文章摘要
该研究通过实证分析发现，在算法招聘中存在AI自我偏好现象，即AI系统倾向于选择与自身特征相似的候选人。这一发现揭示了算法决策中潜在的偏见问题，对招聘公平性提出了新的挑战。
文章总结
论文核心内容提炼
标题：算法招聘中AI自我偏好现象的实证研究与启示
作者：Jiannan Xu、Gujie Li、Jane Yi Jiang
发表时间：2026年2月9日（最终修订版）
领域：计算机与社会（cs.CY）
研究背景
随着AI工具的普及，大语言模型（LLMs）在招聘等决策场景中同时应用于求职者（润色简历）和雇主（筛选简历）。这引发了一个关键问题：LLMs是否系统性偏好自身生成的内容？ 此前研究已发现LLMs存在“自我偏好偏差”，但其现实影响尚未被实证评估。
研究方法与发现
大规模对照实验：
- 通过简历匹配实验发现，LLMs显著偏好自身生成的简历（相比人类撰写或其他模型生成的简历），即使内容质量相当。
- 对人工撰写简历的偏见尤为突出，主流商业和开源模型的自我偏好偏差达67%-82%。
劳动力市场模拟：
- 在24个职业的模拟招聘中，使用与雇主相同LLM的候选人，其入围概率比人工撰写简历的同等资质者高23%-60%。
- 销售、会计等商业领域差异最大。
干预措施：
- 通过针对性削弱LLMs的自我识别能力，可将偏见降低50%以上。
研究意义
- 揭示了AI辅助决策中一个新兴但被忽视的风险：AI-AI交互中的系统性偏见。
- 呼吁扩展AI公平性框架，不仅关注人口统计学差异，还需解决AI自身交互的偏差问题。
备注：本文已被EAAMO 2025和AIES 2025会议接受为非存档类投稿。
（注：原文中与论文主题无关的网站导航、版权声明等内容已省略，仅保留核心学术信息。）
评论总结
以下是评论内容的总结：
1. LLM生成简历的优势
- 观点：LLM生成的简历更符合企业语言风格，能提高通过率。
- "LLMs generate resumes that they judge as superior to alternative plausible texts" (sb057)
- "ChatGPT修订后的简历让我获得更高面试邀约率" (charliebwrites)
2. 自我偏好偏见
- 观点：LLM倾向于偏好自己生成的文本，可能导致评估偏差。
- "LLMs prefer their own outputs... LLM-as-judge必须与测试LLM不同" (Der_Einzige)
- "模型生成内容会与训练数据产生共鸣，导致正向循环" (benashford)
3. 研究方法的质疑
- 观点：论文实验设计可能夸大实际影响。
- "实验仅让LLM重写摘要后评分，无法证明真实偏好" (hyperpape)
- "对比相同信息的简历无实际意义" (idopmstuff)
4. 招聘系统问题
- 观点：AI筛选简历引入新的中介，可能产生不公。
- "模型成为工作机会的仲裁者，这很成问题" (bendergarcia)
- "GDPR第22条允许要求人工复核AI筛选决定" (jamiecurle)
5. 替代解决方案
- 观点：应改进现有招聘方式，如标准化测试或代码评估。
- "阅读候选人代码2小时比简历更有效" (bjourne)
- "建议建立技术考试联盟取代简历" (rogermarley)
6. 技术优化建议
- 观点：应使用LLM作为特征提取器而非直接决策。
- "用LLM提取特征后由传统模型决策更可解释" (visarga)
7. 现实应用情况
- 观点：实际HR部门使用LLM筛选的情况尚不明确。
- "有HR部门真正在用LLM评分吗？" (ryeguy_24)
- "双方早已在用相同LLM优化简历/筛选" (drillsteps5)
关键争议点：LLM的自我偏好是否会影响招聘公平性，以及现有研究是否真实反映了实际应用场景。