This dissertation examines the use of artificial intelligence and machine learning in public employment services. Using comprehensive administrative labour market data, it investigates three key dimensions of algorithm-based occupational recommendations: predictive accuracy, job match quality, and fairness. The results demonstrate that machine learning methods outperform conventional statistical approaches in predicting occupational transitions. Furthermore, a matching index is developed that incorporates expected employment stability and wages alongside predicted employment probabilities. Finally, the dissertation examines potential biases and inequalities in algorithmic recommendations from an intersectional perspective. The findings highlight that the responsible use of artificial intelligence in public employment services requires considering not only predictive performance but also the quality and fairness of occupational recommendations.

Die Dissertation untersucht den Einsatz von künstlicher Intelligenz und maschinellem Lernen in der öffentlichen Arbeitsvermittlung. Auf Basis umfangreicher administrativer Arbeitsmarktdaten werden drei zentrale Aspekte algorithmengestützter Berufsempfehlungen analysiert: Vorhersagegenauigkeit, Qualität der Beschäftigungsverhältnisse und Fairness. Die Ergebnisse zeigen, dass Methoden des maschinellen Lernens berufliche Übergänge präziser vorhersagen können als traditionelle statistische Verfahren. Darüber hinaus wird ein Matching-Index entwickelt, der neben der Wahrscheinlichkeit einer Beschäftigungsaufnahme auch die erwartete Beschäftigungsstabilität und das Einkommen berücksichtigt. Abschließend werden mögliche Verzerrungen und Ungleichheiten algorithmischer Empfehlungen aus einer intersektionalen Perspektive untersucht. Die Arbeit verdeutlicht, dass der verantwortungsvolle Einsatz künstlicher Intelligenz in der öffentlichen Arbeitsvermittlung neben hoher Prognosegüte auch die Qualität und Fairness von Berufsempfehlungen berücksichtigen muss.