Hiring as Exploration

This paper views hiring as a contextual bandit problem: to find the best workers over time, firms must balance exploitation (selecting from groups with proven track records) with exploration (selecting from under-represented groups to learn about quality). Yet modern hiring algorithms, based on本文将招聘问题建模为上下文博弈（contextual bandit）问题：为在长期运营中遴选出最优雇员，企业需在利用（从已被证实具备良好业绩记录的群体中选拔人员）与探索（从代表性不足的群体中选拔以了解其雇员质量）之间寻求平衡。然而，现代招聘算法基于

搜集汇总

背景与挑战

背景概述

该数据集是NBER工作论文'Hiring as Exploration'（编号27736，2020年8月发布），聚焦于招聘算法的研究。论文提出将招聘视为上下文多臂赌博机问题，开发了一种基于探索的简历筛选算法，通过评估候选人的统计上升潜力来平衡效率与公平性。基于财富500强公司的实际招聘数据，该算法在提高面试候选人质量（以雇佣率衡量）的同时，增加了人口统计多样性，而传统监督学习算法则未能实现多样性目标。