論文の概要: AI-Driven Decision-Making System for Hiring Process
- arxiv url: http://arxiv.org/abs/2512.20652v1
- Date: Wed, 17 Dec 2025 18:45:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-25 19:43:21.537971
- Title: AI-Driven Decision-Making System for Hiring Process
- Title（参考訳）: 採用プロセスのためのAI駆動意思決定システム
- Authors: Vira Filatova, Andrii Zelenchuk, Dmytro Filatov,
- Abstract要約: 本稿では,AIによるモジュール型マルチエージェント採用アシスタントを提案する。
i)文書とビデオ前処理、(ii)構造化された候補プロファイルの構築、(iii)公開データ検証、(iv)明示的なリスクペナルティによる技術的/文化的な評価、(v)対話型インターフェースによる人文間検証を統合している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Early-stage candidate validation is a major bottleneck in hiring, because recruiters must reconcile heterogeneous inputs (resumes, screening answers, code assignments, and limited public evidence). This paper presents an AI-driven, modular multi-agent hiring assistant that integrates (i) document and video preprocessing, (ii) structured candidate profile construction, (iii) public-data verification, (iv) technical/culture-fit scoring with explicit risk penalties, and (v) human-in-the-loop validation via an interactive interface. The pipeline is orchestrated by an LLM under strict constraints to reduce output variability and to generate traceable component-level rationales. Candidate ranking is computed by a configurable aggregation of technical fit, culture fit, and normalized risk penalties. The system is evaluated on 64 real applicants for a mid-level Python backend engineer role, using an experienced recruiter as the reference baseline and a second, less experienced recruiter for additional comparison. Alongside precision/recall, we propose an efficiency metric measuring expected time per qualified candidate. In this study, the system improves throughput and achieves 1.70 hours per qualified candidate versus 3.33 hours for the experienced recruiter, with substantially lower estimated screening cost, while preserving a human decision-maker as the final authority.
- Abstract（参考訳）: なぜなら、採用者は異質なインプット(見積、回答のスクリーニング、コードの割り当て、限定的な公開証拠)を調整しなければならないからだ。
本稿では,AI駆動型モジュール型マルチエージェント採用アシスタントについて述べる。
(i)文書及びビデオ前処理
(ii) 構成された候補プロファイルの構築
(iii)公開データ検証
(四)明示的リスク罰則による技術的・文化的適格スコア、
(v)対話型インタフェースによるループ内検証。
パイプラインは、出力のばらつきを減らし、トレーサブルなコンポーネントレベルの有理性を生成するために、厳密な制約の下でLLMによって編成される。
候補ランキングは、技術的適合性、文化適合性、正規化リスクペナルティの設定可能な集計によって計算される。
システムは、中間レベルのPythonバックエンドエンジニアの役割について、64人の実際の応募者に対して評価され、経験豊富なリクルーターを基準ベースラインとして、経験の浅いリクルーターを追加比較のために使用した。
精度/リコールとともに,有資格者毎の予測時間を測定する効率測定手法を提案する。
本研究では,有能な候補者1人当たり1.70時間,有能な採用者に対して3.33時間を実現し,人的意思決定者を最終権限として保持しつつ,スクリーニングコストを大幅に低減した。
関連論文リスト
- SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - 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) - AI Agents-as-Judge: Automated Assessment of Accuracy, Consistency, Completeness and Clarity for Enterprise Documents [0.0]
本研究では,AIエージェントを用いた高度に構造化された企業文書の自動レビューのためのモジュール型マルチエージェントシステムを提案する。
LangChain、CrewAI、TruLens、Guidanceといった現代的なオーケストレーションツールを使用して、文書のセクション単位での評価を可能にする。
99%の情報一貫性(人間の場合は92%)を実現し、エラーとバイアス率を半減させ、1文書あたりの平均レビュー時間を30分から2.5分に短縮する。
論文 参考訳（メタデータ） (2025-06-23T17:46:15Z) - 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) - CritiQ: Mining Data Quality Criteria from Human Preferences [91.44025907584931]
人間の嗜好からデータ品質の基準を自動的にマイニングする新しいデータ選択手法であるCritiQを紹介する。
CritiQ Flowはマネージャエージェントを使用して品質基準を進化させ、ワーカーエージェントはペアで判断する。
コード,数学,論理領域において,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2025-02-26T16:33:41Z) - Prompt Tuning as User Inherent Profile Inference Machine [68.16976932088708]
本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。
UserIP-Tuningは最先端のレコメンデーションアルゴリズムより優れている。
提案されたソリューションは2025年5月からHuawei AppGalleryのExploreページにデプロイされている。
論文 参考訳（メタデータ） (2024-08-13T02:25:46Z) - On Speeding Up Language Model Evaluation [48.51924035873411]
我々はこの空間を探索するために$textitadaptive$アプローチを提案する。
我々は、マルチアームの包帯に頼り、次の(メソッド、バリデーションサンプル)ペアを順次識別して評価する。
典型的資源の5～15%のみを用いて,トップパフォーマンスの手法を同定できることを示す。
論文 参考訳（メタデータ） (2024-07-08T17:48:42Z) - 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) - Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
自動生成関連判定(QPP-GenRE)を用いた新しいクエリ性能予測(QPP)フレームワークを提案する。
QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。
我々は,オープンソースの大規模言語モデル (LLM) を用いて,科学的妥当性を確保することにより,項目の関連性を予測する。
論文 参考訳（メタデータ） (2024-04-01T09:33:05Z)
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。