Faktorial vinyet eksperimenti, namizəd xüsusiyyətlərinin hipotetik profillər arasında təsadüfi dəyişdirildiyi və qiymətləndiricilərin qərarlarının bu dəyişikliklərə necə reaksiya verdiyini ölçən eksperimental tədqiqat dizaynıdır. Bu tədqiqat əməkhaqqının müəyyən edilməsində bərabərsizliyin iki fərqli qərar mühitində necə yarana biləcəyini araşdırır: İtaliyadakı peşəkar işə qəbul mütəxəssislərinin hipotetik namizədlərə verdiyi əməkhaqqı təklifləri və ChatGPT ilə DeepSeek-dən bir dəfə əldə edilmiş açıq əməkhaqqı qaydalarının sintetik namizədlərə deterministik şəkildə tətbiqi. İnsan təcrübəsində qadın namizədlərə birbaşa daha aşağı əməkhaqqı verildiyinə dair statistik sübut tapılmadığı halda, iki bir-dəfəlik LLM qaydası cinsiyyət, milliyyət, valideynlik və bunların bəzi qarşılıqlı təsirlərinə açıq əməkhaqqı düzəlişləri daxil edir. Bununla belə, iki tədqiqat ekvivalent deyil: birinci tədqiqat eksperimental insan qiymətləndirmələrini, ikinci tədqiqat isə konkret promptlardan asılı iki qayda sisteminin mexaniki bölgü nəticələrini araşdırır.

Tədqiqat 1-də 1.116 recruiter sorğuda iştirak etmiş, əməkhaqqı təhlili üçün 1.094 recruiter və ümumilikdə 6.420 əməkhaqqı təklifi istifadə edilmişdir. Hər recruiter altı hipotetik namizəd profilini qiymətləndirmişdir. Namizədin cinsiyyəti, yaşı və təhsil səviyyəsi profillər arasında təsadüfi təyin edilmişdir. Qadın namizəd göstəricisi üçün əmsal β=0,006 və p=0,576-dır; yəni eksperimental vinyet mühitində qadın və kişi namizədlər arasında birbaşa əməkhaqqı fərqinə dair sübut yoxdur. 38 və 48 yaş göstəriciləri də əhəmiyyətli deyil. Aşağı təhsil əmsalı mənfidir, lakin p=0,104 ilə ənənəvi əhəmiyyətlilik hədlərini keçmir.

Bunun əksinə olaraq, əməkhaqqı təklifləri recruiterlar arasında güclü şəkildə dəyişir. Qadın recruiter göstəricisi referans namizəd profili üçün β=-0,142 və p=0,009-dur; aşağı təhsil × qadın recruiter qarşılıqlı təsiri β=0,035 və p=0,049-dur. Recruiter cinsiyyəti təsadüfi təyin edilmədiyi üçün bu nəticələr qadın recruiter olmağın səbəb-nəticə təsiri deyil. Bundan əlavə, qadın recruiter əmsalı bütün namizəd profilləri üçün ümumi əməkhaqqı fərqi kimi oxuna bilməz; təhsil qarşılıqlı təsirinə görə nəticə referans namizəd və model şərtlərindən asılıdır.

Tədqiqat 2-də ChatGPT və DeepSeek-dən hər birinə bir dəfə əməkhaqqı qiymətləndirmə qaydası hazırlatdırılmış və əldə edilən çəkilər dəyişdirilmədən tətbiq edilmişdir. Təhsil, təcrübə, peşə, cinsiyyət, yaş, valideynlik, milliyyət, doğum bölgəsi və təhsilin İtaliyada alınması kimi xüsusiyyətlərin bütün icazə verilən kombinasiyalarından 5.760 sintetik profil yaradılmışdır. Hər profil 1.500 € xalis aylıq baza əməkhaqqından başlayaraq eyni deterministik qaydaya tabe edilmişdir.

Hər iki LLM-dən əldə edilən qayda qadın namizəd üçün -200 €, xarici namizəd üçün -300 €, qadın × valideynlik üçün əlavə -150 € və qadın × xarici üçün əlavə -100 € düzəlişini ehtiva edir. Bunun əksinə olaraq, yüksək təhsil, təcrübə və yüksək səviyyəli peşələr üçün müsbət əlavələr vardır. ChatGPT və DeepSeek xüsusilə aşağı təhsil və yaş məsələsində fərqlənir: ChatGPT aşağı təhsilə +200 € və 48 yaşa +150 € verərkən, DeepSeek aşağı təhsilə -100 € və 48 yaşa -50 € verir.

Tədqiqatın əsas siyasət nəticəsi budur ki, şəffaflıq və deterministik qərar qaydası təkbaşına bölgü baxımından neytrallıq demək deyil. Bir qayda tamamilə görünən, izlənə bilən və eyni girişə hər dəfə eyni çıxışı verən ola bilər; buna baxmayaraq, xüsusiyyətlərə verilmiş çəkilər müəyyən qruplar arasında sistematik əməkhaqqı fərqləri yarada bilər. Digər tərəfdən, tədqiqat ChatGPT və ya DeepSeek-in ümumi və davamlı şəkildə müəyyən qruplara qarşı ayrı-seçkilik etdiyini sübut etmir; yalnız iki konkret, bir-dəfəlik, promptdan asılı qayda sisteminin nəticələrini araşdırır.

Tədqiqatın əsas problemi

Əməkhaqqı bərabərsizliyi yalnız işçinin bacarıqları və ya məhsuldarlığı ilə izah olunmaya bilər. Əməkhaqqı təklifini verən şəxsin davranışı, təşkilatın qiymətləndirmə normaları və ya alqoritmə açıq və ya dolayı şəkildə yerləşdirilən qərar qaydaları da müxtəlif namizədlərin fərqli iqtisadi nəticələr almasına səbəb ola bilər.

Bu tədqiqat problemi iki ayrı səviyyədə nəzərdən keçirir. Birinci səviyyədə real işə qəbul peşəkarlarının hipotetik namizədlər haqqında verdiyi əməkhaqqı qərarları araşdırılır. İkinci səviyyədə isə iki böyük dil modelindən tək sorğu ilə əldə edilmiş açıq əməkhaqqı qaydaları bütün sintetik namizəd kombinasiyalarına mexaniki şəkildə tətbiq olunur.

Bu iki dizayn eyni şeyi ölçmür. İnsan eksperimenti randomizə edilmiş namizəd xüsusiyyətlərinin stated wage offer üzərindəki təsirini sınaqdan keçirir. LLM simulyasiyası isə modeldən əldə edilmiş müəyyən bir qaydanın hansı qruplar arasında hansı əməkhaqqı fərqlərini zəruri şəkildə yaratdığını izləyir.

Faktorial Vinyet Eksperimenti Nədir və Bu Tədqiqatda Nəyi Ölçür?

Faktorial vinyet eksperimenti burada namizədin cinsiyyət, yaş və təhsil səviyyəsi kimi xüsusiyyətlərini profillər arasında təsadüfi dəyişdirərək recruiterların əməkhaqqı təklifindəki dəyişikliyin birbaşa bu manipulyasiya edilmiş xüsusiyyətlərlə əlaqələndirilməsinə imkan verən eksperimental dizayndır; nəticələr real əməkhaqqı müqavilələrini deyil, hipotetik namizədlərə verilən bəyan edilmiş xalis aylıq əməkhaqqı təkliflərini ölçür.

İnsan recruiter nümunəsi

Məlumatlar 2024-cü ilin dekabrı ilə 2025-ci ilin yanvarı arasında Qualtrics onlayn paneli vasitəsilə İtaliyada toplanmışdır. Panel recruiterlardan, insan resursları mütəxəssislərindən və personal seçimi və ya əməkhaqqı müəyyənləşdirmə qərarlarında birbaşa iştirak edən şəxslərdən ibarətdir.

Nümunə firma ölçüsünə görə təbəqələşdirilmişdir. Ümumilikdə 1.116 recruiter tədqiqata qatılmışdır. Təhlildə müsbət, aylıq xalis 10.000 €-dan aşağı əməkhaqqı təklifləri saxlanılmış və mixed-effects modeli üçün zəruri tam-vaka şərtləri tətbiq edilmişdir. Yekun əsas təhlil 1.094 recruiter və 6.420 əməkhaqqı təklifindən ibarətdir.

Recruiter paneli ehtimallı milli nümunə deyil. Mənbə panel response rate məlumatının olmadığını və formal attention check tətbiq edilmədiyini bildirir. Buna görə nəticələr İtaliyadakı bütün əməkhaqqı müəyyənləşdirənlərin milli təmsilçi təxmini kimi oxunmamalıdır.

Randomizə edilən namizəd xüsusiyyətləri

• Cinsiyyət: qadın və ya kişi.
• Yaş: 28, 38 və ya 48.
• Təhsil: aşağı və ya yüksək təhsil səviyyəsi.

Bu xüsusiyyətlərin vinyetlərə təsadüfi paylanması namizəd xüsusiyyətləri baxımından eksperiment daxilində səbəb-nəticə identifikasiyasını dəstəkləyir. Recruiter cinsiyyəti isə müşahidə olunan fərdi xüsusiyyətdir və randomizə edilməmişdir.

İnsan recruiter modeli

Hər recruiter birdən çox namizədi qiymətləndirdiyi üçün müşahidələr müstəqil deyil; eyni şəxsin altı qərarının bir-birinə bənzəməsi mümkündür. Tədqiqatçılar bu iyerarxik quruluşu recruiter-specific random intercept ehtiva edən xətti mixed-effects modeli ilə nəzərə almışlar.

\[ \log(wage_{ir}) = \beta_0 + \beta_1 FemaleCandidate_i + \beta_2 Age38_i + \beta_3 Age48_i + \beta_4 LowEducation_i + \beta_5 FemaleRecruiter_r \]

\[ +\gamma_1(Age38_i \times FemaleRecruiter_r) +\gamma_2(Age48_i \times FemaleRecruiter_r) +\gamma_3(LowEducation_i \times FemaleRecruiter_r) +\gamma_4(FemaleCandidate_i \times FemaleRecruiter_r) +u_r+\varepsilon_{ir}. \]

Burada \(i\) namizəd vinyetini, \(r\) isə recruiteri göstərir. Asılı dəyişən aylıq xalis əməkhaqqı təklifinin təbii loqarifmidir. \(u_r\), recruitera xas müşahidə olunmayan baza əməkhaqqı müəyyənləşdirmə meylini; \(\varepsilon_{ir}\) isə konkret vinyetə xas qalıq dəyişikliyi təmsil edir.

Referans namizəd 28 yaşında, yüksək təhsilli kişi namizəddir və referans recruiter kişi recruiterdır. Buna görə qarşılıqlı təsir olan modellərdə tək bir əsas əmsal bütün namizədlər və ya bütün recruiterlar üçün ümumi orta kimi şərh edilməməlidir.

İnsan İşə Qəbul Mütəxəssisləri Qadın Namizədlərə Daha Aşağı Əməkhaqqı Təklif Ediblərmi?

Bu vinyet eksperimentində xeyr: qadın namizəd əmsalı β=0,006 və p=0,576-dır; yəni digər eksperimental namizəd xüsusiyyətləri sabit saxlanıldıqda qadın və kişi namizədlərə verilən bəyan edilmiş əməkhaqqı təklifləri arasında birbaşa, statistik baxımdan əhəmiyyətli cinsiyyət fərqinə dair sübut tapılmamışdır. Bu nəticə real işə qəbulda və real maaş danışıqlarında cinsiyyət ayrı-seçkiliyinin olmadığını göstərmir.

Tədqiqat 1-in əsas əmsalları

Recruiterlar arasındakı heterogenlik

Recruiter-specific random intercept variasiyası 0,655, residual variasiya 0,121-dir. Mənbə bu iki komponent nəzərə alındıqda recruiter səviyyəsinin ümumi model variasiyasının təxminən %84-ünü təşkil etdiyini hesablayır.

Bu dəyər recruiterların ümumi əməkhaqqı müəyyənləşdirmə meyllərində nəzərəçarpacaq fərqlər olduğunu göstərir. Lakin bu heterogenliyin hansı recruiter xüsusiyyətlərindən qaynaqlandığını tədqiqat tam həll etmir. Sektor, staj və ya təşkilat daxilindəki rol kimi recruiter xüsusiyyətlərinin bir hissəsi qadın recruiter əmsalı ilə korrelyasiyalı ola bilər.

Firma və sektor nəzarətləri ilə dayanıqlılıq

17-ci səhifədəki Figure 1 əsas model ilə firma işçilərinin sayının loqarifmini və ATECO sektor sabit təsirlərini əlavə edən modelin əmsallarını müqayisə edir. Qadın recruiter əmsalı -0,142-dən -0,121-ə düşür, lakin p=0,024 ilə əhəmiyyətli qalır. Aşağı təhsil × qadın recruiter qarşılıqlı təsiri 0,035 və p=0,049 ilə mahiyyətcə dəyişmir.

Firma ölçüsü β=0,034 və p<0,001 ilə əməkhaqqı təklifləri ilə müsbət əlaqəlidir. Əlavə nəzarətlər likelihood-ratio testində model uyğunluğunu əhəmiyyətli şəkildə yaxşılaşdırmışdır: \(\chi^2(21)=67,84\), p<0,001.

Figure 1-in elmi mesajı budur ki, əsas recruiter-gender və education-interaction nəticələri firma ölçüsü və sektor fərqləri əlavə edildikdə tamamilə yox olmur. Qrafik bu nəticələrin real əmək bazarına avtomatik olaraq ümumiləşdirilə biləcəyini göstərmir.

Tədqiqat 2 niyə fərqli tədqiqatdır?

İkinci tədqiqat işə qəbul mütəxəssislərindən toplanmış davranış məlumatlarından istifadə etmir. Tədqiqatçılar ChatGPT və DeepSeek-dən hər birinə bir dəfə İtaliya əmək bazarında işə qəbul qiymətləndirmə sistemi kimi davranaraq müşahidə edilə bilən namizəd xüsusiyyətlərini əməkhaqqına bağlayan açıq çəkilər yaratmaq göstərişi vermişlər.

Modellərin verdiyi əməkhaqqı çəkiləri işarələri və ya böyüklükləri dəyişdirilmədən tətbiq edilmişdir. Buna görə simulyasiyadakı əməkhaqqı fərqlərinin hamısı tədqiqatçıların sonradan əlavə etdiyi əmsallardan deyil, əldə edilmiş qayda dəstindən qaynaqlanır.

Lakin “modelin cavabı bir dəfə alındıqdan sonrakı simulyasiyanın təkrarlana bilməsi” ilə “eyni modelə yenidən soruşulduqda eyni qaydanın yaranması” bir-birindən fərqlidir. Tədqiqat yalnız birincini göstərir. İkinci növ sabitlik sınaqdan keçirilməmişdir.

Tam faktorial sintetik profil dizaynı

Bu 5.760 profil nümunə deyil, bütün icazə verilən kombinasiyaların enumerasiyasıdır. Buna görə sintetik məlumatlar üzərində klassik nümunə seçmə qeyri-müəyyənliyi yoxdur.

ChatGPT və DeepSeek-dən əldə edilən deterministik əməkhaqqı çəkiləri

Hər iki qayda 1.500 € xalis aylıq baza əməkhaqqı üzərindən toplamsal şəkildə tətbiq olunur.

Mənbə cədvəllərində “uşağı var” üçün birbaşa əməkhaqqı çəkisi +50 € olmasına baxmayaraq, iqtisadi şərh sütunu bunu “parenthood penalty” adlandırır. Bunun əksinə, qadın × uşağı var qarşılıqlı təsirinin -150 € olması qadın namizəd üçün valideynliyin ümumi marjinal təsirini mənfi istiqamətdə dəyişə bilər. Verianla bu işarə/etiket uyğunsuzluğunu səssizcə yenidən adlandırmır.

Şəffaf və Deterministik Bir Əməkhaqqı Qaydası Niyə Yenə də Bərabərsizlik Yarada Bilər?

Çünki şəffaflıq qərarın necə yaradıldığını görünən edir, lakin istifadə olunan çəkilərin normativ baxımdan neytral olmasına zəmanət vermir; qadın namizəd üçün -200 € və ya xarici namizəd üçün -300 € kimi açıq qayda tamamilə təkrarlana bilsə belə, qayda eyni xüsusiyyətləri daşıyan qruplar arasında əməkhaqqı fərqini hər tətbiqdə mexaniki şəkildə yenidən yaradır.

Log-əməkhaqqı ayrışdırmasının məqsədi

LLM qaydaları avro ilə toplamsal şəkildə müəyyən edilmişdir. Tədqiqatçılar bunları insan recruiter modelinə təsviri baxımdan daha asan yaxınlaşdırmaq üçün log-əməkhaqqı reqressiya formasında təxminən ayrışdırmışlar:

\[ \log(wage_i)=X_i\beta+\gamma_{s(i)}+\gamma_{o(i)}+\gamma_{r(i)}+e_i. \]

\(X_i\), namizədin məlum xüsusiyyətlərini və qarşılıqlı təsirlərini ehtiva edir. Mənbənin tərifində \(\gamma\) terminləri sektor, peşə və doğum bölgəsi strukturları ilə əlaqələndirilir; \(e_i\) isə avro ilə toplamsal qaydanın log-xətti modellə təxmini təmsilindən yaranan residual approximation error-dur.

Bu əmsallar naməlum real dünya prosesindən qiymətləndirilmiş davranış parametrləri deyil. Məlumat yaratma qaydası əvvəlcədən məlumdur. Buna görə Tədqiqat 2-də standart xəta və p dəyəri hesabatının real nümunə seçmə qeyri-müəyyənliyi mənasında funksiyası yoxdur.

ChatGPT qaydasının log-miqyaslı görünüşü

DeepSeek qaydası ilə əsas fərqlər

DeepSeek ilə əldə edilən qayda yüksək təhsil və yüksək təcrübəyə güclü çəki verməklə yanaşı, iki məqamda ChatGPT qaydasından nəzərəçarpacaq dərəcədə fərqlənir.

Birincisi təhsildir. ChatGPT aşağı təhsil üçün +200 €, yüksək təhsil üçün +600 € istifadə etdiyinə görə iki səviyyə arasındakı birbaşa fərq 400 €-dur. DeepSeek aşağı təhsil üçün -100 €, yüksək təhsil üçün +600 € istifadə etdiyinə görə fərq 700 €-ya yüksəlir.

İkincisi yaşdır. ChatGPT 48 yaş üçün +150 € əlavə verərkən DeepSeek -50 € cərimə verir. Beləliklə, eyni sintetik namizəd populyasiyasına və eyni ümumi protokola tətbiq edilən iki bir-dəfəlik LLM qaydası yaşın iqtisadi dəyərini əks istiqamətlərdə kodlaya bilir.

Log-əməkhaqqı göstərimində yüksək təhsil əmsalı ChatGPT-də 0,214, DeepSeek-də 0,418-dir. Qadın əmsalları müvafiq olaraq -0,092 və -0,100; xarici milliyyət əmsalları -0,151 və -0,170-dir.

Bu Tədqiqat ChatGPT və DeepSeek-in Ümumiyyətlə Ayrı-seçkilik Etdiyini Sübut Edirmi?

Xeyr. Hər model yalnız bir dəfə və müəyyən prompt, versiya və konfiqurasiya altında sorğulanmışdır; tədqiqat təkrar sorğuları, fərqli promptları, fərqli versiyaları və ya real işə qəbul sistemlərini sınaqdan keçirmədiyi üçün nəticələr ChatGPT və ya DeepSeek-in sabit və model üzrə ümumi xüsusiyyətləri kimi ümumiləşdirilə bilməz.

“One-shot audit” ifadəsinin mənası

“One-shot” burada hər modeldən əməkhaqqı qaydasının yalnız bir qarşılıqlı əlaqədə əldə edilməsini ifadə edir. Əldə edilən qayda sabitləşdirildikdən sonra 5.760 profil üzərində deterministik şəkildə tətbiq oluna bilər və nəticə tam olaraq yenidən istehsal edilə bilər.

Lakin eyni prompt növbəti dəfə eyni modelə yenidən verildikdə eyni çəkilərin çıxıb-çıxmayacağı sınaqdan keçirilməmişdir. Tədqiqatçıların gələcək tədqiqat təkliflərindən biri məhz budur: hər modeli dəfələrlə, alternativ promptlar, versiyalar və konfiqurasiyalarla sorğulayıb qayda sabitliyini ölçmək.

İnsan və alqoritmik əməkhaqqı müəyyənləşdirmə birbaşa müqayisə edilə bilərmi?

Yalnız məhdud dərəcədə. Tədqiqat 1 və Tədqiqat 2-də ortaq xüsusiyyətlər cinsiyyət, yaş və təhsildir. Bu üç xüsusiyyət üçün nümunələr yan-yana müzakirə edilə bilər.

İnsan eksperimentində iş təcrübəsi, milliyyət, valideynlik, peşə, doğum bölgəsi və təhsilin İtaliyada alınması eksperimental faktorlar deyil. Buna görə LLM qaydalarının bu xüsusiyyətlər üzrə yaratdığı fərqlərin insan recruiterlarla müqayisəsi elmi baxımdan etibarlı deyil.

İnsan eksperimentində qadın namizəd əmsalı təxminən sıfırdır və əhəmiyyətli deyil, iki LLM qaydası isə qadın xüsusiyyətinə birbaşa mənfi əməkhaqqı çəkisi verir. Bu ziddiyyət vacibdir, lakin “LLM insandan daha ayrı-seçkilikçidir” nəticəsi üçün kifayət deyil; məlumat yaratma prosesləri fərqlidir.

Tədqiqatın dəstəklədiyi nəticələr

• Vinyet eksperimentində qadın namizədlərə birbaşa daha aşağı əməkhaqqı təklifi verildiyinə dair statistik sübut yoxdur.
• Recruiterlar arasında başlanğıc əməkhaqqı müəyyənləşdirmə meylində böyük heterogenlik vardır.
• Recruiter cinsiyyəti referans namizəd profili üçün əməkhaqqı fərqi ilə əlaqəlidir; bu əlaqə səbəb-nəticə xarakterli deyil.
• Aşağı təhsillə əlaqəli əməkhaqqı fərqi recruiter cinsiyyətinə görə dəyişir.
• İki bir-dəfəlik LLM qaydası cinsiyyət, milliyyət, valideynlik və bəzi qarşılıqlı təsirlərə açıq əməkhaqqı çəkiləri təyin edir.
• ChatGPT və DeepSeek qaydaları eyni sintetik populyasiyaya tətbiq olunmasına baxmayaraq, təhsil və yaş məsələsində fərqli əməkhaqqı strukturları yaradır.
• Şəffaf və tam deterministik qaydalar bölgü baxımından neytral olmaq məcburiyyətində deyil.
• Alqoritmik audit yalnız qaydanın izah edilə bilməsini deyil, müxtəlif namizəd qruplarında yaratdığı bölgü nəticələrini də araşdırmalıdır.

Tədqiqatın dəstəkləmədiyi nəticələr

• Real İtaliya əmək bazarında qadınlara əməkhaqqı ayrı-seçkiliyi edilmədiyi nəticəsi çıxarıla bilməz.
• Qadın recruiterların ümumiyyətlə kişi recruiterlardan daha aşağı əməkhaqqı verdiyi səbəb-nəticə baxımından deyilə bilməz.
• ChatGPT və ya DeepSeek-in bütün versiyaları və bütün promptları üçün sabit qadın və ya xarici cəriməsinin olduğu deyilə bilməz.
• Tədqiqat 2 real bir şirkətin istehsal mühitindəki işə qəbul sistemini araşdırmır.
• Deterministik LLM əmsallarının p dəyəri və ya nümunə seçmə qeyri-müəyyənliyi olan real dünya təxminləri olduğu düşünülə bilməz.
• Tədqiqat LLM-lərin insan recruiterlardan daha ayrı-seçkilikçi və ya daha ədalətli olduğunu sübut etmir.
• Milliyyət, valideynlik, iş təcrübəsi və ya bölgə baxımından insan–LLM müqayisəsi aparıla bilməz; bu xüsusiyyətlər insan eksperimentində eyni şəkildə manipulyasiya edilməmişdir.
• Qaydanın izah edilə bilən olması onun hüquqi, etik və ya bölgü baxımından ədalətli olduğunu təkbaşına göstərmir.

Tədqiqatın Metodu və Nəticələri

İki tədqiqat arasındakı metodoloji fərq

Tədqiqat 1-də xarici etibarlılıq

Vinyet dizaynı daxili etibarlılıq baxımından güclüdür; randomizasiya namizəd xüsusiyyətləri arasındakı fərqlərin əməkhaqqı təklifinə təsirini təcrid edir. Lakin real iş müsahibəsi, danışıqlar, əmək müqaviləsi və ya şirkətdaxili əməkhaqqı siyasəti kimi proseslər vinyet mühitində mövcud deyil.

Bundan əlavə, nümunə onlayn paneldən gəlir. Panel response rate mənbədə yoxdur və diqqət yoxlaması aparılmayıb. Buna görə nəticələr bütün italyan recruiter populyasiyasının ehtimallı nümunə seçiminə əsaslanan təxmini deyil.

Tədqiqat 2-də yenidən istehsal edilə bilmə

Qayda çəkiləri müəyyənləşdirildikdən sonra simulyasiya güclü şəkildə yenidən istehsal edilə bilir. Tam faktorial dizaynda seed və ya təsadüfi ədəd generatorundan istifadə edilmir. Eyni çəkilərə eyni 5.760 profil verildikdə eyni əməkhaqqıları ortaya çıxacaq.

Bunun əksinə, qaydanın modeldən əldə edilməsi addımı yenidən istehsal edilə bilmə baxımından sınaqdan keçirilməmişdir. Eyni modelin ikinci sorğuda eyni əmsalları verib-verməyəcəyi məlum deyil.

Mənbədaxili texniki tutarlılıq qeydləri

Mənbənin metod izahında simulyasiya üçün sektor, peşə və bölgə terminləri birlikdə qeyd olunur; bununla belə, tam faktorial namizəd xüsusiyyətləri siyahısında ayrıca sektor dəyişəni yoxdur. ChatGPT Table 4 random effects-i occupation və region kimi verir, DeepSeek Table 6 isə sector, occupation və region random interceptlərini göstərir. Bu fərq mənbədə həll edilmədiyi üçün burada da vahid harmonizə edilmiş model varmış kimi təqdim edilməmişdir.

Bundan əlavə, Table 3 və Table 5-də uşağı olmağın birbaşa əməkhaqqı düzəlişi +50 € olduğu halda, iqtisadi şərh etiketi “parenthood penalty”dir. Bu adlandırma işarə ilə birbaşa uyğun gəlmir. Qadın × valideynlik qarşılıqlı təsiri isə -150 € olduğuna görə qadın valideynlərdə əlavə mənfi fərq açıq şəkildə mövcuddur.

Məlumat və kod

Tədqiqat 1-in recruiter məlumatları iştirakçı məxfiliyinə tabe olmaqla corresponding author-dan əsaslandırılmış sorğu əsasında əldə edilə bilər.

Tədqiqat 2-nin sintetik populyasiyası Table 3 və Table 5-dəki çəkilər və Section 3.2-də müəyyənləşdirilən full-factorial dizayndan yenidən istehsal edilə bilər. Buna görə tədqiqatçının əldə etdiyi iki qayda dəsti sabitləşdirildikdə simulyasiya məlumatlarının yaradılma prosesi tam izlənə bilən vəziyyətdədir.

Etik yanaşma

Tədqiqat 1-də iştirakçılar yetkin peşəkarlardır. Sorğunun əvvəlində təxmini müddət və məlumatların anonim/məxfi işlənəcəyi açıqlanmış, iştirak yalnız razılıq verən şəxslərlə davam etdirilmişdir.

Mənbə formal ethics committee approval alınmadığını açıq şəkildə bildirir. Müəlliflər əsas kimi tədqiqatın anonim, müdaxiləsiz onlayn vinyet sorğusu olmasını və iştirakçıların yalnız hipotetik namizəd profillərini qiymətləndirməsini göstərirlər.

Tədqiqatın güclü tərəfləri

• İnsan qərarları ilə açıq alqoritmik qaydalarda bərabərsizliyin fərqli yaranma yollarını eyni tədqiqat daxilində ayırması.
• Namizədin cinsiyyətini, yaşını və təhsilini insan eksperimentində randomizə etməsi.
• Eyni recruiterdan gələn təkrarlanan ölçmələr üçün mixed-effects modelindən istifadə etməsi.
• Recruiter səviyyəsində heterogenliyi görünən etməsi.
• Firma ölçüsü və sektor nəzarətləri ilə əsas insan nəticələrinə dayanıqlılıq təhlili tətbiq etməsi.
• LLM qayda çəkilərini açıq şəkildə dərc etməsi.
• 5.760 profilin tam faktorial enumerasiyası sayəsində qaydanın bütün icazə verilən kombinasiyalardakı nəticələrini araşdırması.
• LLM simulyasiyasını real sahə ayrı-seçkiliyi və ya model üzrə ümumi davranış kimi təqdim etməməsi.
• Şəffaflıq ilə ədalət arasındakı konseptual fərqi konkret əməkhaqqı qaydası ilə göstərməsi.

Əsas məhdudiyyətlər

• İnsan recruiter paneli milli təmsilçi ehtimallı nümunə deyil.
• Panel response rate mənbədə yoxdur.
• Formal attention check aparılmayıb.
• Stated wage offer real əməkhaqqı müqaviləsi deyil.
• Recruiter cinsiyyəti randomizə edilməyib və onun əmsalı səbəb-nəticə kimi şərh edilə bilməz.
• LLM qaydası hər modeldən yalnız bir dəfə əldə edilmişdir.
• Alternativ prompt, model versiyası və konfiqurasiya həssaslığı sınaqdan keçirilməmişdir.
• Yalnız iki ümumi məqsədli LLM araşdırılmışdır.
• LLM-lər real işə qəbul sistemində işlədilməmişdir.
• Tədqiqat 1 və Tədqiqat 2 fərqli xüsusiyyət dəstləri ehtiva etdiyinə görə birbaşa müqayisə yalnız cinsiyyət, yaş və təhsillə məhduddur.
• LLM əmsalları real məlumat təxmini deyil, əvvəlcədən məlum qaydaların log-miqyaslı izahedici ayrışdırılmasıdır.
• Mənbədə sektor termininin simulyasiya spesifikasiyasında istifadəsi tam tutarlı deyil.

Elmi baxımdan ən təhlükəsiz ümumi şərh

Bu tədqiqat əməkhaqqı bərabərsizliyinin insan və alqoritmik qiymətləndirmə sistemlərində eyni mexanizmdən yaranmaq məcburiyyətində olmadığını göstərir. İnsan recruiter eksperimentində ən nəzərəçarpacaq xüsusiyyət namizəd cinsiyyətindən asılı birbaşa fərqdən daha çox recruiterlar arasındakı böyük qərar heterogenliyidir.

İki LLM-dən bir dəfə əldə edilmiş qaydalarda isə fərq qiymətləndirmə prosesindəki təsadüfi insan davranışından deyil, qaydaya açıq şəkildə yazılmış çəkilərdən yaranır. Qayda qadına, xariciyə və ya müəyyən bölgədən gələn namizədə mənfi çəki verirsə, eyni xüsusiyyətə malik bütün profillər bu fərqi deterministik şəkildə alır.

Buna görə tədqiqatın ən geniş elmi mesajı “insan daha ədalətlidir, yoxsa alqoritm?” deyil. Daha düzgün sual budur: qərar sistemi hansı xüsusiyyətlərə hansı çəkiləri verir, bu çəkilər hansı qruplarda hansı bölgü nəticələrini yaradır və bu nəticələr hansı sübut səviyyəsində ölçülür.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Wage Assignment by Humans and Algorithms: Evidence from a Vignette Experiment and a One-Shot Audit of Two LLM-Elicited Wage Rules.

Müəlliflər: Giovanni Busetta, Maria Gabriella Campolo, Orietta Nicolis.

Corresponding/contact author: SSRN qeydi Maria Gabriella Campolo-nu Contact Author kimi göstərir.

Afiliyon: SSRN qeydinə görə Giovanni Busetta — University of Messina, Department of Economics, Business, Environmental Sciences and Quantitative Methods; Maria Gabriella Campolo — University of Messina; Orietta Nicolis — University of Messina.

Biblioqrafik qeyd: Yüklənmiş PDF-in görünən ilk səhifəsində müəllif və afiliyon məlumatları yoxdur. Yuxarıdakı müəllif kimliyi və qurumlar SSRN-in rəsmi qeyd metadata-sından təsdiqlənmişdir.

Platforma: SSRN.

SSRN qeyd nömrəsi: 7566539.

DOI: 10.2139/ssrn.7566539.

SSRN yüklənmə tarixi: 5 oktyabr 2026.

Səhifə sayı: 38.

Mənbə növü: İki hissəli preprint tədqiqatı: faktorial vinyet eksperimenti + bir-dəfəlik, promptdan asılı deterministik LLM əməkhaqqı qaydası auditi.

Hakemlik statusu: Hakem qiymətləndirməsindən keçməmişdir. PDF bunu hər səhifədə açıq şəkildə bildirir.

Tədqiqat 1 əsas metodu: 2024-cü ilin dekabrı-2025-ci ilin yanvarı dövründə İtaliyada Qualtrics paneli; altı namizəd profilini qiymətləndirən peşəkar recruiterlar; namizədin cinsiyyəti, yaşı və təhsil səviyyəsinin randomizasiyası; recruiter-specific random intercept ehtiva edən xətti mixed-effects model.

Tədqiqat 1 analitik nümunəsi: 1.094 recruiter və 6.420 əməkhaqqı təklifi. Müsbət və aylıq 10.000 €-dan aşağı xalis əməkhaqqı təklifləri istifadə edilmişdir.

Tədqiqat 2 əsas metodu: Mənbədə ChatGPT/GPT-4 və DeepSeek-V3 kimi müəyyənləşdirilən iki ümumi məqsədli LLM-dən hər birindən bir dəfə əməkhaqqı qiymətləndirmə qaydası əldə edilməsi; çəkilərin dəyişdirilmədən tətbiqi; 5.760 tam faktorial sintetik namizəd profili; 1.500 € baza xalis aylıq əməkhaqqı.

Əsas insan tapıntısı: Qadın namizədin birbaşa əməkhaqqı əmsalı əhəmiyyətli deyil; recruiterlar arasında yüksək baza əməkhaqqı heterogenliyi vardır və recruiter cinsiyyəti ilə təhsil qarşılıqlı təsirinə bağlı şərti fərqlər müşahidə olunur.

Əsas LLM tapıntısı: İki promptdan asılı deterministik qayda insan kapitalı xüsusiyyətlərinin yanında cinsiyyət, milliyyət, valideynlik və qarşılıqlı təsirlərinə görə mexaniki əməkhaqqı fərqləri yaradır.

Əsas metodoloji hədd: LLM qaydaları hər modeldən yalnız bir dəfə əldə edilmiş, təkrar sorğular, alternativ promptlar, fərqli versiyalar və ya real işə qəbul mühitləri ilə təsdiqlənməmişdir.

Məlumat əlçatanlığı: Tədqiqat 1 məlumatları iştirakçı məxfiliyi şərtilə corresponding author-dan əsaslandırılmış sorğu əsasında əldə edilə bilər. Tədqiqat 2 sintetik məlumatları dərc edilmiş çəkilər və full-factorial dizayndan yenidən yaradıla bilər.

Etika: Anonim və müdaxiləsiz onlayn vinyet sorğusu üçün formal ethics committee approval alınmamışdır. İştirakçılar müddət, anonimlik və məxfilik haqqında məlumatlandırılmış və iştirakı qəbul etdikdən sonra sorğunu davam etdirmişlər.

Maliyyələşdirmə: Mənbə PDF-də ayrıca maliyyələşdirmə bəyanatı aşkar edilməmişdir; bundan maliyyələşdirmənin olmadığı nəticəsi çıxarılmamışdır.

Maraqlar toqquşması: Mənbə PDF-də ayrıca maraqlar toqquşması bəyanatı aşkar edilməmişdir.

Müəllif töhfələri: Mənbə PDF-də ayrıca CRediT/müəllif töhfəsi bölməsi aşkar edilməmişdir.

Lisenziya/müəllif hüquqları: Mənbə PDF-də açıq Creative Commons və ya ekvivalent təkrar istifadə lisenziyası yoxdur və əldə edilən SSRN biblioqrafik görünüşündə açıq lisenziya təsdiqlənməmişdir. Buna görə təkrar istifadə fail-closed kimi qiymətləndirilmiş; Verianla məzmunu orijinal cümləni, cədvəl dizaynını və ya Figure 1-i kopyalamadan hazırlanmışdır.

Mənbədaxili metod qeydi: Simulyasiya spesifikasiyasında sektor dəyişəninin istifadəsi bölmələr və cədvəllər arasında tam tutarlı deyil; bundan əlavə, +50 € birbaşa parenthood çəkisinin “parenthood penalty” kimi etiketlənməsi işarə və izah arasında qeyri-müəyyənlik yaradır. Bu məqamlar səssizcə düzəldilməmişdir.