Faktöriyel vinyet deneyi, aday özelliklerinin varsayımsal profiller arasında rastgele değiştirildiği ve değerlendiricilerin kararlarının bu değişikliklere nasıl tepki verdiğini ölçen deneysel bir araştırma tasarımıdır. Bu çalışma, ücret belirlemede eşitsizliğin iki farklı karar ortamında nasıl ortaya çıkabileceğini inceler: İtalya’daki profesyonel işe alım uzmanlarının varsayımsal adaylara verdiği ücret teklifleri ve ChatGPT ile DeepSeek’ten birer kez elde edilen açık ücret kurallarının sentetik adaylara deterministik biçimde uygulanması. İnsan deneyinde kadın adaylara doğrudan daha düşük ücret verildiğine dair istatistiksel kanıt bulunmazken, iki tek-seferlik LLM kuralı cinsiyet, milliyet, ebeveynlik ve bunların bazı etkileşimlerine açık ücret ayarlamaları içermektedir. Bununla birlikte iki çalışma eşdeğer değildir: ilk çalışma deneysel insan değerlendirmelerini, ikinci çalışma ise belirli promptlara bağlı iki kural sisteminin mekanik dağıtımsal sonuçlarını inceler.

Çalışma 1’de 1.116 recruiter ankete katılmış, ücret analizi için 1.094 recruiter ve toplam 6.420 ücret teklifi kullanılmıştır. Her recruiter altı varsayımsal aday profili değerlendirmiştir. Adayın cinsiyeti, yaşı ve eğitim düzeyi profiller arasında rastgele atanmıştır. Kadın aday göstergesi için katsayı β=0,006 ve p=0,576’dır; yani deneysel vinyet ortamında kadın ve erkek adaylar arasında doğrudan ücret farkına dair kanıt yoktur. 38 ve 48 yaş göstergeleri de anlamlı değildir. Düşük eğitim katsayısı negatiftir fakat p=0,104 ile geleneksel anlamlılık eşiklerini geçmez.

Buna karşılık ücret teklifleri recruiterlar arasında güçlü biçimde değişmektedir. Kadın recruiter göstergesi referans aday profili için β=-0,142 ve p=0,009’dur; düşük eğitim × kadın recruiter etkileşimi β=0,035 ve p=0,049’dur. Recruiter cinsiyeti rastgele atanmadığından bu sonuçlar kadın recruiter olmanın nedensel etkisi değildir. Ayrıca kadın recruiter katsayısı bütün aday profilleri için genel bir ücret farkı olarak okunamaz; eğitim etkileşimi nedeniyle sonuç referans aday ve model koşullarına bağlıdır.

Çalışma 2’de ChatGPT ve DeepSeek’e birer kez ücret değerlendirme kuralı ürettirilmiş ve elde edilen ağırlıklar değiştirilmeksizin uygulanmıştır. Eğitim, deneyim, meslek, cinsiyet, yaş, ebeveynlik, milliyet, doğum bölgesi ve eğitimin İtalya’da alınması gibi özelliklerin bütün izin verilen kombinasyonlarından 5.760 sentetik profil oluşturulmuştur. Her profil 1.500 € net aylık taban ücretten başlayarak aynı deterministik kurala tabi tutulmuştur.

Her iki LLM’den elde edilen kural kadın aday için -200 €, yabancı aday için -300 €, kadın × ebeveynlik için ek -150 € ve kadın × yabancı için ek -100 € ayarlama içermektedir. Buna karşılık yüksek eğitim, deneyim ve üst düzey meslekler için pozitif primler vardır. ChatGPT ve DeepSeek özellikle düşük eğitim ve yaş konusunda ayrışmaktadır: ChatGPT düşük eğitime +200 € ve 48 yaşa +150 € verirken, DeepSeek düşük eğitime -100 € ve 48 yaşa -50 € vermektedir.

Çalışmanın temel politika sonucu, şeffaflık ve deterministik karar kuralının tek başına dağıtımsal tarafsızlık anlamına gelmediğidir. Bir kural tamamen görülebilir, izlenebilir ve aynı girdiye her seferinde aynı çıktıyı verebilir; yine de özelliklere atanmış ağırlıklar belirli gruplar arasında sistematik ücret farkları oluşturabilir. Buna karşılık çalışma, ChatGPT veya DeepSeek’in genel ve kalıcı biçimde belirli gruplara ayrımcılık yaptığını kanıtlamaz; yalnız iki belirli, tek seferlik, prompt-bağımlı kural sisteminin sonuçlarını inceler.

Araştırmanın temel problemi

Ücret eşitsizliği yalnız çalışanın becerileri veya üretkenliğiyle açıklanmayabilir. Ücret teklifini veren kişinin davranışı, kurumun değerlendirme normları veya algoritmaya açıkça ya da dolaylı biçimde yerleştirilen karar kuralları da farklı adayların farklı ekonomik sonuçlar almasına yol açabilir.

Bu çalışma bu problemi iki ayrı düzeyde ele almaktadır. İlk düzeyde gerçek işe alım profesyonellerinin varsayımsal adaylar hakkında verdikleri ücret kararları incelenir. İkinci düzeyde ise iki büyük dil modelinden tek bir sorguyla elde edilmiş açık ücret kuralları bütün sentetik aday kombinasyonlarına mekanik olarak uygulanır.

Bu iki tasarım aynı şeyi ölçmez. İnsan deneyi, randomize aday özelliklerinin stated wage offer üzerindeki etkisini test eder. LLM simülasyonu ise modelden elde edilmiş belirli bir kuralın hangi gruplar arasında hangi ücret farklarını zorunlu olarak ürettiğini izler.

Faktöriyel Vinyet Deneyi Nedir ve Bu Çalışmada Ne Ölçüyor?

Faktöriyel vinyet deneyi, burada adayın cinsiyet, yaş ve eğitim düzeyi gibi özelliklerini profiller arasında rastgele değiştirerek recruiterların ücret teklifindeki değişimin doğrudan bu manipüle edilmiş özelliklerle ilişkilendirilebilmesini sağlayan deneysel tasarımdır; sonuçlar gerçek ücret sözleşmelerini değil, varsayımsal adaylara verilen belirtilmiş net aylık ücret tekliflerini ölçmektedir.

İnsan recruiter örneklemi

Veriler Aralık 2024 ile Ocak 2025 arasında Qualtrics çevrimiçi paneli üzerinden İtalya’da toplanmıştır. Panel recruiterlar, insan kaynakları profesyonelleri ve personel seçimi veya ücret belirleme kararlarına doğrudan katılan kişilerden oluşmaktadır.

Örneklem firma büyüklüğüne göre tabakalandırılmıştır. Toplam 1.116 recruiter çalışmaya katılmıştır. Analizde pozitif, aylık net 10.000 €’nun altındaki ücret teklifleri tutulmuş ve mixed-effects modeli için gerekli tam-vaka koşulları uygulanmıştır. Nihai temel analiz 1.094 recruiter ve 6.420 ücret teklifinden oluşmaktadır.

Recruiter paneli olasılıklı ulusal örneklem değildir. Kaynak panel response rate bilgisinin bulunmadığını ve formal attention check uygulanmadığını belirtmektedir. Bu nedenle bulgular İtalya’daki bütün ücret belirleyicilerin ulusal temsili tahmini olarak okunmamalıdır.

Randomize edilen aday özellikleri

• Cinsiyet: kadın veya erkek.
• Yaş: 28, 38 veya 48.
• Eğitim: düşük veya yüksek eğitim düzeyi.

Bu özelliklerin vinyetlere rastgele dağıtılması, aday özellikleri açısından deney içi nedensel tanımlamayı desteklemektedir. Recruiter cinsiyeti ise gözlenen bir kişi özelliğidir ve randomize edilmemiştir.

İnsan recruiter modeli

Her recruiter birden fazla aday değerlendirdiği için gözlemler bağımsız değildir; aynı kişinin altı kararının birbirine benzemesi mümkündür. Araştırmacılar bu hiyerarşik yapıyı recruiter-specific random intercept içeren doğrusal mixed-effects modeliyle ele almıştır.

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

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

Burada \(i\) aday vinyetini, \(r\) ise recruiteri gösterir. Bağımlı değişken aylık net ücret teklifinin doğal logaritmasıdır. \(u_r\), recruitera özgü gözlenmeyen temel ücret belirleme eğilimini; \(\varepsilon_{ir}\) ise belirli vinyete özgü kalan değişimi temsil eder.

Referans aday; 28 yaşında, yüksek eğitimli erkek adaydır ve referans recruiter erkek recruiterdır. Bu nedenle etkileşim bulunan modellerde tek bir ana katsayı bütün adaylar veya bütün recruiterlar için genel ortalama şeklinde yorumlanmamalıdır.

İnsan İşe Alım Uzmanları Kadın Adaylara Daha Düşük Ücret Teklif Etti mi?

Bu vinyet deneyinde hayır: kadın aday katsayısı β=0,006 ve p=0,576’dır; yani diğer deneysel aday özellikleri sabitken kadın ve erkek adaylara verilen belirtilmiş ücret teklifleri arasında doğrudan, istatistiksel olarak anlamlı bir cinsiyet farkı için kanıt bulunmamıştır. Bu sonuç gerçek işe alım ve gerçek maaş pazarlıklarında cinsiyet ayrımcılığının bulunmadığını göstermez.

Çalışma 1’in temel katsayıları

Recruiterlar arasındaki heterojenlik

Recruiter-specific random intercept varyansı 0,655, residual varyans 0,121’dir. Kaynak bu iki bileşen dikkate alındığında recruiter seviyesinin toplam model varyansının yaklaşık %84’ünü oluşturduğunu hesaplamaktadır.

Bu değer recruiterların genel ücret belirleme eğilimlerinde belirgin farklılık bulunduğunu göstermektedir. Ancak bu heterojenliğin hangi recruiter özelliklerinden kaynaklandığını çalışma tam olarak çözememektedir. Sektör, kıdem veya organizasyon içindeki rol gibi recruiter özelliklerinin bir kısmı kadın recruiter katsayısıyla korelasyonlu olabilir.

Firma ve sektör kontrolleriyle sağlamlık

17. sayfadaki Figure 1, temel model ile firma çalışan sayısının logaritması ve ATECO sektör sabit etkilerini ekleyen modelin katsayılarını karşılaştırır. Kadın recruiter katsayısı -0,142’den -0,121’e düşmekte ancak p=0,024 ile anlamlı kalmaktadır. Düşük eğitim × kadın recruiter etkileşimi 0,035 ve p=0,049 ile esasen değişmemektedir.

Firma büyüklüğü β=0,034 ve p<0,001 ile ücret teklifleriyle pozitif ilişkilidir. Ek kontroller likelihood-ratio testinde model uyumunu anlamlı biçimde iyileştirmiştir: \(\chi^2(21)=67,84\), p<0,001.

Figure 1’in bilimsel mesajı, ana recruiter-gender ve education-interaction sonuçlarının firma büyüklüğü ve sektör farklılıkları eklendiğinde tamamen ortadan kalkmadığıdır. Grafik, bu sonuçların gerçek iş piyasasına otomatik olarak genellenebilir olduğunu göstermez.

Çalışma 2 neden farklı bir araştırmadır?

İkinci çalışma işe alım uzmanlarından toplanmış davranışsal veri kullanmamaktadır. Araştırmacılar ChatGPT ve DeepSeek’e birer kez, İtalya iş piyasasında işe alım değerlendirme sistemi gibi davranarak gözlenebilir aday özelliklerini ücrete bağlayan açık ağırlıklar üretme talimatı vermiştir.

Modellerin verdiği ücret ağırlıkları işaret veya büyüklükleri değiştirilmeden uygulanmıştır. Bu nedenle simülasyondaki ücret farklarının tamamı araştırmacıların sonradan eklediği katsayılardan değil, elde edilen kural setinden kaynaklanmaktadır.

Ancak “modelin cevabı bir kez alındıktan sonraki simülasyonun tekrarlanabilirliği” ile “aynı modele yeniden sorulduğunda aynı kuralın üretileceği” birbirinden farklıdır. Çalışma yalnız ilkini göstermektedir. İkinci tür stabilite sınanmamıştır.

Tam faktöriyel sentetik profil tasarımı

Bu 5.760 profil örneklem değil, bütün izin verilen kombinasyonların enumerasyonudur. Bu nedenle sentetik veri üzerinde klasik örnekleme belirsizliği bulunmamaktadır.

ChatGPT ve DeepSeek’ten elde edilen deterministik ücret ağırlıkları

Her iki kural da 1.500 € net aylık taban ücret üzerinden toplamsal olarak uygulanmaktadır.

Kaynak tablolarında “çocuk sahibi” için doğrudan ücret ağırlığı +50 € olmasına rağmen ekonomik yorum sütunu bunu “parenthood penalty” olarak adlandırmaktadır. Buna karşılık kadın × çocuk sahibi etkileşiminin -150 € olması, kadın aday için ebeveynliğin toplam marjinal etkisini olumsuz yönde değiştirebilir. Verianla bu işaret/etiket uyuşmazlığını sessizce yeniden adlandırmamaktadır.

Şeffaf ve Deterministik Bir Ücret Kuralı Neden Yine de Eşitsizlik Üretebilir?

Çünkü şeffaflık bir kararın nasıl üretildiğini görünür kılar, fakat kullanılan ağırlıkların normatif olarak tarafsız olmasını garanti etmez; kadın aday için -200 € veya yabancı aday için -300 € gibi açık bir kural tamamen tekrarlanabilir olsa bile, kural aynı özellikleri taşıyan gruplar arasında ücret farkını her uygulamada mekanik olarak yeniden üretir.

Log-ücret ayrıştırmasının amacı

LLM kuralları euro cinsinden toplamsal olarak tanımlanmıştır. Araştırmacılar bunları insan recruiter modeline daha kolay betimsel olarak yaklaştırmak için log-ücret regresyon formunda yaklaşık olarak ayrıştırmıştır:

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

\(X_i\), adayın bilinen özelliklerini ve etkileşimlerini içerir. Kaynağın tanımında \(\gamma\) terimleri sektör, meslek ve doğum bölgesi yapılarıyla ilişkilendirilmektedir; \(e_i\) ise euro cinsinden toplamsal kuralın log-lineer modelle yaklaşık temsil edilmesinden kaynaklanan residual approximation error’dır.

Bu katsayılar bilinmeyen bir gerçek dünya sürecinden tahmin edilen davranışsal parametreler değildir. Veri üretme kuralı baştan bilinmektedir. Bu nedenle Çalışma 2’de standart hata ve p değeri raporlamanın gerçek örnekleme belirsizliği anlamında bir işlevi yoktur.

ChatGPT kuralının log-ölçekli görünümü

DeepSeek kuralıyla temel farklar

DeepSeek ile elde edilen kural yüksek eğitim ve yüksek deneyime güçlü ağırlık vermekle birlikte iki noktada ChatGPT kuralından belirgin ayrılmaktadır.

Birincisi eğitimdir. ChatGPT düşük eğitim için +200 €, yüksek eğitim için +600 € kullandığından iki düzey arasındaki doğrudan fark 400 €’dur. DeepSeek düşük eğitim için -100 €, yüksek eğitim için +600 € kullandığından fark 700 €’ya çıkmaktadır.

İkincisi yaştır. ChatGPT 48 yaş için +150 € prim verirken DeepSeek -50 € ceza verir. Böylece aynı sentetik aday nüfusuna ve aynı genel protokole uygulanan iki tek-seferlik LLM kuralı, yaşın ekonomik değerini ters yönde kodlayabilmektedir.

Log-ücret gösteriminde yüksek eğitim katsayısı ChatGPT’de 0,214, DeepSeek’te 0,418’dir. Kadın katsayıları sırasıyla -0,092 ve -0,100; yabancı milliyet katsayıları -0,151 ve -0,170’tir.

Bu Çalışma ChatGPT ve DeepSeek’in Genel Olarak Ayrımcı Olduğunu Kanıtlıyor mu?

Hayır. Her model yalnız bir kez ve belirli bir prompt, sürüm ve konfigürasyon altında sorgulanmıştır; çalışma tekrar sorguları, farklı promptları, farklı sürümleri veya gerçek işe alım sistemlerini test etmediği için sonuçlar ChatGPT ya da DeepSeek’in kararlı ve model-geneli özellikleri olarak genellenemez.

“One-shot audit” ifadesinin anlamı

“One-shot” burada her modelden ücret kuralının yalnız bir etkileşimde elde edilmesini ifade eder. Elde edilen kural sabitlendikten sonra 5.760 profil üzerinde deterministik olarak uygulanabilir ve sonuç tam olarak yeniden üretilebilir.

Ancak aynı promptun ertesi sefer aynı modele yeniden verilmesiyle aynı ağırlıkların çıkacağı test edilmemiştir. Araştırmacıların gelecek çalışma önerilerinden biri tam olarak budur: her modeli çok kez, alternatif promptlar, sürümler ve konfigürasyonlarla sorgulayıp kural stabilitesini ölçmek.

İnsan ve algoritmik ücret belirleme doğrudan karşılaştırılabilir mi?

Yalnız sınırlı ölçüde. Çalışma 1 ve Çalışma 2’de ortak özellikler cinsiyet, yaş ve eğitimdir. Bu üç özellik için örüntüler yan yana tartışılabilir.

İnsan deneyinde iş deneyimi, milliyet, ebeveynlik, meslek, doğum bölgesi ve eğitimin İtalya’da alınması deneysel faktörler değildir. Bu nedenle LLM kurallarının bu özelliklerde ürettiği farkların insan recruiterlarla karşılaştırılması bilimsel olarak geçerli değildir.

İnsan deneyinde kadın aday katsayısı yaklaşık sıfır ve anlamlı değilken, iki LLM kuralı kadın özelliğine doğrudan negatif ücret ağırlığı vermektedir. Bu karşıtlık önemlidir, fakat “LLM insanlardan daha ayrımcıdır” sonucu için yeterli değildir; veri üretme süreçleri farklıdır.

Çalışmanın desteklediği sonuçlar

• Vinyet deneyinde kadın adaylara doğrudan daha düşük ücret teklifi verildiğine dair istatistiksel kanıt yoktur.
• Recruiterlar arasında başlangıç ücret belirleme eğiliminde büyük heterojenlik vardır.
• Recruiter cinsiyeti referans aday profili için ücret farkıyla ilişkilidir; bu ilişki nedensel değildir.
• Düşük eğitimle ilişkili ücret farkı recruiter cinsiyetine göre değişmektedir.
• İki tek-seferlik LLM kuralı cinsiyet, milliyet, ebeveynlik ve bazı etkileşimlere açık ücret ağırlıkları atamaktadır.
• ChatGPT ve DeepSeek kuralları aynı sentetik nüfusa uygulanmasına rağmen eğitim ve yaş konusunda farklı ücret yapıları üretmektedir.
• Şeffaf ve tamamen deterministik kurallar dağıtımsal olarak tarafsız olmak zorunda değildir.
• Algoritmik denetim yalnız kuralın açıklanabilirliğini değil, farklı aday gruplarında ürettiği dağıtımsal sonuçları da incelemelidir.

Çalışmanın desteklemediği sonuçlar

• Gerçek İtalya iş piyasasında kadınlara ücret ayrımcılığı yapılmadığı sonucu çıkarılamaz.
• Kadın recruiterların genel olarak erkek recruiterlardan daha düşük ücret verdiği nedensel olarak söylenemez.
• ChatGPT veya DeepSeek’in bütün sürümleri ve bütün promptları için sabit bir kadın veya yabancı cezası bulunduğu söylenemez.
• Çalışma 2 gerçek bir şirketin üretim ortamındaki işe alım sistemini incelememektedir.
• Deterministik LLM katsayılarının p değeri veya örnekleme belirsizliği olan gerçek dünya tahminleri olduğu düşünülemez.
• Çalışma LLM’lerin insan recruiterlardan daha ayrımcı veya daha adil olduğunu kanıtlamamaktadır.
• Milliyet, ebeveynlik, iş deneyimi veya bölge açısından insan–LLM karşılaştırması yapılamaz; bu özellikler insan deneyinde aynı şekilde manipüle edilmemiştir.
• Bir kuralın açıklanabilir olması o kuralın hukuken, etik olarak veya dağıtımsal olarak adil olduğunu tek başına göstermez.

Çalışmanın Yöntemi ve Bulguları

İki çalışma arasındaki metodolojik ayrım

Çalışma 1’de dış geçerlilik

Vinyet tasarımı iç geçerlilik açısından güçlüdür; randomizasyon aday özellikleri arasındaki farkların ücret teklifine etkisini izole eder. Ancak gerçek iş görüşmesi, pazarlık, iş sözleşmesi veya şirket içi ücret politikası gibi süreçler vinyet ortamında bulunmamaktadır.

Ayrıca örneklem çevrimiçi panelden gelmektedir. Panel response rate kaynakta bulunmamaktadır ve dikkat kontrolü yapılmamıştır. Bu nedenle sonuçlar bütün İtalyan recruiter nüfusunun olasılıklı örnekleme dayalı tahmini değildir.

Çalışma 2’de yeniden üretilebilirlik

Kural ağırlıkları belirlendikten sonra simülasyon güçlü biçimde yeniden üretilebilir. Tam faktöriyel tasarımda seed veya rastgele sayı üreticisi kullanılmamaktadır. Aynı ağırlıklara aynı 5.760 profil verildiğinde aynı ücretler ortaya çıkacaktır.

Buna karşılık kuralın modelden elde edilme adımı yeniden üretilebilirlik açısından test edilmemiştir. Aynı modelin ikinci sorguda aynı katsayıları verip vermeyeceği bilinmemektedir.

Kaynak içi teknik tutarlılık notları

Kaynağın yöntem açıklamasında simülasyon için sektör, meslek ve bölge terimleri birlikte anılmaktadır; buna karşılık tam faktöriyel aday özellikleri listesinde ayrı bir sektör değişkeni bulunmamaktadır. ChatGPT Tablo 4 random effects’i occupation ve region şeklinde verirken DeepSeek Tablo 6 sector, occupation ve region random interceptlerini göstermektedir. Bu fark kaynakta çözümlenmediği için burada da tek bir harmonize model varmış gibi sunulmamıştır.

Ayrıca Table 3 ve Table 5’te çocuk sahibi olmanın doğrudan ücret ayarlaması +50 € iken ekonomik yorum etiketi “parenthood penalty”dir. Bu isimlendirme işaretle birebir uyumlu değildir. Kadın × ebeveynlik etkileşimi ise -150 € olduğu için kadın ebeveynlerde ek negatif fark açık biçimde bulunmaktadır.

Veri ve kod

Çalışma 1’in recruiter verileri katılımcı gizliliğine tabi olmak üzere corresponding author’dan makul talep üzerine alınabilir.

Çalışma 2’nin sentetik popülasyonu, Table 3 ve Table 5’teki ağırlıklar ile Section 3.2’de tanımlanan full-factorial tasarımdan yeniden üretilebilir. Bu nedenle araştırmacının elde ettiği iki kural seti sabitlendiğinde simülasyon veri üretme süreci tamamen izlenebilir durumdadır.

Etik yaklaşım

Çalışma 1’de katılımcılar yetişkin profesyonellerdir. Anket başında tahmini süre ve verilerin anonim/gizli işleneceği açıklanmış, katılım yalnız kabul veren kişilerle sürdürülmüştür.

Kaynak formal ethics committee approval alınmadığını açıkça belirtmektedir. Yazarlar gerekçe olarak araştırmanın anonim, müdahalesiz çevrimiçi vinyet anketi olması ve katılımcıların yalnız varsayımsal aday profillerini değerlendirmesini göstermektedir.

Çalışmanın güçlü yönleri

• İnsan kararları ile açık algoritmik kurallarda eşitsizliğin farklı oluşum yollarını aynı çalışma içinde ayırması.
• Aday cinsiyeti, yaşı ve eğitimini insan deneyinde randomize etmesi.
• Aynı recruiterdan gelen tekrarlı ölçümler için mixed-effects model kullanması.
• Recruiter düzeyi heterojenliği görünür hâle getirmesi.
• Firma büyüklüğü ve sektör kontrolleriyle temel insan sonuçlarına sağlamlık analizi uygulaması.
• LLM kural ağırlıklarını açık biçimde yayımlaması.
• 5.760 profilin tam faktöriyel enumerasyonu sayesinde kuralın tüm izin verilen kombinasyonlardaki sonuçlarını incelemesi.
• LLM simülasyonunu gerçek saha ayrımcılığı veya model-geneli davranış gibi sunmaması.
• Şeffaflık ile adalet arasındaki kavramsal farkı somut bir ücret kuralıyla göstermesi.

Temel sınırlılıklar

• İnsan recruiter paneli ulusal temsili olasılıklı örneklem değildir.
• Panel response rate kaynakta bulunmamaktadır.
• Formal attention check yapılmamıştır.
• Stated wage offer gerçek ücret sözleşmesi değildir.
• Recruiter cinsiyeti randomize değildir ve onun katsayısı nedensel yorumlanamaz.
• LLM kuralı her modelden yalnız bir kez elde edilmiştir.
• Alternatif prompt, model sürümü ve konfigürasyon duyarlılığı test edilmemiştir.
• Yalnız iki genel amaçlı LLM incelenmiştir.
• LLM’ler gerçek işe alım sisteminde çalıştırılmamıştır.
• Çalışma 1 ve Çalışma 2 farklı özellik kümeleri içerdiğinden doğrudan karşılaştırma yalnız cinsiyet, yaş ve eğitimle sınırlıdır.
• LLM katsayıları gerçek veri tahmini değil, önceden bilinen kuralların log-ölçekli açıklayıcı ayrıştırmasıdır.
• Kaynakta sektör teriminin simülasyon spesifikasyonunda kullanımı tamamen tutarlı değildir.

Bilimsel olarak en güvenli genel yorum

Bu çalışma ücret eşitsizliğinin insan ve algoritmik değerlendirme sistemlerinde aynı mekanizmadan doğmak zorunda olmadığını göstermektedir. İnsan recruiter deneyinde en belirgin özellik, aday cinsiyetine bağlı doğrudan farktan çok recruiterlar arasındaki büyük karar heterojenliğidir.

İki LLM’den tek seferde elde edilen kurallarda ise farklılık değerlendirme sürecindeki rastgele insan davranışından değil, kuralın içine açıkça yazılmış ağırlıklardan doğmaktadır. Kural kadın, yabancı veya belirli bölgeden gelen bir adaya negatif ağırlık veriyorsa, aynı özellikteki bütün profiller bu farkı deterministik biçimde alır.

Bu nedenle çalışmanın en geniş bilimsel mesajı “insan mı daha adil, algoritma mı?” değildir. Daha doğru soru, karar sisteminin hangi özelliklere hangi ağırlıkları verdiği, bu ağırlıkların hangi gruplarda hangi dağıtımsal sonuçları oluşturduğu ve bu sonuçların hangi kanıt düzeyinde ölçüldüğüdür.

Kaynak ve Yöntem Notu

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

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

Corresponding/contact author: SSRN kaydı Maria Gabriella Campolo’yu Contact Author olarak göstermektedir.

Afiliyon: SSRN kaydına göre 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.

Bibliyografik not: Yüklenen PDF’nin görünür ilk sayfasında yazar ve afiliyasyon bilgileri bulunmamaktadır. Yukarıdaki yazar kimliği ve kurumlar SSRN’nin resmî kayıt metadata’sından doğrulanmıştır.

Platform: SSRN.

SSRN kayıt numarası: 7566539.

DOI: 10.2139/ssrn.7566539.

SSRN yükleme tarihi: 5 Ekim 2026.

Sayfa sayısı: 38.

Kaynak türü: İki parçalı preprint araştırması: faktöriyel vinyet deneyi + tek-seferlik, prompt-bağımlı deterministik LLM ücret kuralı denetimi.

Hakemlik durumu: Hakem değerlendirmesinden geçmemiştir. PDF bunu her sayfada açıkça belirtmektedir.

Çalışma 1 temel yöntemi: Aralık 2024-Ocak 2025 döneminde İtalya’da Qualtrics paneli; altı aday profili değerlendiren profesyonel recruiterlar; aday cinsiyeti, yaşı ve eğitim düzeyinin randomizasyonu; recruiter-specific random intercept içeren doğrusal mixed-effects model.

Çalışma 1 analitik örneklemi: 1.094 recruiter ve 6.420 ücret teklifi. Pozitif ve aylık 10.000 €’nun altındaki net ücret teklifleri kullanılmıştır.

Çalışma 2 temel yöntemi: Kaynakta ChatGPT/GPT-4 ve DeepSeek-V3 olarak tanımlanan iki genel amaçlı LLM’den birer kez ücret değerlendirme kuralı elde edilmesi; ağırlıkların değiştirilmeden uygulanması; 5.760 tam faktöriyel sentetik aday profili; 1.500 € taban net aylık ücret.

Ana insan bulgusu: Kadın adayın doğrudan ücret katsayısı anlamlı değildir; recruiterlar arasında yüksek temel ücret heterojenliği vardır ve recruiter cinsiyeti ile eğitim etkileşimine bağlı koşullu farklılıklar görülmektedir.

Ana LLM bulgusu: İki prompt-bağımlı deterministik kural, insan sermayesi özelliklerinin yanında cinsiyet, milliyet, ebeveynlik ve etkileşimlerine göre mekanik ücret farklılıkları üretmektedir.

Ana yöntemsel sınır: LLM kuralları her modelden yalnız bir kez elde edilmiş olup tekrarlı sorgular, alternatif promptlar, farklı sürümler veya gerçek işe alım ortamlarıyla doğrulanmamıştır.

Veri erişilebilirliği: Çalışma 1 verileri katılımcı gizliliği koşuluyla corresponding author’dan makul talep üzerine alınabilir. Çalışma 2 sentetik verisi yayımlanan ağırlıklar ve full-factorial tasarımdan yeniden oluşturulabilir.

Etik: Anonim ve müdahalesiz çevrimiçi vinyet anketi için formal ethics committee approval alınmamıştır. Katılımcılar süre, anonimlik ve gizlilik hakkında bilgilendirilmiş ve katılımı kabul ettikten sonra ankete devam etmiştir.

Finansman: Kaynak PDF’de ayrı finansman beyanı tespit edilmemiştir; bundan finansman bulunmadığı sonucu çıkarılmamıştır.

Çıkar çatışması: Kaynak PDF’de ayrı çıkar çatışması beyanı tespit edilmemiştir.

Yazar katkıları: Kaynak PDF’de ayrı CRediT/yazar katkısı bölümü tespit edilmemiştir.

Lisans/telif: Kaynak PDF üzerinde açık Creative Commons veya eşdeğer yeniden kullanım lisansı bulunmamaktadır ve erişilen SSRN bibliyografik görünümünde açık lisans doğrulanamamıştır. Bu nedenle yeniden kullanım fail-closed değerlendirilmiş; Verianla içeriği özgün cümle, tablo tasarımı veya Figure 1’i kopyalamadan hazırlanmıştır.

Kaynak içi yöntem notu: Simülasyon spesifikasyonunda sektör değişkeninin kullanımı bölümler ve tablolar arasında tam tutarlı değildir; ayrıca +50 € doğrudan parenthood ağırlığının “parenthood penalty” olarak etiketlenmesi işaret ve açıklama arasında belirsizlik yaratmaktadır. Bu noktalar sessizce düzeltilmemiştir.