一、研究对象与核心研究问题

本文以 AI 辅助招聘系统为研究对象，聚焦 LinkedIn Recruiter 和 HireVue 这两大主流招聘平台，核心研究问题是：AI 辅助招聘工具如何在其算法逻辑中操作化和优先化"公平"与"候选人适配性"这两个关键概念？

研究的关键洞察在于：指标在 AI 招聘中扮演着双刃剑的角色——它们旨在提供客观性，但同时本质上强调某些价值而贬抑其他价值。正如研究引用的 Whittaker 所追问的：“关于价值、能力和潜力的假设，这些系统反映和再生产了什么？这些假设被编码时，谁在场？“这一问题意识将论文从单纯的描述性研究提升到了关于权力和知识的批判性分析层面。

二、研究背景

AI 技术已深入渗透到招聘流程的多个环节。LinkedIn Recruiter 聚焦于候选人搜寻和识别，HireVue 则侧重于筛选和评估。两者共同构成了一个 AI 驱动的人才管道，在人手审查开始之前就已经决定了谁被看见、谁被排序、谁被推进。然而，这些系统具有固有的不透明性，用户往往因组织指令而被迫使用这些技术，只能依赖企业的品牌叙事和营销话语来理解算法逻辑。

研究将 AI 定义为一种社会技术建构——不仅是技术工具，更是实践、表征和认识论通过技术、话语和社会互动而形成的关联性集合体。设计选择将关于公平和适配的特定假设编码进算法，这使得平台公开的话语材料成为窥探算法逻辑建构过程的窗口。

三、理论背景

本文整合了多个批判性理论框架。首先是量化逻辑的理论脉络：从二十世纪信用市场和保险公司对个人进行风险评级的历史渊源，到今天数字社会中将个人全面数据化和可比较化的实践扩展。研究借鉴了 Beer 的"指标权力"概念，其通过三个相互关联的过程发挥作用——测量（决定哪些生活维度变得可见和可比较）、流通（指标如何在不同领域间移动和累积影响力）和可能性（指标如何塑造什么被珍视、谁被认可）。

其次是算法不透明性的理论。Burrell 和 Pasquale 的研究被用来分析不透明性不仅是技术特征，更是商业资产——公司获得详细的数据分析和控制权，而求职者对其数据如何被处理的洞察极少。此外，Mau 关于"数据替身"的论述揭示了 AI 招聘的核心操作：求职者的数字档案被当作候选人本身来评估，“数据替身"代替了个人的全部评价。

四、研究设计

研究采用话语分析方法，系统收集并分析了 LinkedIn Recruiter 和 HireVue 在 2015-2025 年间公开发布的 92 份材料，包括官方文档、白皮书、博客文章、营销材料和公共声明等。分析聚焦于这些平台如何在其面向公众的沟通中话语性地构建"公平"和"适配性"这两个核心概念的叙事。

选择话语分析而不是技术审计的方法具有明确的合理性：由于这些系统具有固有的算法不透明性，直接窥探其内部逻辑极为困难，而平台围绕指标构建的公开叙事恰恰是理解其设计价值观和假设的重要窗口。分析策略将 Beer 的指标权力理论与经典量化批评传统相结合，揭示测量实践如何嵌入特定的政治判断——测量什么、如何测量、如何呈现——最终影响招聘结果。

五、主要发现

  • 研究识别出两种主导性的合法性策略。第一，两家平台均通过法律合规框架、标准化评估和旨在促进人口多样性的界面提示来论证其系统的公平性。第二，两家平台通过算法代理变量、行为推断或客户驱动的适配定义来声称能够发现最合适的候选人。
  • 公平和适配性在话语上常被区分为独立目标，但在操作实践中频繁重叠并相互影响。“适配性"概念在实践中存在强烈的主观性和可塑性，其定义和支持性指标因平台而异，在候选人评估中引入多层抽象和判断。
  • 量化逻辑将复杂的个人素质转化为可排序的简单等级，本质上是一种政治行为。在招聘语境中，决定哪些特质被测量以及如何测量，反映了平台设计者、雇主和候选人之间的权力动态。
  • 不透明性形成了分层信息获取的结构：公司获得详细分析报告，求职者则对自身数据如何处理几乎一无所知，这种不对称性加剧了现有的劳动力市场等级。
  • “适配性"概念在缺乏批判性反思的情况下，容易沦为"一致性"的代理变量——奖励相似性而惩罚差异性，在客观性名义下掩盖结构性偏见。
  • 求职者并非完全被动，部分人通过"玩弄"算法指标或突破平台限制来进行技术性抵抗，但这些策略的效果具有不确定性。

六、研究结论与讨论

本文的核心贡献在于揭示了 AI 招聘系统的深层悖论：旨在消除偏见的工具本身可能通过量化的内在政治性和"适配性"概念的模糊操作，再生产和巩固了既有不平等。AI 进入招聘流程并非消除偏见的万能药，而是一个需要持续批判性审视的复杂社会技术工程。

在责任归属问题上，研究提出了关键质询：在算法招聘时代，谁最终为公平、透明和问责负责？供应商提供了识别候选人的工具，但同时嵌入了定义适配性的不透明指标，然而最终决定权仍掌握在雇主手中。这种责任分工的模糊性构成了监管和实践的核心难题。

研究提出了一系列建设性建议：为不同利益相关者（HR 专业人员、候选人）提供针对性教育，帮助他们理解算法逻辑；建立包容性反馈机制以捕捉招聘工具在实际使用中的偏差和意外效果；以及针对新的 AI 招聘工具继续追踪重叠系统之间的交互效应——因为招聘专业人员往往同时使用多种工具评估候选人，这些工具之间的逻辑交错可能产生新的不平等等问题。