一项大规模研究揭示，由于美国多数雇主依赖少数几家供应商提供的招聘算法，形成了“算法单一化”现象。这种集中的系统不仅导致了高度同质化的招聘结果，还对求职者造成了系统性的不公，尤其是对黑人和亚裔申请者产生了显著的不利影响。研究指出，这种歧视只有在按单个职位分析数据时才能被发现，而宏观的聚合数据会掩盖问题。因此，研究呼吁监管机构改变评估方式，并加强对招聘市场的监督。
关键发现
对特定族裔的大规模不利影响： 这是首次大规模证实招聘算法在现实高风险决策中存在不公。研究发现，25.87% 的黑人申请者和 14.74% 的亚裔申请者，在求职过程中都申请了至少一个会因算法而对他们产生不利影响的职位。
系统性拒绝： “算法单一化”导致了求职者的 系统性拒绝。当一个求职者被某个供应商的算法判定为“不推荐”时，他们很可能会在所有使用该供应商系统的公司那里同时被拒，这种现象远超正常统计概率。
数据聚合掩盖了歧视： 之前的研究由于只能分析整体数据，未能发现明显的歧视。而这项研究表明，偏见问题只有在 逐个职位 进行分析时才会显现。
只有按照美国就业法的标准，对每个独立的职位进行分析，我们才能识别出那些在聚合数据中被“平均掉”的不利影响。
独立研究受阻： 尽管招聘算法已被广泛应用，但由于企业数据不开放，独立研究极难进行。缺乏外部的实证研究，使得诊断和解决这些算法带来的问题变得异常困难。
政策建议
为了应对招聘算法带来的风险，研究人员提出了四项核心建议：
按单个职位评估不利影响： 监管机构和审计方应在 单个职位 的层面上评估算法是否存在歧视，因为仅靠聚合分析会掩盖问题。
加强市场监督： 联邦机构应量化同质化招聘结果的发生率。如果缺乏跨雇主的数据关联，现有的报告机制将无法捕捉到 系统性拒绝 的问题。
监控算法单一化风险： 政策制定者应警惕招聘供应链中的 高度依赖 问题。过度依赖少数系统不仅会造成关联性失败，还会抑制招聘市场的竞争。
扩大研究者的数据访问权限： 立法者应鼓励对主要招聘平台进行独立研究，包括提供必要的数据访问权限。没有坚实的外部实证研究作为基础，这些问题将难以被发现，更不用说被纠正。