本文将招聘视为一个背景强盗问题:随着时间的推移,为了找到最好的员工,公司必须在“剥削”(从有良好业绩记录的群体中选择)和“探索”(从代表性不足的群体中选择,以了解质量)之间取得平衡。然而,现代 基于“监督学习”方法的招聘算法,完全是为剥削而设计的。 相反,我们建立了一个简历筛选算法,通过评估候选人来重视探索 根据他们的统计上升潜力。使用来自专业服务招聘的数据 在一家《财富》500强企业中,我们发现这种方法提高了质量(以…衡量) 最终的招聘率)的候选人选择面试,同时也增加人口统计学 多样性,相对于公司现有的实践。对于传统的监督来说,情况并非如此 基于学习的算法,提高了招聘率,但选择的黑人和西班牙裔却少得多 申请人。在扩展中,我们展示了基于探索的算法也能够学习 更有效地模拟应聘者招聘潜力随时间的变化。我们在一起, 研究结果强调了在制定决策中纳入探索的重要性 算法可能更有效和公平。 |