AI 在算法招聘中的自我偏好：实证证据与洞察
--> 计算机科学 > 计算机与社会 arXiv:2509.00462 (cs) [提交于 2025 年 8 月 30 日 (v1)，最后修订于 2026 年 2 月 9 日 (此版本 v3)]
标题： AI 在算法招聘中的自我偏好：实证证据与洞察
查看论文 PDF，标题为《AI 在算法招聘中的自我偏好：实证证据与洞察》，作者：Jiannan Xu 及其他 2 位作者 查看 PDF HTML（实验性）
摘要： 随着人工智能（AI）工具的广泛采用，大型语言模型（LLMs）越来越多地参与到决策过程的两端，从招聘到内容审核。这种双重应用引发了一个关键问题：LLMs 是否会系统性地偏好与其自身输出相似的内容？计算机科学领域的先前研究已经识别出自我偏好偏差——即 LLMs 倾向于偏好自己生成的内容——但其现实世界的影响尚未得到实证评估。我们聚焦于招聘场景，在此场景中，求职者通常依赖 LLMs 来优化简历，而雇主则部署 LLMs 来筛选这些简历。通过一项大规模受控的简历对应实验，我们发现，即使内容质量得到控制，LLMs 也始终偏好由自身生成的简历，而非人类撰写或其他模型生成的简历。对人类撰写简历的偏差尤为显著，在主流商业和开源模型中，自我偏好偏差范围从 67% 到 82%。为了评估劳动力市场影响，我们模拟了涵盖 24 个职业的真实招聘流程。这些模拟显示，与提交人类撰写简历且资质相当的求职者相比，使用与评估者相同 LLM 的候选人被列入短名单的可能性高出 23% 到 60%，其中在销售和会计等商业相关领域观察到最大的劣势。我们进一步证明，通过针对 LLMs 自我识别能力的简单干预措施，可以将这种偏差减少 50% 以上。这些发现突显了 AI 辅助决策中一个新兴但此前被忽视的风险，并呼吁扩展 AI 公平性的框架，不仅要解决基于人口统计的差异，还要解决 AI 与 AI 交互中的偏差。
评论： 本文已被 EAAMO 2025 和 AIES 2025 接收为非存档投稿。
主题： 计算机与社会 (cs.CY)
引用格式： arXiv:2509.00462 [cs.CY] (或 arXiv:2509.00462v3 [cs.CY] 为此版本) https://doi.org/10.48550/arXiv.2509.00462 Focus to learn more arXiv-issued DOI via DataCite
提交历史： 来自：Jiannan Xu [查看电子邮件] [v1] 2025 年 8 月 30 日 星期六 11:40:11 UTC (3,032 KB) [v2] 2025 年 9 月 11 日 星期四 16:59:36 UTC (3,032 KB) [v3] 2026 年 2 月 9 日 星期一 13:24:26 UTC (5,723 KB)
全文链接： 访问论文：查看论文 PDF，标题为《AI 在算法招聘中的自我偏好：实证证据与洞察》，作者：Jiannan Xu 及其他 2 位作者 查看 PDF HTML（实验性） TeX 源代码 查看许可证
当前浏览上下文： cs.CY < prev | next > new | recent | 2025-09 更改为浏览：cs
参考文献与引用： NASA ADS Google Scholar Semantic Scholar 导出 BibTeX 引用 加载中... BibTeX 格式化引用加载中... 数据提供者：
书签： 书目工具 书目浏览器 切换书目浏览器（什么是浏览器？） Connected Papers 切换 Connected Papers（什么是 Connected Papers？） Litmaps 切换 Litmaps（什么是 Litmaps？） scite.ai 切换 scite 智能引用（什么是智能引用？）
代码、数据、媒体 与本文相关的代码、数据和媒体 alphaXiv 切换 alphaXiv（什么是 alphaXiv？） 代码链接 切换 CatalyzeX 论文代码查找器（什么是 CatalyzeX？） DagsHub 切换 DagsHub（什么是 DagsHub？） GotitPub 切换 Gotit.pub（什么是 Gotit.pub？） Huggingface 切换 Hugging Face（什么是 Huggingface？） ScienceCast 切换 ScienceCast（什么是 ScienceCast？）
演示 Replicate 切换 Replicate（什么是 Replicate？） Spaces 切换 Hugging Face Spaces（什么是 Spaces？） Spaces 切换 TXYZ.AI（什么是 TXYZ.AI？）
相关论文 推荐与搜索工具 链接到 Influence Flower Influence Flower（什么是 Influence Flower？） 核心推荐器 切换 CORE 推荐器（什么是 CORE？）
作者 机构 主题 关于
关于 arXivLabs arXivLabs：与社区合作者的实验项目 arXivLabs 是一个框架，允许合作者直接在网站上开发和分享新的 arXiv 功能。与 arXivLabs 合作的个人和组织都已接受并认同我们关于开放性、社区、卓越和用户数据隐私的价值观。arXiv 致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。 有一个能为 arXiv 社区增加价值的项目想法？了解更多关于 arXivLabs 的信息。
本文的哪些作者是认可者？ | 禁用 MathJax（什么是 MathJax？）