动力市场的细致建模不可或缺。