論文の概要: Detecting Soft Skills in ML Engineering Roles CVs

• arxiv url: http://arxiv.org/abs/2608.10046v1
• Date: Mon, 10 Aug 2026 13:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.766033
• Title: Detecting Soft Skills in ML Engineering Roles CVs
• Title（参考訳）: MLエンジニアリングの役割CVにおけるソフトスキルの検出
• Abstract要約: ソフトスキルは、ML対応システムを構築するMLエンジニア、データサイエンティスト、ソフトウェアエンジニアの間でコラボレーションを形成する。 候補者がこれらの能力をどのように表現するかは研究されておらず、既存のCVマイニング作業もキーワードベースである。 300個の硬化型CVのバランスコーパスを用いて,明示的かつ暗黙的に命名されたソフトスキルを抽出した。 次に、需要側の文献の主張を、役割のシグネチャ、高齢者の進行、開示スタイルに関する13の虚偽の仮説に変換する。
• 参考スコア（独自算出の注目度）: 4.262842139213901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soft skills shape collaboration among ML engineers, data scientists, and software engineers building ML-enabled systems, yet what we know about them comes almost entirely from the demand side. Job advertisements, surveys, and hiring manager interviews capture what employers ask for. How candidates themselves articulate these competencies has not been studied, and existing CV-mining work is both keyword-based, so it cannot see skills conveyed through narrative, and descriptive, reporting frequency rankings without testing whether group differences exceed sampling variation. We close both gaps. Using a balanced corpus of 300 curated CVs spanning the three roles, we extract explicitly listed and implicitly narrated soft skills with an LLM-based pipeline validated against a human-annotated ground truth, a distinction that existing extractors were not designed to make. We then convert the demand-side literature's claims into 13 falsifiable hypotheses about role signatures, seniority progression, and disclosure style, and test them with effect sizes under family-wise error control, so that candidate-side data can corroborate or contradict the demand-side account rather than merely illustrate it. Eleven hypotheses are supported, one partially, and one refuted. Candidates disclose soft skills through narrative rather than keyword lists by roughly three to one, and most so for the competencies employers value most: leadership, coordination, and mentoring (88-96% narrative). Seniority nearly triples the odds of articulating leadership. That competency, assumed universal in prior work, is articulated by software engineers at half the rate of their peers. Technical candidates do articulate soft skills, but a keyword-based screening systematically misses them.
• Abstract（参考訳）: ソフトスキルは、MLエンジニア、データサイエンティスト、そして、ML対応システムを構築するソフトウェアエンジニアの間でコラボレーションを形成する。 求人広告、調査、採用管理者のインタビューは、雇用主が求めるものを捉えている。 候補者自身がこれらの能力をどのように表現するかは研究されておらず、既存のCVマイニング作業もキーワードベースであるため、グループ差がサンプリング変動を超えたかどうかを検査することなく、物語を通して伝えられるスキルや記述的な頻度ランキングを報告できない。 両方のギャップを埋めます。 3つの役割にまたがる300個のキュレートCVのバランスコーパスを用いて,既存の抽出器が設計されていないことの区別として,LLMベースのパイプラインを用いて,明示的かつ暗黙的に命名されたソフトスキルを抽出した。 次に、需要側文献の主張を、役割シグネチャ、高齢者の進行、開示スタイルに関する13の虚偽の仮説に変換し、家族的なエラー制御の下で効果の大きさで検証し、候補側データが単に説明するのではなく、需要側アカウントを協調または矛盾させることができるようにする。 11の仮説が支持されており、1つは部分的に、もう1つは否定されている。 候補者は、キーワードリストではなく、ナラティブによるソフトスキルを約3対1で開示する。 上級性は、リーダーシップを明確にする確率を3倍にします。 その能力は、以前の仕事で普遍的なものと仮定され、ソフトウェアエンジニアによって、仲間の半分の率で説明されます。 技術候補はソフトスキルを明瞭に表現するが、キーワードベースのスクリーニングはそれらを体系的に見逃す。

関連論文リスト

• Demystifying Agent Skills: Why They Work-Until They Don't [58.92875630998418]
  既存の評価は、スキルが集約されたタスクの成功を改善するかどうかを主に測定する。 我々は、表現、結果アノテーション、検索難易度、スキルのクロスフレームワークの影響を分離する。 我々はこれらの観察を3つの高レベルカテゴリと12のスキルユースモードの分類に集約する。
  論文  参考訳（メタデータ） (2026-08-14T07:26:38Z)
• SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
  SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。 行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。 Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
  論文  参考訳（メタデータ） (2026-06-12T08:20:09Z)
• Reasoning Curriculum: Bootstrapping Broad LLM Reasoning from Math [79.75335577284747]
  Reasoning Curriculumはまず、数学のような事前訓練された整列した領域で推論スキルを付与し、その後、関節RLを介してこれらのスキルを他の領域に適応し、洗練する。 カリキュラムは最小限であり、バックボーンに依存しないため、標準的な検証可能性チェック以外の特別な報酬モデルを必要としない。
  論文  参考訳（メタデータ） (2025-10-30T04:56:44Z)
• AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights [0.0611737116137921]
  大規模言語モデル (LLM) は人書き履歴書よりも, 自己生成したコンテンツを体系的に好んでいることを示す。 このバイアスは、LSMの自己認識能力をターゲットにした単純な介入によって50%以上削減することができる。 これらの調査結果は、AIによる意思決定における、新しくて見過ごされたリスクを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-08-30T11:40:11Z)
• 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)
• Metacognitive Capabilities of LLMs: An Exploration in Mathematical Problem Solving [86.04158840879727]
  そこで我々は,強力なLLMを付与し,有能なスキルラベルを数学の質問に割り当てるための,プロンプト誘導型対話手法を開発した。 次に、セマンティッククラスタリングを行い、スキルラベルの粗いファミリーを取得する。 これらの粗いスキルラベルは人間に解釈可能である。
  論文  参考訳（メタデータ） (2024-05-20T17:45:26Z)
• Skill-Mix: a Flexible and Expandable Family of Evaluations for AI models [50.11814354654953]
  AIエージェントの主な能力は、必要に応じて、学習した基本的なスキルを柔軟に組み合わせることである。 この研究は、スキルを組み合わせる能力を測定するための新しい評価であるSkill-Mixを導入している。
  論文  参考訳（メタデータ） (2023-10-26T16:55:05Z)
• Are Emily and Greg Still More Employable than Lakisha and Jamal? Investigating Algorithmic Hiring Bias in the Era of ChatGPT [24.496590819263865]
  GPT-3.5、Bard、Claudeといった大規模言語モデル(LLM)は、様々なタスクに適用可能である。 本研究では,(1)履歴書と職種とのマッチング,(2)履歴書と雇用関連情報との要約の2つの課題についてLCMを評価した。 総じて、LSMは人種や性別で頑丈であり、妊娠状態や政治的親戚関係におけるパフォーマンスが異なる。
  論文  参考訳（メタデータ） (2023-10-08T12:08:48Z)
• National Origin Discrimination in Deep-learning-powered Automated Resume Screening [3.251347385432286]
  多くの企業や組織は、採用プロセスを支援するために、ある種のAI対応のオートマットツールを使い始めています。 AIシステムの根底にあるバイアスによって、候補者に対する不公平な扱いが懸念されている。 本研究では,近年の技術革新である深層学習手法について検討し,自動再開検診への応用に焦点をあてた。
  論文  参考訳（メタデータ） (2023-07-13T01:35:29Z)
• Large Language Models as Batteries-Included Zero-Shot ESCO Skills Matchers [0.0]
  大規模言語モデル(LLM)に基づくジョブ記述からスキル抽出のためのエンドツーエンドゼロショットシステムを提案する。 ESCOのスキル全体に関する総合的なトレーニングデータを生成し,求職者からのスキル言及を抽出するために分類器を訓練する。 また、類似性検索を用いてスキル候補を生成し、第2のLCMを用いて再ランク付けする。
  論文  参考訳（メタデータ） (2023-07-07T12:04:12Z)
• Context-faithful Prompting for Large Language Models [51.194410884263135]
  大言語モデル(LLM)は世界事実に関するパラメトリック知識を符号化する。 パラメトリック知識への依存は、文脈的手がかりを見落とし、文脈に敏感なNLPタスクにおいて誤った予測をもたらす可能性がある。 我々は, LLMの文脈的忠実度を, 知識の衝突と, 棄権による予測の2つの側面で評価し, 向上する。
  論文  参考訳（メタデータ） (2023-03-20T17:54:58Z)
• Design of Negative Sampling Strategies for Distantly Supervised Skill Extraction [19.43668931500507]
  本稿では,リテラルマッチングによる遠隔監視に基づく,スキル抽出のためのエンドツーエンドシステムを提案する。 ESCO分類を用いて、関連するスキルからネガティブな例を選択することで、最大の改善が得られます。 我々は,タスクのさらなる研究を促進するために,研究目的のベンチマークデータセットをリリースする。
  論文  参考訳（メタデータ） (2022-09-13T13:37:06Z)

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。