Unbiased criteria identification for two-sided matching: An environment-based design approach
Notice bibliographique
Résumé
Two-sided matching problems arise in various domains, such as school admissions, organ donation, and online dating, where elements from two distinct sets are matched based on the set of preferences. Efficient matching algorithms play a crucial role in corresponding market design, aiming to optimize match success. This paper emphasizes the importance of extracting genuine preferences for agents in two-sided matching problems. Traditional methods for identifying criteria face challenges related to sample representativeness, response bias, and inflexibility, highlighting the need for an unbiased approach that minimizes mismatches and turnover rates. This research demonstrates the effective derivation of criteria from the natural language description of the matching problem in an unbiased manner. We propose an unbiased criteria identification methodology for two-sided matching problems based on Environment-Based Design (EBD), Recursive Object Model (ROM), and Environment-based Life Cycle Analysis (eLCA) to uncover relevant, consistent, and transparent criteria for matching. The proposed methodology fosters efficiency, satisfaction, and optimal resource allocation. By bridging the existing gap in the literature, the proposed methodology offers a comprehensive and impartial approach to improving the quality of matches in two-sided matching problems. Furthermore, this work not only addresses the critical need for unbiased criteria identification in two-sided matching markets but also introduces a novel approach to modeling multi-criteria decision-making problems in operations research, where criteria are traditionally determined through expert opinion or surveys. The applicability of the proposed methodology is demonstrated in the context of job matching, aiming to discover inclusive evaluation criteria that lead to stable, and mutually satisfactory job-candidate matches. Successful matches foster a harmonious and productive work environment, benefiting individuals and organizations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».