💻 computer science

Trust at the Core: Unpacking AI Adoption in Talent Acquisition from the Candidate Perspective

本研究采用以候选人为中心的框架，旨在证明在印度背景下，信任是求职者使用人工智能驱动的人才招聘系统意向的最强预测因子，并显著中介了公平性、透明度和隐私等伦理担忧所产生的影响。

原作者： Meenu Pachauri, Jamal A. Farooquie

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Meenu Pachauri, Jamal A. Farooquie

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：机器人时代的求职之旅

想象一下，你正在寻找一份新工作。在过去，你会把简历发给一名人类招聘人员，他们会阅读你的简历，可能会找你聊聊天，然后决定你是否合适。如今，许多公司使用**人工智能（AI）**来进行第一轮筛选。这些 AI 系统会扫描你的简历，观看你的视频面试，并决定谁能获得进入下一阶段的邀请。

虽然这听起来既快速又高效，但也让求职者感到紧张。研究人员 Meenu Pachauri 和 Jamal A. Farooquie 想要了解：为什么有些人信任这些“机器人招聘官”，而另一些人却对此感到恐惧？

他们将研究重点放在了印度的求职者身上，以查明是什么让一位候选人说：“是的，我对这个感到很放心，”或者说：“不，我不会这样做。”

信任的配方：研究人员测试了什么

作者构建了一个“配方”，旨在观察哪些成分能让求职者愿意使用 AI 招聘工具。他们混合了三种主要的成分：

“它是否有用？”成分（经典的科技测试）：
- 感知有用性 (Perceived Usefulness)： 这个 AI 真的能帮我更快找到工作，或者让我更精准地匹配职位吗？
- 感知易用性 (Perceived Ease of Use)： 这个系统操作起来容易吗？还是说像是在没有说明书的情况下尝试组装家具一样困难？
- 类比： 想象一下你在买一部新智能手机。你会想知道：“这部手机会让我的生活变得更轻松吗？”以及“弄清楚如何开机难吗？”
“它是否公平？”成分（伦理测试）：
- 公平性 (Fairness)： AI 是否公平地对待每个人，还是存在偏见？
- 透明度 (Transparency)： 我能看到 AI 是如何做出决定的吗？还是说它是一个我看不到内部运作过程的“黑匣子”？
- 隐私与安全 (Privacy & Security)： 我的个人数据（如地址或电话号码）会被窃取或滥用吗？
- 问责制 (Accountability)： 如果 AI 犯了错误（例如拒绝了一位优秀的候选人），谁来负责？我可以向谁投诉？
- 类比： 想象法庭上的法官。你会想知道：“法官公平吗？”“我能看到他们使用的证据吗？”“我的私密信息安全吗？”以及“如果法官出错，我能追究其责任吗？”
“我理解它吗？”成分（知识测试）：
- AI 素养 (AI Literacy)： 求职者是否真正理解 AI 的运作方式？他们是否知道 AI 只是一个寻找模式的计算机程序？
- 类比： 如果你知道魔术的原理，你就不会那么害怕它。如果你认为 AI 是一个能读心的巫师，你可能会感到非常恐惧。

秘密武器：信任

研究人员发现，这些成分并不直接导致求职者说“是”。相反，它们全部汇入了一个名为**“信任”**的大锅中。

信任是一座桥梁。

如果你认为系统有用且易于使用，你会更信任它。
如果你认为它公平、透明且安全，你会更信任它。
如果你理解它的运作方式（AI 素养），你会更信任它。

一旦建立了这种信任，求职者才会真正愿意使用该系统。

研究的实际发现（结果）

研究人员让 432 名求职者填写了一份调查问卷。以下是数据告诉他们的信息：

信任是 MVP（最有价值球员）： 信任是预测候选人是否愿意使用 AI 招聘系统的单一最强因素。它甚至比系统的“有用性”或“易用性”更重要。
知识就是力量： 那些理解 AI 如何运作的人（高 AI 素养）更有可能信任并愿意使用它。他们不把 AI 看作可怕的怪物，而是将其视为一种工具。
“公平性”因素： 候选人非常在意公平性和透明度。如果他们觉得流程公开且公正，他们的信任感就会上升。
“隐私”安全网： 知道自己的数据是安全的，让他们在使用系统时感到更安心。
令人意外的结果（问责制）： 这是奇怪的部分。研究发现，问责制并没有显著提高信任感。
- 原因： 研究人员认为，虽然候选人口头上说希望知道谁来负责，但在现实世界中，他们无法真正“看到”问责机制。这就像乘客担心汽车如果撞车了谁来承担责任一样；他们看不见保险单或驾驶执照，所以这并不会改变他们当下的安全感。他们只想让车开得安全（公平/透明）并且不出车祸（隐私）。

用通俗语言总结结论

该论文得出结论：如果公司想要求职者接受 AI 招聘工具，他们不能仅仅说：“它很快，而且很高效！”（有用性/易用性）。

他们必须建立信任。为此，他们需要：

确保系统是公平且透明的（展示你的逻辑过程）。
保护隐私（确保数据安全）。
帮助候选人理解 AI 是如何工作的（教给他们一点相关的知识）。

如果你做到了这些，信任就会增长，候选人才会愿意让 AI 帮助他们寻找工作。如果你忽略了这些，即使是最快、最简单的 AI 系统也会被拒绝，因为人们不会信任它。

本研究并未提及的内容

它并没有说 AI 是完美的，也没有说 AI 应该完全取代人类。
它没有测试 AI 是否真的能雇佣到更好的人（它只测试了人们是否“想要”使用它）。
它除了指出问责制需要对候选人更加透明之外，并没有提出具体的法律或未来的政策建议。
它专门从候选人的角度出发，而非公司的角度。

技术摘要：信任为核心：剖析候选人视角下的 AI 在人才招聘中的应用

1. 问题陈述

人工智能（AI）在人才招聘（TA）中的整合，已将招聘从常规的运营任务转变为战略决策功能。虽然 AI 系统实现了自动化的寻访、筛选和预测性招聘，但其应用引发了求职者在伦理和心理层面的显著担忧。现有文献主要侧重于组织和管理者的视角，强调运营效率和偏见缓解，而在很大程度上忽略了候选人的观点。

现有的技术采用框架（如技术接受模型，TAM）过度依赖“感知有用性”（PU）和“感知易用性”（PEU）。然而，这些构念不足以解释在高风险、敏感背景下（如招聘）的技术采用，在这些场景中，伦理维度（公平性、问责制、透明度、隐私）和认知因素（AI 素养）起着至关重要的作用。此外，信任在连接这些伦理与认知因素与行为意向之间的中介作用仍有待深入探索，特别是在数字素养和机构信任度差异显著的开发中国家（如印度）。

2. 研究方法

本研究采用定量、横截面研究设计，旨在通过实证方式验证一个针对候选人视角下 AI 驱动型人才招聘的扩展技术接受模型（TAM）。

数据收集： 数据通过在 LinkedIn 上进行的非概率（便利）抽样，针对活跃求职者和专业人士进行结构化问卷调查收集。共保留了 432 份有效样本用于分析。
工具： 调查采用了包含 9 个构念、44 个题项的 5 点李克特量表（1 = 非常不同意，5 = 非常同意）：
- TAM 构念： 感知有用性 (PU)、感知易用性 (PEU)。
- 伦理构念： 感知公平性 (PF)、感知问责制 (PA)、感知透明度 (PTY)、隐私与数据安全 (PPD)。
- 认知构念： AI 素养 (AL)。
- 中介变量： 信任 (PTR)。
- 因变量： 行为意向 (BIU)。
- 注： PU、PEU、PF、PTY、PPD 和 BIU 的题项改编自既有量表（如 Davis, 1989; Shin et al., 2020），而 AI 素养和感知问责制的题项则是基于文献由研究者自行开发。
分析： 使用 SPSS 进行描述性统计和信度测试，使用 AMOS 进行结构方程模型（SEM）分析。研究评估了信度（Cronbach's Alpha、组合信度）、效度（通过 Fornell-Larcker 准则评估收敛效度和判别效度）以及假设的关系。通过 5,000 次抽样进行自助法（bootstrapping）以测试中介效应。

3. 主要贡献

本文通过以下三个方面推进了关于 AI 采用的文献研究：

以候选人为中心的框架： 它将关注点从组织效率转向申请人的体验，开发了一个将伦理维度（FAT 原则、隐私）和认知维度（AI 素养）整合进传统 TAM 的框架。
信任的角色： 它通过实证验证了信任作为一个关键的中介心理机制，如何将伦理感知和 AI 素养与行为意向联系起来。
语境相关性： 它填补了关于 AI 采用在印度背景下研究的空白，这是一个数字接触和机构信任动态可能与西方背景不同的发展中国家。

4. 结果

结构方程模型得出了以下关键发现：

对行为意向的直接影响：
- 信任是候选人使用 AI 驱动型 TA 系统行为意向的最强预测因子 ( $\beta = 0.490, p < 0.001$ )。
- AI 素养也表现出与行为意向显著的正向直接关联 ( $\beta = 0.114, p = 0.013$ )。
- 感知有用性 ( $\beta = 0.219$ ) 和 感知易用性 ( $\beta = 0.130$ ) 对行为意向表现出正向但相对较小的效应。
- 感知问责制并未对信任或行为意向表现出显著的直接关系 ( $p = 0.101$ )。
中介分析（间接效应）：
- 信任在感知公平性、感知透明度、隐私/数据安全与行为意向之间起到了显著的中介作用。
- AI 素养通过以下路径表现出显著的序列间接效应：AI 素养 $\rightarrow$ 感知易用性 $\rightarrow$ 感知有用性 $\rightarrow$ 行为意向 ( $\beta = 0.182$ )。
- 感知问责制未能通过信任表现出显著的间接效应（置信区间包含零）。
信度与效度：
- 所有构念均表现出高内部一致性 (Cronbach's Alpha > 0.93) 和令人满意的收敛效度 (AVE > 0.5)。
- 判别效度得到证实，各构念 AVE 的平方根均高于构念间的相关性。

5. 重要性与主张

作者声称，本研究提供了对驱动候选人接受招聘中 AI 因素的全面理解。研究结果的重要性在于以下断言：

信任至关重要： 在高风险的招聘场景中，信任是比传统效用指标更关键的采用驱动力。候选人只有在信任系统的公平性和数据处理能力时，才愿意参与使用 AI 系统。
伦理感知驱动信任： 感知公平性、透明度和隐私/安全不仅仅是独立的关注点；它们是构建采用所需信任的前因。在这些因素中，感知公平性对信任的影响最为强烈。
素养的角色： AI 素养是一个关键的认知促进因素。它降低了 AI 系统的感知复杂性，从而提高了感知有用性和易用性，并直接提升了对技术的信心。
“隐形”的问责制： 研究表明，虽然问责制在理论上很重要，但对于候选人来说，它可能过于抽象或被遮蔽（“黑箱”），导致其对候选人直接感知的即时行为意向的影响力不如公平性和透明度等具体因素。

论文得出结论，负责任的 AI 赋能招聘系统的设计和实施必须优先考虑信任构建机制，确保伦理透明度，并培养候选人的 AI 素养，而非仅仅关注运营效率。