Distributional Intersectional Fairness in AI-Supported Job Matching: Evidence on Amplification, Trade-Offs, and Residual Risk

Obwohl die Bedeutung von Intersektionalität in der Diskriminierungsforschung weithin anerkannt ist, beschränken sich die meisten Evaluationen algorithmischer Fairness weiterhin auf Gruppenvergleiche entlang einzelner Merkmale oder auf Vorhersagefehler auf Individualebene.

Dieses Papier entwickelt einen verteilungsbasierten Ansatz zur Untersuchung intersektionaler Fairness, der analysiert, wie maschinelle Lernverfahren die Verteilung von Ergebnissen zwischen sich überschneidenden sozialen Gruppen verändern. Es zeigt, dass Modelle ohne Fairness-Beschränkungen bestehende
Arbeitsmarktstrukturen nicht nur reproduzieren, sondern intersektionale Unterschiede
zwischen Berufen systematisch verstärken.

IAB-Discussion Paper 06/2026: Distributional Intersectional Fairness in AI-Supported Job Matching: Evidence on Amplification, Trade-Offs, and Residual Risk

Bild: vectorfusionart/adobe.stock.com

https://iab.de/distributional-intersectional-fairness-in-ai-supported-job-matching-evidence-on-amplification-trade-offs-and-residual-risk