論文の概要: Evaluating Modeling Approaches for Experience-Level Classification in Job Description

• arxiv url: http://arxiv.org/abs/2610.04304v1
• Date: Sat, 03 Oct 2026 05:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 11:42:26.226715
• Title: Evaluating Modeling Approaches for Experience-Level Classification in Job Description
• Title（参考訳）: 求人記述における経験レベル分類のためのモデリング手法の評価
• Abstract要約: 本稿では,求人テキストにおける職業経験レベルを予測するタスクについて検討し,求職に必要な資格を自動的に特定することを目的とした。 伝統的なテキスト分類とは異なり、採用テキストは通常、経験の手がかりを伝える際に異なる段落が不公平な役割を演じている、明確な内部構造を持っている。 本稿では,ルールベースシステムと古典的ベースラインTF-IDFをベースとした,統合モデリングのための重要な段落(タイトル,責任,要件)をセグメント化し,エンコードする,構造対応のセクションアウェアBERTアプローチを提案する。
• 参考スコア（独自算出の注目度）: 6.4864949617378835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the task of predicting job experience levels in recruitment texts, aiming to automatically identify the qualifications required for positions. Unlike traditional text classification, recruitment texts typically possess explicit internal structures, with different paragraphs playing disproportionate roles in conveying experience clues. To address this, we propose a structure-aware Section-Aware BERT approach that segments and encodes key paragraphs (titles, responsibilities, requirements) for integrated modeling, building upon rule-based systems and classical baselines TF-IDF. Simultaneously, we evaluate large language models under both few-shot and fine-tuning settings on the same dataset to compare the capability boundaries of different modeling paradigms. Experimental results demonstrate that explicitly leveraging text structure significantly improves experience level prediction performance, particularly in scenarios with ambiguous job titles. Further error analysis reveals systemic challenges in this task, including confusion between Entry and Senior levels and the blurred boundaries of Mid-level positions. This research provides an effective modeling approach and analytical framework for understanding structured recruitment texts.
• Abstract（参考訳）: 本稿では,求人テキストにおける職業経験レベルを予測するタスクについて検討し,求職に必要な資格を自動的に特定することを目的とした。 伝統的なテキスト分類とは異なり、採用テキストは通常、経験の手がかりを伝える際に異なる段落が不公平な役割を演じている、明確な内部構造を持っている。 そこで本研究では,ルールベースシステムと古典的ベースラインTF-IDFをベースとした,統合モデリングのための重要な段落(タイトル,責任,要件)をセグメント化し,エンコードする,構造対応のセクションアウェアBERTアプローチを提案する。 同時に、異なるモデリングパラダイムの能力境界を比較するために、同じデータセット上で、少数ショットと微調整の両方の設定で大きな言語モデルを評価する。 実験結果から,テキスト構造を明示的に活用することで,特に曖昧な職種を持つシナリオにおいて,経験レベルの予測性能が著しく向上することが示された。 さらなるエラー分析は、エントリーレベルとシニアレベルの混同や、中間レベルの位置のぼやけた境界など、このタスクにおけるシステム上の課題を明らかにしている。 本研究は、構造化された採用テキストを理解するための効果的なモデリング手法と分析フレームワークを提供する。

関連論文リスト

• DECODEM: Data Extraction from Corporate Organizational Documents via Enhanced Methods [2.0789144738685956]
  本稿では,組織文書からコーポレートガバナンス変数の自動抽出を評価するためのベンチマークデータセットであるDECODEMを紹介する。 ベンチマークでは、ランダムにサンプル化した企業憲章と、実証的な作業でよく研究されるさまざまなガバナンス条項をカバーする高品質な人事アノテーションが組み合わされた。 その結果, 自動抽出は多くの条件に対して高い精度で実現可能であり, アプローチを横断する上界付近では中央値の性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-07-17T11:48:31Z)
• SOCO: Benchmarking Semantic Object Correspondence in Vision Foundation Models [63.28435103335999]
  セマンティックオブジェクト対応のための新しいベンチマークであるSOCOを紹介する。 視覚基盤のバックボーンは強い意味構造をエンコードするが、関連するカテゴリ間での伝達対応は不十分であることを示す。 また,LVLMは画像マッチングよりもテキストプロンプト部分のローカライゼーションが優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-29T17:58:48Z)
• Linking heterogeneous microstructure informatics with expert characterization knowledge through customized and hybrid vision-language representations for industrial qualification [3.2038915276197932]
  本研究は, マイクロ構造情報学を専門的な評価知識と結びつけた新しい枠組みを提案する。 深層セマンティックセグメンテーションと事前訓練されたマルチモーダルモデルを統合することにより、視覚的ミクロ構造データとテキストによる専門家評価の両方を共有表現にエンコードする。
  論文  参考訳（メタデータ） (2025-08-27T19:59:12Z)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Pointer-Guided Pre-Training: Infusing Large Language Models with Paragraph-Level Contextual Awareness [3.2925222641796554]
  ポインター誘導セグメントオーダリング(SO)は,段落レベルのテキスト表現の文脈的理解を高めることを目的とした,新しい事前学習手法である。 実験の結果,ポインタ誘導型事前学習は複雑な文書構造を理解する能力を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-06-06T15:17:51Z)
• Hierarchical Classification of Transversal Skills in Job Ads Based on Sentence Embeddings [0.0]
  本稿では,求人広告要件とスキルセットの相関関係をディープラーニングモデルを用いて同定することを目的とする。 このアプローチには、ESCO(European Skills, Competences, Occupations)分類を使用したデータ収集、事前処理、ラベル付けが含まれる。
  論文  参考訳（メタデータ） (2024-01-10T11:07:32Z)
• Autoregressive Structured Prediction with Language Models [73.11519625765301]
  本稿では, PLM を用いた自己回帰的手法を用いて, モデル構造を行動列として記述する。 我々のアプローチは、私たちが見てきた全ての構造化予測タスクにおいて、新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-10-26T13:27:26Z)
• A Unified Understanding of Deep NLP Models for Text Classification [88.35418976241057]
  我々は、テキスト分類のためのNLPモデルの統一的な理解を可能にする視覚解析ツールDeepNLPVisを開発した。 主要なアイデアは相互情報に基づく尺度であり、モデルの各レイヤがサンプル内の入力語の情報をどのように保持するかを定量的に説明する。 コーパスレベル、サンプルレベル、単語レベルビジュアライゼーションで構成されるマルチレベルビジュアライゼーションは、全体トレーニングセットから個々のサンプルまでの分析をサポートする。
  論文  参考訳（メタデータ） (2022-06-19T08:55:07Z)
• DeepStruct: Pretraining of Language Models for Structure Prediction [64.84144849119554]
  テキストから構造を生成するために,タスクに依存しないコーパスの集合上で言語モデルを事前訓練する。 我々の構造事前学習は、モデルが構造タスクについて持っている学習知識のゼロショット転送を可能にする。 10Bパラメータ言語モデルがほとんどのタスクに非自明に転送し、28のデータセットのうち21の最先端のパフォーマンスを得ることを示す。
  論文  参考訳（メタデータ） (2022-05-21T00:58:22Z)

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。