Mit der fortschreitenden Digitalisierung verlagern sich immer mehr Märkte ins Internet – darunter auch der Arbeitsmarkt. Diese Entwicklung bietet spannende neue Chancen, um Internetdaten für die sozialwissenschaftliche Forschung zu nutzen. Gerade in der Arbeitsökonomie ist das Potenzial enorm, und genau hier setzen die Aktivitäten des IZA-Forschungsdatenzentrums IDSC an.
Wenn Arbeitsmärkte online stattfinden, helfen digitale Technologien dabei, Angebot und Nachfrage besser zusammenzubringen. Die Transaktionen im digitalen Raum hinterlassen Daten, die sich effizient sammeln und auswerten lassen. Technologische Fortschritte wie KI-gestützte Algorithmen bieten hier viele innovative Möglichkeiten, bringen aber auch neue Fragen und Herausforderungen mit sich.
Der 7. IDSC-Workshop zu virtuellen Arbeitsmärkten, gefördert durch den Luxembourg National Research Fund und das LISER-Institut, wurde von Nikos Askitas, Peter J. Kuhn und Christina Gathmann (LISER) mit Unterstützung durch das IZA-Eventteam organisiert. In diesem Jahr fand die Tagung, erstmals seit der Pandemie nicht-virtuell, auf dem Belval Campus des LISER in Luxemburg statt. Das Gelände eines stillgelegten Hochofens bot mit seinem Mix aus modernen Forschungseinrichtungen und industrieller Geschichte eine einzigartige Kulisse.
Themenschwerpunkte des Workshops waren:
- Algorithmen und KI im Matching-Prozess
- Netzwerke, soziale Medien und Achtsamkeit
- Wie können Arbeitsuchende besser unterstützt werden?
- Gestaltung von Stellenanzeigen: Inhalte und Bewerbungsverhalten
Zu den vorgestellten Studien aus elf Ländern zählten unter anderem:
Automatisierung von Automatismen (Amanda Agan, Cornell University)
Algorithmen, die Inhalte personalisieren, verstärken oft unbewusste Vorurteile der Nutzerinnen und Nutzer. Das gilt insbesondere für schnelle, spontan getroffene Entscheidungen wie das Scrollen durch Social-Media-Posts. Bewusstere Aktionen – wie das Hinzufügen eines Kontakts – sind weniger anfällig für diese sogenannten Biases und sollten demnach eher zum Trainieren von Algorithmen, etwa auf Jobportalen, herangezogen werden.
Traditionelle Methoden vs. Machine Learning (Sabrina Mühlbauer, IAB)
Im Vergleich zu herkömmlichen ökonometrischen Methoden zeigten sich Machine-Learning-Techniken effektiver bei der Analyse großer administrativer Datensätze in Bezug auf die Erkennungen von Mustern und die Vorhersage der Job-Matching-Qualität. Diese Ansätze könnten Jobcentern künftig dabei helfen, Arbeitsuchende gezielter zu unterstützen und den Matching-Prozess zu verbessern.
Lohntransparenz und Bewerberverhalten (Marc Witte, VU Amsterdam und IZA)
Ein Feldexperiment im äthiopischen Addis Abeba zeigt, wie sich der Bewerberpool verändert, wenn in Stellenanzeigen der Stundenlohn mit angegeben wird. Während sich zahlreiche Arbeitsmarktstudien auf die Bewerberauswahl durch Arbeitgeber konzentrieren, ist die andere Seite der Medaille noch vergleichsweise wenig erforscht: Wie wirken sich die Inhalte der Stellenanzeigen auf die Entscheidung der Bewerbenden für ein Unternehmen aus?
Weitere Information zum Programm auf der Workshop-Homepage.