LinkedIn با استفاده از یادگیری هوش مصنوعی و ماشین برای تولید سؤالات غربالگری برای ارسال مشاغل فعال است. در مقاله ای که این هفته در سرور preprint Arxiv.org منتشر شد ، همکاران نویسنده Job2Questions را توصیف می کنند ، مدلی که به استخدام کنندگان کمک می کند تا با کاهش نیاز به غربالگری دستی ، سریعاً متقاضیان را پیدا کنند. این فقط تحقیق نظری نیست - Job2Questions با استخدام مدیران و نامزدها در سکوی LinkedIn به طور خلاصه در میلیون ها شغل مورد آزمایش قرار گرفت.
زمان استقرار Job2Questions بسیار خوب است. غربالگری یک شر ضروری است - یک مطالعه LinkedIn نشان داد که تقریبا 70٪ از غربالگری های دستی دستی پرده از مدارک اصلی متقاضی خود برمی دارند. اما با توجه به اینكه این بیماری همه گیر بر روندهای سنتی استخدام تأثیر می گذارد ، شرکت ها گزینه های دیگری را اتخاذ می کنند که برخی از آنها تمایل به خلبانی هوش مصنوعی و ابزارهای یادگیری ماشین دارند. Job2Questions به منظور کاهش زمان استخدام کارجویان برای پرسیدن سؤالاتی در نظر گرفته شده است که قبلاً باید به آنها پاسخ دهند یا شکافهایی را که نامزدهای خودشان می توانند پر کنند ، نشان می دهد.
همانطور که محققان توضیح می دهند ، Job2Questions با توجه به محتوای یک پست شغلی ، تعدادی از نامزدهای سوال غربالگری را تولید می کند. در ابتدا ارسال ها به جملات تقسیم می شود و این جملات را به زوج قالب سؤال تبدیل می کند (به عنوان مثال ، "چند سال سابقه کار شما با استفاده از ..." و "آیا شما سطح زیر آموزش را کامل کرده اید:") و متغیرها ("جاوا") و "مدرک لیسانس"). سپس ، این جملات را در یکی از چندین الگوی طراحی شده توسط استخدام متخصصان طبقه بندی می کند و به سیستم پیوند موجودیت می پردازد تا پارامترهای مربوط به الگوهای انتخاب شده را تشخیص دهد ، یعنی با برچسب زدن انواع خاصی از موجودات از جملات (مانند "مدارک تحصیلی") "صحبت می شود. زبانها ، "مهارتهای نوشتن ابزار" و "اعتبارنامه"). یک شبکه متوسط ​​عمیق از پیش تنظیم شده ، ریز تنظیم شده در Job2Questions ، ارسال متن به معنی معنایی را تجزیه می کند. و در آخر اینکه ، یک مدل رتبه بندی بهترین سؤالات دسته را مشخص می کند.
برای جمع آوری داده ها برای آموزش مدل های یادگیری ماشین که در زیر Job2Questions قرار دارند ، محققان LinkedIn دارای حاشیه نویسی هستند که دارای برچسب جملات سؤال از جمله بودند ، که این امر پیش بینی قالب ها را از جملات امکان پذیر می کند. سپس ، تیم 1104040 سه گانه برچسب خورده - نمونه داده های حاوی یک پست کار واحد ، یک الگوی و پارامترها - ارسال شده توسط پوسترهای شغلی در LinkedIn ، که برای آموزش مدل رتبه بندی سؤال از Job2Questions استفاده شده است برای پیش بینی اینکه آیا یک پوستر شغلی می تواند یک نمایش را اضافه کند یا خیر. سوال به یک پست. سوالات غربالگری توسط استخدام کنندگان و پوسترها به عنوان برچسب های حقیقت زمین اضافه و رد شدند.
در طی یک آزمایش دو هفته ای که شامل 50٪ از ترافیک LinkedIn باشد ، محققان ادعا می کنند که تنها 18.67٪ از متقاضیانی که به سؤالات غربالگری پاسخ صحیحی نداده اند ، توسط استخدام کنندگان به عنوان "مناسب" ارزیابی شده اند ، در حالی که کسانی که حداقل پاسخ داده اند یک سوال به درستی دارای رتبه 23٪ بالاتر بود. آنها همچنین ادعا می كنند كه رتبه بندی نامزدها با پاسخ به سؤال های غربالگری ، میزان مناسب بودن متقاضی را 7.45٪ بهبود داده و نرخ تناسب بد 1.67٪ را كاهش می دهد. 46٪ از متقاضیان احتمالاً برای توصیه‌های شغلی که از طریق پاسخ به سوالات به آنها اطلاع داده شده بودند ، امتیاز مناسبی کسب کردند. و این مشاغل با سؤالهای غربالگری 1.9 برابر تعامل استخدام کننده و متقاضی متقاضی به طور کلی و 2.4 برابر تعامل بیشتر با متقاضیان دارای غربالگری انجام شده است.
ما متوجه شدیم که سوالات غربالگری اغلب شامل اطلاعاتی است که اعضا در پروفایل خود نمی گذارند. در بین اعضایی که به سؤالات غربالگری پاسخ داده اند ، 33٪ از اعضا اطلاعات مربوط به آموزش خود را در پروفایل خود ارائه نمی دهند. به طور خاص ، افرادی که دارای مدرک تحصیلات متوسطه هستند ، کمتر در مشخصاتشان لیست می کنند. در مورد زبانها ، 70٪ اعضاء زبانهایی را که آنها صحبت کرده اند (عمدتا زبان مادری) در مشخصات خود ذکر نمی کنند. سرانجام ، 37٪ از اعضا تجربه ای با ابزارهای خاص ندارند. " وی گفت: "به طور خلاصه ، ما شک داریم که وقتی افراد مشغول تهیه مشخصات حرفه ای خود هستند ، آنها تمایل دارند از مدارک اصلی خود غافل شوند که استخدام کنندگان در هنگام غربالگری بسیار ارزش قائل هستند. بنابراین ، سؤالات غربالگری بسیار بهتر است ، سیگنالهای مستقیم برای غربالگری متقاضی نسبت به مشخصات عضو. "
منبع :