算法管理人类：基于双机器学习方法估计算法控制对灵活工人绩效和福祉的非线性效应
机器学习
2025-12-30 v1 人工智能
摘要
未来工作的核心问题之一是，当算法承担管理职责时，人本导向的管理能否存续。标准工具往往错失实情，因为工人对算法系统的反应很少呈线性。我们采用双机器学习框架来估计一个受调节的中介模型，而无需施加限制性函数形式。利用来自 464 名灵活工人的调查数据，我们发现了一个明确的非单调模式。支持性的人力资源实践改善了工人福祉，但其与绩效的关系在算法监督存在且难以解释的模糊中间地段中趋弱。当监督透明且可解释时，这一关系又会重新加强。这些结果表明，简单线性规格会遗漏该模式，有时甚至会建议相反的结论。对于平台设计而言，实际信息是：仅定义部分控制会制造混乱，但清晰的规则和可信的救济措施可以使强有力的监督可行。方法论上，本文展示了如何在不迫使数据进入线性形态的情况下，使用双机器学习来估计组织研究中的条件性间接效应。
引用
@article{arxiv.2512.22290,
title = {When Algorithms Manage Humans: A Double Machine Learning Approach to Estimating Nonlinear Effects of Algorithmic Control on Gig Worker Performance and Wellbeing},
author = {Arunkumar V and Nivethitha S and Sharan Srinivas and Gangadharan G. R},
journal= {arXiv preprint arXiv:2512.22290},
year = {2025}
}