.png){kind=icon}
返回
Optimal Data-Driven Hiring With Equity for Underrepresented Groups
.png){kind=icon}
OA
AI
DOI：10.1177/10591478231224942.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种基于数据驱动的规范性公平决策框架，其动机源于招聘场景。雇主根据申请者的可观测属性评估一组申请者。目标是在招聘最佳候选人的同时，避免针对某一受保护属性的偏差。单纯忽略受保护属性无法消除数据相关性导致的偏差。我们提出了一种可证明最优的公平招聘策略，该策略在功能上而非统计上依赖于受保护属性。该策略不设置刚性配额，也不向决策者隐瞒信息。合成数据和真实数据均表明，该策略能够显著提升代表性不足和历史边缘化群体的公平性，且通常不会在目标价值上造成显著损失。
Keyword:
fair decision-making
prescriptive framework
hiring bias
protected attributes
data-driven policy
期刊
I
IF:
7.4
论文数:
2.5K
被引数:
1.0W
机构
暂无机构信息
引用论文
Certifying and Removing Disparate Impact.png)
Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏Algorithmic Bias? An Empirical Study of Apparent Gender-Based Discrimination in the Display of STEM Career Ads算法偏差？STEM职业广告展示中明显的性别歧视的实证研究OAAI
OAAI分享收藏分享收藏
查看更多内容