Озмоиши фактории винеткавӣ тарҳи таҷрибавии таҳқиқот аст, ки дар он хусусиятҳои номзад байни профилҳои фарзиявӣ ба таври тасодуфӣ тағйир дода мешаванд ва чен карда мешавад, ки қарорҳои арзёбандагон ба ин тағйирот чӣ гуна вокуниш нишон медиҳанд. Ин таҳқиқот меомӯзад, ки нобаробарӣ дар таъйини музди меҳнат дар ду муҳити гуногуни қароргирӣ чӣ гуна пайдо шуда метавонад: пешниҳодҳои музди меҳнати мутахассисони касбии ҷалби кадрҳо дар Италия ба номзадҳои фарзиявӣ ва татбиқи детерминистии қоидаҳои ошкори музди меҳнат, ки аз ChatGPT ва DeepSeek ҳар кадом як бор гирифта шудаанд, ба номзадҳои синтетикӣ. Дар таҷрибаи инсонӣ далели оморӣ барои он ки ба номзадҳои зан мустақиман музди камтар дода шудааст, ёфт нашуд, дар ҳоле ки ду қоидаи якдафъаинаи LLM барои ҷинс, миллат, волидайн будан ва баъзе таъсирҳои мутақобилаи онҳо ислоҳҳои ошкори музди меҳнатро дар бар мегиранд. Бо вуҷуди ин, ду таҳқиқот ҳамарзиш нестанд: таҳқиқоти аввал арзёбиҳои таҷрибавии инсонро, таҳқиқоти дуюм бошад натиҷаҳои механикии тақсимотии ду низоми қоидаеро, ки ба promptҳои мушаххас вобастаанд, меомӯзад.

Дар Таҳқиқоти 1, 1.116 recruiter дар пурсиш иштирок карданд; барои таҳлили музди меҳнат 1.094 recruiter ва дар маҷмӯъ 6.420 пешниҳоди музди меҳнат истифода шуд. Ҳар recruiter шаш профили фарзиявии номзадро арзёбӣ кард. Ҷинс, синну сол ва сатҳи таҳсили номзад байни профилҳо ба таври тасодуфӣ таъйин шуданд. Барои нишондиҳандаи номзади зан коэффисиент β=0,006 ва p=0,576 мебошад; яъне дар муҳити таҷрибавии винетка далеле барои фарқи мустақими музди меҳнат байни номзадҳои зан ва мард вуҷуд надорад. Нишондиҳандаҳои синни 38 ва 48 низ аҳамиятнок нестанд. Коэффисиенти таҳсили паст манфӣ аст, аммо бо p=0,104 аз ҳадҳои анъанавии аҳамиятнокӣ намегузарад.

Баръакс, пешниҳодҳои музди меҳнат байни recruiterҳо ба таври назаррас фарқ мекунанд. Нишондиҳандаи recruiter-и зан барои профили истинодии номзад β=-0,142 ва p=0,009 аст; таъсири мутақобилаи таҳсили паст × recruiter-и зан β=0,035 ва p=0,049 мебошад. Азбаски ҷинси recruiter ба таври тасодуфӣ таъйин нашудааст, ин натиҷаҳо таъсири сабабии recruiter-и зан буданро нишон намедиҳанд. Илова бар ин, коэффисиенти recruiter-и занро наметавон ҳамчун фарқи умумии музди меҳнат барои ҳамаи профилҳои номзад хондан; бинобар таъсири мутақобилаи таҳсил, натиҷа ба номзади истинодӣ ва шартҳои модел вобаста аст.

Дар Таҳқиқоти 2 аз ChatGPT ва DeepSeek ҳар кадом як бор қоидаи арзёбии музди меҳнат тавлид карда шуд ва вазнҳои бадастомада бидуни тағйир истифода шуданд. Аз ҳамаи таркибҳои иҷозатдодашудаи хусусиятҳое чун таҳсил, таҷриба, касб, ҷинс, синну сол, волидайн будан, миллат, минтақаи таваллуд ва дар Италия гирифтани таҳсил 5.760 профили синтетикӣ сохта шуд. Ҳар профил аз музди асосии софи моҳонаи 1.500 € оғоз карда, ба ҳамон қоидаи детерминистӣ татбиқ шуд.

Қоидае, ки аз ҳар ду LLM гирифта шудааст, барои номзади зан -200 €, барои номзади хориҷӣ -300 €, барои зан × волидайн будан иловатан -150 € ва барои зан × хориҷӣ иловатан -100 € ислоҳро дар бар мегирад. Баръакс, барои таҳсили баланд, таҷриба ва касбҳои сатҳи боло мукофотҳои мусбат мавҷуданд. ChatGPT ва DeepSeek махсусан дар масъалаи таҳсили паст ва синну сол фарқ мекунанд: ChatGPT барои таҳсили паст +200 € ва барои синни 48 +150 € медиҳад, дар ҳоле ки DeepSeek барои таҳсили паст -100 € ва барои синни 48 -50 € медиҳад.

Хулосаи асосии сиёсатии таҳқиқот ин аст, ки шаффофият ва қоидаи детерминистии қарор худ аз худ бетарафии тақсимотиро маъно намедиҳанд. Қоида метавонад комилан намоён, пайгиришаванда бошад ва барои як вуруд ҳар дафъа як натиҷа диҳад; бо вуҷуди ин, вазнҳое, ки ба хусусиятҳо дода шудаанд, метавонанд байни гурӯҳҳои муайян фарқҳои низомманди музди меҳнат эҷод кунанд. Дар айни замон, таҳқиқот исбот намекунад, ки ChatGPT ё DeepSeek ба гурӯҳҳои муайян ба таври умумӣ ва доимӣ табъиз мекунанд; он танҳо натиҷаҳои ду низоми мушаххаси қоидаҳои якдафъаина ва вобаста ба promptро меомӯзад.

Масъалаи асосии таҳқиқот

Нобаробарии музди меҳнатро танҳо бо малака ё ҳосилнокии корманд шарҳ додан мумкин нест. Рафтори шахсе, ки пешниҳоди музди меҳнат медиҳад, меъёрҳои арзёбии ташкилот ё қоидаҳои қароре, ки ба алгоритм ба таври ошкор ё ғайримустақим ворид шудаанд, низ метавонанд боис шаванд, ки номзадҳои гуногун натиҷаҳои иқтисодии гуногун гиранд.

Ин таҳқиқот масъаларо дар ду сатҳи ҷудогона баррасӣ мекунад. Дар сатҳи аввал қарорҳои музди меҳнати мутахассисони воқеии ҷалби кадрҳо дар бораи номзадҳои фарзиявӣ омӯхта мешаванд. Дар сатҳи дуюм қоидаҳои ошкори музди меҳнат, ки аз ду модели бузурги забонӣ бо як дархост гирифта шудаанд, ба ҳамаи таркибҳои номзадҳои синтетикӣ ба таври механикӣ татбиқ мешаванд.

Ин ду тарҳ як чизро чен намекунанд. Таҷрибаи инсонӣ таъсири хусусиятҳои рандомизатсияшудаи номзадро ба stated wage offer месанҷад. Симулятсияи LLM бошад пайгирӣ мекунад, ки қоидаи мушаххаси аз модел гирифташуда байни кадом гурӯҳҳо кадом фарқҳои музди меҳнатро ҳатман ба вуҷуд меорад.

Озмоиши Фактории Винеткавӣ Чист ва Дар Ин Таҳқиқот Чиро Месанҷад?

Озмоиши фактории винеткавӣ дар ин ҷо тарҳи таҷрибавиест, ки бо тағйири тасодуфии хусусиятҳои номзад, аз ҷумла ҷинс, синну сол ва сатҳи таҳсил, байни профилҳо имкон медиҳад тағйири пешниҳоди музди меҳнати recruiterҳо мустақиман ба ҳамин хусусиятҳои манипулятсияшуда нисбат дода шавад; натиҷаҳо шартномаҳои воқеии музди меҳнатро не, балки пешниҳодҳои эъломшудаи софи моҳонаи музди меҳнат ба номзадҳои фарзиявиро чен мекунанд.

Намунаи recruiter-ҳои инсон

Маълумот аз декабри 2024 то январи 2025 тавассути панели онлайни Qualtrics дар Италия ҷамъоварӣ шудааст. Панел аз recruiterҳо, мутахассисони захираҳои инсонӣ ва шахсоне иборат аст, ки бевосита дар интихоби кадрҳо ё қарорҳои таъйини музди меҳнат иштирок мекунанд.

Намуна аз рӯйи андозаи ширкат табақабандӣ шудааст. Дар маҷмӯъ 1.116 recruiter дар таҳқиқот иштирок кард. Дар таҳлил пешниҳодҳои мусбати музди меҳнати софи моҳонаи камтар аз 10.000 € нигоҳ дошта шуданд ва шартҳои ҳолати пурра, ки барои модели mixed-effects заруранд, татбиқ гардиданд. Таҳлили асосии ниҳоӣ аз 1.094 recruiter ва 6.420 пешниҳоди музди меҳнат иборат аст.

Панели recruiter намунаи эҳтимолии миллӣ нест. Манбаъ нишон медиҳад, ки маълумоти panel response rate мавҷуд нест ва formal attention check татбиқ нашудааст. Аз ин рӯ, натиҷаҳоро набояд ҳамчун арзёбии миллии намояндагии ҳамаи шахсони таъйинкунандаи музди меҳнат дар Италия хондан.

Хусусиятҳои рандомизатсияшудаи номзад

• Ҷинс: зан ё мард.
• Синну сол: 28, 38 ё 48.
• Таҳсил: сатҳи таҳсили паст ё баланд.

Тақсимоти тасодуфии ин хусусиятҳо ба винеткаҳо муайянкунии сабабиро дар дохили таҷриба аз рӯйи хусусиятҳои номзад дастгирӣ мекунад. Ҷинси recruiter бошад хусусияти мушоҳидашавандаи шахсӣ аст ва рандомизатсия нашудааст.

Модели recruiter-и инсон

Азбаски ҳар recruiter зиёда аз як номзадро арзёбӣ мекунад, мушоҳидаҳо мустақил нестанд; шаш қарори як шахс метавонанд ба ҳам монанд бошанд. Муҳаққиқон ин сохтори иерархиро бо модели хаттии mixed-effects, ки recruiter-specific random intercept дорад, ба ҳисоб гирифтаанд.

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

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

Дар ин ҷо \(i\) винеткаи номзадро ва \(r\) recruiter-ро нишон медиҳад. Тағйирёбандаи вобаста логарифми табиии пешниҳоди софи моҳонаи музди меҳнат аст. \(u_r\) тамоюли мушоҳиданашудаи recruiter-махсуси таъйини музди асосиро; \(\varepsilon_{ir}\) бошад тағйири боқимондаи хоси винеткаи муайянро ифода мекунад.

Номзади истинодӣ марди 28-сола бо таҳсили баланд аст ва recruiter-и истинодӣ recruiter-и мард мебошад. Аз ин рӯ, дар моделҳое, ки таъсири мутақобила доранд, як коэффисиенти асосиро набояд ҳамчун миёнаи умумӣ барои ҳамаи номзадҳо ё ҳамаи recruiterҳо шарҳ дод.

Оё Мутахассисони Инсонии Ҷалби Кадрҳо Ба Номзадҳои Зан Музди Камтар Пешниҳод Карданд?

Дар ин озмоиши винеткавӣ не: коэффисиенти номзади зан β=0,006 ва p=0,576 аст; яъне ҳангоми собит нигоҳ доштани дигар хусусиятҳои таҷрибавии номзад, далеле барои фарқи мустақим ва аз ҷиҳати оморӣ аҳамиятноки ҷинсӣ байни пешниҳодҳои эъломшудаи музди меҳнат ба номзадҳои зан ва мард пайдо нашуд. Ин натиҷа маънои онро надорад, ки дар ҷалби воқеӣ ва музокироти воқеии маош табъизи ҷинсӣ вуҷуд надорад.

Коэффисиентҳои асосии Таҳқиқоти 1

Гетерогении байни recruiterҳо

Дисперсияи recruiter-specific random intercept 0,655 ва дисперсияи residual 0,121 мебошад. Манбаъ ҳисоб мекунад, ки бо назардошти ин ду ҷузъ сатҳи recruiter тақрибан %84-и дисперсияи умумии моделро ташкил медиҳад.

Ин арзиш нишон медиҳад, ки дар тамоюлҳои умумии таъйини музди меҳнати recruiterҳо фарқҳои назаррас мавҷуданд. Аммо таҳқиқот пурра муайян карда наметавонад, ки ин гетерогенӣ аз кадом хусусиятҳои recruiter сарчашма мегирад. Баъзе хусусиятҳои recruiter, ба монанди бахш, собиқа ё нақш дар дохили ташкилот, метавонанд бо коэффисиенти recruiter-и зан ҳамбастагӣ дошта бошанд.

Устуворӣ бо назорати ширкат ва бахш

Figure 1 дар саҳифаи 17 коэффисиентҳои модели асосиро бо моделе муқоиса мекунад, ки логарифми шумораи кормандони ширкат ва таъсирҳои собити бахши ATECO-ро илова мекунад. Коэффисиенти recruiter-и зан аз -0,142 ба -0,121 коҳиш меёбад, аммо бо p=0,024 аҳамиятнок мемонад. Таъсири мутақобилаи таҳсили паст × recruiter-и зан бо 0,035 ва p=0,049 асосан тағйир намеёбад.

Андозаи ширкат бо β=0,034 ва p<0,001 бо пешниҳодҳои музди меҳнат робитаи мусбат дорад. Назоратҳои иловагӣ дар likelihood-ratio test мутобиқати моделро ба таври аҳамиятнок беҳтар карданд: \(\chi^2(21)=67,84\), p<0,001.

Паёми илмии Figure 1 ин аст, ки натиҷаҳои асосии recruiter-gender ва education-interaction ҳангоми илова шудани андозаи ширкат ва фарқҳои бахш комилан аз байн намераванд. График нишон намедиҳад, ки ин натиҷаҳоро ба бозори воқеии меҳнат ба таври автоматӣ умумӣ кардан мумкин аст.

Чаро Таҳқиқоти 2 таҳқиқоти дигар аст?

Таҳқиқоти дуюм аз маълумоти рафторие, ки аз мутахассисони ҷалби кадрҳо ҷамъ оварда шудааст, истифода намекунад. Муҳаққиқон ба ChatGPT ва DeepSeek ҳар кадом як бор дастур доданд, ки ҳамчун низоми арзёбии ҷалби кадрҳо барои бозори меҳнати Италия амал карда, вазнҳои ошкореро тавлид кунанд, ки хусусиятҳои мушоҳидашавандаи номзадро ба музди меҳнат мепайванданд.

Вазнҳои музди меҳнате, ки моделҳо доданд, бидуни тағйири аломат ё бузургияшон татбиқ шуданд. Аз ин рӯ, ҳамаи фарқҳои музди меҳнат дар симулятсия аз маҷмӯи қоидаҳои гирифташуда сарчашма мегиранд, на аз коэффисиентҳое, ки муҳаққиқон баъдтар илова кардаанд.

Аммо “такроршавии симулятсия пас аз як бор гирифтани ҷавоби модел” ва “тавлиди ҳамон қоида ҳангоми аз нав пурсидани ҳамон модел” ду чизи гуногунанд. Таҳқиқот танҳо якумро нишон медиҳад. Навъи дуюми устуворӣ санҷида нашудааст.

Тарҳи пурраи фактории профилҳои синтетикӣ

Ин 5.760 профил намуна нест, балки рӯйхати ҳамаи таркибҳои иҷозатдодашуда мебошад. Аз ин рӯ, дар маълумоти синтетикӣ номуайянии классикии интихоб вуҷуд надорад.

Вазнҳои детерминистии музди меҳнат аз ChatGPT ва DeepSeek

Ҳар ду қоида аз музди асосии софи моҳонаи 1.500 € оғоз карда, ба таври ҷамъшаванда татбиқ мешаванд.

Дар ҷадвалҳои манбаъ, бо вуҷуди он ки вазни мустақими музди меҳнат барои “фарзанддор” +50 € аст, сутуни тафсири иқтисодӣ онро “parenthood penalty” меномад. Баръакс, таъсири мутақобилаи зан × фарзанддор -150 € аст, ки метавонад таъсири умумии маржиналии волидайн буданро барои номзади зан ба самти манфӣ тағйир диҳад. Verianla ин номувофиқии аломат/тамғаро хомӯшона аз нав номгузорӣ намекунад.

Чаро Қоидаи Шаффоф ва Детерминистии Музди Меҳнат Бо вуҷуди Ин Метавонад Нобаробарӣ Эҷод Кунад?

Зеро шаффофият тарзи тавлиди қарорро намоён мекунад, аммо кафолат намедиҳад, ки вазнҳои истифодашуда аз ҷиҳати меъёрӣ бетарафанд; ҳатто агар қоидаи ошкоре чун -200 € барои номзади зан ё -300 € барои номзади хориҷӣ комилан такроршаванда бошад, он дар ҳар татбиқ фарқи музди меҳнатро байни гурӯҳҳое, ки ҳамин хусусиятҳоро доранд, ба таври механикӣ дубора эҷод мекунад.

Ҳадафи таҷзияи лог-музди меҳнат

Қоидаҳои LLM бо евро ба таври ҷамъшаванда муайян шудаанд. Муҳаққиқон онҳоро барои муқоисаи тавсифии осонтар бо модели recruiter-и инсон тақрибан дар шакли регрессияи лог-музди меҳнат таҷзия карданд:

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

\(X_i\) хусусиятҳои маълуми номзад ва таъсирҳои мутақобилаи онҳоро дар бар мегирад. Дар таърифи манбаъ, истилоҳҳои \(\gamma\) бо сохторҳои бахш, касб ва минтақаи таваллуд алоқаманд карда мешаванд; \(e_i\) бошад residual approximation error аст, ки аз тақрибан ифода кардани қоидаи ҷамъшавандаи евроӣ бо модели лог-хаттӣ ба вуҷуд меояд.

Ин коэффисиентҳо параметрҳои рафторие нестанд, ки аз раванди номаълуми воқеии ҷаҳон баҳогузорӣ шуда бошанд. Қоидаи тавлиди маълумот аз аввал маълум аст. Аз ин рӯ, дар Таҳқиқоти 2 гузориши хатои стандартӣ ва арзиши p дар маънои номуайянии воқеии интихоб вазифае надорад.

Намуди лог-миқёсии қоидаи ChatGPT

Фарқҳои асосӣ бо қоидаи DeepSeek

Қоидаи аз DeepSeek гирифташуда ба таҳсили баланд ва таҷрибаи баланд вазни зиёд медиҳад, аммо дар ду нуқта аз қоидаи ChatGPT ба таври равшан фарқ мекунад.

Якум, таҳсил аст. Азбаски ChatGPT барои таҳсили паст +200 € ва барои таҳсили баланд +600 € истифода мебарад, фарқи мустақим байни ду сатҳ 400 € аст. DeepSeek барои таҳсили паст -100 € ва барои таҳсили баланд +600 € истифода мебарад, бинобар ин фарқ ба 700 € мерасад.

Дуюм, синну сол аст. ChatGPT барои синни 48 +150 € мукофот медиҳад, дар ҳоле ки DeepSeek -50 € ҷарима медиҳад. Ҳамин тавр, ду қоидаи якдафъаинаи LLM, ки ба ҳамон аҳолии синтетикии номзадҳо ва ҳамон протоколи умумӣ татбиқ мешаванд, метавонанд арзиши иқтисодии синну солро ба самтҳои муқобил кодгузорӣ кунанд.

Дар ифодаи лог-музди меҳнат, коэффисиенти таҳсили баланд дар ChatGPT 0,214 ва дар DeepSeek 0,418 аст. Коэффисиентҳои зан мутаносибан -0,092 ва -0,100; коэффисиентҳои миллати хориҷӣ -0,151 ва -0,170 мебошанд.

Оё Ин Таҳқиқот Исбот Мекунад, Ки ChatGPT ва DeepSeek Умуман Табъизгар Ҳастанд?

Не. Ҳар модел танҳо як бор ва зери prompt, версия ва конфигуратсияи мушаххас пурсида шудааст; азбаски таҳқиқот пурсишҳои такрорӣ, promptҳои гуногун, версияҳои дигар ё низомҳои воқеии ҷалби кадрҳоро насанҷидааст, натиҷаҳоро наметавон ҳамчун хусусиятҳои устувор ва умумимоделии ChatGPT ё DeepSeek умумӣ кард.

Ибораи “One-shot audit” чӣ маъно дорад?

“One-shot” дар ин ҷо маънои онро дорад, ки қоидаи музди меҳнат аз ҳар модел танҳо дар як ҳамкорӣ гирифта шудааст. Пас аз собит кардани қоидаи гирифташуда, онро метавон ба 5.760 профил ба таври детерминистӣ татбиқ кард ва натиҷаро пурра дубора тавлид намуд.

Аммо санҷида нашудааст, ки агар ҳамон prompt дафъаи дигар ба ҳамон модел дода шавад, ҳамон вазнҳо ҳосил мешаванд ё не. Яке аз пешниҳодҳои муҳаққиқон барои таҳқиқоти оянда маҳз ҳамин аст: ҳар моделро чандин бор бо promptҳо, версияҳо ва конфигуратсияҳои алтернативӣ пурсидан ва устувории қоидаро чен кардан.

Оё таъйини музди меҳнати инсонӣ ва алгоритмиро мустақим муқоиса кардан мумкин аст?

Танҳо ба андозаи маҳдуд. Хусусиятҳои умумӣ дар Таҳқиқоти 1 ва Таҳқиқоти 2 ҷинс, синну сол ва таҳсил мебошанд. Барои ин се хусусият намунаҳоро метавон паҳлу ба паҳлу баррасӣ кард.

Дар таҷрибаи инсонӣ таҷрибаи корӣ, миллат, волидайн будан, касб, минтақаи таваллуд ва дар Италия гирифтани таҳсил омилҳои таҷрибавӣ нестанд. Аз ин рӯ, муқоисаи фарқҳое, ки қоидаҳои LLM барои ин хусусиятҳо эҷод мекунанд, бо recruiterҳои инсон аз ҷиҳати илмӣ дуруст нест.

Дар таҷрибаи инсонӣ коэффисиенти номзади зан тақрибан сифр ва беаҳамият аст, дар ҳоле ки ҳар ду қоидаи LLM ба хусусияти зан вазни мустақими манфии музди меҳнат медиҳанд. Ин тафовут муҳим аст, аммо барои хулосаи “LLM аз инсон бештар табъизгар аст” кофӣ нест; равандҳои тавлиди маълумот фарқ мекунанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Дар озмоиши винеткавӣ далели оморӣ вуҷуд надорад, ки ба номзадҳои зан мустақиман музди камтар пешниҳод шудааст.
• Дар байни recruiterҳо дар тамоюли ибтидоии таъйини музди меҳнат гетерогении калон мавҷуд аст.
• Ҷинси recruiter бо фарқи музди меҳнат барои профили истинодии номзад алоқаманд аст; ин робита сабабӣ нест.
• Фарқи музди меҳнати вобаста ба таҳсили паст аз ҷинси recruiter тағйир меёбад.
• Ду қоидаи якдафъаинаи LLM ба ҷинс, миллат, волидайн будан ва баъзе таъсирҳои мутақобила вазнҳои ошкори музди меҳнат медиҳанд.
• Қоидаҳои ChatGPT ва DeepSeek, бо вуҷуди татбиқ ба ҳамон аҳолии синтетикӣ, дар масъалаи таҳсил ва синну сол сохторҳои гуногуни музди меҳнат эҷод мекунанд.
• Қоидаҳои шаффоф ва комилан детерминистӣ ҳатман аз ҷиҳати тақсимотӣ бетараф нестанд.
• Аудити алгоритмӣ бояд на танҳо тавзеҳпазирии қоида, балки натиҷаҳои тақсимотии онро дар гурӯҳҳои гуногуни номзадҳо низ бисанҷад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Наметавон хулоса кард, ки дар бозори воқеии меҳнати Италия нисбат ба занон табъизи музди меҳнат вуҷуд надорад.
• Наметавон ба таври сабабӣ гуфт, ки recruiterҳои зан умуман нисбат ба recruiterҳои мард музди камтар медиҳанд.
• Наметавон гуфт, ки барои ҳамаи версияҳо ва ҳамаи promptҳои ChatGPT ё DeepSeek ҷаримаи доимии зан ё хориҷӣ вуҷуд дорад.
• Таҳқиқоти 2 низоми ҷалби кадрҳои як ширкати воқеиро дар муҳити истеҳсолӣ намеомӯзад.
• Коэффисиентҳои детерминистии LLM-ро набояд ҳамчун арзёбиҳои воқеии ҷаҳон бо арзиши p ё номуайянии интихоб ҳисоб кард.
• Таҳқиқот исбот намекунад, ки LLMҳо нисбат ба recruiterҳои инсон бештар табъизгар ё одилтаранд.
• Муқоисаи инсон–LLM аз рӯйи миллат, волидайн будан, таҷрибаи корӣ ё минтақа имконнопазир аст; ин хусусиятҳо дар таҷрибаи инсонӣ ба ҳамон тарз манипулятсия нашудаанд.
• Тавзеҳпазир будани қоида худ аз худ нишон намедиҳад, ки он аз ҷиҳати ҳуқуқӣ, ахлоқӣ ё тақсимотӣ одилона аст.

Усул ва Натиҷаҳои Таҳқиқот

Фарқи методологӣ байни ду таҳқиқот

Эътибори беруна дар Таҳқиқоти 1

Тарҳи винетка аз ҷиҳати эътибори дохилӣ қавӣ аст; рандомизатсия таъсири фарқҳои хусусиятҳои номзадро ба пешниҳоди музди меҳнат ҷудо мекунад. Аммо равандҳое мисли мусоҳибаи воқеии корӣ, музокира, шартномаи меҳнатӣ ё сиёсати дохилии музди меҳнати ширкат дар муҳити винетка вуҷуд надоранд.

Илова бар ин, намуна аз панели онлайн гирифта шудааст. Panel response rate дар манбаъ мавҷуд нест ва attention check гузаронида нашудааст. Аз ин рӯ, натиҷаҳо арзёбии тамоми аҳолии recruiterҳои Италия бар асоси интихоби эҳтимолӣ нестанд.

Такрорпазирӣ дар Таҳқиқоти 2

Пас аз муайян шудани вазнҳои қоида, симулятсия ба таври қавӣ такрорпазир аст. Дар тарҳи пурраи факторӣ seed ё тавлидкунандаи рақамҳои тасодуфӣ истифода намешавад. Агар ҳамон 5.760 профил ба ҳамон вазнҳо дода шавад, ҳамон музди меҳнат ҳосил мешавад.

Баръакс, қадами гирифтани қоида аз модел аз ҷиҳати такрорпазирӣ санҷида нашудааст. Маълум нест, ки ҳамон модел дар пурсиши дуюм ҳамон коэффисиентҳоро медиҳад ё не.

Ёддоштҳо дар бораи мутобиқати техникии дохили манбаъ

Дар тавсифи усули манбаъ истилоҳҳои бахш, касб ва минтақа барои симулятсия якҷо зикр шудаанд; аммо дар рӯйхати хусусиятҳои номзади пурраи факторӣ тағйирёбандаи ҷудогонаи бахш вуҷуд надорад. ChatGPT Table 4 random effects-ро ҳамчун occupation ва region медиҳад, дар ҳоле ки DeepSeek Table 6 sector, occupation ва region random intercept-ҳоро нишон медиҳад. Азбаски ин фарқ дар манбаъ ҳал нашудааст, дар ин ҷо низ ҳамчун як модели ягонаи ҳамоҳангшуда пешниҳод нашудааст.

Илова бар ин, дар Table 3 ва Table 5, гарчанде ки ислоҳи мустақими музди меҳнат барои фарзанддор будан +50 € аст, тамғаи тафсири иқтисодӣ “parenthood penalty” мебошад. Ин номгузорӣ бо аломат комилан мувофиқ нест. Таъсири мутақобилаи зан × волидайн будан бошад -150 € аст, бинобар ин барои волидони зан фарқи иловагии манфӣ равшан мавҷуд аст.

Маълумот ва код

Маълумоти recruiter-и Таҳқиқоти 1 бо риояи махфияти иштирокчиён аз corresponding author бо дархости асоснок дастрас шуда метавонад.

Аҳолии синтетикии Таҳқиқоти 2 аз вазнҳои Table 3 ва Table 5 ва тарҳи full-factorial, ки дар Section 3.2 таъриф шудааст, дубора тавлид шуда метавонад. Аз ин рӯ, вақте ду маҷмӯи қоидаҳои бадастовардаи муҳаққиқ собит мешаванд, раванди тавлиди маълумоти симулятсия пурра пайгиришаванда мебошад.

Равиши ахлоқӣ

Дар Таҳқиқоти 1 иштирокчиён мутахассисони болиғ мебошанд. Дар оғози пурсиш вақти тахминӣ ва он ки маълумот ба таври беном/махфӣ коркард мешавад, шарҳ дода шуда, иштирок танҳо бо шахсоне идома ёфт, ки розигӣ доданд.

Манбаъ ошкоро мегӯяд, ки formal ethics committee approval гирифта нашудааст. Муаллифон ҳамчун асос нишон медиҳанд, ки таҳқиқот пурсиши онлайни винеткавии беном ва бе дахолат буда, иштирокчиён танҳо профилҳои фарзиявии номзадҳоро арзёбӣ кардаанд.

Ҷанбаҳои қавии таҳқиқот

• Ҷудо кардани роҳҳои гуногуни пайдоиши нобаробарӣ дар қарорҳои инсон ва қоидаҳои ошкори алгоритмӣ дар дохили як таҳқиқот.
• Рандомизатсия кардани ҷинс, синну сол ва таҳсили номзад дар таҷрибаи инсонӣ.
• Истифодаи модели mixed-effects барои ченкуниҳои такрорӣ аз як recruiter.
• Намоён кардани гетерогении сатҳи recruiter.
• Татбиқи таҳлили устуворӣ ба натиҷаҳои асосии инсон бо назорати андозаи ширкат ва бахш.
• Нашри ошкори вазнҳои қоидаҳои LLM.
• Таҳлили натиҷаҳои қоида дар ҳамаи таркибҳои иҷозатдодашуда ба шарофати enumeratsiya-и пурраи фактории 5.760 профил.
• Пешниҳод накардани симулятсияи LLM ҳамчун табъизи воқеии саҳроӣ ё рафтори умумии модел.
• Намоиш додани фарқи консептуалӣ байни шаффофият ва адолат бо қоидаи мушаххаси музди меҳнат.

Маҳдудиятҳои асосӣ

• Панели recruiter-и инсон намунаи эҳтимолии миллии намояндагӣ нест.
• Panel response rate дар манбаъ мавҷуд нест.
• Formal attention check гузаронида нашудааст.
• Stated wage offer шартномаи воқеии музди меҳнат нест.
• Ҷинси recruiter рандомизатсия нашудааст ва коэффисиенти онро сабабӣ шарҳ додан мумкин нест.
• Қоидаи LLM аз ҳар модел танҳо як бор гирифта шудааст.
• Ҳассосият ба prompt-и алтернативӣ, версияи модел ва конфигуратсия санҷида нашудааст.
• Танҳо ду LLM-и ҳадафи умумӣ омӯхта шудаанд.
• LLMҳо дар низоми воқеии ҷалби кадрҳо истифода нашудаанд.
• Азбаски Таҳқиқоти 1 ва Таҳқиқоти 2 маҷмӯи хусусиятҳои гуногун доранд, муқоисаи мустақим танҳо бо ҷинс, синну сол ва таҳсил маҳдуд аст.
• Коэффисиентҳои LLM арзёбиҳои маълумоти воқеӣ нестанд, балки таҷзияи тавзеҳии лог-миқёсии қоидаҳои аз пеш маълуманд.
• Истифодаи истилоҳи бахш дар спецификатсияи симулятсияи манбаъ комилан мутобиқ нест.

Бехатартарин тафсири умумии илмӣ

Ин таҳқиқот нишон медиҳад, ки нобаробарии музди меҳнат дар низомҳои арзёбии инсонӣ ва алгоритмӣ ҳатман аз як механизм сарчашма намегирад. Дар таҷрибаи recruiter-и инсон хусусияти аз ҳама намоён на фарқи мустақими вобаста ба ҷинси номзад, балки гетерогении бузурги қарорҳо байни recruiterҳо мебошад.

Дар қоидаҳое, ки аз ду LLM як бор гирифта шудаанд, фарқ на аз рафтори тасодуфии инсон дар раванди арзёбӣ, балки аз вазнҳое ба вуҷуд меояд, ки ба қоида ошкоро навишта шудаанд. Агар қоида ба зан, хориҷӣ ё номзаде аз минтақаи муайян вазни манфӣ диҳад, ҳамаи профилҳои дорои ҳамон хусусият ин фарқро ба таври детерминистӣ мегиранд.

Аз ин рӯ, паёми васеътарини илмии таҳқиқот “инсон одилтар аст ё алгоритм?” нест. Саволи дурусттар ин аст: низоми қарор ба кадом хусусиятҳо чӣ вазн медиҳад, ин вазнҳо дар кадом гурӯҳҳо кадом натиҷаҳои тақсимотиро эҷод мекунанд ва ин натиҷаҳо дар кадом сатҳи далел чен мешаванд.

Ёддошт оид ба Манбаъ ва Усул

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

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

Corresponding/contact author: Сабти SSRN Maria Gabriella Campolo-ро ҳамчун Contact Author нишон медиҳад.

Аффилиатсия: Тибқи сабти 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.

Ёддошти библиографӣ: Дар саҳифаи аввалини намоёни PDF-и боршуда маълумоти муаллиф ва аффилиатсия мавҷуд нест. Ҳувияти муаллифон ва муассисаҳои дар боло зикршуда аз metadata-и расмии сабти SSRN тасдиқ шудаанд.

Платформа: SSRN.

Рақами сабти SSRN: 7566539.

DOI: 10.2139/ssrn.7566539.

Санаи боргузории SSRN: 5 Октябр 2026.

Шумораи саҳифаҳо: 38.

Навъи манбаъ: Таҳқиқоти preprint-и дуқисмӣ: озмоиши фактории винеткавӣ + аудити якдафъаина ва вобаста ба prompt-и қоидаи детерминистии музди меҳнати LLM.

Ҳолати баррасии ҳамтоён: Аз баррасии ҳамтоён нагузаштааст. PDF инро дар ҳар саҳифа ошкоро нишон медиҳад.

Усули асосии Таҳқиқоти 1: Панели Qualtrics дар Италия дар давраи декабри 2024-январи 2025; recruiterҳои касбӣ, ки шаш профили номзадро арзёбӣ карданд; рандомизатсияи ҷинс, синну сол ва сатҳи таҳсили номзад; модели хаттии mixed-effects бо recruiter-specific random intercept.

Намунаи таҳлилии Таҳқиқоти 1: 1.094 recruiter ва 6.420 пешниҳоди музди меҳнат. Пешниҳодҳои мусбат ва софи моҳонаи камтар аз 10.000 € истифода шуданд.

Усули асосии Таҳқиқоти 2: Аз ду LLM-и ҳадафи умумӣ, ки дар манбаъ ҳамчун ChatGPT/GPT-4 ва DeepSeek-V3 муайян шудаанд, ҳар кадом як бор қоидаи арзёбии музди меҳнат гирифта шуд; вазнҳо бидуни тағйир татбиқ шуданд; 5.760 профили синтетикии пурраи факторӣ; музди асосии софи моҳонаи 1.500 €.

Натиҷаи асосии инсонӣ: Коэффисиенти мустақими музди меҳнати номзади зан аҳамиятнок нест; байни recruiterҳо гетерогении баланди музди асосӣ вуҷуд дорад ва фарқҳои шартии вобаста ба таъсири мутақобилаи ҷинси recruiter ва таҳсил дида мешаванд.

Натиҷаи асосии LLM: Ду қоидаи детерминистии вобаста ба prompt дар баробари хусусиятҳои сармояи инсонӣ аз рӯйи ҷинс, миллат, волидайн будан ва таъсирҳои мутақобилаи онҳо фарқҳои механикии музди меҳнат эҷод мекунанд.

Ҳади асосии методологӣ: Қоидаҳои LLM аз ҳар модел танҳо як бор гирифта шудаанд ва бо пурсишҳои такрорӣ, promptҳои алтернативӣ, версияҳои гуногун ё муҳитҳои воқеии ҷалби кадрҳо тасдиқ нашудаанд.

Дастрасии маълумот: Маълумоти Таҳқиқоти 1 бо шарти махфияти иштирокчиён аз corresponding author бо дархости асоснок гирифта мешавад. Маълумоти синтетикии Таҳқиқоти 2 аз вазнҳои нашршуда ва тарҳи full-factorial дубора сохта мешавад.

Ахлоқ: Барои пурсиши онлайни винеткавии беном ва бе дахолат formal ethics committee approval гирифта нашудааст. Иштирокчиён дар бораи давомнокӣ, беномӣ ва махфият огоҳ карда шуданд ва пас аз қабули иштирок пурсишро идома доданд.

Маблағгузорӣ: Дар PDF-и манбаъ изҳороти ҷудогонаи маблағгузорӣ муайян нашудааст; аз ин набудани маблағгузорӣ хулоса бароварда нашудааст.

Бархӯрди манфиатҳо: Дар PDF-и манбаъ изҳороти ҷудогонаи бархӯрди манфиатҳо муайян нашудааст.

Саҳми муаллифон: Дар PDF-и манбаъ бахши ҷудогонаи CRediT/саҳми муаллифон муайян нашудааст.

Литсензия/ҳуқуқи муаллиф: Дар PDF-и манбаъ Creative Commons ё литсензияи баробари ошкори истифодаи дубора мавҷуд нест ва дар намуди библиографии дастрасшудаи SSRN литсензияи ошкор тасдиқ нашудааст. Аз ин рӯ, истифодаи дубора бо усули fail-closed арзёбӣ шудааст; мундариҷаи Verianla бидуни нусхабардории ҷумлаҳои аслӣ, тарҳи ҷадвал ё Figure 1 омода шудааст.

Ёддошти усули дохили манбаъ: Истифодаи тағйирёбандаи бахш дар спецификатсияи симулятсия байни бахшҳо ва ҷадвалҳо комилан мутобиқ нест; ҳамчунин тамғагузории вазни мустақими +50 € барои parenthood ҳамчун “parenthood penalty” байни аломат ва шарҳ номуайянӣ эҷод мекунад. Ин нуқтаҳо хомӯшона ислоҳ нашудаанд.