OhMyKing/FairCV

本数据集是为研究简历筛选过程中潜在偏见而生成的高质量模拟简历数据。数据集由多个变量组合而成，涵盖性别、年龄、婚姻状况、户口地、政治面貌、身体状况等人口学信息，以及技术水平、教育背景和工作经历等职业信息。通过开源此数据集，研究者可以对 AI 在招聘流程中的公平性和偏见问题进行深入分析。数据集包含模板简历、生成简历和辅助脚本，文件结构清晰，数据格式为JSON，使用说明详细。This dataset is a high-quality simulated resume dataset generated to study potential biases in the resume screening process. It consists of various variable combinations, covering demographic information such as gender, age, marital status, hometown, political status, physical condition, as well as professional information like technical level, educational background, and work experience. By open-sourcing this dataset, researchers can conduct in-depth analysis on the fairness and bias issues of AI in the recruitment process. The dataset includes template resumes, generated resumes, and auxiliary scripts, with data files in JSON format.

搜集汇总

数据集介绍

构建方式

在招聘流程日益依赖人工智能筛选的背景下，FairCV数据集应运而生，旨在为算法公平性与偏见检测研究提供高质量模拟数据。该数据集通过组合人口学信息（如性别、年龄、婚姻状况、户口地、政治面貌及身体状况）与职业信息（如技术水平、教育背景和工作经历）两类变量，利用模板简历与辅助脚本批量生成多样化简历。具体而言，数据集以JSON格式存储简历模板，其中包含占位符供变量填充；研究者可运行开源Python脚本add_information.py，自动替换模板中的占位符，从而生成覆盖多维度组合的模拟简历数据，最终输出为完整简历文件resumes.json。

特点

FairCV数据集的核心特点在于其精细的变量组合设计与明确的偏见检测导向。数据集涵盖性别、残疾状况、政治面貌等敏感属性，并搭配从极低到极高的技能水平分层，使得研究者能够系统性地考察AI模型在招聘决策中是否因人口学特征而产生统计上的差异对待。此外，所有数据均为模拟生成，不涉及真实个人信息，既保障了隐私合规性，又避免了伦理争议。数据以标准JSON格式存储，结构清晰，包含元数据（如时间戳、职位类型）与简历正文，便于进行多维度交叉分析，从而深入探究招聘场景中的隐性偏见。

使用方法

使用FairCV数据集时，研究者可首先通过加载resumes.json文件获取完整的模拟简历集合。利用Python的json库即可轻松读取数据，例如使用json.load()方法将数据解析为列表，每条记录包含metadata与content字段。基于metadata中的敏感属性（如gender、disability）和技能等级（skill_level），可设计实验以评估不同AI筛选模型对特定群体的输出差异。同时，研究者可调整add_information.py脚本中的变量组合参数，按需扩展数据规模或引入新的属性维度，实现定制化偏见检测分析。该数据集仅限学术研究用途，使用时需遵守非商业性条款。

背景与挑战

背景概述

在人工智能辅助招聘日益普及的背景下，算法对求职者简历的筛选过程潜藏着系统性偏见，这一现象引发了学术界与工业界的广泛关注。为深入探究AI在招聘公平性方面的潜在风险，王殿云于2024年创建了FairCV数据集，该数据集由北京邮电大学的研究团队主导开发。其核心研究问题聚焦于模拟简历中人口学特征（如性别、年龄、婚姻状况、户口地、政治面貌及身体状况）与职业信息（如技术水平、教育背景）的组合如何影响AI筛选结果，从而揭示算法决策中隐含的歧视性模式。作为首个面向中文互联网求职场景的模拟简历偏见检测数据集，FairCV为公平性机器学习研究提供了标准化的测试基准，对推动招聘领域算法审计与伦理治理具有重要示范意义。

当前挑战

FairCV数据集面临的核心挑战在于解决AI招聘筛选中的多重偏见问题：首先，模型需准确识别并量化性别、年龄、残疾状况等敏感属性对录用决策的不当影响，这要求评估指标能区分合理职业要求与歧视性关联；其次，构建过程中需确保模拟简历的变量组合覆盖现实招聘中的复杂交互效应，例如户口地与政治面貌在特定岗位中的协同作用，这对数据生成脚本的多样性设计提出了高要求。此外，数据集仅包含结构化模板与职业信息，缺乏非结构化文本（如自我评价）中的隐性偏见，限制了偏见检测的全面性。同时，模拟数据与真实简历分布间的差异可能降低模型泛化能力，而学术研究用途的版权限制也阻碍了跨领域验证。

常用场景

经典使用场景

在人工智能与人力资源管理的交叉领域，FairCV数据集为研究自动化简历筛选中的系统性偏见提供了标准化测试平台。研究者可基于该数据集构建分类模型，通过控制性别、年龄、婚姻状况、户口地、政治面貌及身体状况等人口学变量，系统评估不同AI算法对求职者评估结果的公平性差异。该数据集特别适用于对比实验设计，例如在相同职业岗位（如后端开发工程师）下，探究模型是否因候选人的残疾状态或户口地信息而产生评分偏差，从而揭示算法决策中隐含的歧视模式。

解决学术问题

FairCV数据集有效回应了AI招聘领域长期存在的公平性量化难题。传统研究多依赖真实招聘数据，但受限于隐私保护与样本偏差，难以系统控制干扰变量。该数据集通过结构化模拟简历，使研究者能够单独操纵每个敏感属性（如婚姻状况），精准测量其对模型输出的因果效应。这解决了两个核心学术问题：一是分离职业能力与人口学特征对招聘决策的影响，二是建立可复现的基准测试框架，推动公平性度量指标（如均等机会、人口均等）在招聘场景中的实证验证。

衍生相关工作

该数据集催生了多项创新性研究工作。在方法层面，有学者基于FairCV提出了反事实公平性评估框架，通过生成敏感属性翻转的对照简历，量化模型决策的因果公平性。在工具开发方面，后续工作构建了可视化偏见分析平台，可交互式展示不同人口学组合下的评分分布热力图。此外，该数据集被用于验证大语言模型在简历解析任务中的公平性，相关研究揭示出GPT系列模型在评估残疾求职者时存在隐性能力低估，推动了对预训练语言模型社会偏见的系统性审视。