演算法障礙：自動化招聘系統中的人工摩擦性失業與資訊不對稱框架
arXiv - Computers and SocietyIbrahim Denis Fofanah
本文提出「人工摩擦性失業」概念，揭示自動化招聘系統因語義誤判導致合格人才被錯誤篩選的機制。
AI 幫你先抓重點
AI 重點 1
重新定義失業成因：從「技能不匹配」轉向「演算法誤判」
滑鼠懸停看 AI 判斷理由
傳統經濟學將失業歸因於技能或地理因素，但本文指出技術性的「語義誤解」正成為新的結構性障礙，這改變了我們對勞動力市場效率的認知。
AI 重點 2
將招聘系統視為「勞動力市場基礎設施」而非單純企業工具
滑鼠懸停看 AI 判斷理由
當招聘流程高度自動化時，演算法的錯誤不再僅是單一企業的效率問題，而是會影響整體社會的人力資本利用率與勞動參與率。
核心研究發現
- 1
提出「人工摩擦性失業（AFU）」框架，描述自動化篩選系統因語義理解錯誤而非技能缺失，導致合格候選人被拒絕的現象。
- 2
透過概念驗證模擬顯示，僅僅是詞彙變異（lexical variance）就會導致關鍵字篩選與語義匹配之間產生錯誤的負面結果（false negatives）。
- 3
現有的申請者追蹤系統（ATS）將招聘轉化為高精度的分類問題，這會因資訊不對稱而放大錯誤篩選的機率。
對教育工作者的啟發
對於教育工作者與課程設計者而言，這提供了關於「技能可識別性」的重要啟發。隨著招聘進入演算法時代，教育端不僅要培養學生的實質技能，更需強化「技能語義化」的表達能力。建議在職業教育或專題式學習（PBL）中，加入如何將學習成果轉化為符合機器理解的語義標籤（Semantic Competency Mapping）之訓練，幫助學生在自動化篩選的環境中，精準地傳達其核心素養，避免因表達方式與演算法不匹配而導致的「人工摩擦性失業」。
原始文獻資訊
- 英文標題：
- The Algorithmic Barrier: A Framework for Artificial Frictional Unemployment and Information Asymmetry in Automated Recruitment Systems
- 作者：
- Ibrahim Denis Fofanah
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。