論文の概要: Beyond the Resumé: A Rubric-Aware Automatic Interview System for Information Elicitation
- arxiv url: http://arxiv.org/abs/2603.01775v1
- Date: Mon, 02 Mar 2026 12:00:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.853664
- Title: Beyond the Resumé: A Rubric-Aware Automatic Interview System for Information Elicitation
- Title（参考訳）: Beyond the Resumé: 情報発信のためのルーブリック対応自動面接システム
- Authors: Harry Stuart, Masahiro Kaneko, Timothy Baldwin,
- Abstract要約: 大規模言語モデル(LLM)は、各候補者から費用対効果の高い情報を引き出すために、主題の専門家の役割を担っている。
コード、公開ドメイン/匿名履歴の控えめなデータセット、信念の校正テスト、シミュレートされたインタビューをリリースします。
- 参考スコア（独自算出の注目度）: 41.93085698478849
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective hiring is integral to the success of an organisation, but it is very challenging to find the most suitable candidates because expert evaluation (e.g.\ interviews conducted by a technical manager) are expensive to deploy at scale. Therefore, automated resume scoring and other applicant-screening methods are increasingly used to coarsely filter candidates, making decisions on limited information. We propose that large language models (LLMs) can play the role of subject matter experts to cost-effectively elicit information from each candidate that is nuanced and role-specific, thereby improving the quality of early-stage hiring decisions. We present a system that leverages an LLM interviewer to update belief over an applicant's rubric-oriented latent traits in a calibrated way. We evaluate our system on simulated interviews and show that belief converges towards the simulated applicants' artificially-constructed latent ability levels. We release code, a modest dataset of public-domain/anonymised resumes, belief calibration tests, and simulated interviews, at \href{https://github.com/mbzuai-nlp/beyond-the-resume}{https://github.com/mbzuai-nlp/beyond-the-resume}. Our demo is available at \href{https://btr.hstu.net}{https://btr.hstu.net}.
- Abstract（参考訳）: 効果的な雇用は組織の成功に不可欠ですが、専門家の評価(例えば技術マネージャによるインタビュー)が大規模に展開するのにコストがかかるため、最も適した候補を見つけることは極めて困難です。
そのため、自動履歴書と他の応募者スクリーニング手法は、候補者を粗末にフィルタリングし、限られた情報に基づいて決定を下すのにますます使われている。
そこで我々は,大規模言語モデル (LLM) が,Nuanced と Role-specific の候補から費用対効果の高い情報を引き出す役割を担い,早期採用決定の質を向上させることを提案する。
本稿では,LLMインタビュアーを利用して,応募者のルーリック指向の潜伏特性を校正的に更新するシステムを提案する。
模擬面接システムの評価を行い,シミュレーション対象者の人工的に構築された潜伏能力レベルに信念が収束することを示す。
我々は、公開ドメイン/匿名履歴書の控えめなデータセット、信念のキャリブレーションテスト、シミュレートされたインタビュー、すなわち \href{https://github.com/mbzuai-nlp/beyond-the-resume}{https://github.com/mbzuai-nlp/beyond-the-resume} をリリースする。
私たちのデモは \href{https://btr.hstu.net}{https://btr.hstu.net} で公開されています。
関連論文リスト
- SparkMe: Adaptive Semi-Structured Interviewing for Qualitative Insight Discovery [55.50580661343875]
本稿では,対話のロールアウトをシミュレートして検討計画を実行するマルチエージェントインタビュアーSparkMeを紹介する。
LLMベースの面接者による制御実験を通じてSparkMeを評価し,より高い面接性を実現することを示す。
7つの専門職の70人の参加者が、AIが専門職に与える影響について、SparkMeをユーザスタディで検証しています。
論文 参考訳（メタデータ） (2026-02-24T17:33:02Z) - SimInterview: Transforming Business Education through Large Language Model-Based Simulated Multilingual Interview Training System [1.6273083168563973]
本稿では,大規模言語モデル(LLM)に基づくシミュレートされた多言語インタビュー訓練システムであるSimInterviewを紹介する。
本システムは,その評価を雇用要件と一貫して整合させ,コンテンツを忠実に保存し,高い満足度を得られることを示す。
我々はまた、新たな規制の期待に応えるために、AI設計の概要を説明した。
論文 参考訳（メタデータ） (2025-08-16T02:18:36Z) - 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) - Using Large Language Models to Develop Requirements Elicitation Skills [1.1473376666000734]
チャットベースのインタビューにおいて,クライアントの役割を果たすために,大規模言語モデルを条件付けすることを提案する。
どちらの手法も、参加者が技術的に健全なソリューションを構築するのに十分な情報を提供する。
論文 参考訳（メタデータ） (2025-03-10T19:27:38Z) - MockLLM: A Multi-Agent Behavior Collaboration Framework for Online Job Seeking and Recruiting [29.676163697160945]
モックインタビューインタラクションの生成と評価を行う新しいフレームワークである textbfMockLLM を提案する。
インタビュアーと候補の両方の役割をシミュレートすることで、MockLLMはリアルタイムと双方向のマッチングのための一貫性のある協調的なインタラクションを可能にする。
我々は、中国の主要な採用プラットフォームであるBoss Zhipinの実際のデータに基づいて、MockLLMを評価した。
論文 参考訳（メタデータ） (2024-05-28T12:23:16Z) - CLARINET: Augmenting Language Models to Ask Clarification Questions for Retrieval [52.134133938779776]
CLARINETは,回答が正しい候補の確実性を最大化する質問を選択することで,情報的明確化を問うシステムである。
提案手法は,大規模言語モデル(LLM)を検索分布の条件付きで拡張し,各ターンで真の候補のランクを最大化する問題を生成する。
論文 参考訳（メタデータ） (2024-04-28T18:21:31Z) - EZInterviewer: To Improve Job Interview Performance with Mock Interview
Generator [60.2099886983184]
EZInterviewerは、オンライン面接データから学び、求職者に模擬面接サービスを提供する。
低リソースの課題に対処するため、EZInterviewerはインタビューダイアログのごく小さなセットで訓練されている。
論文 参考訳（メタデータ） (2023-01-03T07:00:30Z) - NaQ: Leveraging Narrations as Queries to Supervise Episodic Memory [92.98552727430483]
Narrations-as-Queries (NaQ)は、標準的なビデオテキストナレーションをビデオクエリのローカライゼーションモデルのためのトレーニングデータに変換するデータ拡張戦略である。
NaQが複数のトップモデルを大幅に改善(精度を2倍に)
また、ゼロショットおよび少数ショットNLQの実行能力や、ロングテールオブジェクトカテゴリに関するクエリのパフォーマンス向上など、このアプローチのユニークな特性も示す。
論文 参考訳（メタデータ） (2023-01-02T16:40:15Z) - 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) - MS-Ranker: Accumulating Evidence from Potentially Correct Candidates for
Answer Selection [59.95429407899612]
そこで我々は,MS-Ranker という,新しい強化学習に基づくマルチステップランキングモデルを提案する。
我々は、候補の潜在的な正しさを明示的に考慮し、ゲーティング機構で証拠を更新する。
我々のモデルは、外部リソースに依存しない既存の手法を著しく上回ります。
論文 参考訳（メタデータ） (2020-10-10T10:36:58Z)
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。