Fugu-MT 論文翻訳(概要): Scalable Identification and Prioritization of Requisition-Specific Personal Competencies Using Large Language Models

論文の概要: Scalable Identification and Prioritization of Requisition-Specific Personal Competencies Using Large Language Models

arxiv url: http://arxiv.org/abs/2604.00006v1
Date: Mon, 09 Mar 2026 13:15:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-06 02:36:13.181273
Title: Scalable Identification and Prioritization of Requisition-Specific Personal Competencies Using Large Language Models
Title（参考訳）: 大規模言語モデルを用いた要求特化個人能力のスケーラブル同定と優先順位付け
Abstract要約: 大規模言語モデル (LLM) を用いて,req からreq 固有の PC を識別・優先順位付けする手法を提案する。提案手法は,ダイナミックなショットプロンプト,リフレクションに基づく自己改善,類似性に基づくフィルタリング,マルチステージ検証などを統合する。
参考スコア（独自算出の注目度）: 1.8148613308949546
License: http://creativecommons.org/licenses/by/4.0/
Abstract: AI-powered recruitment tools are increasingly adopted in personnel selection, yet they struggle to capture the requisition (req)-specific personal competencies (PCs) that distinguish successful candidates beyond job categories. We propose a large language model (LLM)-based approach to identify and prioritize req-specific PCs from reqs. Our approach integrates dynamic few-shot prompting, reflection-based self-improvement, similarity-based filtering, and multi-stage validation. Applied to a dataset of Program Manager reqs, our approach correctly identifies the highest-priority req-specific PCs with an average accuracy of 0.76, approaching human expert inter-rater reliability, and maintains a low out-of-scope rate of 0.07.
Abstract（参考訳）: AIを活用した採用ツールは人事選抜にますます採用されているが、職種を超えて成功した候補者を区別する要求(req)固有の個人能力(PC)の獲得に苦慮している。大規模言語モデル (LLM) を用いて,req からreq 固有の PC を識別・優先順位付けする手法を提案する。提案手法は,ダイナミックなショットプロンプト,リフレクションに基づく自己改善,類似性に基づくフィルタリング,マルチステージ検証などを統合する。 Program Manager reqsのデータセットに適用すると、平均精度0.76で優先度の高いreq特化PCを正しく識別し、専門家間の信頼性に近づき、スコープ外レート0.07を維持することができる。

関連論文リスト

Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning [68.85408801740228]
協調型マルチエージェント強化学習問題としてトポロジ選択を再構成する強化学習フレームワークである textbfAgent Q-Mix を提案する。提案手法は,Qmix値分解を用いて分散化された通信決定を学習し,各エージェントがラウンドワイド通信グラフを共同生成する一連の通信行動から選択する。エージェントQ-Mixは,エージェント故障に対して優れたトークン効率とロバスト性を示しながら,既存手法と比較して高い平均精度を達成する。
論文参考訳（メタデータ） (2026-04-01T00:38:24Z)
Benchmarking Contextual Understanding for In-Car Conversational Systems [0.9437812993238097]
In-car Conversational Question Answering (ConvQA) システムは,シームレスな音声対話を実現することでユーザエクスペリエンスを著しく向上させる。本稿では,Large Language Models (LLMs) と高度なプロンプト技術およびエージェントベース手法を用いて,ConvQAシステム応答がユーザの発話に適合する程度を評価する。
論文参考訳（メタデータ） (2025-12-12T21:15:49Z)
Improving Product Search Relevance with EAR-MP: A Solution for the CIKM 2025 AnalytiCup [2.1262029296728224]
本稿ではCIKM 2025 AnalytiCupのソリューションについて報告する。提案手法では,全文を英語に翻訳することで,多言語データセットを正規化し,広範囲なデータクリーニングと正規化によって雑音を緩和する。モデルトレーニングでは,DeBERTa-v3-large上に構築し,ラベルの平滑化,自己蒸留,ドロップアウトによる性能向上を行う。制約付き計算では,F1スコアはQC0.8796,QI0.8744となる。
論文参考訳（メタデータ） (2025-10-27T05:32:13Z)
Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
論文参考訳（メタデータ） (2025-09-30T18:55:28Z)
AgenticIQA: An Agentic Framework for Adaptive and Interpretable Image Quality Assessment [69.06977852423564]
画像品質評価(IQA)は、人間の視覚系に根ざした知覚品質の定量化と解釈の両方を反映している。 AgenticIQAは、IQAを歪み検出、歪み解析、ツール選択、ツール実行の4つのサブタスクに分解する。本稿では,IQAエージェントに適した大規模命令データセットであるAgenticIQA-200Kと,VLMベースのIQAエージェントの計画,実行,要約機能を評価するための最初のベンチマークであるAgenticIQA-Evalを紹介する。
論文参考訳（メタデータ） (2025-09-30T09:37:01Z)
Pathways of Thoughts: Multi-Directional Thinking for Long-form Personalized Question Answering [57.12316804290369]
ユーザ固有の情報ニーズに質問応答システムを適用するためには,パーソナライゼーションが不可欠である。本稿では,タスク固有の微調整を必要とせず,任意の大規模言語モデル (LLM) に適用可能な推論段階の方法として,思考の経路 (PoT) を提案する。 PoTは競争ベースラインを一貫して上回り、13.1%の相対的な改善を達成している。
論文参考訳（メタデータ） (2025-09-23T14:44:46Z)
MAFA: A multi-agent framework for annotation [0.0]
本稿では、異なるアプローチで特殊エージェントを結合するアノテーションのためのマルチエージェントフレームワークと、最適な結果を得るために候補を再参照する判断エージェントを紹介する。私たちのフレームワークは、あいまいなクエリを扱うのに特に効果的で、本番バンキングアプリケーションのデプロイに適しています。
論文参考訳（メタデータ） (2025-05-19T19:16:37Z)
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)
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。