論文の概要: Better Together: Quantifying the Benefits of AI-Assisted Recruitment
- arxiv url: http://arxiv.org/abs/2507.08029v1
- Date: Tue, 08 Jul 2025 22:51:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-14 18:03:54.107027
- Title: Better Together: Quantifying the Benefits of AI-Assisted Recruitment
- Title（参考訳）: AIによるリクルートのメリットを定量化する
- Authors: Ada Aka, Emil Palikot, Ali Ansari, Nima Yazdani,
- Abstract要約: 従来の採用プロセスかAI支援パイプラインのいずれかに、37,000人の応募者を若手開発者としてランダムに割り当てます。
AI支援パイプラインでは、候補者の54%が最終インタビューに合格し、従来のパイプラインから34%が合格した。
我々は,AIによる面接文の解析を行い,選択基準と会話のダイナミクスについて検討する。
- 参考スコア（独自算出の注目度）: 0.6749750044497731
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) is increasingly used in recruitment, yet empirical evidence quantifying its impact on hiring efficiency and candidate selection remains limited. We randomly assign 37,000 applicants for a junior-developer position to either a traditional recruitment process (resume screening followed by human selection) or an AI-assisted recruitment pipeline incorporating an initial AI-driven structured video interview before human evaluation. Candidates advancing from either track faced the same final-stage human interview, with interviewers blind to the earlier selection method. In the AI-assisted pipeline, 54% of candidates passed the final interview compared with 34% from the traditional pipeline, yielding an average treatment effect of 20 percentage points (SE 12 pp.). Five months later, we collected LinkedIn profiles of top applicants from both groups and found that 18% (SE 1.1%) of applicants from the traditional track found new jobs compared with 23% (SE 2.3%) from the AI group, resulting in a 5.9 pp. (SE 2.6 pp.) difference in the probability of finding new employment between groups. The AI system tended to select younger applicants with less experience and fewer advanced credentials. We analyze AI-generated interview transcripts to examine the selection criteria and conversational dynamics. Our findings contribute to understanding how AI technologies affect decision making in recruitment and talent acquisition while highlighting some of their potential implications.
- Abstract（参考訳）: 人工知能(AI)は採用にますます利用されているが、雇用効率と候補者の選択に対する影響を定量化するための実証的な証拠は依然として限られている。
37,000名の応募者をランダムに、従来の採用プロセス(人間選抜後の選抜)または、AIによる構造化ビデオインタビューを人間評価の前に組み込んだAI支援採用パイプラインに割り当てる。
どちらのトラックから進む候補者も最終段階の人間インタビューに直面し、面接者は以前の選考方法に盲目となった。
AI支援パイプラインでは、候補者の54%が最終インタビューに合格し、従来のパイプラインの34%は20ポイント(SE 12 pp.)の平均治療効果を得た。
5ヶ月後、両グループのトップ応募者のLinkedInプロファイルを収集し、従来のトラックからの応募者の18%(SE 1.1%)が、AIグループからの23%(SE 2.3%)と比較して新しいジョブを発見し、グループ間の新規雇用の確率が5.9 pp.(SE 2.6 pp.)異なることがわかった。
AIシステムは、より少ない経験と少ない高度な資格を持つ若い応募者を選択する傾向があった。
我々は,AIによる面接書の解析を行い,選択基準と会話のダイナミクスについて検討する。
我々の発見は、AI技術が採用や人材獲得における意思決定にどう影響するかを理解しつつ、その潜在的な影響を浮き彫りにしている。
関連論文リスト
- MLAR: Multi-layer Large Language Model-based Robotic Process Automation Applicant Tracking [0.0]
本稿では、新しいロボットプロセス自動化(RPA)フレームワークによって強化された革新的なアプリケーショントラッキングシステム(ATS)を紹介し、さらにMLARと呼ぶ。
MLARは、大きな言語モデル(LLM)を3つの異なるレイヤで採用するこれらの課題に対処する。第1層の求職から重要な特徴を抽出し、第2層の教育、経験、第2層のスキル、第3層の類似性マッチングをパースする。
我々のアプローチは既存のRPAパイプラインにシームレスに統合され、履歴解析、ジョブマッチング、候補通知を自動化する。
論文 参考訳（メタデータ） (2025-07-14T16:53:19Z) - LLMREI: Automating Requirements Elicitation Interviews with LLMs [47.032121951473435]
本研究では,人間の介入を最小限に抑えながら,要求適応面接を行うチャットボット LLMREI を紹介する。
我々は33回のシミュレート・ステークホルダー・インタビューでその性能を評価した。
以上の結果から,LLMREIは人間のインタビュアーと同じような誤りを犯し,要求の大部分を抽出し,文脈に依存した質問を生成できることが示唆された。
論文 参考訳（メタデータ） (2025-07-03T12:18:05Z) - Enhancing Selection of Climate Tech Startups with AI -- A Case Study on Integrating Human and AI Evaluations in the ClimaTech Great Global Innovation Challenge [41.94295877935867]
ClimaTechのコンペティションは、トップクラスの気候テックスタートアップを見つけることを目的としている。
この手法には、初期AIレビュー、人間によって判断される準決勝、ハイブリッド重み付けを用いた決勝という3つのフェーズが含まれていた。
決勝では5人の審査員が参加し、重み付けは83.3%、AIは16.7%に移行した。
論文 参考訳（メタデータ） (2025-05-27T02:23:03Z) - Exploring the Implementation of AI in Early Onset Interviews to Help Mitigate Bias [0.0]
本稿では,アーリーステージ採用面接における人工知能(AI)の適用について検討する。
結果は、AIが感情駆動バイアスを41.2%効果的に最小化することを示している。
論文 参考訳（メタデータ） (2025-01-17T00:40:35Z) - How Performance Pressure Influences AI-Assisted Decision Making [57.53469908423318]
我々は、プレッシャーと説明可能なAI(XAI)技術がAIアドバイステイク行動とどのように相互作用するかを示す。
我々の結果は、圧力とXAIの異なる組み合わせで複雑な相互作用効果を示し、AIアドバイスの行動を改善するか、悪化させるかのどちらかを示す。
論文 参考訳（メタデータ） (2024-10-21T22:39:52Z) - Tree Search for Language Model Agents [69.43007235771383]
対話型Web環境での探索と多段階計画を行うために,LMエージェントの推論時探索アルゴリズムを提案する。
我々のアプローチは、実環境空間内で機能する最優先木探索の一形態である。
現実的なWebタスクにおいて有効性を示すLMエージェントのための最初の木探索アルゴリズムである。
論文 参考訳（メタデータ） (2024-07-01T17:07:55Z) - 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) - Skills or Degree? The Rise of Skill-Based Hiring for AI and Green Jobs [0.0]
本研究の目的は、雇用主が採用プロセスにおける正式な資格よりも個人スキルに力を入れ始めたかどうかを理解することである。
我々の発見は、雇用主がAIロールの「スキルベースの雇用」を開始した証拠となる。
AIスキルの需要が高い職業では、スキルのプレミアムが高く、学位に対する報酬は比較的低い。
論文 参考訳（メタデータ） (2023-12-19T08:40:45Z) - Improving Selective Visual Question Answering by Learning from Your
Peers [74.20167944693424]
VQA(Visual Question Answering)モデルは、間違っていた場合の回答を控えるのに苦労する可能性がある。
本稿では,複数モーダル選択関数の学習におけるLearning from Your Peers (LYP) アプローチを提案する。
提案手法では,学習データの異なるサブセットに基づいて訓練されたモデルの予測を,選択的VQAモデルの最適化のターゲットとして利用する。
論文 参考訳（メタデータ） (2023-06-14T21:22:01Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - AI-enabled exploration of Instagram profiles predicts soft skills and
personality traits to empower hiring decisions [0.0]
我々は、Instagramのプロフィールから、16のオンデマンドソフトスキルからなる幅広い行動能力を自動的に予測できることを示した。
モデルは、オンラインアンケートに回答し、Instagramのユーザー名を提供した400人のイランのボランティアユーザーのサンプルに基づいて構築された。
ディープラーニングモデルは、それぞれ2レベルと3レベルの分類において、70%と69%の平均精度を示すことで、主にパフォーマンスを向上した。
論文 参考訳（メタデータ） (2022-12-14T07:35:11Z) - Partner Matters! An Empirical Study on Fusing Personas for Personalized
Response Selection in Retrieval-Based Chatbots [51.091235903442715]
本稿では,自己とパートナーの話者が応答選択の課題に与える影響について検討する。
4つのペルソナ融合戦略が設計されており、異なる方法でペルソナがコンテキストや応答と相互作用することを前提としている。
Persona-Chatデータセットに関する実証研究は、パートナーペルソナが応答選択の精度を向上させることができることを示している。
論文 参考訳（メタデータ） (2021-05-19T10:32:30Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
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。