Thèse Année : 2024

Designing and Evaluating Labor Market Recommender Systems

Conception et Évaluation des Systèmes de Recommandation sur le Marché du Travail

Elia Pérennès
  • Fonction : Auteur
  • PersonId : 1496207
  • IdRef : 282662588

Résumé

The development of job recommendation systems is an important issue to improve the matching between job seekers and available jobs. In this thesis, we examine the challenges of design, personalization, and job seeker acceptance of these systems in three complementary chapters.First, we compare two approaches to recommender systems: one based on jobseeker utility, widely used by public employment services, evaluates the compatibility between profiles and offer criteria; the other, based on hiring probability, relies on machine learning techniques to predict the matches most likely to lead to hiring. By integrating these two dimensions into an empirically validated job search model, we show that the optimal system from a jobseeker's perspective combines both utility and hiring probability.We then explore the personalization of utility-based systems by incorporating job seekers' individual preferences for attributes such as salary, commuting distance, or contract type. Using a randomized controlled trial, we show that this personalization brings to light otherwise ignored vacancies, leading to a significant increase in clicks and applications. However, we find that the process of collecting preferences can reduce overall interactions, highlighting the need for a trade-off between personalization and simplicity.Finally, we analyze job seekers' acceptance of algorithmic systems. The results of a randomized controlled trial show an average preference for recommendations perceived as coming from human reflection over those identified as algorithmic. We distinguish two segments of users: the "algorithm-friendly" and the "algorithm-averse", differentiated by their socio-economic characteristics. These observations highlight the importance of adapting the presentation of recommendations to encourage their adoption.
L'essor des systèmes de recommandation d'offres d'emploi constitue un enjeu important pour améliorer l'appariement entre demandeurs d'emploi et offres disponibles. Dans cette thèse, nous examinons, à travers trois chapitres complémentaires, les défis liés à leur conception, leur personnalisation et leur acceptation par les demandeurs d'emploi.Dans un premier temps, nous comparons deux approches de systèmes de recommandation : l'une, basée sur l'utilité des demandeurs d'emploi, largement adoptée par les Services Publics de l'Emploi, évalue la compatibilité entre profils et critères des offres ; l'autre, fondée sur la probabilité d'embauche, repose sur des techniques d'apprentissage automatique pour prédire les appariements les plus susceptibles de conduire à une embauche. En intégrant ces deux dimensions dans un modèle économique validé empiriquement, nous démontrons que le système optimal, du point de vue des demandeurs d'emploi, combine utilité et probabilité d'embauche.Nous examinons ensuite la personnalisation des systèmes fondés sur l'utilité, en y intégrant les préférences individuelles des demandeurs d'emploi sur des attributs tels que le salaire, la distance domicile-travail ou le type de contrat. À l'aide d'un essai contrôlé randomisé, nous montrons que cette personnalisation permet de mettre en lumière des offres autrement ignorées, entraînant une augmentation significative des clics et candidatures. Cependant, nous observons que le processus de recueil des préférences peut réduire les interactions globales, soulignant la nécessité d'un compromis entre personnalisation et simplicité.Enfin, nous analysons l'acceptation des systèmes algorithmiques par les demandeurs d'emploi. Les résultats d'un essai contrôlé randomisé révèlent une préférence moyenne pour des recommandations perçues comme émanant d'une réflexion humaine, par rapport à celles identifiées comme algorithmiques. Nous distinguons deux segments d'utilisateurs : les "favorables aux algorithmes" et les "averses aux algorithmes", différenciés par leurs caractéristiques socio-économiques. Ces observations mettent en avant l'importance d'adapter la présentation des recommandations pour encourager leur adoption.
Fichier principal
Vignette du fichier
106400_PERENNES_2024_archivage.pdf (7.76 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04909305 , version 1 (23-01-2025)

Identifiants

  • HAL Id : tel-04909305 , version 1

Citer

Elia Pérennès. Designing and Evaluating Labor Market Recommender Systems. Economics and Finance. Institut Polytechnique de Paris, 2024. English. ⟨NNT : 2024IPPAG011⟩. ⟨tel-04909305⟩
0 Consultations
0 Téléchargements

Partager

More