07.02.2024 7:34:28

Машинное обучение в рекрутинге: точный подбор соискателя по коротким выдержкам из резюме и анкет.

Оценка психологических характеристик соискателей, включая их профессиональные интересы и личностные качества, на протяжении десятилетий была краеугольным камнем процессов найма персонала. Традиционные формы такой оценки требуют, чтобы кандидаты самостоятельно сообщали о своих характеристиках в расширенных опросных листах анкетирования, но компьютерные модели могут предсказывать психологические характеристики людей по цифровым следам, которые они оставляют в Интернете. Такие модели становятся всё более доступными через профессиональные онлайн-сервисы сторонних поставщиков, хотя использование внешних данных, в процессе найма работников, создаёт серьёзные этические и юридические проблемы.

Будущее сферы труда быстро меняется: прогнозируется, что автоматизация, цифровизация и глобализация приведут к изменению, как всей концепции труда, так и психологических устоев самих работников. Прогнозируется, что в ближайшие 10–15 лет целые отрасли исчезнут, появятся другие, а некоторые заново откроют свой потенциал второго дыхания. Рынки труда по всему миру столкнутся с масштабной сменой парадигмы. Всё большее количество людей будут искать новую работу из-за её несоответствия своим навыкам (либо наоборот) или неподходящей организационной структуры. Многие из этих соискателей будут подобраны для работодателей сторонними HR-службами. В свою очередь, этим службам нужны будут сторонние (реже своей разработки) масштабируемые решения, для обработки данных соискателей и сопоставления их с потенциальными вакансиями.

Прогнозное моделирование с использованием машинного обучения (ML - machine learning) предлагает многообещающий подход к замене трудоёмкого анкетирования. Традиционный метод можно заменить прогнозированием организационно-значимых характеристик соискателей (например, когнитивных способностей, личностных качеств, хобби или интересов, профессиональных навыков и т.п.) Примечательно то, что уже сейчас эти оценки не только относительно точны, но также дёшевы, ненавязчивы и масштабируемы. Хотя цифровые следы, извлечённые из данных социальных сетей, часто легко доступны (например, профили, высказывания, статусы или лайки в соцсетях), у них есть несколько ограничений, когда дело доходит до их применения в процессе набора персонала. Исследования сопоставления прогнозирования личности и данных, на основе собеседований, показывают, что моделирование по данным из социальных сетей не обязательно хорошо обобщают информацию. Поэтому она во многом разнится с той, которую получают специалисты по найму при собеседовании, в условиях отбора персонала. Кроме всего прочего, использование данных из соцсетей может быть проблематичным: кандидаты могут не иметь активных профилей, либо объем доступных данных может различаться или они могут быть против того, чтобы рекрутёры вторгались в их личную жизнь.

Среди молодых людей растёт потребность в значимой работе, а также в здоровом балансе между работой и личной жизнью. Модным становится вообще менять сферу деятельности каждые 5-10 лет, дабы избежать профессионального выгорания. Многим, возможно, придётся сменить сферу деятельности и пройти переподготовку из-за внедрения роботов и расширения автоматизации. Сама по себе частая смена характера работы имеет два важных последствия для менеджеров по персоналу. Во-первых, соискатели имеют доступ к более широкому кругу вакансий и меняют работу чаще, чем раньше. Во-вторых, компании имеют доступ к более широкому кругу кандидатов, но, возможно, им придётся нанимать их чаще и гарантировать, что кандидаты, которых они нанимают, извлекают пользу из предлагаемой работы и привлекательности задач, которые приходится решать. В совокупности эти изменения приводят к более динамичному и сложному рынку труда, который требует эффективных фильтров соответствия между соискателями (и их предпочтениями) и компаниями (с их требованиями к работе; т. е. соответствием человека вакансии). Следовательно, цифровые посредники, такие как онлайн-платформы поиска работы, доски объявлений и эйчары (как собственные сотрудники, так и на аутсорсинге), будут играть всё более важную роль в процессе подбора персонала, поскольку они упрощают сопоставление характеристик (а соответственно, точный прогноз соответствия) между кандидатами и вакансиями. В процессе сопоставления обычно учитываются два типа информации:

1) формальные характеристики кандидатов, включая образование, предыдущий опыт работы, текущее место работы и должность, зарплатные ожидание, стремление к профессиональному росту и развитию;
2) менее поверхностные психологические характеристики соискателей, такие как мотивация, личностные качества, организационные навыки, целеустремлённость, жизненные ценности, хобби вне работы или профессиональные интересы;

Личностные качества являются одними из наиболее важных факторов, которые учитываются при приёме на работу. Они отражают относительно стабильные индивидуальные различия в том, как люди думают, чувствуют и ведут себя. Наиболее известной таксономией личности является «Пятифакторная модель» (её ещё называют «Большая пятёрка»). Эта модель связана с широким спектром организационных наклонностей человека, включая производительность труда, лидерство, эффективность работы в команде или индивидуально, а также контрпродуктивное рабочее поведение, лень, склонность к затягиванию рабочих процессов и т.п. Более того, исследования соответствия человека работе показывают, что люди более мотивированы и лучше справляются с работой, которая соответствует их личностным характеристикам (например, библиотекарю сложно будет эффективно трудиться и соответствовать должности специалиста техподдержки в гипердинамичной среде центра обработки данных, где задачи надо решать очень оперативно).

Важным фактором при использовании более мягких психологических критериев в процессе набора персонала является лёгкость, с которой можно получить такую информацию. Традиционно психологические характеристики оценивались с помощью анкет, в которых требуют от кандидатов указать, насколько они согласны с различными утверждениями (например, «Я — душа компании» как показатель экстраверсии) или как видят себя в предлагаемых вариантах ответов. В контексте посредников по подбору персонала, использование такого анкетирования вообще часто затруднено, так как кандидаты могут быть не заинтересованы в проведении такого тестирования и последующих длительных сроков обработки результатов. Это особенно справедливо для проактивного подбора персонала, который основывается на упреждающих рекомендациях кандидатов для работодателей. Если рекрутинговая компания на аутсорсинге будет всё время присылать соискателей, не удовлетворяющих критериям вакансии, то заказчик-работодатель просто обратится в другое HR-агентство.

Следовательно, если психологические факторы необходимо интегрировать в масштабируемые алгоритмы сопоставления, необходимо облегчить психометрические оценки, которые не полагаются на прямой ввод данных от пользователя. Многообещающим подходом к оценке организационно значимых характеристик, таких как личностные качества, в цифровых системах подбора является применение автоматизированных прогнозов на основе машинного обучения, которые выполняют анализ из коротких текстовых отрывков. Такие отрывки можно взять из открытых резюме соискателей или экспресс-анкетирования претендентов на вакансию. Подходы ML обещают эффективную альтернативу человеческим суждениям опытного рекрутёра.

Текст - почти универсальная часть платформ по поиску работы, в которых расширенные текстовые блоки собираются в виде резюме, сопроводительных писем, тестирования или кратких описаний предыдущей профессиональной деятельности. По сравнению с ответами на анкеты, свободный текст позволяет пользователям выражать себя без ограничений и позволяет искусственному интеллекту прогнозировать личностные качества внутри и за пределами контекста отбора. Вычислительные модели способны быстро и относительно точно прогнозировать личность человека, на основе его свободного изложения в эпистолярном жанре. Сосредоточение внимания на текстовых данных, генерируемых в процессе набора персонала, позволяет использовать возможности прогнозных моделей, одновременно соблюдая конфиденциальность заявителя и соответствуя требованиям законодательства. Определение профессиональных интересов самим соискателем является надёжными предикторами важных результатов, связанных с работой, таких, как заинтересованность, вовлечённость в работу, стабильность и доход, выходящих за рамки личных и когнитивных способностей.

ИИ анализирует текстовые данные, сначала сравнивая слова текста с заранее определёнными категориями, даже несущими негативную составляющую (например, слово «ненависть» связано с категориями «Аффективные процессы», «Негативные эмоции» и «Гнев»), а затем создавая оценки частоты на основе категорий. На основе этой процедуры создаётся матрица из десятков выходных переменных, включая отдельные лингвистические стили и более широкие сводные переменные, которые включаются в набор определённых/необходимых функций. Алгоритмы извлечения, лежащие в основе встраивания слов, отражаются в том, что значение слова можно определить, анализируя наборы слов, которые обычно окружают его во многих различных контекстах. Алгоритм одновременно строит несколько деревьев решений, случайным образом рисуя подмножества входных данных (функций), а затем агрегируя эти деревья для повышения точности прогнозирования.

Конструктная валидность предлагаемого подхода показывает, что личностные качества кандидатов можно предсказать на основе текстовых данных, полученных на ранних этапах процесса набора персонала. Точность вычислительных моделей зависит от количества и полноты данных, хотя информацию в своих резюме соискатели ограничивают/фильтруют. Это не позволяет им свободно выражать свои мысли и раскрывать личность, так как они справедливо предполагают, что информация будет проверяться менеджерами по персоналу при принятии решения. Понимание этих характеристик имеет решающее значение, когда речь идёт о подборе подходящего кандидата на нужную работу, тем самым снижая риск быстрой текучести кадров и снижая общие затраты на поиск нужного работника.

Издатель:  ,  статья: 

Вверх