Fugu-MT 論文翻訳(概要): Competence-Preserving Resume Perturbations Expose Presentation Sensitivity in LLM Screening

論文の概要: Competence-Preserving Resume Perturbations Expose Presentation Sensitivity in LLM Screening

arxiv url: http://arxiv.org/abs/2609.16517v1
Date: Tue, 15 Sep 2026 02:07:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.302061
Title: Competence-Preserving Resume Perturbations Expose Presentation Sensitivity in LLM Screening
Title（参考訳）: LLMスクリーニングにおけるコンピテンス保存型Resume摂動の提示感度について
Abstract要約: スクリーニングの妥当性とプレゼンテーションの安定性は不一致である。本研究は, 履歴スクリーニング評価において, より強い候補を識別するだけでなく, 同一の能力証明を異なる方法で提示した場合に, 決定が安定しているかどうかを評価すべきであることを示す。
参考スコア（独自算出の注目度）: 4.736836688901646
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Resume screeners must infer job-relevant competence from resumes whose presentation can vary substantially in wording, structure, stylistic polish, and document extraction quality. Ideally, such surface variation should not change decisions when the underlying qualification evidence is unchanged. We introduce a controlled audit of this property, constructing occupation-grounded candidate profiles at controlled competence levels and rendering each profile into multiple resume presentations. A deterministic validation gate excludes variants that alter the underlying evidence before scoring. Across six open instruction-tuned LLM conditions, we find a clear disconnect between screening validity and presentation stability. Llama-3.1-8B with its native chat template achieves the strongest validity ($0.781$) yet reverses $29.6\%$ of matched pairwise decisions under competence-preserving presentation changes; Mistral-7B-v0.3 reaches validity $0.644$ with a $41.4\%$ flip rate. Native chat formatting improves validity for several chat-tuned models but does not remove this instability. These results show that resume-screening evaluations should assess not only whether a system identifies stronger candidates, but also whether those decisions remain stable when the same competence evidence is presented differently.
Abstract（参考訳）: 再試行者は、文章、構造、スタイリスティックな洗練、文書抽出の質に大きく違いがある履歴書から求職能力の推測をしなければならない。理想的には、そのような表面の変化は、基礎となる資格証明が変更されていないときに決定を変えるべきではない。我々は,この特性の制御監査を導入し,職域の候補プロファイルを制御能力レベルで構築し,各プロファイルを複数の履歴書にレンダリングする。決定論的検証ゲートは、スコアの前に基礎となる証拠を変更する変種を除外する。 6つのオープン命令調整LDM条件に対して,スクリーニングの有効性と提示安定性の明確な相違が認められた。ネイティブチャットテンプレートを備えたLlama-3.1-8Bは、最も高い妥当性(0.781$)を達成するが、コンピテンス保存されたプレゼンテーション変更の下で一致したペアワイズ決定の29.6\%$を逆転する。ネイティブチャットフォーマッティングは、いくつかのチャットチューニングモデルの妥当性を向上させるが、この不安定性を排除しない。これらの結果から, 履歴スクリーニング評価は, システムが強い候補を識別するだけでなく, 同一の能力証明が異なる場合に, 決定が安定しているかどうかを評価すべきであることがわかった。

関連論文リスト

CVE-SAI: Counterfactual Visual Evidence-Guided Selective Attribute Indexing for Risk-Controlled E-commerce Search [12.763061404384601]
マルチモーダル製品モデルは、欠落したeコマース属性を補完することができる。現在の手法は依然として属性答え精度を最適化し、持続的なインデックス入力を伴う過渡的予測を記述している。本稿では,これらのギャップを視覚的エビデンスをガイドとした選択属性歪曲法を用いて解決する。
論文参考訳（メタデータ） (2026-08-25T18:10:36Z)
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)
FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
論文参考訳（メタデータ） (2026-05-05T02:31:18Z)
Permutation-Consensus Listwise Judging for Robust Factuality Evaluation [0.8563354084119061]
リストワイド事実性評価における候補順序感度について検討した。そこで我々は,PCFJudgeを紹介した。PCFJudgeは,同一候補集合の複数の順序に対して,同じ事実を優先的にリストワイズする推論時手法である。 RewardBench 2 Factualityでは、PCFJudgeは最大7つの絶対点による直接判定よりも改善される。
論文参考訳（メタデータ） (2026-03-20T23:35:14Z)
Grounding the Score: Explicit Visual Premise Verification for Reliable Vision-Language Process Reward Models [8.630726904040781]
EVPV(Explicit Visual Premise Verification)は,ステップが依存する視覚的前提の信頼性を段階的に評価する,軽量な検証インターフェースである。 EVPVはステップレベルの検証を改善し、強いベースラインよりも常にBest-of-Nの精度を向上する。
論文参考訳（メタデータ） (2026-03-17T08:40:26Z)
HLE-Verified: A Systematic Verification and Structured Revision of Humanity's Last Exam [63.84155758655084]
HumanityのLast Exam (HLE)は、フロンティアの大規模言語モデルを評価するために広く使われているベンチマークである。 HLE-Verifiedは,透過的検証プロトコルときめ細かい誤り分類法を備えたHLEの検証および改訂版である。我々は,HLEとHLE-Verifiedの7つの最先端言語モデルを評価し,平均7～10ポイントの絶対精度を観測した。
論文参考訳（メタデータ） (2026-02-15T02:50:15Z)
Explicit Uncertainty Modeling for Active CLIP Adaptation with Dual Prompt Tuning [51.99383151474742]
デュアルプロンプトチューニングに基づくアクティブCLIP適応のためのロバストな不確実性モデリングフレームワークを提案する。提案手法は,同一のアノテーション予算の下で,既存のアクティブラーニング手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2026-02-04T09:01:55Z)
From Fact to Judgment: Investigating the Impact of Task Framing on LLM Conviction in Dialogue Systems [8.8953040142657]
本研究では,タスクが直接の事実クエリから会話的判断タスクにリフレームされると,LCMの信念がどう変化するかを検討する。両条件に単純な反論(前の答えは正しくない)の形で圧力を適用する。以上の結果から, GPT-4o-miniのようなモデルでは, 社会的フレーミング作業下でのシコファン性傾向が明らかにされているが, Llama-8B-Instructのようなモデルでは過度に批判的になる。
論文参考訳（メタデータ） (2025-11-14T00:55:28Z)
CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
論文参考訳（メタデータ） (2025-10-02T02:14:33Z)
Self-Evaluation Improves Selective Generation in Large Language Models [54.003992911447696]
オープンエンド生成タスクをトークンレベルの予測タスクに再構成する。我々はLSMに答えを自己評価するように指示する。自己評価に基づくスコアリング手法をベンチマークする。
論文参考訳（メタデータ） (2023-12-14T19:09:22Z)

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。