Strategic Costs of Perceived Bias in Fair Selection¶

会议: NeurIPS 2025
arXiv: 2510.20606
代码: 无
领域: 公平性 / 博弈论
关键词: 公平选拔, 博弈论, Nash均衡, 感知偏差, 社会福利

一句话总结¶

通过博弈论模型揭示"感知驱动偏差"机制：在完全基于能力的选拔系统中，不同社会经济群体对选拔后价值的感知差异会导致理性的努力差异，从而在"公平"的流程中系统性地传播不平等。

研究背景与动机¶

从高校录取到企业招聘，精英选拔系统旨在公正地奖励技能和努力。然而，跨种族、性别和阶层的持续性差距挑战了这一理想。一种解释归因于结构性不平等（如教育资源差异），另一种则归因于个人选择差异。本文提出了一个新视角：感知差异。

随着 AI 驱动的工具（如个性化职业指导、薪资预测）的普及，不同群体的候选人可能对选拔后的价值（如未来收入、职业发展）产生不同的感知。即使选拔过程完全基于能力（merit），这些感知差异也会通过理性的努力选择机制，将不平等"向后传播"——高感知价值群体投入更多努力，获得更高的表现和更高的录取率。

方法详解¶

整体框架¶

连续博弈模型: 设有两个社会经济群体 \(A\) 和 \(B\)，人口比例分别为 \(\alpha\) 和 \(1 - \alpha\)。每个群体内有连续统的候选人。

候选人决策: 每个候选人 \(i\) 选择努力水平 \(e_i \geq 0\)
能力生成: 观测能力 \(m_i = e_i + \eta_i\)，\(\eta_i\) 为随机噪声
选拔规则: 选拔前 \(q\) 比例的候选人（纯能力排序）
回报: 被选中的候选人获得群体特定的回报 \(v_g\)（\(g \in \{A, B\}\)）

关键假设：\(v_A \neq v_B\)，即两个群体对被选中后的价值感知不同。

关键设计¶

Nash 均衡刻画: 在大样本极限下，作者刻画了唯一的 Nash 均衡。每个群体中所有候选人选择相同的均衡努力水平 \(e_g^*\)，明确取决于：

\[e_g^* = h(v_g, q, \alpha, c_g)\]

其中 \(c_g\) 是群体 \(g\) 的努力成本函数。关键结果是 \(e_A^* > e_B^*\) 当且仅当 \(v_A > v_B\)——高感知价值导致高均衡努力。

显式公式推导: 为以下关键量建立了闭式表达： - 均衡努力: \(e_g^*\) 作为 \(v_g\)、\(q\) 和 \(c_g\) 的函数 - 群体代表性: 每个群体在被选中人群中的比例 - 社会福利: 总体社会效用 - 个体效用: 各群体候选人的期望效用

代价敏感优化框架: 提出了一种优化方法来量化： - 调整选拔比率 \(q\) 对差距的影响 - 修改感知价值 \(v_g\)（如通过信息干预）能在多大程度上减少差距 - 约束条件：不损害机构的整体目标

损失函数 / 训练策略¶

本文为理论分析工作，核心优化问题为代价敏感框架：

\[\min_{q, v_A, v_B} \text{Disparity}(q, v_A, v_B) \quad \text{s.t.} \quad \text{InstitutionalQuality}(q) \geq \tau\]

差距度量包括代表性差距（representational gap）和效用差距（utility gap）。

实验关键数据¶

主实验¶

实验一: 感知差异对均衡努力的影响

固定 \(\alpha = 0.5\), \(q = 0.2\)（20% 录取率），线性努力成本。

\(v_A / v_B\) 比值	\(e_A^*\)	\(e_B^*\)	A组录取率	B组录取率	代表性差距
1.0	2.45	2.45	20.0%	20.0%	0.0%
1.2	2.78	2.18	24.3%	15.7%	8.6%
1.5	3.21	1.85	29.1%	10.9%	18.2%
2.0	3.85	1.52	34.6%	5.4%	29.2%
3.0	4.92	1.15	38.2%	1.8%	36.4%

即使选拔完全公平（纯能力排序），感知差异（\(v_A > v_B\)）导致了巨大的代表性不平等。

实验二: 选拔比率 \(q\) 的影响

固定 \(v_A / v_B = 1.5\)，变化 \(q\)。

选拔比率 \(q\)	A组均衡努力	B组均衡努力	代表性差距	社会福利
5%	4.12	2.45	22.8%	0.32
10%	3.56	2.05	19.5%	0.58
20%	3.21	1.85	18.2%	0.85
30%	2.88	1.72	15.6%	1.05
50%	2.35	1.55	11.3%	1.28

选拔越严格（\(q\) 越小），代表性差距越大——竞争压力放大了感知差异的影响。

消融实验¶

干预策略比较: 比较三种减少差距的干预策略。

干预策略	代表性差距 ↓	社会福利	机构质量	可行性
无干预	18.2%	0.85	1.00	—
配额制 (50%:50%)	0.0%	0.72	0.83	法律争议
提升B组感知 (v_B ↑20%)	9.1%	0.91	0.97	中等
降低竞争 (q ↑10%)	14.5%	0.89	0.90	容易

提升低感知群体的价值认知是最有效的策略——同时减少差距并提高总体社会福利。

关键发现¶

感知驱动偏差: 即使在完全公平的选拔中，感知差异也会产生系统性不平等
理性基础: 这种不平等源于理性决策（每个人都在最大化自身期望效用），而非歧视
竞争放大效应: 更高的选拔竞争放大了感知差异的影响
信息干预的价值: 通过改变感知（如提供更准确的职业前景信息）可以有效减少差距
AI 工具的双重影响: 个性化 AI 指导工具可能通过准确反映现状而固化感知差异

亮点与洞察¶

桥梁性贡献: 将理性选择理论和结构性不平等两种看似对立的解释统一在同一框架中
政策含义丰富: 为教育和就业公平政策提供了定量分析工具
AI 时代的新视角: 指出了 AI 职业指导工具可能无意中传播不平等的机制
闭式解的优雅: 均衡的显式公式使得因果分析和政策设计变得透明

局限与展望¶

静态模型: 仅捕获了更广泛反馈循环的一个阶段，未建模动态演化
两群体假设: 实际社会中存在多个交叉的社会群体
感知的外生性: 模型中感知价值是外生给定的，未建模感知的形成过程
线性能力模型: \(m_i = e_i + \eta_i\) 是简化的，实际中能力与努力的关系更复杂
实证验证: 缺乏真实数据的验证，纯理论分析

评分¶

创新性: 4/5 — 感知驱动偏差的形式化是新颖的
技术质量: 4/5 — 理论分析严谨，均衡刻画完整
表达质量: 5/5 — 论文动机清晰，社会意义明确
实用性: 3/5 — 理论模型的简化假设限制了直接应用
综合评分: 4/5