一项针对2000万人的大型研究揭示了谁更能帮助你找到工作

假设你正在找一份新工作。你可能会登录领英（LinkedIn），整理你的个人资料，浏览你的社交网络。但是，你应该联系谁来介绍一个潜在的新雇主呢？

发表在《科学》（Science）杂志上的一项针对2000多万人的新研究表明，你在领英（LinkedIn）上的亲密朋友并不是你的最佳选择：相反，你应该找一些你不太了解的熟人来分享个人联系。

弱关系的力量

1973年，美国社会学家马克·格兰诺维特（Mark Granovetter）在社交网络的背景下创造了“弱关系的力量”这个短语。他认为，两个人之间的联系越紧密，他们的友谊网络重叠的就越多。

简单地说，你最有可能认识一个亲密朋友的所有朋友，但却很少认识一个普通熟人的朋友。

因此，如果你正在找工作，你可能已经知道了你的邻居能提供的一切。从直觉上看，弱关系（你的普通熟人）为新发现提供了最多的机会。

薄弱的关系和就业机会

格兰诺维特的理论听起来是对的，但真的是这样吗？一组来自领英、哈佛商学院、斯坦福和麻省理工学院的研究人员，开始收集一些关于弱关系如何影响工作流动性的经验证据。

他们的研究借鉴了领英（LinkedIn）工程师测试和改进该平台“你可能认识的人”推荐算法的努力。LinkedIn 会定期更新这个算法，推荐新朋友加入你的社交网络。

其中一项更新，测试了鼓励建立强关系（推荐添加亲密朋友）与弱关系（推荐熟人和朋友的朋友）的效果。然后，研究人员跟踪了参与“A/B测试”的用户，看看这种差异是否会影响他们的就业结果。

全球超过2000万 LinkedIn 用户被随机分配到定义明确的治疗组。每个组的用户被推荐的新联系人略有不同，这导致一些组的用户形成了更多的强联系，而另一些组的用户形成了更多的弱联系。

接下来，该团队测量了每组用户申请了多少工作，以及发生了多少“工作传递”。工作传递尤其值得关注，因为它们被定义为与新联系人在同一家公司获得一份工作。一份工作传递表明，新联系人帮助找到了这份工作。

适度的弱关系是最好的

该研究使用因果分析来超越简单的相关性，并将联系形成与就业联系起来。结果有三个重要发现。

首先，推荐引擎显着影响了链接的形成。被推荐的弱链接越多的用户形成的弱链接明显越多，被推荐的强链接越多的用户形成的强链接越多。

其次，该实验提供的因果证据表明，在帮助求职者加入新雇主方面，中等弱关系的效果是强关系的两倍多。

什么是“适度”弱关系？研究发现，工作传递最有可能来自，与你有10个共同朋友但很少互动的熟人。

第三，弱关系的强度因行业而异。弱联系增加了更多数字产业的工作流动性，强联系增加了较少数字产业的工作流动性。

更好的建议

领英的这项研究首次在就业市场上证明了格兰诺维特的理论。因果分析是这里的关键，因为对关系强度和工作传递之间的相关性的大规模研究表明，强大的关系更有益，这在目前被认为是一个悖论。

这项研究解决了这个悖论，并再次证明了相关研究的局限性，这些研究在理清混淆因素方面做得很差，有时会导致错误的结论。

从实用的角度来看，该研究概述了建议新链接的最佳参数。

调查显示，对找到工作最有帮助的关系是你的熟人，你在专业场合遇到的人，或者朋友的朋友，而不是你最亲密的朋友 —— 你和他们有大约10个共同的联系人，但你不太可能经常与他们互动。

这些信息可以转化为算法推荐，从而使 LinkedIn 等专业网络的推荐引擎，在帮助求职者找到工作方面更加熟练。

黑匣子的威力

当大型社交媒体公司在用户身上做实验时，公众通常会保持警惕（参见Facebook 2014年臭名昭著的情感实验）。

那么，LinkedIn 的实验会伤害到它的用户吗？理论上，“强关系”治疗组的用户可能错过了可能带来下一份工作的薄弱环节。

然而，所有的群体都有一定程度的工作流动性 —— 有些人只是比其他人稍微多一点。此外，由于研究人员是在观察一项工程实验，这项研究本身似乎没有引起什么伦理问题。

尽管如此，它还是提醒我们问一个问题：我们最私密的职业决策（比如选择一份新的职业或工作场所），在多大程度上是由我们无法看到其工作原理的黑箱人工智能算法决定的。

如果朋友们喜欢，敬请关注“知新了了”！