کمک به استخدام با معیار شغلی روشن

مقایسه با روش فعلی

فرم ساخت‌یافته معیار شغلی، بررسی انسانی رزومه، نمونه کار متناسب و مصاحبه یکسان؛ نبود اشاره در رزومه با نبود مهارت یکی نیست. هماهنگی و پیگیری اداری ابتدا با قواعد و قالب ساده بهبود یابند.

نمونه آزمون

پیشنهاد: ۲۰ پرونده رضایت‌دار یا نمونه ساختگیِ صریحاً برچسب‌خورده از چند قالب، فارسی/انگلیسی و فاصله شغلی؛ پنج مورد توسعه و ۱۵ مورد نهایی. نسخه‌های جفتی برای تغییر نام و قالب اضافه شوند؛ این تعداد برای ادعای انصاف جمعیتی کافی نیست.

• دقت و پوشش استخراج شاهد هر معیار و صحت محل ارجاع نسبت به مرجع انسانی
• تعداد مهارت ساخته‌شده، حذف شاهد موجود یا تبدیل «نامعلوم» به «فاقد مهارت»
• اختلاف خطای استخراج و زمان اصلاح بین قالب/زبان/گروه مجاز، با اندازه هر زیرگروه و عدم‌قطعیت
• توافق بازبین‌ها، تعداد اصلاح داوطلب و دقیقه کل آماده‌سازی پرونده
• تعداد خروجی رتبه، رد خودکار یا استنباط نامرتبط؛ هدف صفر است

معیار پیشنهادی پذیرش

پیشنهاد و نیازمند تصویب HR: تمام شواهد نهایی قابل ارجاع و تأیید انسانی باشند، هیچ تصمیم یا رتبه خودکار تولید نشود و خطای وابسته به نام/قالب حل یا کاربرد محدود شود. ادامه فقط وقتی مجاز است که منفعت زمانی پس از اصلاح روشن باشد؛ نبود داده گروهی با ادعای بی‌طرفی جایگزین نشود.

ابزارهای مرتبط

• Tesseract + tessdata/fas — OCR رزومه تصویری
• Fairlearn — سنجش اختلاف کیفیت استخراج

منابع فنی

• B14 · Fairlearn — سنجش تفاوت کیفیت خدمت و محدودیت عددهای انصاف — README میان آسیب تخصیص فرصت و تفاوت کیفیت خدمت تمایز می‌گذارد و محدودیت معیارهای عددی انصاف را تصریح می‌کند؛ LICENSE از نوع MIT بررسی شد.
• B15 · NIST SP 1270 — شناسایی و مدیریت سوگیری هوش مصنوعی — صفحه رسمی و چکیده گزارش، اثر دسته‌بندی و تصمیم‌های الگوریتمی بر افراد و حضور سوگیری در فرایندهای فناوری را توضیح می‌دهد؛ مبنای توجه به زمینه انسانی و سازمانی است.
• B16 · Tesseract و tessdata — OCR، خروجی قابل ردیابی و داده زبان فارسی — README و LICENSE موتور، README و LICENSE مخزن tessdata و وجود fas.traineddata در آن بررسی شدند. موتور خروجی TSV/hOCR دارد؛ کد و داده این دو مخزن Apache-2.0 هستند.

منابع این پیشنهاد: RS06 · RS21