就业服务中的透明与公平画像：来自瑞士的证据
机器学习
2025-09-16 v1 计算机与社会
摘要
长期失业（LTU）对求职者和公共就业服务机构都是挑战。统计画像工具越来越多地被用于预测 LTU 风险。一些画像工具是不透明的黑箱机器学习模型，引发了透明度和公平性问题。本文探讨了可解释模型是否可以作为替代方案，使用瑞士的行政数据进行研究。传统统计模型、可解释模型和黑箱模型在预测性能、可解释性和公平性方面进行了比较。结果表明，可解释提升机（explainable boosting machines），一种近期的可解释模型，其性能几乎与最佳黑箱模型相当。同时展示了模型稀疏性、特征平滑和公平性缓解如何在不显著损失性能的情况下增强透明度和公平性。这些发现表明，可解释画像为黑箱模型提供了一个负责任且可信的替代方案，且不会损害性能。
引用
@article{arxiv.2509.11847,
title = {Transparent and Fair Profiling in Employment Services: Evidence from Switzerland},
author = {Tim Räz},
journal= {arXiv preprint arXiv:2509.11847},
year = {2025}
}
备注
35 pages including appendix