Jaribio la vignette la kifaktoria ni muundo wa utafiti wa majaribio ambapo sifa za mgombea hubadilishwa kwa nasibu kati ya wasifu wa kudhaniwa na kupima jinsi maamuzi ya watathmini yanavyoitikia mabadiliko hayo. Utafiti huu unachunguza jinsi ukosefu wa usawa katika upangaji wa mishahara unaweza kujitokeza katika mazingira mawili tofauti ya kufanya maamuzi: ofa za mshahara zinazotolewa kwa wagombea wa kudhaniwa na wataalamu wa uajiri nchini Italia, na matumizi ya kideterministi ya kanuni wazi za mshahara zilizopatikana mara moja kutoka ChatGPT na DeepSeek kwa wagombea sintetiki. Katika jaribio la binadamu, hakuna ushahidi wa kitakwimu kwamba wagombea wanawake walipewa moja kwa moja mishahara ya chini, ilhali kanuni mbili za LLM zilizopatikana kwa mara moja zinajumuisha marekebisho wazi ya mshahara kwa jinsia, utaifa, hali ya kuwa mzazi na baadhi ya mwingiliano wake. Hata hivyo, tafiti hizi mbili si sawa: utafiti wa kwanza unachunguza tathmini za majaribio za binadamu, huku wa pili ukichunguza matokeo ya kimitambo ya mgawanyo wa mifumo miwili ya kanuni inayotegemea prompt maalum.

Katika Utafiti 1, recruiter 1.116 walishiriki katika utafiti, na recruiter 1.094 pamoja na jumla ya ofa 6.420 za mshahara zilitumika kwa uchambuzi wa mishahara. Kila recruiter alitathmini wasifu sita wa wagombea wa kudhaniwa. Jinsia, umri na kiwango cha elimu cha mgombea viligawiwa kwa nasibu kati ya wasifu. Kwa kiashiria cha mgombea mwanamke, mgawo ni β=0,006 na p=0,576; yaani, katika mazingira ya vignette ya majaribio hakuna ushahidi wa tofauti ya moja kwa moja ya mshahara kati ya wagombea wanawake na wanaume. Viashiria vya umri wa 38 na 48 pia si muhimu kitakwimu. Mgawo wa elimu ya chini ni hasi lakini kwa p=0,104 hauvuki viwango vya kawaida vya umuhimu wa kitakwimu.

Kinyume chake, ofa za mshahara hutofautiana sana kati ya recruiter. Kiashiria cha recruiter mwanamke kwa wasifu rejea wa mgombea ni β=-0,142 na p=0,009; mwingiliano wa elimu ya chini × recruiter mwanamke ni β=0,035 na p=0,049. Kwa sababu jinsia ya recruiter haikugawiwa kwa nasibu, matokeo haya si athari ya kisababishi ya kuwa recruiter mwanamke. Aidha, mgawo wa recruiter mwanamke hauwezi kusomwa kama tofauti ya jumla ya mshahara kwa wasifu wote wa wagombea; kwa sababu ya mwingiliano wa elimu, matokeo yanategemea mgombea rejea na masharti ya modeli.

Katika Utafiti 2, ChatGPT na DeepSeek ziliombwa kila moja mara moja kuzalisha kanuni ya tathmini ya mshahara, na uzani uliopatikana ulitumika bila kubadilishwa. Kutokana na michanganyiko yote inayoruhusiwa ya sifa kama elimu, uzoefu, kazi, jinsia, umri, hali ya kuwa mzazi, utaifa, eneo la kuzaliwa na kama elimu ilipatikana nchini Italia, wasifu sintetiki 5.760 uliundwa. Kila wasifu ulianza na mshahara msingi wa kila mwezi wa 1.500 € neti na ukawekewa kanuni ileile ya kideterministi.

Kanuni zilizopatikana kutoka kwa LLM zote mbili zinajumuisha marekebisho ya -200 € kwa mgombea mwanamke, -300 € kwa mgombea wa kigeni, -150 € zaidi kwa mwanamke × kuwa mzazi, na -100 € zaidi kwa mwanamke × mgeni. Kinyume chake, kuna nyongeza chanya kwa elimu ya juu, uzoefu na kazi za ngazi ya juu. ChatGPT na DeepSeek hutofautiana hasa kuhusu elimu ya chini na umri: ChatGPT hutoa +200 € kwa elimu ya chini na +150 € kwa umri wa 48, huku DeepSeek ikitoa -100 € kwa elimu ya chini na -50 € kwa umri wa 48.

Hitimisho kuu la kisera la utafiti ni kwamba uwazi na kanuni ya uamuzi ya kideterministi pekee havimaanishi kutokuwa na upendeleo katika mgawanyo. Kanuni inaweza kuonekana kikamilifu, kufuatiliwa na kutoa pato lilelile kila mara kwa ingizo lilelile; hata hivyo, uzani uliowekwa kwa sifa unaweza kuunda tofauti za mishahara za kimfumo kati ya makundi fulani. Kwa upande mwingine, utafiti hauthibitishi kwamba ChatGPT au DeepSeek hubagua makundi fulani kwa ujumla na kwa kudumu; unachunguza tu matokeo ya mifumo miwili mahususi ya kanuni za mara moja zinazotegemea prompt.

Tatizo kuu la utafiti

Ukosefu wa usawa wa mishahara huenda usielezwe tu na ujuzi au tija ya mfanyakazi. Tabia ya mtu anayetoa ofa ya mshahara, kanuni za tathmini za taasisi au sheria za uamuzi zilizowekwa wazi au kwa njia isiyo ya moja kwa moja katika algoriti pia zinaweza kufanya wagombea tofauti wapate matokeo tofauti ya kiuchumi.

Utafiti huu unalishughulikia tatizo hili katika viwango viwili tofauti. Katika kiwango cha kwanza, maamuzi ya mshahara ya wataalamu halisi wa uajiri kuhusu wagombea wa kudhaniwa yanachunguzwa. Katika kiwango cha pili, kanuni wazi za mshahara zilizopatikana kwa swali moja kutoka kwa modeli mbili kubwa za lugha zinatumika kimitambo kwa michanganyiko yote ya wagombea sintetiki.

Miundo hii miwili haipimi kitu kilekile. Jaribio la binadamu hujaribu athari ya sifa za mgombea zilizorandomishwa kwenye stated wage offer. Simulizi ya LLM hufuatilia ni tofauti zipi za mshahara ambazo kanuni fulani iliyopatikana kutoka kwenye modeli lazima itoe kati ya makundi gani.

Jaribio la Vignette la Kifaktoria ni Nini na Linapima Nini katika Utafiti Huu?

Jaribio la vignette la kifaktoria hapa ni muundo wa majaribio unaowezesha mabadiliko katika ofa za mshahara za recruiter kuhusishwa moja kwa moja na sifa zilizobadilishwa, kwa kubadilisha kwa nasibu sifa za mgombea kama jinsia, umri na kiwango cha elimu kati ya wasifu; matokeo hayapimi mikataba halisi ya mshahara, bali ofa za mshahara wa kila mwezi neti zilizotajwa kwa wagombea wa kudhaniwa.

Sampuli ya recruiter wa binadamu

Data zilikusanywa nchini Italia kati ya Desemba 2024 na Januari 2025 kupitia paneli ya mtandaoni ya Qualtrics. Paneli inajumuisha recruiter, wataalamu wa rasilimali watu na watu wanaoshiriki moja kwa moja katika maamuzi ya uteuzi wa wafanyakazi au upangaji wa mishahara.

Sampuli iligawanywa kwa tabaka kulingana na ukubwa wa kampuni. Jumla ya recruiter 1.116 walishiriki katika utafiti. Katika uchambuzi, ofa chanya za mshahara wa kila mwezi neti chini ya 10.000 € zilibakizwa na masharti ya complete-case yanayohitajika kwa modeli ya mixed-effects yakatumika. Uchambuzi mkuu wa mwisho unajumuisha recruiter 1.094 na ofa 6.420 za mshahara.

Paneli ya recruiter si sampuli ya kitaifa ya uwezekano. Chanzo kinasema kuwa taarifa ya panel response rate haipatikani na formal attention check haikutumika. Kwa hiyo, matokeo hayapaswi kusomwa kama makadirio ya uwakilishi wa kitaifa wa watu wote wanaoweka mishahara nchini Italia.

Sifa za mgombea zilizorandomishwa

• Jinsia: mwanamke au mwanaume.
• Umri: 28, 38 au 48.
• Elimu: kiwango cha elimu ya chini au ya juu.

Ugawaji wa nasibu wa sifa hizi kwa vignette unaunga mkono utambuzi wa kisababishi ndani ya jaribio kuhusu sifa za mgombea. Jinsia ya recruiter, hata hivyo, ni sifa ya mtu inayochunguzwa na haijarandomishwa.

Modeli ya recruiter wa binadamu

Kwa kuwa kila recruiter anamtathmini zaidi ya mgombea mmoja, uchunguzi si huru; maamuzi sita ya mtu yuleyule yanaweza kufanana. Watafiti walishughulikia muundo huu wa kihierarkia kwa modeli ya linear mixed-effects yenye recruiter-specific random intercept.

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

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

Hapa \(i\) inaonyesha vignette ya mgombea na \(r\) inaonyesha recruiter. Kigezo tegemezi ni logarithimu asilia ya ofa ya mshahara wa kila mwezi neti. \(u_r\) inawakilisha mwelekeo usioonekana wa recruiter wa kuweka mshahara msingi; \(\varepsilon_{ir}\) inawakilisha mabadiliko yaliyobaki mahususi kwa vignette fulani.

Mgombea rejea ni mwanaume mwenye umri wa 28 na elimu ya juu, na recruiter rejea ni recruiter mwanaume. Kwa hiyo, katika modeli zenye mwingiliano, mgawo mmoja mkuu haupaswi kutafsiriwa kama wastani wa jumla kwa wagombea wote au recruiter wote.

Je, Wataalamu wa Uajiri wa Binadamu Waliwapa Wagombea Wanawake Mishahara ya Chini?

Katika jaribio hili la vignette, hapana: mgawo wa mgombea mwanamke ni β=0,006 na p=0,576; yaani, sifa nyingine za majaribio za mgombea zinapowekwa thabiti, hakuna ushahidi wa tofauti ya moja kwa moja na yenye umuhimu wa kitakwimu ya jinsia katika ofa za mshahara zilizotajwa kwa wagombea wanawake na wanaume. Matokeo haya hayamaanishi kwamba hakuna ubaguzi wa kijinsia katika uajiri halisi au mazungumzo halisi ya mishahara.

Vigawo kuu vya Utafiti 1

Utofauti kati ya recruiter

Variansi ya recruiter-specific random intercept ni 0,655 na variansi ya residual ni 0,121. Chanzo kinakokotoa kuwa kiwango cha recruiter kinachangia takriban %84 ya variansi yote ya modeli wakati vipengele hivi viwili vinazingatiwa.

Thamani hii inaonyesha kuwa kuna tofauti kubwa katika mielekeo ya jumla ya recruiter ya kuweka mishahara. Hata hivyo, utafiti hauwezi kubainisha kikamilifu ni sifa zipi za recruiter zinazosababisha utofauti huu. Baadhi ya sifa za recruiter, kama sekta, uzoefu au jukumu ndani ya shirika, zinaweza kuwa na uhusiano na mgawo wa recruiter mwanamke.

Uthabiti kwa udhibiti wa kampuni na sekta

Figure 1 kwenye ukurasa wa 17 inalinganisha vigawo vya modeli msingi na modeli inayoongeza logarithimu ya idadi ya wafanyakazi wa kampuni na athari thabiti za sekta za ATECO. Mgawo wa recruiter mwanamke unapungua kutoka -0,142 hadi -0,121 lakini unabaki muhimu kwa p=0,024. Mwingiliano wa elimu ya chini × recruiter mwanamke unabaki kwa kiasi kikubwa bila kubadilika kwa 0,035 na p=0,049.

Ukubwa wa kampuni una uhusiano chanya na ofa za mshahara kwa β=0,034 na p<0,001. Udhibiti wa ziada uliboresha kwa kiasi muhimu ufaafu wa modeli katika likelihood-ratio test: \(\chi^2(21)=67,84\), p<0,001.

Ujumbe wa kisayansi wa Figure 1 ni kwamba matokeo makuu ya recruiter-gender na education-interaction hayapotei kabisa baada ya kuongeza ukubwa wa kampuni na tofauti za sekta. Grafu haionyeshi kuwa matokeo haya yanaweza kujumlishwa kiotomatiki kwa soko halisi la ajira.

Kwa nini Utafiti 2 ni utafiti tofauti?

Utafiti wa pili hautumii data za kitabia zilizokusanywa kutoka kwa wataalamu wa uajiri. Watafiti waliagiza ChatGPT na DeepSeek kila moja mara moja kutenda kama mfumo wa tathmini ya uajiri kwa soko la ajira la Italia na kutengeneza uzani wazi unaounganisha sifa zinazoweza kuonekana za mgombea na mshahara.

Uzani wa mshahara uliotolewa na modeli ulitumika bila kubadilisha ishara au ukubwa wake. Kwa hiyo, tofauti zote za mishahara katika simulizi zinatokana na seti ya kanuni iliyopatikana, si vigawo vilivyoongezwa baadaye na watafiti.

Hata hivyo, “uwezo wa kurudia simulizi baada ya jibu la modeli kupatikana mara moja” na “kupata kanuni ileile modeli hiyo ikiulizwa tena” ni vitu tofauti. Utafiti unaonyesha la kwanza pekee. Aina ya pili ya uthabiti haikujaribiwa.

Muundo kamili wa kifaktoria wa wasifu sintetiki

Wasifu huu 5.760 si sampuli, bali ni uorodheshaji wa michanganyiko yote inayoruhusiwa. Kwa hiyo, hakuna kutokuwa na uhakika wa kawaida wa usampulishaji katika data sintetiki.

Uzani wa mishahara wa kideterministi uliopatikana kutoka ChatGPT na DeepSeek

Kanuni zote mbili zinatumika kwa namna ya kujumlisha juu ya mshahara msingi wa kila mwezi wa 1.500 € neti.

Ingawa katika majedwali ya chanzo uzani wa moja kwa moja wa mshahara kwa “ana watoto” ni +50 €, safu ya tafsiri ya kiuchumi huiita “parenthood penalty”. Kinyume chake, mwingiliano wa mwanamke × ana watoto wa -150 € unaweza kubadilisha athari ya jumla ya pambizo ya kuwa mzazi kwa mgombea mwanamke kuelekea upande hasi. Verianla haibadilishi kimya kimya kutolingana huku kwa ishara/lebo.

Kwa Nini Kanuni ya Mshahara Iliyo Wazi na ya Kideterministi Bado Inaweza Kuzalisha Ukosefu wa Usawa?

Kwa sababu uwazi hufanya ionekane jinsi uamuzi ulivyozalishwa, lakini hauhakikishi kwamba uzani uliotumika hauna upendeleo wa kimaadili; hata ikiwa kanuni wazi kama -200 € kwa mgombea mwanamke au -300 € kwa mgombea wa kigeni inaweza kurudiwa kikamilifu, kanuni hiyo huzalisha tena kimitambo tofauti ya mshahara kati ya makundi yenye sifa hizo hizo kila inapotekelezwa.

Lengo la utenganishaji wa log-mshahara

Kanuni za LLM zimefafanuliwa kwa namna ya kujumlisha kwa euro. Watafiti walizitenganisha kwa takriban katika muundo wa regresi ya log-mshahara ili kuziweka karibu zaidi kwa maelezo na modeli ya recruiter wa binadamu:

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

\(X_i\) inajumuisha sifa zinazojulikana za mgombea na mwingiliano wake. Katika ufafanuzi wa chanzo, istilahi za \(\gamma\) zinahusishwa na miundo ya sekta, kazi na eneo la kuzaliwa; \(e_i\) ni residual approximation error inayotokana na kuwakilisha kwa takriban kanuni ya kujumlisha kwa euro kwa modeli ya log-linear.

Vigawo hivi si vigezo vya kitabia vilivyokadiriwa kutoka kwa mchakato usiojulikana wa ulimwengu halisi. Kanuni ya kuzalisha data inajulikana tangu mwanzo. Kwa hiyo, katika Utafiti 2, kuripoti standard error na thamani ya p hakuna kazi katika maana ya kutokuwa na uhakika halisi wa usampulishaji.

Muonekano wa log-scale wa kanuni ya ChatGPT

Tofauti kuu na kanuni ya DeepSeek

Kanuni iliyopatikana kutoka DeepSeek inaweka uzani mkubwa kwa elimu ya juu na uzoefu mkubwa, lakini inatofautiana wazi na kanuni ya ChatGPT katika mambo mawili.

La kwanza ni elimu. Kwa kuwa ChatGPT hutumia +200 € kwa elimu ya chini na +600 € kwa elimu ya juu, tofauti ya moja kwa moja kati ya viwango viwili ni 400 €. DeepSeek hutumia -100 € kwa elimu ya chini na +600 € kwa elimu ya juu, hivyo tofauti huongezeka hadi 700 €.

La pili ni umri. ChatGPT hutoa nyongeza ya +150 € kwa umri wa 48, huku DeepSeek ikitoa adhabu ya -50 €. Kwa hivyo, kanuni mbili za LLM za mara moja zinazotumika kwa idadi ileile ya wagombea sintetiki na kwa itifaki ileile ya jumla zinaweza kusimba thamani ya kiuchumi ya umri katika mielekeo inayokinzana.

Katika uwakilishi wa log-mshahara, mgawo wa elimu ya juu ni 0,214 kwa ChatGPT na 0,418 kwa DeepSeek. Vigawo vya mwanamke ni -0,092 na -0,100 mtawalia; vigawo vya utaifa wa kigeni ni -0,151 na -0,170.

Je, Utafiti Huu Unathibitisha Kwamba ChatGPT na DeepSeek Hubagua kwa Ujumla?

Hapana. Kila modeli iliulizwa mara moja tu chini ya prompt, toleo na usanidi maalum; kwa kuwa utafiti haukujaribu maulizo ya kurudia, prompt tofauti, matoleo tofauti au mifumo halisi ya uajiri, matokeo hayawezi kujumlishwa kama sifa thabiti na za jumla za ChatGPT au DeepSeek.

Maana ya usemi “One-shot audit”

“One-shot” hapa ina maana kwamba kanuni ya mshahara ilipatikana kutoka kwa kila modeli katika mwingiliano mmoja tu. Baada ya kanuni iliyopatikana kufungwa, inaweza kutumika kwa wasifu 5.760 kwa njia ya kideterministi na matokeo yanaweza kuzalishwa tena kikamilifu.

Hata hivyo, haikujaribiwa kama prompt ileile ikitolewa tena kwa modeli ileile mara nyingine, uzani uleule utapatikana. Mojawapo ya mapendekezo ya watafiti kwa kazi za baadaye ni hilo hasa: kuuliza kila modeli mara nyingi kwa prompt, matoleo na usanidi mbadala na kupima uthabiti wa kanuni.

Je, upangaji wa mishahara wa binadamu na wa kialgoritmi unaweza kulinganishwa moja kwa moja?

Kwa kiwango kidogo tu. Sifa zinazofanana katika Utafiti 1 na Utafiti 2 ni jinsia, umri na elimu. Kwa sifa hizi tatu, mifumo inaweza kujadiliwa sambamba.

Katika jaribio la binadamu, uzoefu wa kazi, utaifa, hali ya kuwa mzazi, kazi, eneo la kuzaliwa na kama elimu ilipatikana nchini Italia si vipengele vya majaribio. Kwa hiyo, kulinganisha tofauti zinazozalishwa na kanuni za LLM kwa sifa hizi na recruiter wa binadamu si halali kisayansi.

Katika jaribio la binadamu, mgawo wa mgombea mwanamke uko karibu na sifuri na si muhimu, huku kanuni mbili za LLM zikiweka uzani hasi wa moja kwa moja wa mshahara kwa sifa ya mwanamke. Tofauti hii ni muhimu, lakini haitoshi kuhitimisha kwamba “LLM hubagua zaidi kuliko binadamu”; michakato ya kuzalisha data ni tofauti.

Matokeo yanayoungwa mkono na utafiti

• Katika jaribio la vignette hakuna ushahidi wa kitakwimu kwamba wagombea wanawake walipewa moja kwa moja ofa za mshahara wa chini.
• Kuna utofauti mkubwa kati ya recruiter katika mielekeo ya awali ya kuweka mishahara.
• Jinsia ya recruiter inahusishwa na tofauti ya mshahara kwa wasifu rejea wa mgombea; uhusiano huu si wa kisababishi.
• Tofauti ya mshahara inayohusishwa na elimu ya chini hubadilika kulingana na jinsia ya recruiter.
• Kanuni mbili za LLM za mara moja zinaweka uzani wazi wa mshahara kwa jinsia, utaifa, hali ya kuwa mzazi na baadhi ya mwingiliano.
• Kanuni za ChatGPT na DeepSeek huzalisha miundo tofauti ya mishahara kuhusu elimu na umri licha ya kutumika kwa idadi ileile ya sintetiki.
• Kanuni zilizo wazi na za kideterministi kikamilifu si lazima ziwe zisizo na upendeleo wa mgawanyo.
• Ukaguzi wa kialgoritmi unapaswa kuchunguza si tu uelezekaji wa kanuni, bali pia matokeo ya mgawanyo inayozalisha katika makundi tofauti ya wagombea.

Matokeo ambayo utafiti hauungi mkono

• Haiwezi kuhitimishwa kwamba hakuna ubaguzi wa mishahara dhidi ya wanawake katika soko halisi la ajira la Italia.
• Haiwezi kusemwa kisababishi kwamba recruiter wanawake kwa ujumla hutoa mishahara ya chini kuliko recruiter wanaume.
• Haiwezi kusemwa kuwa kuna adhabu ya kudumu kwa mwanamke au mgeni katika matoleo yote na prompt zote za ChatGPT au DeepSeek.
• Utafiti 2 hauchunguzi mfumo wa uajiri wa kampuni halisi katika mazingira ya uzalishaji.
• Vigawo vya LLM vya kideterministi haviwezi kuchukuliwa kuwa makadirio ya ulimwengu halisi yenye thamani ya p au kutokuwa na uhakika wa usampulishaji.
• Utafiti hauthibitishi kwamba LLM hubagua zaidi au ni za haki zaidi kuliko recruiter wa binadamu.
• Ulinganisho wa binadamu–LLM hauwezi kufanywa kwa utaifa, hali ya kuwa mzazi, uzoefu wa kazi au eneo; sifa hizi hazikubadilishwa kwa njia ileile katika jaribio la binadamu.
• Kuwa kanuni inaelezeka hakumaanishi pekee yake kuwa ni ya haki kisheria, kimaadili au kwa upande wa mgawanyo.

Mbinu na Matokeo ya Utafiti

Tofauti ya kimetodolojia kati ya tafiti mbili

Uhalali wa nje katika Utafiti 1

Muundo wa vignette ni imara kwa uhalali wa ndani; randomization hutenga athari ya tofauti za sifa za mgombea kwenye ofa ya mshahara. Hata hivyo, michakato kama mahojiano halisi ya kazi, mazungumzo, mkataba wa ajira au sera ya ndani ya mishahara ya kampuni haipo katika mazingira ya vignette.

Aidha, sampuli inatoka kwenye paneli ya mtandaoni. Panel response rate haipatikani katika chanzo na attention check haikufanywa. Kwa hiyo, matokeo si makadirio ya idadi yote ya recruiter wa Italia yanayotegemea usampulishaji wa uwezekano.

Uzalishaji upya katika Utafiti 2

Baada ya uzani wa kanuni kuwekwa, simulizi inaweza kuzalishwa tena kwa nguvu. Katika muundo kamili wa kifaktoria hakuna seed au jenereta ya namba nasibu inayotumika. Wasifu 5.760 uleule ukipewa uzani uleule, mishahara ileile itapatikana.

Kinyume chake, hatua ya kupata kanuni kutoka kwa modeli haikujaribiwa kwa upande wa uzalishaji upya. Haijulikani kama modeli ileile itatoa vigawo vilevile katika swali la pili.

Maelezo ya uthabiti wa kiufundi ndani ya chanzo

Katika maelezo ya mbinu ya chanzo, istilahi za sekta, kazi na eneo zimetajwa pamoja kwa simulizi; hata hivyo, hakuna kigezo tofauti cha sekta katika orodha ya sifa kamili za kifaktoria za mgombea. ChatGPT Table 4 inatoa random effects kama occupation na region, huku DeepSeek Table 6 ikionyesha sector, occupation na region random intercepts. Kwa kuwa tofauti hii haijatatuliwa katika chanzo, hapa pia haijawasilishwa kana kwamba kuna modeli moja iliyoharmonishwa.

Aidha, katika Table 3 na Table 5, marekebisho ya moja kwa moja ya mshahara kwa kuwa na watoto ni +50 €, lakini lebo ya tafsiri ya kiuchumi ni “parenthood penalty”. Jina hili haliendani kikamilifu na ishara. Mwingiliano wa mwanamke × kuwa mzazi ni -150 €, kwa hiyo kuna tofauti ya ziada hasi iliyo wazi kwa wazazi wanawake.

Data na msimbo

Data za recruiter za Utafiti 1 zinaweza kupatikana kutoka kwa corresponding author kwa ombi la msingi, chini ya masharti ya faragha ya washiriki.

Idadi sintetiki ya Utafiti 2 inaweza kuzalishwa tena kutoka kwa uzani katika Table 3 na Table 5 pamoja na muundo wa full-factorial uliofafanuliwa katika Section 3.2. Kwa hiyo, seti mbili za kanuni zilizopatikana na mtafiti zinapofungwa, mchakato wa kuzalisha data za simulizi unakuwa wa kufuatiliwa kikamilifu.

Mbinu ya kimaadili

Katika Utafiti 1 washiriki ni wataalamu watu wazima. Mwanzoni mwa utafiti, muda unaokadiriwa na ukweli kwamba data itashughulikiwa kwa namna isiyotambulisha/mfichoni ulielezwa, na ushiriki uliendelea tu kwa wale waliokubali.

Chanzo kinasema wazi kwamba formal ethics committee approval haikupatikana. Waandishi wanaeleza sababu kuwa utafiti ulikuwa utafiti wa vignette wa mtandaoni, usiotambulisha na usio wa kuingilia, na washiriki walitathmini tu wasifu wa wagombea wa kudhaniwa.

Nguvu za utafiti

• Kutenganisha njia tofauti ambazo ukosefu wa usawa unaweza kutokea katika maamuzi ya binadamu na kanuni wazi za kialgoritmi ndani ya utafiti mmoja.
• Kurandomisha jinsia, umri na elimu ya mgombea katika jaribio la binadamu.
• Kutumia modeli ya mixed-effects kwa vipimo vinavyojirudia kutoka kwa recruiter yuleyule.
• Kufanya utofauti wa kiwango cha recruiter uonekane.
• Kutumia uchambuzi wa uthabiti kwa matokeo makuu ya binadamu kwa udhibiti wa ukubwa wa kampuni na sekta.
• Kuchapisha wazi uzani wa kanuni za LLM.
• Kuchunguza matokeo ya kanuni katika michanganyiko yote inayoruhusiwa kupitia enumerization kamili ya kifaktoria ya wasifu 5.760.
• Kutowasilisha simulizi ya LLM kama ubaguzi wa soko halisi au tabia ya jumla ya modeli.
• Kuonyesha tofauti ya dhana kati ya uwazi na haki kwa kutumia kanuni halisi ya mshahara.

Vikwazo vikuu

• Paneli ya recruiter wa binadamu si sampuli ya uwezekano inayowakilisha taifa.
• Panel response rate haipatikani katika chanzo.
• Formal attention check haikufanywa.
• Stated wage offer si mkataba halisi wa mshahara.
• Jinsia ya recruiter haikurandomishwa na mgawo wake hauwezi kutafsiriwa kisababishi.
• Kanuni ya LLM ilipatikana mara moja tu kutoka kwa kila modeli.
• Unyeti kwa prompt mbadala, toleo la modeli na usanidi haukujaribiwa.
• Ni LLM mbili tu za madhumuni ya jumla zilizochunguzwa.
• LLM hazikuendeshwa katika mfumo halisi wa uajiri.
• Kwa kuwa Utafiti 1 na Utafiti 2 zina seti tofauti za sifa, ulinganisho wa moja kwa moja umewekewa kikomo kwa jinsia, umri na elimu.
• Vigawo vya LLM si makadirio ya data halisi, bali ni utenganishaji wa maelezo wa log-scale wa kanuni zinazojulikana mapema.
• Matumizi ya istilahi ya sekta katika spesifikeshini ya simulizi ya chanzo hayako thabiti kikamilifu.

Tafsiri ya jumla iliyo salama zaidi kisayansi

Utafiti huu unaonyesha kuwa ukosefu wa usawa wa mishahara katika mifumo ya tathmini ya binadamu na ya kialgoritmi si lazima utokane na utaratibu mmoja. Katika jaribio la recruiter wa binadamu, sifa inayojitokeza zaidi si tofauti ya moja kwa moja inayohusishwa na jinsia ya mgombea, bali utofauti mkubwa wa maamuzi kati ya recruiter.

Katika kanuni zilizopatikana mara moja kutoka kwa LLM mbili, tofauti haitokani na tabia ya nasibu ya binadamu katika mchakato wa tathmini, bali na uzani ulioandikwa wazi ndani ya kanuni. Ikiwa kanuni inampa mwanamke, mgeni au mgombea kutoka eneo fulani uzani hasi, wasifu wote wenye sifa hiyo hupokea tofauti hii kwa njia ya kideterministi.

Kwa hiyo, ujumbe mpana zaidi wa kisayansi wa utafiti si “binadamu ndiye mwenye haki zaidi au algoriti?” Swali sahihi zaidi ni: mfumo wa uamuzi unaipa sifa zipi uzani gani, uzani huo huzalisha matokeo gani ya mgawanyo katika makundi gani, na matokeo hayo yanapimwa katika kiwango gani cha ushahidi.

Maelezo ya Chanzo na Mbinu

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

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

Corresponding/contact author: Rekodi ya SSRN inamtaja Maria Gabriella Campolo kama Contact Author.

Uhusiano wa taasisi: Kwa mujibu wa rekodi ya SSRN, 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.

Maelezo ya kibibliografia: Ukurasa wa kwanza unaoonekana wa PDF iliyopakiwa hauna taarifa za mwandishi na uhusiano wa taasisi. Utambulisho wa waandishi na taasisi hapo juu umethibitishwa kutoka metadata rasmi ya rekodi ya SSRN.

Jukwaa: SSRN.

Namba ya rekodi ya SSRN: 7566539.

DOI: 10.2139/ssrn.7566539.

Tarehe ya kupakiwa SSRN: 5 Oktoba 2026.

Idadi ya kurasa: 38.

Aina ya chanzo: Utafiti wa preprint wa sehemu mbili: jaribio la vignette la kifaktoria + ukaguzi wa mara moja, unaotegemea prompt, wa kanuni ya mshahara ya kideterministi ya LLM.

Hali ya mapitio ya wenzao: Haijapitia mapitio ya wenzao. PDF inaeleza hili wazi katika kila ukurasa.

Mbinu kuu ya Utafiti 1: Paneli ya Qualtrics nchini Italia katika kipindi cha Desemba 2024-Januari 2025; recruiter wa kitaalamu waliotathmini wasifu sita wa wagombea; randomization ya jinsia, umri na kiwango cha elimu cha mgombea; modeli ya linear mixed-effects yenye recruiter-specific random intercept.

Sampuli ya uchambuzi ya Utafiti 1: Recruiter 1.094 na ofa 6.420 za mshahara. Ofa chanya za mshahara wa kila mwezi neti chini ya 10.000 € zilitumika.

Mbinu kuu ya Utafiti 2: Kupata mara moja kanuni ya tathmini ya mshahara kutoka kwa LLM mbili za madhumuni ya jumla zilizotajwa katika chanzo kama ChatGPT/GPT-4 na DeepSeek-V3; kutumia uzani bila kuubadilisha; wasifu sintetiki kamili wa kifaktoria 5.760; mshahara msingi wa kila mwezi neti wa 1.500 €.

Matokeo kuu ya binadamu: Mgawo wa moja kwa moja wa mshahara kwa mgombea mwanamke si muhimu; kuna utofauti mkubwa wa mshahara msingi kati ya recruiter na kuna tofauti za masharti zinazohusiana na mwingiliano wa jinsia ya recruiter na elimu.

Matokeo kuu ya LLM: Kanuni mbili za kideterministi zinazotegemea prompt huzalisha tofauti za kimitambo za mshahara kulingana na jinsia, utaifa, hali ya kuwa mzazi na mwingiliano wake pamoja na sifa za mtaji wa binadamu.

Kikomo kikuu cha kimetodolojia: Kanuni za LLM zilipatikana mara moja tu kutoka kwa kila modeli na hazijathibitishwa kwa maulizo ya kurudia, prompt mbadala, matoleo tofauti au mazingira halisi ya uajiri.

Upatikanaji wa data: Data za Utafiti 1 zinaweza kupatikana kutoka kwa corresponding author kwa ombi la msingi chini ya masharti ya faragha ya washiriki. Data sintetiki za Utafiti 2 zinaweza kujengwa upya kutoka kwa uzani uliochapishwa na muundo wa full-factorial.

Maadili: Formal ethics committee approval haikupatikana kwa utafiti wa vignette wa mtandaoni, usiotambulisha na usio wa kuingilia. Washiriki walielezwa kuhusu muda, kutotambulika na usiri na wakaendelea na utafiti baada ya kukubali kushiriki.

Ufadhili: Hakuna tamko tofauti la ufadhili lililotambuliwa katika PDF ya chanzo; kutokana na hilo haijahitimishwa kwamba hakukuwa na ufadhili.

Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi lililotambuliwa katika PDF ya chanzo.

Michango ya waandishi: Hakuna sehemu tofauti ya CRediT/michango ya waandishi iliyotambuliwa katika PDF ya chanzo.

Leseni/hakimiliki: PDF ya chanzo haina Creative Commons wazi au leseni sawa ya matumizi tena, na hakuna leseni wazi iliyothibitishwa katika mwonekano wa kibibliografia wa SSRN uliopatikana. Kwa hiyo, matumizi tena yalitathminiwa kwa kanuni ya fail-closed; maudhui ya Verianla yaliandaliwa bila kunakili sentensi asilia, muundo wa jedwali au Figure 1.

Maelezo ya mbinu ndani ya chanzo: Matumizi ya kigezo cha sekta katika spesifikeshini ya simulizi hayako thabiti kikamilifu kati ya sehemu na majedwali; aidha, kuipa uzani wa moja kwa moja wa +50 € wa parenthood lebo ya “parenthood penalty” kunaleta utata kati ya ishara na maelezo. Hoja hizi hazijasahihishwa kimya kimya.