Фактордук виньетка эксперименти — талапкердин мүнөздөмөлөрү гипотетикалык профилдердин арасында туш келди өзгөртүлүп, баалоочулардын чечимдери бул өзгөрүүлөргө кандай жооп берерин өлчөгөн эксперименттик изилдөө дизайны. Бул изилдөө эмгек акыны аныктоодогу теңсиздик эки башка чечим кабыл алуу чөйрөсүндө кантип пайда болушу мүмкүн экенин карайт: Италиядагы кесипкөй жалдоо адистеринин гипотетикалык талапкерлерге берген эмгек акы сунуштары жана ChatGPT менен DeepSeekтен бир жолудан алынган ачык эмгек акы эрежелеринин синтетикалык талапкерлерге детерминисттик түрдө колдонулушу. Адамдар катышкан экспериментте аял талапкерлерге түздөн-түз төмөнүрөөк эмгек акы берилгенине статистикалык далил табылган эмес, ал эми эки бир жолку LLM эрежеси жыныс, жарандык, ата-энелик макам жана алардын айрым өз ара аракеттери үчүн ачык эмгек акы түзөтүүлөрүн камтыйт. Бирок эки изилдөө эквиваленттүү эмес: биринчи изилдөө эксперименттик адамдык баалоолорду, экинчи изилдөө болсо белгилүү promptтарга көз каранды эки эрежелер системасынын механикалык бөлүштүрүү натыйжаларын карайт.

Изилдөө 1де 1.116 recruiter сурамжылоого катышып, эмгек акы талдоосу үчүн 1.094 recruiter жана жалпысынан 6.420 эмгек акы сунушу колдонулган. Ар бир recruiter алты гипотетикалык талапкер профилин баалаган. Талапкердин жынысы, жашы жана билим деңгээли профилдердин арасында туш келди дайындалган. Аял талапкер көрсөткүчүнүн коэффициенти β=0,006 жана p=0,576; башкача айтканда, эксперименттик виньетка чөйрөсүндө аял жана эркек талапкерлердин ортосунда түз эмгек акы айырмасына далил жок. 38 жана 48 жаш көрсөткүчтөрү да маанилүү эмес. Төмөн билим коэффициенти терс, бирок p=0,104 болуп, салттуу маанилүүлүк босоголорунан өтпөйт.

Тескерисинче, эмгек акы сунуштары recruiterлердин ортосунда олуттуу айырмаланат. Аял recruiter көрсөткүчү эталондук талапкер профили үчүн β=-0,142 жана p=0,009; төмөн билим × аял recruiter өз ара аракети β=0,035 жана p=0,049. Recruiterдин жынысы туш келди дайындалбагандыктан, бул жыйынтыктар аял recruiter болуунун себептик таасири эмес. Мындан тышкары, аял recruiter коэффициентин бардык талапкер профилдери үчүн жалпы эмгек акы айырмасы катары чечмелөөгө болбойт; билим боюнча өз ара аракеттенүү болгондуктан, жыйынтык эталондук талапкерге жана моделдин шарттарына көз каранды.

Изилдөө 2де ChatGPT жана DeepSeekке бир жолудан эмгек акыны баалоо эрежесин түздүрүп, алынган салмактар өзгөртүлбөстөн колдонулган. Билим, тажрыйба, кесип, жыныс, жаш, ата-энелик макам, жарандык, туулган аймак жана билимдин Италияда алынганы сыяктуу мүнөздөмөлөрдүн бардык уруксат берилген айкалыштарынан 5.760 синтетикалык профиль түзүлгөн. Ар бир профиль 1.500 € таза айлык базалык эмгек акыдан башталып, ошол эле детерминисттик эрежеге баш ийген.

Эки LLMден алынган эрежеде аял талапкер үчүн -200 €, чет өлкөлүк талапкер үчүн -300 €, аял × ата-энелик макам үчүн кошумча -150 € жана аял × чет өлкөлүк үчүн кошумча -100 € түзөтүүсү бар. Ал эми жогорку билим, тажрыйба жана жогорку деңгээлдеги кесиптер үчүн оң премиялар бар. ChatGPT менен DeepSeek өзгөчө төмөн билим жана жаш боюнча айырмаланат: ChatGPT төмөн билимге +200 € жана 48 жашка +150 € берсе, DeepSeek төмөн билимге -100 € жана 48 жашка -50 € берет.

Изилдөөнүн негизги саясаттык жыйынтыгы — ачык-айкындык жана детерминисттик чечим эрежеси өзүнөн өзү бөлүштүрүү бейтараптыгын билдирбейт. Эреже толугу менен көрүнүктүү, текшерилүүчү жана бир эле киргизүүгө ар дайым бир эле чыгарууну бере алат; ошентсе да мүнөздөмөлөргө берилген салмактар белгилүү топтордун ортосунда системалуу эмгек акы айырмаларын жаратышы мүмкүн. Ошол эле учурда изилдөө ChatGPT же DeepSeek белгилүү топторго жалпы жана туруктуу түрдө басмырлоо жасайт деп далилдебейт; ал болгону эки конкреттүү, бир жолку, promptка көз каранды эрежелер системасынын натыйжаларын карайт.

Изилдөөнүн негизги маселеси

Эмгек акы теңсиздигин кызматкердин көндүмдөрү же өндүрүмдүүлүгү менен гана түшүндүрүү мүмкүн эмес. Эмгек акы сунушун берген адамдын жүрүм-туруму, уюмдун баалоо нормалары же алгоритмге ачык же кыйыр түрдө киргизилген чечим эрежелери да ар башка талапкерлердин ар башка экономикалык натыйжа алышына алып келиши мүмкүн.

Бул изилдөө маселени эки өзүнчө деңгээлде карайт. Биринчи деңгээлде чыныгы жалдоо адистеринин гипотетикалык талапкерлер жөнүндө берген эмгек акы чечимдери изилденет. Экинчи деңгээлде эки чоң тил моделинен бир гана суроо менен алынган ачык эмгек акы эрежелери бардык синтетикалык талапкер айкалыштарына механикалык түрдө колдонулат.

Бул эки дизайн бир эле нерсени өлчөбөйт. Адам эксперименти рандомизацияланган талапкер мүнөздөмөлөрүнүн stated wage offer көрсөткүчүнө таасирин текшерет. LLM симуляциясы болсо моделден алынган белгилүү бир эреженин кайсы топтордун арасында кандай эмгек акы айырмаларын сөзсүз жаратарын көзөмөлдөйт.

Фактордук Виньетка Эксперименти Деген Эмне жана Бул Изилдөөдө Эмнени Өлчөйт?

Фактордук виньетка эксперименти бул жерде талапкердин жынысы, жашы жана билим деңгээли сыяктуу мүнөздөмөлөрүн профилдердин арасында туш келди өзгөртүү аркылуу recruiterлердин эмгек акы сунушундагы өзгөрүүнү түздөн-түз ушул манипуляцияланган мүнөздөмөлөр менен байланыштырууга мүмкүндүк берген эксперименттик дизайн; жыйынтыктар чыныгы эмгек келишимдерин эмес, гипотетикалык талапкерлерге сунушталган билдирилген таза айлык эмгек акыны өлчөйт.

Адам recruiter үлгүсү

Маалыматтар 2024-жылдын декабрынан 2025-жылдын январына чейин Qualtrics онлайн панели аркылуу Италияда чогултулган. Панель recruiterлерден, адам ресурстары боюнча адистерден жана персоналды тандоо же эмгек акыны аныктоо чечимдерине түздөн-түз катышкан адамдардан турат.

Үлгү фирманын көлөмүнө жараша катмарланган. Жалпысынан 1.116 recruiter изилдөөгө катышкан. Талдоодо оң, айына таза 10.000 €дан төмөн эмгек акы сунуштары калтырылып, mixed-effects модели үчүн керектүү толук-кейс шарттары колдонулган. Акыркы негизги талдоо 1.094 recruiter жана 6.420 эмгек акы сунушунан турат.

Recruiter панели ыктымалдыкка негизделген улуттук үлгү эмес. Булак панелдин response rate маалыматы жок экенин жана formal attention check колдонулбаганын белгилейт. Ошондуктан жыйынтыктар Италиядагы бардык эмгек акы белгилөөчүлөрдүн улуттук репрезентативдүү баасы катары окулбашы керек.

Рандомизацияланган талапкер мүнөздөмөлөрү

• Жыныс: аял же эркек.
• Жаш: 28, 38 же 48.
• Билим: төмөн же жогорку билим деңгээли.

Бул мүнөздөмөлөрдүн виньеткаларга туш келди бөлүштүрүлүшү талапкер мүнөздөмөлөрү боюнча эксперимент ичиндеги себептик идентификацияны колдойт. Recruiterдин жынысы болсо байкалган жеке мүнөздөмө жана рандомизацияланган эмес.

Адам recruiter модели

Ар бир recruiter бир нече талапкерди баалагандыктан, байкоолор көз карандысыз эмес; бир адамдын алты чечими бири-бирине окшош болушу мүмкүн. Изилдөөчүлөр бул иерархиялык түзүлүштү recruiter-specific random intercept камтыган сызыктуу mixed-effects модели менен эсепке алышкан.

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

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

Бул жерде \(i\) талапкер виньеткасын, \(r\) болсо recruiterди билдирет. Көз каранды өзгөрмө — айлык таза эмгек акы сунушунун натуралдык логарифми. \(u_r\) recruiterге мүнөздүү байкалбаган базалык эмгек акы аныктоо тенденциясын; \(\varepsilon_{ir}\) болсо белгилүү виньеткага мүнөздүү калган өзгөрүүнү билдирет.

Эталондук талапкер — 28 жаштагы, жогорку билимдүү эркек талапкер, ал эми эталондук recruiter — эркек recruiter. Ошондуктан өз ара аракеттер бар моделдерде бир негизги коэффициентти бардык талапкерлер же бардык recruiterлер үчүн жалпы орточо катары чечмелөөгө болбойт.

Адам Жалдоо Адистери Аял Талапкерлерге Төмөнүрөөк Эмгек Акы Сунуштадыбы?

Бул виньетка экспериментинде жок: аял талапкер коэффициенти β=0,006 жана p=0,576; башкача айтканда, башка эксперименттик талапкер мүнөздөмөлөрү туруктуу болгондо аял жана эркек талапкерлерге берилген билдирилген эмгек акы сунуштарынын ортосунда түз, статистикалык жактан маанилүү жыныстык айырмага далил табылган жок. Бул жыйынтык реалдуу жалдоодо жана реалдуу айлык сүйлөшүүлөрүндө жыныстык басмырлоо жок экенин билдирбейт.

Изилдөө 1дин негизги коэффициенттери

Recruiterлердин ортосундагы гетерогендүүлүк

Recruiter-specific random intercept дисперсиясы 0,655, residual дисперсия 0,121. Булак бул эки компонент эске алынганда recruiter деңгээли жалпы моделдик дисперсиянын болжол менен %84үн түзөрүн эсептейт.

Бул маани recruiterлердин жалпы эмгек акы аныктоо тенденцияларында олуттуу айырмачылыктар бар экенин көрсөтөт. Бирок бул гетерогендүүлүк кайсы recruiter мүнөздөмөлөрүнөн келип чыкканын изилдөө толук аныктай албайт. Сектор, тажрыйба узактыгы же уюмдагы ролу сыяктуу recruiter мүнөздөмөлөрүнүн айрымдары аял recruiter коэффициенти менен корреляциялуу болушу мүмкүн.

Фирма жана сектор контролдору менен туруктуулук

17-беттеги Figure 1 негизги моделди фирмадагы кызматкерлердин санынын логарифмин жана ATECO сектордук туруктуу эффекттерин кошкон модель менен салыштырат. Аял recruiter коэффициенти -0,142ден -0,121ге төмөндөйт, бирок p=0,024 менен маанилүү бойдон калат. Төмөн билим × аял recruiter өз ара аракети 0,035 жана p=0,049 болуп, дээрлик өзгөрбөйт.

Фирманын көлөмү β=0,034 жана p<0,001 менен эмгек акы сунуштары менен оң байланышта. Кошумча контролдор likelihood-ratio тестинде моделдин ылайыктуулугун маанилүү жакшырткан: \(\chi^2(21)=67,84\), p<0,001.

Figure 1дин илимий билдирүүсү — негизги recruiter-gender жана education-interaction жыйынтыктары фирманын көлөмү жана сектор айырмачылыктары кошулганда толугу менен жоголбойт. График бул жыйынтыктар реалдуу эмгек рыногуна автоматтык түрдө жалпыланат дегенди көрсөтпөйт.

Изилдөө 2 эмне үчүн башка изилдөө?

Экинчи изилдөө жалдоо адистеринен чогултулган жүрүм-турум маалыматын колдонбойт. Изилдөөчүлөр ChatGPT жана DeepSeekке бир жолудан Италиянын эмгек рыногунда жалдоо-баалоо системасы катары аракет кылып, байкалган талапкер мүнөздөмөлөрүн эмгек акыга байланыштырган ачык салмактарды түзүүнү тапшырган.

Моделдер берген эмгек акы салмактарынын белгиси же чоңдугу өзгөртүлбөстөн колдонулган. Ошондуктан симуляциядагы эмгек акы айырмалары изилдөөчүлөр кийин кошкон коэффициенттерден эмес, алынган эрежелер топтомунан келип чыгат.

Бирок “моделдин жообу бир жолу алынгандан кийинки симуляциянын кайталанмалуулугу” менен “ошол эле моделге кайра суралганда ошол эле эреженин түзүлүшү” эки башка нерсе. Изилдөө биринчисин гана көрсөтөт. Экинчи түрдөгү туруктуулук текшерилген эмес.

Толук фактордук синтетикалык профиль дизайны

Бул 5.760 профиль үлгү эмес, бардык уруксат берилген комбинациялардын толук тизмеси. Ошондуктан синтетикалык маалыматта классикалык тандоо белгисиздиги жок.

ChatGPT жана DeepSeekтен алынган детерминисттик эмгек акы салмактары

Эки эреже тең 1.500 € таза айлык базалык эмгек акыдан баштап кошумчалуу түрдө колдонулат.

Булактагы таблицаларда “баласы бар” үчүн түз эмгек акы салмагы +50 € болгонуна карабастан, экономикалык чечмелөө тилкеси муну “parenthood penalty” деп атайт. Ал эми аял × баласы бар өз ара аракетинин -150 € болушу аял талапкер үчүн ата-энелик макамдын жалпы маржиналдык таасирин терс багытта өзгөртүшү мүмкүн. Verianla бул белги/этикетка шайкешсиздигин унчукпай кайра атамайт.

Ачык жана Детерминисттик Эмгек Акы Эрежеси Эмне Үчүн Ошентсе да Теңсиздик Жаратышы Мүмкүн?

Анткени ачык-айкындык чечим кандай чыгарылганын көрүнүктүү кылат, бирок колдонулган салмактардын нормативдик жактан бейтарап болушуна кепилдик бербейт; аял талапкер үчүн -200 € же чет өлкөлүк талапкер үчүн -300 € сыяктуу ачык эреже толугу менен кайталанма болсо да, эреже ошол эле мүнөздөмөлөргө ээ топтордун ортосундагы эмгек акы айырмасын ар бир колдонууда механикалык түрдө кайра жарата берет.

Лог-эмгек акы ажыратуусунун максаты

LLM эрежелери евро менен кошумчалуу түрдө аныкталган. Изилдөөчүлөр аларды адам recruiter моделине сүрөттөө жагынан оңойураак жакындатуу үчүн лог-эмгек акы регрессиясы түрүндө болжолдуу ажыраткан:

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

\(X_i\) талапкердин белгилүү мүнөздөмөлөрүн жана өз ара аракеттерин камтыйт. Булактын аныктамасында \(\gamma\) терминдери сектор, кесип жана туулган аймак түзүмдөрү менен байланышат; \(e_i\) болсо евро менен кошумчалуу эрежени лог-сызыктуу модель менен болжолдуу чагылдыруудан келип чыккан residual approximation error.

Бул коэффициенттер белгисиз реалдуу дүйнө процессинен бааланган жүрүм-турум параметрлери эмес. Маалымат түзүү эрежеси алдын ала белгилүү. Ошондуктан Изилдөө 2де стандарттык ката жана p маанисин билдирүүнүн чыныгы тандоо белгисиздиги маанисинде функциясы жок.

ChatGPT эрежесинин лог-масштабдагы көрүнүшү

DeepSeek эрежеси менен негизги айырмачылыктар

DeepSeekтен алынган эреже жогорку билим жана жогорку тажрыйбага чоң салмак бергени менен, эки жагынан ChatGPT эрежесинен олуттуу айырмаланат.

Биринчиси — билим. ChatGPT төмөн билимге +200 €, жогорку билимге +600 € колдонгондуктан, эки деңгээлдин ортосундагы түз айырма 400 €. DeepSeek төмөн билимге -100 €, жогорку билимге +600 € колдонгондуктан, айырма 700 €га чыгат.

Экинчиси — жаш. ChatGPT 48 жашка +150 € премия берсе, DeepSeek -50 € айып берет. Ошентип, бир эле синтетикалык талапкерлер популяциясына жана бир эле жалпы протоколго колдонулган эки бир жолку LLM эрежеси жаштын экономикалык баасын карама-каршы багытта коддой алат.

Лог-эмгек акы көрсөтүлүшүндө жогорку билим коэффициенти ChatGPTде 0,214, DeepSeekте 0,418. Аял коэффициенттери тиешелүүлүгүнө жараша -0,092 жана -0,100; чет өлкөлүк жарандык коэффициенттери -0,151 жана -0,170.

Бул Изилдөө ChatGPT жана DeepSeek Жалпысынан Басмырлоочу Экенин Далилдейби?

Жок. Ар бир модель бир гана жолу жана белгилүү prompt, версия жана конфигурация шартында суралган; изилдөө кайталап суроолорду, башка promptтарды, башка версияларды же чыныгы жалдоо системаларын текшербегендиктен, жыйынтыктарды ChatGPT же DeepSeekтин туруктуу жана жалпы модель касиеттери катары жалпылоого болбойт.

“One-shot audit” деген эмнени билдирет?

“One-shot” бул жерде ар бир моделден эмгек акы эрежеси бир гана өз ара аракетте алынганын билдирет. Алынган эреже бекитилгенден кийин 5.760 профиль боюнча детерминисттик түрдө колдонулуп, натыйжа толугу менен кайра чыгарылышы мүмкүн.

Бирок ошол эле prompt кийинки жолу ошол эле моделге берилгенде ошол эле салмактар чыгабы-жокпу текшерилген эмес. Изилдөөчүлөрдүн келечектеги изилдөө сунуштарынын бири дал ушул: ар бир моделди көп жолу, альтернативдүү promptтар, версиялар жана конфигурациялар менен сурап, эреженин туруктуулугун өлчөө.

Адамдык жана алгоритмдик эмгек акы аныктоону түз салыштырууга болобу?

Чектелүү деңгээлде гана. Изилдөө 1 жана Изилдөө 2де жалпы мүнөздөмөлөр — жыныс, жаш жана билим. Ушул үч мүнөздөмө боюнча үлгүлөрдү жанаша талкуулоого болот.

Адам экспериментинде иш тажрыйбасы, жарандык, ата-энелик макам, кесип, туулган аймак жана билимдин Италияда алынганы эксперименттик факторлор эмес. Ошондуктан LLM эрежелеринин бул мүнөздөмөлөр боюнча жараткан айырмаларын адам recruiterлер менен салыштыруу илимий жактан жарактуу эмес.

Адам экспериментинде аял талапкер коэффициенти болжол менен нөлгө жакын жана маанилүү эмес, ал эми эки LLM эрежеси аял мүнөздөмөсүнө түздөн-түз терс эмгек акы салмагын берет. Бул карама-каршылык маанилүү, бирок “LLM адамдарга караганда көбүрөөк басмырлайт” деген жыйынтык үчүн жетишсиз; маалымат жаратуу процесстери ар башка.

Изилдөө колдогон жыйынтыктар

• Виньетка экспериментинде аял талапкерлерге түздөн-түз төмөнүрөөк эмгек акы сунушталганына статистикалык далил жок.
• Recruiterлердин ортосунда баштапкы эмгек акы аныктоо тенденцияларында чоң гетерогендүүлүк бар.
• Recruiterдин жынысы эталондук талапкер профили үчүн эмгек акы айырмасы менен байланышкан; бул байланыш себептик эмес.
• Төмөн билим менен байланышкан эмгек акы айырмасы recruiterдин жынысына жараша өзгөрөт.
• Эки бир жолку LLM эрежеси жыныс, жарандык, ата-энелик макам жана айрым өз ара аракеттер үчүн ачык эмгек акы салмактарын берет.
• ChatGPT жана DeepSeek эрежелери бир эле синтетикалык популяцияга колдонулса да, билим жана жаш боюнча ар башка эмгек акы түзүмдөрүн жаратат.
• Ачык жана толук детерминисттик эрежелер бөлүштүрүү жагынан бейтарап болушу шарт эмес.
• Алгоритмдик аудит эреженин түшүндүрүлүшүн гана эмес, ар башка талапкер топторунда жараткан бөлүштүрүү натыйжаларын да текшериши керек.

Изилдөө колдобогон жыйынтыктар

• Чыныгы Италия эмгек рыногунда аялдарга эмгек акы боюнча басмырлоо жок деген жыйынтык чыгарууга болбойт.
• Аял recruiterлер жалпысынан эркек recruiterлерге караганда төмөн эмгек акы берет деп себептик түрдө айтууга болбойт.
• ChatGPT же DeepSeekтин бардык версиялары жана бардык promptтары үчүн туруктуу аял же чет өлкөлүк айып бар деп айтууга болбойт.
• Изилдөө 2 чыныгы компаниянын өндүрүштүк чөйрөдөгү жалдоо системасын изилдебейт.
• Детерминисттик LLM коэффициенттерин p мааниси же тандоо белгисиздиги бар реалдуу дүйнө баалоолору деп кароого болбойт.
• Изилдөө LLMдер адам recruiterлерге караганда көбүрөөк басмырлоочу же адилеттүү экенин далилдебейт.
• Жарандык, ата-энелик макам, иш тажрыйбасы же аймак боюнча адам–LLM салыштыруусун жүргүзүүгө болбойт; бул мүнөздөмөлөр адам экспериментинде ошол эле жол менен манипуляцияланган эмес.
• Эреженин түшүндүрмөлүү болушу анын укуктук, этикалык же бөлүштүрүү жагынан адилеттүү экенин өзүнөн өзү көрсөтпөйт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Эки изилдөөнүн ортосундагы методологиялык айырма

Изилдөө 1деги тышкы валиддүүлүк

Виньетка дизайны ички валиддүүлүк жагынан күчтүү; рандомизация талапкер мүнөздөмөлөрүнүн айырмаларынын эмгек акы сунушуна таасирин обочолонтот. Бирок чыныгы жумуш маеги, сүйлөшүү, эмгек келишими же компаниянын ички эмгек акы саясаты сыяктуу процесстер виньетка чөйрөсүндө жок.

Мындан тышкары, үлгү онлайн панелден алынган. Panel response rate булакта жок жана attention check жүргүзүлгөн эмес. Ошондуктан жыйынтыктар бардык италиялык recruiterлер популяциясынын ыктымалдык тандоого негизделген баасы эмес.

Изилдөө 2деги кайталанмалуулук

Эреженин салмактары белгиленгенден кийин симуляция күчтүү түрдө кайра чыгарылат. Толук фактордук дизайнда seed же туш келди сандар генератору колдонулбайт. Ошол эле салмактарга ошол эле 5.760 профиль берилсе, ошол эле эмгек акылар чыгат.

Ал эми эрежени моделден алуу кадамы кайталанмалуулук жагынан текшерилген эмес. Ошол эле модель экинчи суроодо ошол эле коэффициенттерди береби-жокпу белгисиз.

Булак ичиндеги техникалык ырааттуулук жөнүндө эскертүүлөр

Булактын ыкма түшүндүрмөсүндө симуляция үчүн сектор, кесип жана аймак терминдери бирге айтылат; бирок толук фактордук талапкер мүнөздөмөлөрүнүн тизмесинде өзүнчө сектор өзгөрмөсү жок. ChatGPT Table 4 random effectsти occupation жана region деп берет, ал эми DeepSeek Table 6 sector, occupation жана region random interceptтерин көрсөтөт. Бул айырма булакта чечилбегендиктен, бул жерде да бирдиктүү гармонизацияланган модель бардай көрсөтүлгөн эмес.

Мындан тышкары, Table 3 жана Table 5те балалуу болуунун түз эмгек акы түзөтүүсү +50 € болуп турса да, экономикалык чечмелөө этикеткасы “parenthood penalty” деп аталат. Бул аталыш белги менен түз шайкеш келбейт. Аял × ата-энелик макам өз ара аракети болсо -150 € болгондуктан, аял ата-энелер үчүн кошумча терс айырма ачык бар.

Маалымат жана код

Изилдөө 1дин recruiter маалыматтары катышуучулардын купуялуулугун сактоо шарты менен corresponding authorдон негиздүү суроо-талап боюнча алынышы мүмкүн.

Изилдөө 2нин синтетикалык популяциясын Table 3 жана Table 5теги салмактар жана Section 3.2де аныкталган full-factorial дизайн аркылуу кайра түзүүгө болот. Ошондуктан изилдөөчү алган эки эрежелер топтому бекитилгенде симуляциянын маалымат түзүү процесси толук көзөмөлдөнө турган абалда болот.

Этикалык мамиле

Изилдөө 1де катышуучулар — бойго жеткен кесипкөйлөр. Сурамжылоонун башында болжолдуу убакыт жана маалыматтар анонимдүү/купуя иштетилери түшүндүрүлүп, катышуу макулдук берген адамдар менен гана улантылган.

Булак formal ethics committee approval алынбаганын ачык көрсөтөт. Авторлор муну изилдөөнүн анонимдүү, кийлигишүүсүз онлайн виньетка сурамжылоосу болушу жана катышуучулар болгону гипотетикалык талапкер профилдерин баалашы менен негиздешет.

Изилдөөнүн күчтүү жактары

• Адам чечимдеринде жана ачык алгоритмдик эрежелерде теңсиздиктин ар башка пайда болуу жолдорун бир изилдөөнүн ичинде бөлүп көрсөтүшү.
• Адам экспериментинде талапкердин жынысын, жашын жана билимин рандомизациялашы.
• Бир эле recruiterден келген кайталанган өлчөөлөр үчүн mixed-effects моделин колдонушу.
• Recruiter деңгээлиндеги гетерогендүүлүктү көрүнүктүү кылышы.
• Фирманын көлөмү жана сектор контролдору менен негизги адам жыйынтыктарына туруктуулук талдоосун жүргүзүшү.
• LLM эрежелеринин салмактарын ачык жарыялашы.
• 5.760 профилдин толук фактордук enumerциясы аркылуу эреженин бардык уруксат берилген комбинациялардагы натыйжаларын талдашы.
• LLM симуляциясын реалдуу талаадагы басмырлоо же моделдин жалпы жүрүм-туруму катары көрсөтпөшү.
• Ачык-айкындык менен адилеттүүлүктүн концептуалдык айырмасын конкреттүү эмгек акы эрежеси аркылуу көрсөтүшү.

Негизги чектөөлөр

• Адам recruiter панели улуттук репрезентативдүү ыктымалдык үлгү эмес.
• Panel response rate булакта жок.
• Formal attention check жүргүзүлгөн эмес.
• Stated wage offer чыныгы эмгек келишими эмес.
• Recruiterдин жынысы рандомизацияланган эмес жана анын коэффициентин себептик чечмелөөгө болбойт.
• LLM эрежеси ар бир моделден бир гана жолу алынган.
• Альтернативдүү prompt, модель версиясы жана конфигурация сезгичтиги текшерилген эмес.
• Эки гана жалпы максаттагы LLM изилденген.
• LLMдер чыныгы жалдоо системасында иштетилген эмес.
• Изилдөө 1 жана Изилдөө 2 ар башка мүнөздөмөлөр топтомун камтыгандыктан, түз салыштыруу жыныс, жаш жана билим менен гана чектелет.
• LLM коэффициенттери чыныгы маалыматтан алынган баалоо эмес, алдын ала белгилүү эрежелердин лог-масштабдагы түшүндүрмөчү ажыратылышы.
• Булакта сектор термининин симуляция спецификациясында колдонулушу толук ырааттуу эмес.

Илимий жактан эң коопсуз жалпы чечмелөө

Бул изилдөө эмгек акы теңсиздиги адамдык жана алгоритмдик баалоо системаларында бир эле механизмден пайда болушу шарт эмес экенин көрсөтөт. Адам recruiter экспериментинде эң көрүнүктүү өзгөчөлүк талапкердин жынысына байланышкан түз айырмадан көрө recruiterлердин ортосундагы чоң чечим гетерогендүүлүгү.

Эки LLMден бир жолудан алынган эрежелерде болсо айырма баалоо процессиндеги туш келди адам жүрүм-турумунан эмес, эреженин ичине ачык жазылган салмактардан келип чыгат. Эреже аялга, чет өлкөлүккө же белгилүү бир аймактан келген талапкерге терс салмак берсе, ошол эле мүнөздөмөдөгү бардык профилдер бул айырманы детерминисттик түрдө алышат.

Ошондуктан изилдөөнүн эң кеңири илимий билдирүүсү “адам адилеттүүрөөкпү же алгоритмби?” эмес. Туурараак суроо: чечим системасы кайсы мүнөздөмөлөргө кандай салмак берет, бул салмактар кайсы топтордо кандай бөлүштүрүү натыйжаларын түзөт жана бул натыйжалар кандай далил деңгээлинде өлчөнөт.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Corresponding/contact author: SSRN жазуусу Maria Gabriella Campoloну Contact Author катары көрсөтөт.

Аффилиация: SSRN жазуусуна ылайык 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.

Библиографиялык эскертүү: Жүктөлгөн PDFтин көрүнгөн биринчи бетинде автор жана аффилиация маалыматтары жок. Жогорудагы автордук кимдиктер жана мекемелер SSRNдин расмий каттоо metadataсынан ырасталган.

Платформа: SSRN.

SSRN каттоо номери: 7566539.

DOI: 10.2139/ssrn.7566539.

SSRN жүктөлгөн күнү: 5 Октябрь 2026.

Беттердин саны: 38.

Булак түрү: Эки бөлүктөн турган preprint изилдөө: фактордук виньетка эксперименти + бир жолку, promptка көз каранды детерминисттик LLM эмгек акы эрежесинин аудити.

Рецензия абалы: Рецензиядан өткөн эмес. PDF муну ар бир бетинде ачык көрсөтөт.

Изилдөө 1 негизги ыкмасы: 2024-жылдын декабры-2025-жылдын январы мезгилинде Италиядагы Qualtrics панели; алты талапкер профилин баалаган кесипкөй recruiterлер; талапкердин жынысын, жашын жана билим деңгээлин рандомизациялоо; recruiter-specific random intercept камтыган сызыктуу mixed-effects модель.

Изилдөө 1 аналитикалык үлгүсү: 1.094 recruiter жана 6.420 эмгек акы сунушу. Оң жана айына 10.000 €дан төмөн таза эмгек акы сунуштары колдонулган.

Изилдөө 2 негизги ыкмасы: Булакта ChatGPT/GPT-4 жана DeepSeek-V3 деп аныкталган эки жалпы максаттагы LLMден бир жолудан эмгек акыны баалоо эрежесин алуу; салмактарды өзгөртпөстөн колдонуу; 5.760 толук фактордук синтетикалык талапкер профили; 1.500 € базалык таза айлык эмгек акы.

Негизги адам жыйынтыгы: Аял талапкердин түз эмгек акы коэффициенти маанилүү эмес; recruiterлердин ортосунда базалык эмгек акынын жогорку гетерогендүүлүгү бар жана recruiterдин жынысы менен билимдин өз ара аракетине байланышкан шарттуу айырмачылыктар байкалат.

Негизги LLM жыйынтыгы: Эки promptка көз каранды детерминисттик эреже адам капиталы мүнөздөмөлөрүнөн тышкары жыныс, жарандык, ата-энелик макам жана алардын өз ара аракеттери боюнча механикалык эмгек акы айырмаларын жаратат.

Негизги методологиялык чек: LLM эрежелери ар бир моделден бир гана жолу алынган жана кайталап суроо, альтернативдүү prompt, башка версиялар же чыныгы жалдоо чөйрөлөрү менен ырасталган эмес.

Маалымат жеткиликтүүлүгү: Изилдөө 1 маалыматтары катышуучулардын купуялуулугу шарты менен corresponding authorдон негиздүү суроо-талап боюнча алынышы мүмкүн. Изилдөө 2 синтетикалык маалыматын жарыяланган салмактар жана full-factorial дизайн аркылуу кайра түзүүгө болот.

Этика: Анонимдүү жана кийлигишүүсүз онлайн виньетка сурамжылоосу үчүн formal ethics committee approval алынган эмес. Катышуучулар убакыт, анонимдүүлүк жана купуялуулук жөнүндө маалымдалган жана катышууга макул болгондон кийин сурамжылоону улантышкан.

Каржылоо: Булак PDFте өзүнчө каржылоо билдирүүсү табылган эмес; мындан каржылоо болгон эмес деген тыянак чыгарылган эмес.

Кызыкчылыктардын кагылышы: Булак PDFте өзүнчө кызыкчылыктардын кагылышы жөнүндө билдирүү табылган эмес.

Автордук салымдар: Булак PDFте өзүнчө CRediT/автордук салым бөлүмү табылган эмес.

Лицензия/автордук укук: Булак PDFте ачык Creative Commons же ага тең кайра пайдалануу лицензиясы жок жана жеткиликтүү SSRN библиографиялык көрүнүшүндө ачык лицензия ырасталган эмес. Ошондуктан кайра пайдалануу fail-closed катары бааланган; Verianla мазмуну түпнуска сүйлөмдөрдү, таблица дизайнын же Figure 1ди көчүрбөстөн даярдалган.

Булак ичиндеги ыкма эскертүүсү: Симуляция спецификациясында сектор өзгөрмөсүнүн колдонулушу бөлүмдөр менен таблицалардын ортосунда толук ырааттуу эмес; ошондой эле +50 € түз parenthood салмагын “parenthood penalty” деп белгилөө белги менен түшүндүрмөнүн ортосунда бүдөмүк жаратат. Бул пункттар унчукпай оңдолгон эмес.