Towards a better understanding of recommender system in the labor market.

De opkomst van informatiesystemen, en voornamelijk die van het internet, heeft organisaties de middelen gegeven om hun klanten een groot aantal diensten te kunnen aanbieden. E-commerce platvormen, zoals Amazon en AliExpress, kunnen hun klanten miljoenen producten aanbieden omdat ze geen fysieke rekken nodig hebben om hun producten voor te stellen. Multimediabedrijven, zoals Youtube, Spotify en Netflix, hebben miljoenen liedjes en video’s waartussen gebruikers kunnen kiezen. Zo kunnen ook spelers in de arbeidsmarkt, zoals arbeidsbemiddelingsdiensten en LinkedIn, honderdduizenden vacatures aanbieden aan werkzoekenden. Met zo veel open vacatures om tussen te kiezen wordt het moeilijk voor werkzoekenden om de vacatures die zij interessant vinden er uit te filteren, als ze in de eerste plaats al weten waar ze naar op zoek zijn. Het algemene probleem, waarbij er zo veel artikelen beschikbaar zijn dat dit het beslissingsvermogen van de gebruiker hindert, wordt informatie-overload genoemd.

Aanbevelingssystemen zijn ontwikkeld als een oplossing voor deze informatie-overload. Ze zijn de set van software tools en technieken die gebruikers helpen met artikelen te vinden die voor hen relevant zijn. Deze scriptie presenteert verschillende studies over de eigenschappen van aanbevelingssystemen die vacatures aanbevelen aan werkzoekenden, en omgekeerd, werkzoekenden aanbevelen voor vacatures.

De eerste studie vergelijkt twee manieren waarop job-aanbevelingssystemen de interesse van werkzoekenden in vacatures kunnen capteren: expliciete interesse en impliciete interesse. Deze studie toont dat er een groot verschil is tussen de job-types waarin werkzoekenden expliciet interesse tonen en job-types waarin werkzoekenden impliciet interesse tonen. De studie toont ook dat aanbevelingen gegenereerd op basis van impliciete feedback meer divers zijn, en een hogere expert-appreciatie krijgen, dan aanbevelingen gebaseerd op expliciete interesses.

De tweede studie in deze thesis zoomt in op twee topics. Ten eerste, het feit dat opdat een job-aanbeveling succesvol zou zijn, het niet genoeg is dat de werkzoekende geïnteresseerd is in de job maar dat het ook nodig is dat de werkgever interesse toont in de werkzoekende. Ten tweede kijkt de studie ook naar hoe vaak deze wederkerende interesse voorkomt bij vacatures waar werkzoekenden zelf naar op zoek gaan, tegenover bij vacatures die aanbevolen worden door aanbevelingssystemen. De belangrijkste conclusies van deze studie zijn: Vacatures aanbevolen door standaard aanbevelingssystemen zorgen minder vaak voor een wederzijdse interesse dan vacatures bekeken door zelf te zoeken via zoekmachines. Dit heeft als gevolg dat organisaties, zoals bijvoorbeeld VDAB, moeten oppassen dat het invoeren van aanbevelingssystemen geen negatieve gevolgen met zich meebrengt. De studie toont manieren waarop deze wederkerige interesse bij aanbevelingssystemen verbeterd kan worden, zelfs beter dan bij zoekmachines, door gebruik te maken van variaties in de interessematrices, gebruikt door de aanbevelingssystemen.

In de derde studie presenteren we een veralgemening van een methodologie die oorspronkelijk ontwikkeld werd om visueel te bestuderen voor welke gebruikers een aanbevelingssystemen goed werkt, en voor welke niet. De methodologie laat toe dat niet-technische gebruikers de volgende vragen over de relatie van een variabele met een complexe dataset kan beantwoorden: is de variabele willekeurig gedistribueerd ten opzichte van de dataset, or is er een systematische bias richting specifieke groepen in de data? En als er een observeerbare bias is, wat zijn de variabelen uit de dataset die deze kunnen verklaren? Toegepast op job-aanbevelingssystemen kan deze methodologie gebruikt worden om te  analyseren welke werkzoekenden wel/niet baat hebben bij een job-aanbevelingssysteem.