研究人员开发了一个新颖的合成数据集和基准，专门用于评估招聘中使用的机器学习模型的有效性和公平性。该数据集基于大量真实的自由职业者档案，包含候选人档案、项目简介和人口统计学双胞胎，以解决隐私问题和商业敏感性。对当前嵌入模型的审计显示，MTEB等通用基准对于人力资源应用来说是不够的，突显了性能差异和公平性差异，尤其是在有语法性别的语言中。 AI
影响 强调了需要专门的基准来确保AI招聘工具的公平性和准确性，这可能会影响未来人力资源领域模型开发和部署。
排序理由 该集群包含一篇学术论文，详细介绍了一个用于评估AI模型的新数据集和基准。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2611.09178v1 Announce Type: cross Abstract: While machine learning hiring tools are ubiquitous, the need for privacy regulations and commercial sensitivity makes public benchmarking legally complex. We address this challenge by introducing a taxonomy-driven, fully synthetic…
While machine learning hiring tools are ubiquitous, the need for privacy regulations and commercial sensitivity makes public benchmarking legally complex. We address this challenge by introducing a taxonomy-driven, fully synthetic HR dataset and benchmark to simultaneously evalua…