論文の概要: Let's Get You Hired: A Job Seeker's Perspective on Multi-Agent Recruitment Systems for Explaining Hiring Decisions

• arxiv url: http://arxiv.org/abs/2505.20312v1
• Date: Thu, 22 May 2025 10:33:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.159858
• Title: Let's Get You Hired: A Job Seeker's Perspective on Multi-Agent Recruitment Systems for Explaining Hiring Decisions
• Title（参考訳）: 雇用決定を説明するマルチエージェントリクルートシステムに関する求職者の視点
• Authors: Aditya Bhattacharya, Katrien Verbert,
• Abstract要約: 本研究では,Large Language Models (LLMs) を用いた多エージェントAIシステムを導入し,採用プロセスにおける求職者の指導を行う。 ユーザ中心設計の反復的アプローチを用いて,まず4人の積極的な求職者による2段階の探索実験を行い,システムの設計と開発について報告する。 評価の結果, 参加者は, 従来の方法に比べて, マルチエージェント採用システムの方が, より行動可能で, 信頼性が高く, 公平であると感じていることがわかった。
• 参考スコア（独自算出の注目度）: 1.0839140047725062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During job recruitment, traditional applicant selection methods often lack transparency. Candidates are rarely given sufficient justifications for recruiting decisions, whether they are made manually by human recruiters or through the use of black-box Applicant Tracking Systems (ATS). To address this problem, our work introduces a multi-agent AI system that uses Large Language Models (LLMs) to guide job seekers during the recruitment process. Using an iterative user-centric design approach, we first conducted a two-phased exploratory study with four active job seekers to inform the design and development of the system. Subsequently, we conducted an in-depth, qualitative user study with 20 active job seekers through individual one-to-one interviews to evaluate the developed prototype. The results of our evaluation demonstrate that participants perceived our multi-agent recruitment system as significantly more actionable, trustworthy, and fair compared to traditional methods. Our study further helped us uncover in-depth insights into factors contributing to these perceived user experiences. Drawing from these insights, we offer broader design implications for building user-aligned, multi-agent explainable AI systems across diverse domains.
• Abstract（参考訳）: 求職時、伝統的な応募者選定法は透明性を欠くことが多い。 候補者は、人手による採用やブラックボックスのアプリケーション追跡システム(ATS)の使用など、採用決定に十分な正当性を与えることはまれである。 そこで本研究では,Large Language Models (LLMs) を用いた多エージェントAIシステムを導入し,求職者の求職を指導する。 ユーザ中心設計の反復的アプローチを用いて,まず4人の積極的な求職者による2段階の探索実験を行い,システムの設計と開発について報告する。 その後、各1対1のインタビューを通じて、20人のアクティブな求職者を対象に、詳細な質的なユーザスタディを行い、プロトタイプの評価を行った。 評価の結果, 参加者は, 従来の方法に比べて, マルチエージェント採用システムの方が, より行動可能で, 信頼性が高く, 公平であると感じていることがわかった。 我々の研究は、これらの認識されたユーザー体験に寄与する要因に関する深い洞察を明らかにするのに役立ちました。 これらの知見を引用して、さまざまなドメインにまたがってユーザ整合でマルチエージェントで説明可能なAIシステムを構築する上で、より広範な設計上の意味を提供する。

関連論文リスト

• AI Hiring with LLMs: A Context-Aware and Explainable Multi-Agent Framework for Resume Screening [12.845918958645676]
  大規模言語モデル(LLM)を用いたスクリーニング再開のためのマルチエージェントフレームワークを提案する。 フレームワークは、履歴抽出器、評価器、要約器、スコアフォーマッターを含む4つのコアエージェントから構成される。 この動的適応は、パーソナライズされた採用を可能にし、AI自動化と人材獲得のギャップを埋める。
  論文  参考訳（メタデータ） (2025-04-01T12:56:39Z)
• Memento No More: Coaching AI Agents to Master Multiple Tasks via Hints Internalization [56.674356045200696]
  本稿では,複雑なメモシステムや事前の高品質な実演データを必要としない,複数のタスクに対する知識とスキルを取り入れたAIエージェントの訓練手法を提案する。 このアプローチでは,エージェントが新たな経験を収集し,ヒントの形で人間から補正フィードバックを受け取り,このフィードバックを重みに組み込む,反復的なプロセスを採用している。 Llama-3 をベースとしたエージェントに実装することで,提案手法の有効性を実証し,数ラウンドのフィードバックの後,高度なモデル GPT-4o と DeepSeek-V3 をタスクセットで向上させる。
  論文  参考訳（メタデータ） (2025-02-03T17:45:46Z)
• Fairness in AI-Driven Recruitment: Challenges, Metrics, Methods, and Future Directions [0.0]
  改革プロセスは、組織のパフォーマンス、生産性、文化に大きな影響を与えます。 本稿では、AIによる採用システムで特定されるバイアスを体系的にレビューし、公正度指標とバイアス軽減手法を分類し、実際に使用される監査手法を強調した。
  論文  参考訳（メタデータ） (2024-05-30T05:25:14Z)
• WorkArena: How Capable Are Web Agents at Solving Common Knowledge Work Tasks? [83.19032025950986]
  本稿では,Webブラウザを介してソフトウェアと対話する大規模言語モデルベースエージェントについて検討する。 WorkArenaは、広く使用されているServiceNowプラットフォームに基づく33のタスクのベンチマークである。 BrowserGymは、そのようなエージェントの設計と評価のための環境である。
  論文  参考訳（メタデータ） (2024-03-12T14:58:45Z)
• ChoiceMates: Supporting Unfamiliar Online Decision-Making with Multi-Agent Conversational Interactions [53.07022684941739]
  これらのニーズに対応するために設計された対話型マルチエージェントシステムであるChoiceMatesを提案する。 エージェントによるタスクを自動化する既存のマルチエージェントシステムとは異なり、ユーザはエージェントを編成して意思決定プロセスを支援する。
  論文  参考訳（メタデータ） (2023-10-02T16:49:39Z)
• ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate [57.71597869337909]
  われわれはChatEvalと呼ばれるマルチエージェントの審判チームを構築し、異なるモデルから生成された応答の品質を自律的に議論し評価する。 分析の結果,ChatEvalは単なるテキストスコアリングを超越し,信頼性評価のための人間模倣評価プロセスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-08-14T15:13:04Z)
• Toward a traceable, explainable, and fairJD/Resume recommendation system [10.820022470618234]
  自動採用システムの開発は今でも大きな課題の1つだ。 我々の目的は、JD/Resumeマッチングプロセスを強化するために、現代言語モデルと知識ベースとデータセットを組み合わせる方法を探ることである。
  論文  参考訳（メタデータ） (2022-02-02T18:17:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。