该论文提出了一种名为 AI Bias Firewall (AIBF) 的方法，用于对自动化的应聘者追踪系统（Applicant Tracking Systems）进行逐决策（per-decision）的偏差审计。研究背景是：招聘自动化系统越来越多地决定谁进入下一轮，而法律法规要求这些决策可被审计。现有的工具处于两个极端：群体公平性指标（如差异性影响比率）能汇总整个人口，但无法指出哪些个体决策不公平或原因；局部解释器（如 SHAP）能解释单个预测，但未与法律上判断招聘歧视的标准挂钩。AIBF 逐个决策地审计系统，其核心方法包括：中和候选人受保护属性（如种族、性别）的代理变量，重新打分，并测量反事实偏移。这产生一个有符号的逐决策偏差分数（以分数点计）、一个标记哪些决策因受保护属性而改变的标志，以及用通俗语言说明的责任因素解释。论文在真实的公开数据集 Adult 和 COMPAS 上进行评估（而非合成数据）。实验结果表明：逐决策的反事实偏移是忠实的，可以聚合重现已知的群体层面差异，例如在 Adult 上特权组平均偏移 +7.5 分，弱势组 -8.0 分，与统计奇偶差异一致。AIBF 识别受保护属性翻转的决策，其 ROC 曲线下面积（AUC）在 Adult 上达到 0.963，而基线（按群体成员标记）只有 0.672。同时，AIBF 精准识别受损害的候选人，仅审查 5% 的决策就能覆盖 55% 的受害者，而基于群体的审查只覆盖 6%。论文也报告了局限性：纠正被标记的决策能显著提高差异性影响比率，但无法达到法律上的一致性，因为被标记为“能力”的特征仍带有剩余的代理相关性。AIBF 以 Apache 2.0 许可证开源，代码和实验已发布。该研究适合算法公平性研究者、招聘系统开发者和负责合规审计的法律/监管人员阅读。