تعتبر أسواق التوظيف ثنائية الجانب (Two-Sided Matching Markets) من الأنظمة المعقدة التي تتطلب تفضيلات من كلا الطرفين، سواء المرشحين أو الشركات. لكن، في الواقع، لا يتمكن المشاركون من تقييم إلا نسبة صغيرة من الشركاء المحتملين. ولذا، يعتمد الجميع على أساليب سريعة ومنخفضة التكلفة لفحص الشركاء قبل اتخاذ القرارات النهائية، مثل المقابلات أو رؤية الملفات الشخصية أو المهام التجريبية.

في دراسة جديدة، يتم تحليل التعلم المبني على الأمل (Bandit Learning) في أسواق التوظيف من خلال المداخلات التي تعتبر "تلميحات" (Hints) للكشف عن معلومات جزئية حول التفضيلات لكلا الجانبين. كما يتم معالجة الغموض على جانب الشركات، حيث تتعلم الشركات عن تفضيلاتها وقد ترتكب أخطاء توظيف مبكرة. في هذا السياق، نقدم مفهوم "التأجيل الاستراتيجي" (Strategic Deferral)، وهو إجراء على جانب الشركات يسمح بخلق فراغ مؤقت، مما يساعد على تصحيح الالتزامات المبكرة، ويمكن التعلم اللامركزي تحت تغذية راجعة غير دقيقة.

كما صممنا خوارزميات تناسب الأسواق المركزية واللامركزية، وأثبتنا أن عددًا ثابتًا من المقابلات في كل جولة يكفي لتحقيق نتائج مُرضية، مما يحسن من الضمانات المعروفة سابقًا. تعد حدود الخوارزميات المبتكرة قريبة من الفضلى، حيث إن الضمان المركزي يتماشى مع الحد الأدنى المعلوماتي النظري، بينما تتوافق الخوارزميات اللامركزية حتى مع عوامل كثيرة في الأسواق المنظمة، وتبقى مستقلة عن الأفق في الأسواق العامة.