文献信息
- 标题: Hiring as Exploration
- 作者: Danielle Li (MIT & NBER), Lindsey Raymond (MIT), Peter Bergman (UT Austin & NBER)
- 类型: 论文笔记
- 出版年份: 2026
- 出版机构/期刊: Review of Economic Studies (RES)
- DOI: 10.1093/restud/rdaf040
- 难度评估: 高 - 需要机器学习、计量经济学、招聘经济学基础
1. 引言
领域基础知识
情境强盗问题、探索与利用的权衡、监督学习算法、UCB（上置信界）算法。
研究背景
算法招聘日益普及；传统监督学习算法可能复制历史偏见；人类面试官预测能力有限。
核心问题
将招聘视为情境强盗问题——如何平衡"利用"（选择已知最佳）与"探索"（学习新候选人质量）。探索式算法能否在提高招聘质量的同时增加人口多样性？
2. 内容及结构
- 第一节：引言
- 第二节：招聘偏见
- 第三节：数据环境
- 第四节：实证策略
- 第五节：算法设计（SL vs UCB）
- 第六节：主要结果
- 第七节：扩展
- 第八节：结论
3. 正文
核心机制
- SL模型：仅利用——选择预期质量最高的候选人
- UCB模型：利用+探索——对特征偏离训练数据均值的候选人给予探索溢价
关键发现
- 多样性：UCB使黑人/西班牙裔代表从9.4%增至24.3%；SL降至5%以下
- 质量：SL录用率32%，UCB 27%，人类仅10%
- 帕累托改进：可能同时提升质量与多样性
4. 结论
探索式算法可实现帕累托改进，挑战了效率-公平权衡的传统观点。
5. 未来研究方向
跨行业推广、长期动态效应、法律伦理风险、因果机制检验。
