arXiv cs.CY· Warren Jouanneau, Morgane Hoffmann, Emma Jouffroy, Marc Palyart·· 10 小时前AI 评分32
面向招聘检索效果与公平性评估的分类驱动合成数据集
A Taxonomy-Driven Synthetic Dataset for Retrieval Effectiveness and Fairness Evaluation in Hiring
AI 导读
研究者构建了一个基于分类体系的全合成 HR 数据集与基准，可同时评估检索效果与算法公平性，语料以 660K 真实自由职业者档案为基础，包含候选人档案、项目简介和反事实人口统计孪生样本，并支持多语言。
正文 · AI 翻译
摘要：尽管机器学习招聘工具已无处不在，但隐私法规与商业敏感性使得公开基准测试在法律层面变得复杂。为应对这一挑战，我们引入了一个由分类体系驱动的、完全合成的人力资源数据集与基准，用于同时评估检索效果与算法公平性。我们的多语言语料库以 66 万份真实自由职业者档案为基础，包含候选人档案、项目简介以及反事实人口统计学孪生样本。对最先进嵌入模型的审计显示，其表现与通用 MTEB 分数存在差异，同时在语法性别语言中还存在公平性差距。这表明通用基准不足以适用于人力资源领域，需要定制化评估来识别在语义准确性与公平性之间取得平衡的帕累托最优模型。
| 学科： | 机器学习（cs.LG）；计算与语言（cs.CL）；计算机与社会（cs.CY）；信息检索（cs.IR） |
| 引用为： | arXiv:2611.09178 [cs.LG] |
| （或 arXiv:2611.09178v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.09178 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Warren Jouanneau Mr [查看电子邮件]
[v1]
2026年11月6日星期五 08:59:52 UTC（3,535 KB）
来源：arXiv cs.CY · arxiv.org