Faktorial vinyet eksperimenti — nomzod xususiyatlari gipotetik profillar o‘rtasida tasodifiy o‘zgartiriladigan va baholovchilarning qarorlari bu o‘zgarishlarga qanday javob berishini o‘lchaydigan eksperimental tadqiqot dizaynidir. Ushbu tadqiqot ish haqini belgilashdagi tengsizlik ikki xil qaror muhitida qanday yuzaga kelishi mumkinligini o‘rganadi: Italiyadagi professional yollash mutaxassislarining gipotetik nomzodlarga bergan ish haqi takliflari va ChatGPT hamda DeepSeekdan bir martadan olingan ochiq ish haqi qoidalarining sintetik nomzodlarga deterministik tarzda qo‘llanishi. Inson tajribasida ayol nomzodlarga to‘g‘ridan-to‘g‘ri pastroq ish haqi berilganiga statistik dalil topilmagan bo‘lsa-da, ikki bir martalik LLM qoidasi jins, millat, ota-onalik holati va ularning ayrim o‘zaro ta’sirlari uchun ochiq ish haqi tuzatishlarini o‘z ichiga oladi. Biroq ikki tadqiqot teng emas: birinchi tadqiqot eksperimental inson baholashlarini, ikkinchisi esa muayyan promptlarga bog‘liq ikki qoida tizimining mexanik taqsimot natijalarini o‘rganadi.

Tadqiqot 1da 1.116 recruiter so‘rovnomada qatnashgan, ish haqi tahlili uchun 1.094 recruiter va jami 6.420 ish haqi taklifi ishlatilgan. Har bir recruiter oltita gipotetik nomzod profilini baholagan. Nomzodning jinsi, yoshi va ta’lim darajasi profillar o‘rtasida tasodifiy tayinlangan. Ayol nomzod ko‘rsatkichi uchun koeffitsiyent β=0,006 va p=0,576; ya’ni eksperimental vinyet muhitida ayol va erkak nomzodlar o‘rtasida to‘g‘ridan-to‘g‘ri ish haqi farqiga dalil yo‘q. 38 va 48 yosh ko‘rsatkichlari ham ahamiyatli emas. Past ta’lim koeffitsiyenti manfiy, biroq p=0,104 bilan an’anaviy ahamiyatlilik chegaralaridan o‘tmaydi.

Bunga qarama-qarshi ravishda, ish haqi takliflari recruiterlar o‘rtasida sezilarli darajada farqlanadi. Ayol recruiter ko‘rsatkichi referens nomzod profili uchun β=-0,142 va p=0,009; past ta’lim × ayol recruiter o‘zaro ta’siri β=0,035 va p=0,049. Recruiter jinsi tasodifiy tayinlanmaganligi sababli bu natijalar ayol recruiter bo‘lishning sababiy ta’siri emas. Bundan tashqari, ayol recruiter koeffitsiyentini barcha nomzod profillari uchun umumiy ish haqi farqi sifatida talqin qilib bo‘lmaydi; ta’lim bo‘yicha o‘zaro ta’sir tufayli natija referens nomzod va model shartlariga bog‘liq.

Tadqiqot 2da ChatGPT va DeepSeekdan har biriga bir martadan ish haqini baholash qoidasi ishlab chiqdirilgan va olingan og‘irliklar o‘zgartirilmasdan qo‘llangan. Ta’lim, tajriba, kasb, jins, yosh, ota-onalik holati, millat, tug‘ilgan hudud va ta’limning Italiyada olingani kabi xususiyatlarning barcha ruxsat etilgan kombinatsiyalaridan 5.760 sintetik profil yaratilgan. Har bir profil 1.500 € sof oylik bazaviy ish haqidan boshlanib, bir xil deterministik qoidaga bo‘ysundirilgan.

Har ikki LLMdan olingan qoida ayol nomzod uchun -200 €, xorijiy nomzod uchun -300 €, ayol × ota-onalik holati uchun qo‘shimcha -150 € va ayol × xorijiy uchun qo‘shimcha -100 € tuzatishni o‘z ichiga oladi. Bunga qarshi ravishda, yuqori ta’lim, tajriba va yuqori darajadagi kasblar uchun ijobiy ustamalar mavjud. ChatGPT va DeepSeek ayniqsa past ta’lim va yosh bo‘yicha farqlanadi: ChatGPT past ta’lim uchun +200 € va 48 yosh uchun +150 € bersa, DeepSeek past ta’lim uchun -100 € va 48 yosh uchun -50 € beradi.

Tadqiqotning asosiy siyosiy xulosasi shuki, shaffoflik va deterministik qaror qoidasi o‘z-o‘zidan taqsimot neytralligini anglatmaydi. Qoida to‘liq ko‘rinadigan, kuzatiladigan va bir xil kirishga har safar bir xil chiqishni beradigan bo‘lishi mumkin; shunga qaramay, xususiyatlarga berilgan og‘irliklar muayyan guruhlar o‘rtasida tizimli ish haqi farqlarini yuzaga keltirishi mumkin. Boshqa tomondan, tadqiqot ChatGPT yoki DeepSeek muayyan guruhlarga umumiy va doimiy tarzda diskriminatsiya qiladi, deb isbotlamaydi; u faqat ikki aniq, bir martalik, promptga bog‘liq qoida tizimining natijalarini o‘rganadi.

Tadqiqotning asosiy muammosi

Ish haqi tengsizligini faqat xodimning ko‘nikmalari yoki unumdorligi bilan izohlab bo‘lmasligi mumkin. Ish haqi taklifini beradigan shaxsning xulq-atvori, tashkilotning baholash me’yorlari yoki algoritmga ochiq yoki bilvosita joylashtirilgan qaror qoidalari ham turli nomzodlarning turli iqtisodiy natijalar olishiga olib kelishi mumkin.

Ushbu tadqiqot muammoni ikki alohida darajada ko‘rib chiqadi. Birinchi darajada haqiqiy yollash mutaxassislarining gipotetik nomzodlar haqida bergan ish haqi qarorlari o‘rganiladi. Ikkinchi darajada esa ikki yirik til modelidan bitta so‘rov bilan olingan ochiq ish haqi qoidalari barcha sintetik nomzod kombinatsiyalariga mexanik tarzda qo‘llanadi.

Bu ikki dizayn bir xil narsani o‘lchamaydi. Inson eksperimenti randomizatsiya qilingan nomzod xususiyatlarining stated wage offer ko‘rsatkichiga ta’sirini sinaydi. LLM simulyatsiyasi esa modeldan olingan muayyan qoida qaysi guruhlar o‘rtasida qanday ish haqi farqlarini majburiy ravishda yuzaga keltirishini kuzatadi.

Faktorial Vinyet Eksperimenti Nima va Ushbu Tadqiqotda Nimani O‘lchaydi?

Faktorial vinyet eksperimenti bu yerda nomzodning jins, yosh va ta’lim darajasi kabi xususiyatlarini profillar o‘rtasida tasodifiy o‘zgartirish orqali recruiterlarning ish haqi taklifidagi o‘zgarishni bevosita shu manipulyatsiya qilingan xususiyatlar bilan bog‘lashga imkon beradigan eksperimental dizayndir; natijalar haqiqiy ish haqi shartnomalarini emas, gipotetik nomzodlarga berilgan bildirilgan sof oylik ish haqi takliflarini o‘lchaydi.

Inson recruiter namunasi

Ma’lumotlar 2024 yil dekabridan 2025 yil yanvarigacha Qualtrics onlayn paneli orqali Italiyada to‘plangan. Panel recruiterlar, inson resurslari mutaxassislari va xodimlarni tanlash yoki ish haqini belgilash qarorlarida bevosita ishtirok etadigan shaxslardan iborat.

Namuna firma hajmiga qarab qatlamlashtirilgan. Jami 1.116 recruiter tadqiqotda qatnashgan. Tahlilda musbat, oylik sof 10.000 €dan past ish haqi takliflari saqlangan va mixed-effects modeli uchun zarur to‘liq-holat shartlari qo‘llangan. Yakuniy asosiy tahlil 1.094 recruiter va 6.420 ish haqi taklifidan iborat.

Recruiter paneli ehtimolli milliy namuna emas. Manba panel response rate ma’lumoti yo‘qligini va formal attention check qo‘llanmaganini bildiradi. Shu sababli natijalarni Italiyadagi barcha ish haqi belgilovchilarning milliy vakillik bahosi sifatida o‘qimaslik kerak.

Randomizatsiya qilingan nomzod xususiyatlari

• Jins: ayol yoki erkak.
• Yosh: 28, 38 yoki 48.
• Ta’lim: past yoki yuqori ta’lim darajasi.

Bu xususiyatlarning vinyetlarga tasodifiy taqsimlanishi nomzod xususiyatlari bo‘yicha eksperiment ichidagi sababiy identifikatsiyani qo‘llab-quvvatlaydi. Recruiter jinsi esa kuzatilgan shaxsiy xususiyat bo‘lib, randomizatsiya qilinmagan.

Inson recruiter modeli

Har bir recruiter bir nechta nomzodni baholagani uchun kuzatuvlar mustaqil emas; bir shaxsning oltita qarori bir-biriga o‘xshashi mumkin. Tadqiqotchilar bu ierarxik tuzilmani recruiter-specific random interceptni o‘z ichiga olgan chiziqli mixed-effects modeli bilan hisobga olgan.

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

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

Bu yerda \(i\) nomzod vinyetini, \(r\) esa recruiterni bildiradi. Bog‘liq o‘zgaruvchi oylik sof ish haqi taklifining natural logarifmidir. \(u_r\) recruiterga xos kuzatilmagan bazaviy ish haqi belgilash moyilligini; \(\varepsilon_{ir}\) esa muayyan vinyetga xos qolgan o‘zgarishni ifodalaydi.

Referens nomzod 28 yoshli, yuqori ma’lumotli erkak nomzod bo‘lib, referens recruiter erkak recruiterdir. Shu sababli o‘zaro ta’sir mavjud modellarda bitta asosiy koeffitsiyent barcha nomzodlar yoki barcha recruiterlar uchun umumiy o‘rtacha sifatida talqin qilinmasligi kerak.

Inson Yollash Mutaxassislari Ayol Nomzodlarga Pastroq Ish Haqi Taklif Qildimi?

Ushbu vinyet eksperimentida yo‘q: ayol nomzod koeffitsiyenti β=0,006 va p=0,576; ya’ni boshqa eksperimental nomzod xususiyatlari o‘zgarmas bo‘lganda ayol va erkak nomzodlarga berilgan bildirilgan ish haqi takliflari o‘rtasida to‘g‘ridan-to‘g‘ri, statistik jihatdan ahamiyatli jins farqiga dalil topilmagan. Bu natija haqiqiy yollash va real maosh muzokaralarida jinsiy diskriminatsiya yo‘qligini ko‘rsatmaydi.

Tadqiqot 1ning asosiy koeffitsiyentlari

Recruiterlar o‘rtasidagi geterogenlik

Recruiter-specific random intercept dispersiyasi 0,655, residual dispersiya 0,121. Manba ushbu ikki komponent hisobga olinganda recruiter darajasi umumiy model dispersiyasining taxminan %84ini tashkil etishini hisoblaydi.

Bu qiymat recruiterlarning umumiy ish haqi belgilash moyilliklarida sezilarli farqlar borligini ko‘rsatadi. Biroq bu geterogenlik qaysi recruiter xususiyatlaridan kelib chiqishini tadqiqot to‘liq aniqlay olmaydi. Sektor, tajriba yoki tashkilotdagi rol kabi recruiter xususiyatlarining bir qismi ayol recruiter koeffitsiyenti bilan korrelyatsiyalangan bo‘lishi mumkin.

Firma va sektor nazoratlari bilan barqarorlik

17-sahifadagi Figure 1 asosiy model bilan firma xodimlari sonining logarifmini va ATECO sektor doimiy effektlarini qo‘shgan model koeffitsiyentlarini taqqoslaydi. Ayol recruiter koeffitsiyenti -0,142dan -0,121ga pasayadi, ammo p=0,024 bilan ahamiyatli bo‘lib qoladi. Past ta’lim × ayol recruiter o‘zaro ta’siri 0,035 va p=0,049 bo‘lib, deyarli o‘zgarmaydi.

Firma hajmi β=0,034 va p<0,001 bilan ish haqi takliflari bilan ijobiy bog‘liq. Qo‘shimcha nazoratlar likelihood-ratio testida model mosligini sezilarli yaxshilagan: \(\chi^2(21)=67,84\), p<0,001.

Figure 1ning ilmiy xabari shuki, asosiy recruiter-gender va education-interaction natijalari firma hajmi va sektor farqlari qo‘shilganda butunlay yo‘qolmaydi. Grafik ushbu natijalar real mehnat bozoriga avtomatik ravishda umumlashtirilishini ko‘rsatmaydi.

Tadqiqot 2 nima uchun boshqa tadqiqot?

Ikkinchi tadqiqot yollash mutaxassislaridan to‘plangan xulq-atvor ma’lumotlaridan foydalanmaydi. Tadqiqotchilar ChatGPT va DeepSeekdan har biriga bir martadan Italiya mehnat bozorida yollash-baholash tizimi sifatida harakat qilib, kuzatiladigan nomzod xususiyatlarini ish haqiga bog‘laydigan ochiq og‘irliklar yaratishni topshirgan.

Modellar bergan ish haqi og‘irliklari belgisi yoki kattaligi o‘zgartirilmasdan qo‘llangan. Shu sababli simulyatsiyadagi barcha ish haqi farqlari tadqiqotchilar keyinchalik qo‘shgan koeffitsiyentlardan emas, olingan qoidalar to‘plamidan kelib chiqadi.

Biroq “model javobi bir marta olingandan keyingi simulyatsiyaning takrorlanishi” bilan “shu modelga yana so‘ralganda shu qoida qayta hosil bo‘lishi” bir-biridan farq qiladi. Tadqiqot faqat birinchisini ko‘rsatadi. Ikkinchi turdagi barqarorlik sinovdan o‘tkazilmagan.

To‘liq faktorial sintetik profil dizayni

Bu 5.760 profil namuna emas, barcha ruxsat etilgan kombinatsiyalarning to‘liq enumeratsiyasidir. Shu sababli sintetik ma’lumotlarda klassik tanlama noaniqligi mavjud emas.

ChatGPT va DeepSeekdan olingan deterministik ish haqi og‘irliklari

Har ikki qoida 1.500 € sof oylik bazaviy ish haqi asosida qo‘shiluvchi tarzda qo‘llanadi.

Manba jadvallarida “farzandli” uchun to‘g‘ridan-to‘g‘ri ish haqi og‘irligi +50 € bo‘lishiga qaramay, iqtisodiy talqin ustuni buni “parenthood penalty” deb ataydi. Bunga qarshi ravishda, ayol × farzandli o‘zaro ta’siri -150 € bo‘lishi ayol nomzod uchun ota-onalikning umumiy marjinal ta’sirini salbiy yo‘nalishda o‘zgartirishi mumkin. Verianla ushbu belgi/yorliq nomuvofiqligini yashirincha qayta nomlamaydi.

Shaffof va Deterministik Ish Haqi Qoidasi Nega Shunga Qaramay Tengsizlik Yaratishi Mumkin?

Chunki shaffoflik qaror qanday ishlab chiqilganini ko‘rinadigan qiladi, biroq ishlatilgan og‘irliklarning normativ jihatdan neytral bo‘lishini kafolatlamaydi; ayol nomzod uchun -200 € yoki xorijiy nomzod uchun -300 € kabi ochiq qoida to‘liq takrorlanuvchi bo‘lsa ham, qoida bir xil xususiyatlarga ega guruhlar o‘rtasidagi ish haqi farqini har bir qo‘llanishda mexanik ravishda qayta ishlab chiqaradi.

Log-ish haqi dekompozitsiyasining maqsadi

LLM qoidalari yevroda qo‘shiluvchi tarzda belgilangan. Tadqiqotchilar ularni inson recruiter modeliga tavsifiy jihatdan osonroq yaqinlashtirish uchun log-ish haqi regressiya shaklida taxminan ajratgan:

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

\(X_i\) nomzodning ma’lum xususiyatlari va o‘zaro ta’sirlarini o‘z ichiga oladi. Manba ta’rifida \(\gamma\) terminlari sektor, kasb va tug‘ilgan hudud tuzilmalari bilan bog‘lanadi; \(e_i\) esa yevroda qo‘shiluvchi qoidaning log-chiziqli model bilan taxminiy ifodalanishidan kelib chiqadigan residual approximation error hisoblanadi.

Bu koeffitsiyentlar noma’lum real dunyo jarayonidan baholangan xulq-atvor parametrlari emas. Ma’lumot yaratish qoidasi boshidan ma’lum. Shu sababli Tadqiqot 2da standart xato va p qiymatini hisobot qilishning haqiqiy tanlama noaniqligi ma’nosida funksiyasi yo‘q.

ChatGPT qoidasining log-miqyosdagi ko‘rinishi

DeepSeek qoidasi bilan asosiy farqlar

DeepSeekdan olingan qoida yuqori ta’lim va yuqori tajribaga katta og‘irlik berishi bilan birga, ikki nuqtada ChatGPT qoidasidan sezilarli farq qiladi.

Birinchisi ta’limdir. ChatGPT past ta’lim uchun +200 €, yuqori ta’lim uchun +600 € ishlatgani sababli ikki daraja o‘rtasidagi bevosita farq 400 €. DeepSeek past ta’lim uchun -100 €, yuqori ta’lim uchun +600 € ishlatgani sababli farq 700 €ga chiqadi.

Ikkinchisi yoshdir. ChatGPT 48 yosh uchun +150 € ustama bersa, DeepSeek -50 € jarima beradi. Shunday qilib, bir xil sintetik nomzodlar populyatsiyasiga va bir xil umumiy protokolga qo‘llangan ikki bir martalik LLM qoidasi yoshning iqtisodiy qiymatini qarama-qarshi yo‘nalishda kodlashi mumkin.

Log-ish haqi ifodasida yuqori ta’lim koeffitsiyenti ChatGPTda 0,214, DeepSeekda 0,418. Ayol koeffitsiyentlari mos ravishda -0,092 va -0,100; xorijiy millat koeffitsiyentlari -0,151 va -0,170.

Ushbu Tadqiqot ChatGPT va DeepSeek Umuman Diskriminatsion Ekanini Isbotlaydimi?

Yo‘q. Har bir model faqat bir marta va muayyan prompt, versiya va konfiguratsiya ostida so‘ralgan; tadqiqot takroriy so‘rovlarni, boshqa promptlarni, boshqa versiyalarni yoki haqiqiy yollash tizimlarini sinamaganligi sababli natijalarni ChatGPT yoki DeepSeekning barqaror va modelga umumiy xususiyatlari sifatida umumlashtirib bo‘lmaydi.

“One-shot audit” iborasi nimani anglatadi?

“One-shot” bu yerda har bir modeldan ish haqi qoidasi faqat bitta o‘zaro aloqada olinganini anglatadi. Olingan qoida mustahkamlangandan keyin 5.760 profilga deterministik tarzda qo‘llanadi va natija to‘liq qayta ishlab chiqarilishi mumkin.

Biroq ayni prompt keyingi safar shu modelga qayta berilganda ayni og‘irliklar chiqishi sinovdan o‘tkazilmagan. Tadqiqotchilarning kelajakdagi ishlar bo‘yicha takliflaridan biri aynan shudir: har bir modelni ko‘p marta, muqobil promptlar, versiyalar va konfiguratsiyalar bilan so‘rab, qoida barqarorligini o‘lchash.

Inson va algoritmik ish haqi belgilashni bevosita taqqoslash mumkinmi?

Faqat cheklangan darajada. Tadqiqot 1 va Tadqiqot 2da umumiy xususiyatlar jins, yosh va ta’limdir. Ushbu uch xususiyat bo‘yicha naqshlarni yonma-yon muhokama qilish mumkin.

Inson eksperimentida ish tajribasi, millat, ota-onalik holati, kasb, tug‘ilgan hudud va ta’limning Italiyada olingani eksperimental omillar emas. Shu sababli LLM qoidalarining bu xususiyatlarda yuzaga keltirgan farqlarini inson recruiterlar bilan taqqoslash ilmiy jihatdan to‘g‘ri emas.

Inson eksperimentida ayol nomzod koeffitsiyenti taxminan nol va ahamiyatli emas, ikki LLM qoidasi esa ayol xususiyatiga bevosita salbiy ish haqi og‘irligi beradi. Bu qarama-qarshilik muhim, biroq “LLM insonlardan ko‘ra ko‘proq diskriminatsiya qiladi” degan xulosa uchun yetarli emas; ma’lumot yaratish jarayonlari turlicha.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Vinyet eksperimentida ayol nomzodlarga to‘g‘ridan-to‘g‘ri pastroq ish haqi taklif qilinganiga statistik dalil yo‘q.
• Recruiterlar o‘rtasida boshlang‘ich ish haqi belgilash moyilligida katta geterogenlik mavjud.
• Recruiter jinsi referens nomzod profili uchun ish haqi farqi bilan bog‘liq; bu bog‘liqlik sababiy emas.
• Past ta’lim bilan bog‘liq ish haqi farqi recruiter jinsiga qarab o‘zgaradi.
• Ikki bir martalik LLM qoidasi jins, millat, ota-onalik holati va ayrim o‘zaro ta’sirlarga ochiq ish haqi og‘irliklarini tayinlaydi.
• ChatGPT va DeepSeek qoidalari bir xil sintetik populyatsiyaga qo‘llansa ham, ta’lim va yosh bo‘yicha turli ish haqi tuzilmalarini yuzaga keltiradi.
• Shaffof va to‘liq deterministik qoidalar taqsimot jihatidan neytral bo‘lishi shart emas.
• Algoritmik audit faqat qoidaning tushuntirilishini emas, turli nomzod guruhlarida yaratadigan taqsimot natijalarini ham tekshirishi kerak.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• Haqiqiy Italiya mehnat bozorida ayollarga ish haqi bo‘yicha diskriminatsiya qilinmaydi degan xulosa chiqarib bo‘lmaydi.
• Ayol recruiterlar umuman erkak recruiterlarga qaraganda pastroq ish haqi beradi deb sababiy tarzda aytib bo‘lmaydi.
• ChatGPT yoki DeepSeekning barcha versiyalari va barcha promptlari uchun doimiy ayol yoki xorijiy jarimasi mavjud deb aytib bo‘lmaydi.
• Tadqiqot 2 haqiqiy kompaniyaning ishlab chiqarish muhitidagi yollash tizimini o‘rganmaydi.
• Deterministik LLM koeffitsiyentlarini p qiymati yoki tanlama noaniqligi mavjud bo‘lgan real dunyo baholari deb hisoblab bo‘lmaydi.
• Tadqiqot LLMlar inson recruiterlardan ko‘ra ko‘proq diskriminatsion yoki adolatli ekanini isbotlamaydi.
• Millat, ota-onalik holati, ish tajribasi yoki hudud bo‘yicha inson–LLM taqqoslashini amalga oshirib bo‘lmaydi; bu xususiyatlar inson eksperimentida ayni usulda manipulyatsiya qilinmagan.
• Qoidaning tushuntirilishi uning huquqiy, axloqiy yoki taqsimot jihatidan adolatli ekanini o‘z-o‘zidan ko‘rsatmaydi.

Tadqiqot Usuli va Natijalari

Ikki tadqiqot o‘rtasidagi metodologik farq

Tadqiqot 1da tashqi haqiqiylik

Vinyet dizayni ichki haqiqiylik jihatidan kuchli; randomizatsiya nomzod xususiyatlari farqlarining ish haqi taklifiga ta’sirini ajratib beradi. Biroq haqiqiy ish suhbati, muzokara, mehnat shartnomasi yoki kompaniya ichki ish haqi siyosati kabi jarayonlar vinyet muhitida mavjud emas.

Bundan tashqari, namuna onlayn paneldan olingan. Panel response rate manbada yo‘q va attention check o‘tkazilmagan. Shu sababli natijalar barcha italiyalik recruiterlar populyatsiyasining ehtimolli tanlamaga asoslangan bahosi emas.

Tadqiqot 2da takror ishlab chiqarish

Qoida og‘irliklari belgilangandan keyin simulyatsiya kuchli ravishda qayta ishlab chiqariladi. To‘liq faktorial dizaynda seed yoki tasodifiy son generatori ishlatilmaydi. Bir xil og‘irliklarga bir xil 5.760 profil berilganda ayni ish haqlari hosil bo‘ladi.

Bunga qarshi ravishda, qoidani modeldan olish bosqichi qayta ishlab chiqarish nuqtai nazaridan sinovdan o‘tkazilmagan. Shu model ikkinchi so‘rovda ayni koeffitsiyentlarni beradimi yoki yo‘qmi noma’lum.

Manba ichidagi texnik izchillik qaydlari

Manbaning usul tavsifida simulyatsiya uchun sektor, kasb va hudud terminlari birga tilga olinadi; biroq to‘liq faktorial nomzod xususiyatlari ro‘yxatida alohida sektor o‘zgaruvchisi mavjud emas. ChatGPT Table 4 random effectsni occupation va region sifatida beradi, DeepSeek Table 6 esa sector, occupation va region random interceptlarini ko‘rsatadi. Ushbu farq manbada hal qilinmagani sababli bu yerda ham yagona uyg‘unlashtirilgan model bordek taqdim etilmagan.

Bundan tashqari, Table 3 va Table 5da farzandli bo‘lishning bevosita ish haqi tuzatishi +50 € bo‘lsa-da, iqtisodiy talqin yorlig‘i “parenthood penalty”dir. Bu nomlash belgi bilan to‘liq mos emas. Ayol × ota-onalik holati o‘zaro ta’siri esa -150 € bo‘lgani sababli ayol ota-onalarda qo‘shimcha salbiy farq aniq mavjud.

Ma’lumot va kod

Tadqiqot 1ning recruiter ma’lumotlari ishtirokchilar maxfiyligi sharti bilan corresponding authordan asosli so‘rov bo‘yicha olinishi mumkin.

Tadqiqot 2ning sintetik populyatsiyasi Table 3 va Table 5dagi og‘irliklar hamda Section 3.2da belgilangan full-factorial dizayndan qayta yaratilishi mumkin. Shu sababli tadqiqotchi olgan ikki qoida to‘plami mustahkamlanganda simulyatsiyaning ma’lumot yaratish jarayoni to‘liq kuzatiladigan bo‘ladi.

Etik yondashuv

Tadqiqot 1da ishtirokchilar voyaga yetgan mutaxassislardir. So‘rov boshida taxminiy davomiylik va ma’lumotlar anonim/maxfiy tarzda qayta ishlanishi tushuntirilgan, ishtirok faqat rozilik bildirgan shaxslar bilan davom ettirilgan.

Manba formal ethics committee approval olinmaganini ochiq bildiradi. Mualliflar bunga tadqiqotning anonim, aralashuvsiz onlayn vinyet so‘rovi bo‘lishini va ishtirokchilar faqat gipotetik nomzod profillarini baholaganini asos sifatida ko‘rsatadi.

Tadqiqotning kuchli tomonlari

• Inson qarorlari va ochiq algoritmik qoidalardagi tengsizlikning turli shakllanish yo‘llarini bir tadqiqot doirasida ajratishi.
• Inson eksperimentida nomzod jinsi, yoshi va ta’limini randomizatsiya qilishi.
• Bir recruiterdan kelgan takroriy o‘lchovlar uchun mixed-effects modelidan foydalanishi.
• Recruiter darajasidagi geterogenlikni ko‘rinadigan qilishi.
• Firma hajmi va sektor nazoratlari bilan asosiy inson natijalariga barqarorlik tahlilini qo‘llashi.
• LLM qoida og‘irliklarini ochiq tarzda e’lon qilishi.
• 5.760 profilning to‘liq faktorial enumeratsiyasi orqali qoidaning barcha ruxsat etilgan kombinatsiyalardagi natijalarini o‘rganishi.
• LLM simulyatsiyasini real maydondagi diskriminatsiya yoki modelga umumiy xulq sifatida taqdim etmasligi.
• Shaffoflik va adolat o‘rtasidagi konseptual farqni aniq ish haqi qoidasi bilan ko‘rsatishi.

Asosiy cheklovlar

• Inson recruiter paneli milliy vakillik qiladigan ehtimolli namuna emas.
• Panel response rate manbada mavjud emas.
• Formal attention check o‘tkazilmagan.
• Stated wage offer haqiqiy ish haqi shartnomasi emas.
• Recruiter jinsi randomizatsiya qilinmagan va uning koeffitsiyenti sababiy talqin qilinmaydi.
• LLM qoidasi har bir modeldan faqat bir marta olingan.
• Muqobil prompt, model versiyasi va konfiguratsiya sezgirligi sinovdan o‘tkazilmagan.
• Faqat ikkita umumiy maqsadli LLM o‘rganilgan.
• LLMlar haqiqiy yollash tizimida ishlatilmagan.
• Tadqiqot 1 va Tadqiqot 2 turli xususiyat to‘plamlarini o‘z ichiga olgani sababli bevosita taqqoslash faqat jins, yosh va ta’lim bilan cheklangan.
• LLM koeffitsiyentlari haqiqiy ma’lumot baholari emas, oldindan ma’lum qoidalarning log-miqyosdagi tushuntiruvchi dekompozitsiyasidir.
• Manbada sektor terminining simulyatsiya spetsifikatsiyasida ishlatilishi to‘liq izchil emas.

Ilmiy jihatdan eng xavfsiz umumiy talqin

Ushbu tadqiqot ish haqi tengsizligi inson va algoritmik baholash tizimlarida bir xil mexanizmdan kelib chiqishi shart emasligini ko‘rsatadi. Inson recruiter eksperimentida eng ko‘zga tashlanadigan xususiyat nomzod jinsiga bog‘liq to‘g‘ridan-to‘g‘ri farqdan ko‘ra recruiterlar o‘rtasidagi katta qaror geterogenligidir.

Ikki LLMdan bir martadan olingan qoidalarda esa farq baholash jarayonidagi tasodifiy inson xatti-harakatidan emas, qoidaning ichiga ochiq yozilgan og‘irliklardan kelib chiqadi. Agar qoida ayol, xorijiy yoki muayyan hududdan kelgan nomzodga salbiy og‘irlik bersa, shu xususiyatga ega barcha profillar bu farqni deterministik tarzda oladi.

Shu sababli tadqiqotning eng keng ilmiy xabari “inson adolatliroqmi yoki algoritmmi?” emas. To‘g‘riroq savol shuki: qaror tizimi qaysi xususiyatlarga qanday og‘irlik beradi, bu og‘irliklar qaysi guruhlarda qanday taqsimot natijalarini yaratadi va bu natijalar qanday dalil darajasida o‘lchanadi.

Manba va Usul Haqida Izoh

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

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

Corresponding/contact author: SSRN yozuvi Maria Gabriella Campoloni Contact Author sifatida ko‘rsatadi.

Affiliatsiya: SSRN yozuviga ko‘ra 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.

Bibliografik izoh: Yuklangan PDFning ko‘rinadigan birinchi sahifasida muallif va affiliatsiya ma’lumotlari mavjud emas. Yuqoridagi muallif identifikatsiyasi va muassasalar SSRNning rasmiy yozuv metadata-sidan tasdiqlangan.

Platforma: SSRN.

SSRN yozuv raqami: 7566539.

DOI: 10.2139/ssrn.7566539.

SSRN yuklangan sana: 5 Oktabr 2026.

Sahifalar soni: 38.

Manba turi: Ikki qismli preprint tadqiqot: faktorial vinyet eksperimenti + bir martalik, promptga bog‘liq deterministik LLM ish haqi qoidasining auditi.

Hakamlash holati: Hakamlik baholashidan o‘tmagan. PDF buni har bir sahifada ochiq ko‘rsatadi.

Tadqiqot 1 asosiy usuli: 2024 yil dekabr-2025 yil yanvar davrida Italiyada Qualtrics paneli; oltita nomzod profilini baholagan professional recruiterlar; nomzod jinsi, yoshi va ta’lim darajasini randomizatsiya qilish; recruiter-specific random interceptni o‘z ichiga olgan chiziqli mixed-effects model.

Tadqiqot 1 analitik namunasi: 1.094 recruiter va 6.420 ish haqi taklifi. Musbat va oylik 10.000 €dan past sof ish haqi takliflari ishlatilgan.

Tadqiqot 2 asosiy usuli: Manbada ChatGPT/GPT-4 va DeepSeek-V3 deb belgilangan ikki umumiy maqsadli LLMdan bir martadan ish haqini baholash qoidasini olish; og‘irliklarni o‘zgartirmasdan qo‘llash; 5.760 to‘liq faktorial sintetik nomzod profili; 1.500 € bazaviy sof oylik ish haqi.

Asosiy inson natijasi: Ayol nomzodning bevosita ish haqi koeffitsiyenti ahamiyatli emas; recruiterlar o‘rtasida yuqori bazaviy ish haqi geterogenligi mavjud va recruiter jinsi bilan ta’lim o‘zaro ta’siriga bog‘liq shartli farqlar kuzatiladi.

Asosiy LLM natijasi: Ikki promptga bog‘liq deterministik qoida inson kapitali xususiyatlari bilan birga jins, millat, ota-onalik va ularning o‘zaro ta’sirlariga ko‘ra mexanik ish haqi farqlarini hosil qiladi.

Asosiy metodologik chegara: LLM qoidalari har bir modeldan faqat bir marta olingan bo‘lib, takroriy so‘rovlar, muqobil promptlar, boshqa versiyalar yoki haqiqiy yollash muhitlari bilan tasdiqlanmagan.

Ma’lumot mavjudligi: Tadqiqot 1 ma’lumotlari ishtirokchilar maxfiyligi sharti bilan corresponding authordan asosli so‘rov bo‘yicha olinishi mumkin. Tadqiqot 2 sintetik ma’lumotlari e’lon qilingan og‘irliklar va full-factorial dizayndan qayta yaratilishi mumkin.

Etika: Anonim va aralashuvsiz onlayn vinyet so‘rovi uchun formal ethics committee approval olinmagan. Ishtirokchilar davomiylik, anonimlik va maxfiylik haqida xabardor qilingan va ishtirokni qabul qilgandan keyin so‘rovni davom ettirgan.

Moliyalashtirish: Manba PDFda alohida moliyalashtirish bayonoti aniqlanmagan; bundan moliyalashtirish bo‘lmagan degan xulosa chiqarilmagan.

Manfaatlar to‘qnashuvi: Manba PDFda alohida manfaatlar to‘qnashuvi bayonoti aniqlanmagan.

Muallif hissalari: Manba PDFda alohida CRediT/muallif hissasi bo‘limi aniqlanmagan.

Litsenziya/mualliflik huquqi: Manba PDFda ochiq Creative Commons yoki unga teng qayta foydalanish litsenziyasi mavjud emas va ko‘rilgan SSRN bibliografik ko‘rinishida ochiq litsenziya tasdiqlanmagan. Shu sababli qayta foydalanish fail-closed tarzda baholangan; Verianla mazmuni asl jumlalarni, jadval dizaynini yoki Figure 1ni ko‘chirmasdan tayyorlangan.

Manba ichidagi usul izohi: Simulyatsiya spetsifikatsiyasida sektor o‘zgaruvchisining ishlatilishi bo‘limlar va jadvallar o‘rtasida to‘liq izchil emas; shuningdek, +50 € bevosita parenthood og‘irligining “parenthood penalty” deb belgilanishi belgi va izoh o‘rtasida noaniqlik yaratadi. Ushbu nuqtalar yashirincha tuzatilmagan.