招聘中的算法单一性：大规模实证研究揭示系统性歧视与排斥

来源：Hacker News / ACM FAccT 2026 作者：Rishi Bommasani, Sarah H. Bana, Kathleen A. Creel, Dan Jurafsky, Percy Liang

背景

在美国，超过 90% 的雇主依赖招聘算法来筛选求职者。然而，这些雇主往往从少数几个供应商处采购相同的算法工具。当来自同一供应商的算法在多家雇主中调解招聘决策时，便构成了“算法单一性”（Algorithmic Monoculture）。

尽管招聘算法在高风险决策中日益普及，但由于数据访问受限，针对部署中算法的实证研究一直非常有限。此前，大多数研究因无法获取细粒度数据，仅将供应商的所有数据作为整体进行分析，从而得出了算法招聘影响微乎其微的结论。此外，独立研究人员难以大规模获取部署中的招聘算法数据进行实证研究，这阻碍了对这一高影响力 AI 应用的科学探究和责任追究。

核心内容

本研究利用 340 万真实求职者的数据，涵盖了向 156 家雇主提交的 400 万份申请，涉及 11 个市场领域。这是迄今为止规模最大的算法招聘实证研究。关键特征在于，每一份申请均由单一供应商的算法进行评估，这使得研究者能够直接检验算法单一性是否会造成求职机会的瓶颈。

1. 亚裔和非裔美国人面临大规模不利影响 这是首次在实际部署的高风险 AI 决策中展示大规模不利影响（Adverse Impact）的证据。根据美国《民权法案》第七章（Title VII）的标准：

• 非裔求职者：25.87% 的申请被导向对其产生不利影响的职位。
• 亚裔求职者：14.74% 的申请被导向对其产生不利影响的职位。
• 总体影响：如果亚裔求职者以每个职位中被选中率最高的种族群体的相同比例被选中，那么将有 29,000 份额外的亚裔申请被推荐。非裔求职者是最容易受到不利影响的群体，30% 的非裔求职者至少申请了一个显示出针对非裔不利影响的职位。

2. 仅通过逐职位分析才能揭示不利影响 以往研究因将供应商数据作为整体分析，往往发现不利影响极小。本研究遵循 Title VII 的标准，对每个职位进行单独分析，从而识别出在聚合数据中被掩盖的、具有显著不利影响的职位。

3. 算法单一性导致系统性拒绝 研究首次证明了部署中算法招聘存在“系统性拒绝”（Systemic Rejections）。当求职者申请多个职位时，可能会收到相同的拒绝结果。算法单一性使得这种同质化结果成为可能。

• 在提交 4 份申请的求职者中，10% 遭受了系统性拒绝（即在所有申请的职位上均被拒绝）。
• 观察到的系统性拒绝率显著高于基于统计独立决策的基线预期（$\chi^2 = 18,481, p < 0.001$）。
• 为了验证这一基线的准确性，研究者使用了此前最大规模招聘研究（Kline et al., 2022，涉及 83,000 份申请和 108 家财富 500 强公司）的数据。在没有集中式算法单一性的情况下，该基线准确预测了观察到的系统性拒绝率（$\chi^2 = 20.05, p = 0.69$）。因此，过度的同质性是集中式算法评估的特征。

4. 数据访问壁垒阻碍独立研究 尽管招聘算法中介着高风险决策并被广泛采用，但本研究团队是首个且唯一能够独立大规模开展部署中招聘算法实证研究的群体。数据壁垒使得政策干预成为必要，以支持科学探究并增加问责。

5. 更广泛的申请行为模拟 如果求职者像现实中那样广泛申请，系统性拒绝的风险依然存在。模拟显示，在独立决策的基线下，求职者只需申请 10 个职位即可有 99.9% 的概率获得至少一个推荐；但在存在算法单一性的现实行为下，求职者需要提交 25 份申请才能达到同样的概率。

关键要点

• 算法单一性的定义与现状：超过 60% 的财富 100 强企业使用 HireVue 的算法。当多家雇主使用同一供应商的算法时，形成的“算法单一性”会导致决策同质化和系统性风险。
• 隐蔽的歧视：聚合数据分析会掩盖针对特定种族群体的不利影响。必须按职位（Position-by-position）进行拆解分析，才能发现 Title VII 所规定的歧视问题。
• 系统性拒绝的严重性：算法单一性导致求职者面临远高于随机独立决策预期的系统性拒绝率。这意味着求职者即使具备资格，也可能因算法的“一刀切”而在所有申请中碰壁。
• 法律与监管的滞后：
  • 美国 Title VII 法律本身要求针对具体职位评估不利影响，而非混合聚合数据。
  • 欧盟《人工智能法案》（EU AI Act）将招聘系统视为高风险 AI。
  • 纽约市地方法规 144（Local Law 144）建立了自动化就业决策工具的早期监管框架，但当前指南未能充分解决本研究记录的职位层面效应。
• 政策建议：
  1. 按职位测量不利影响：监管者和审计人员应在个体职位层面评估不利影响比率，避免仅依赖聚合分析。
  2. 加强市场监督：联邦机构应量化同质化结果的发生率。缺乏跨雇主链接，现有的报告机制无法捕捉系统性拒绝。
  3. 监控算法单一性：政策制定者应监控招聘供应链中的共享依赖关系。对相同系统的集中依赖可能导致关联故障、系统性拒绝和招聘市场竞争减少。
  4. 扩大研究人员访问权限：立法者应刺激对主要招聘平台的独立研究，包括底层数据访问。没有基于实证的独立调查作为基础，问题将难以诊断，更难以纠正。

意义与影响

这项研究揭示了算法招聘中一个被长期忽视的系统性风险：算法单一性不仅未能消除偏见，反而通过标准化的决策逻辑放大了结构性不平等。

首先，它挑战了“算法中立”的迷思。研究表明，当大量雇主依赖同一套黑盒算法时，算法的缺陷会被放大为整个就业市场的系统性障碍。对于亚裔和非裔求职者而言，这种“一刀切”的筛选机制直接导致了数百万份申请机会的丧失。

其次，该研究为监管政策提供了关键的实证依据。现有的合规检查往往侧重于整体数据的公平性，而本研究证明，真正的歧视往往隐藏在特定职位的细微差别中。监管机构必须从“整体合规”转向“职位级审计”。

最后，数据访问问题凸显了科技巨头在招聘市场中的垄断权力。如果缺乏独立的外部审计和数据透明度，招聘算法将继续在缺乏问责的情况下运作。呼吁立法者强制开放数据访问权限，不仅是学术研究的需要，更是保障就业公平、维护市场竞争的必要手段。