Publication
Sistema assistido para seleção de RH (SA4S-RH)
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | pt_PT |
| dc.contributor.advisor | Moreira, Rui Silva | |
| dc.contributor.advisor | Pereira, Ivo | |
| dc.contributor.author | Mota, Samuel Marques | |
| dc.date.accessioned | 2025-01-27T14:57:17Z | |
| dc.date.available | 2025-01-27T14:57:17Z | |
| dc.date.issued | 2025-01-21 | |
| dc.description.abstract | A complexidade envolvida na seleção de candidatos pelas empresas exige a aplicação de diversas tecnologias, que desempenham um papel crucial na otimização da triagem e na escolha dos profissionais mais adequados para cada posição. As metodologias tradicionais apoiam-se sobretudo na correspondência direta (matching) de palavras-chave (keywords) relevantes extraídas do currículo e da descrição da vaga. Contudo, estas limitam-se à avaliação superficial, sendo pouco adaptativas devido à grande variação semântica da linguagem. Para resolver esse problema, foi proposta a pipeline SA4S-RH, onde foram usadas ferramentas com base na análise de processamento de linguagem natural, para analisar e interpretar o contexto das skills apresentadas de cada candidato com base na análise textual profunda e a atribuição de uma skill na taxonomia ESCO com recurso a um modelo de linguagem (Large Language Model). Esta abordagem permitiu a normalização das competências extraídas de cada candidato e dos requisitos da descrição da vaga para poder ser feita uma comparação justa. Paralelamente, esta abordagem permite tirar conclusões sobre o estado atual do mercado de trabalho, como as competências mais procuradas e as mais em falta. Para avaliar os resultados obtidos pelo modelo de linguagem (Large Language Model) na tarefa de atribuição de entidades (Entity Linking) da taxonomia ESCO, foram definidas métricas claras e mensuráveis, como a taxa de acerto em relação a um dataset sintético, anotado com a entidade ESCO esperada e a atribuída pelo modelo. Essa abordagem permitiu uma avaliação objetiva do desempenho da pipeline SA4S-RH, com foco na precisão do modelo na correspondência entre as menções de Skills extraídas e as entidades da taxonomia ESCO. Os resultados obtidos pela aplicação da pipeline SA4S-RH mostraram uma promissora capacidade na utilização de LLM para tarefas de processamento de linguagem natural, na tarefa de Entity Linking. A precisão de 70,63%, alcançada no reconhecimento correto de Skills, indica que a utilização de LLMs para tarefas de Entity Linking pode ser eficaz em contextos onde a identificação de habilidades profissionais a partir de descrições textuais é crítica, bem como na análise de vagas de emprego ou currículos. | pt_PT |
| dc.description.abstract | The complexity involved in candidate selection by companies demands the application of various technologies, which play a crucial role in optimizing screening processes and selecting the most suitable professionals for each position. Traditional methodologies primarily rely on direct matching of relevant keywords extracted from resumes and job descriptions. However, these methods are limited to superficial evaluations and are not adaptive to the wide semantic variability of language. To address this issue, the SA4S-RH pipeline was proposed, leveraging tools based on natural language processing analysis to analyze and interpret the context of skills presented by each candidate through deep textual analysis and skill mapping in the ESCO taxonomy using a Large Language Model. This approach enabled the normalization of the competencies extracted from each candidate and the requirements of the job description to allow for a fair comparison. Additionally, this approach draws insights into the current labor market, such as identifying the most in-demand and the most lacking skills. To evaluate the results achieved by the Large Language Model in the task of Entity Linking with the ESCO taxonomy, clear and measurable metrics were defined, such as the accuracy rate relative to a synthetic dataset annotated with the expected ESCO entity and the one assigned by the model. This approach allowed an objective evaluation of the SA4S-RH pipeline’s performance, focusing on the model’s accuracy in matching extracted skill mentions to entities in the ESCO taxonomy. The results obtained by applying the SA4S-RH pipeline demonstrated promising capabilities in using LLMs for natural language processing tasks, specifically in Entity Linking. The 70.63% accuracy achieved in correctly recognizing skills indicates that the use of LLMs for Entity Linking tasks can be effective in contexts where identifying professional skills from textual descriptions is critical, such as analyzing job postings or resumes. | pt_PT |
| dc.identifier.tid | 203848098 | |
| dc.identifier.uri | http://hdl.handle.net/10284/13458 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Seleção de candidatos | pt_PT |
| dc.subject | Processamento de linguagem natural | pt_PT |
| dc.subject | Taxonomia ESCO | pt_PT |
| dc.subject | Modelos de linguagem | pt_PT |
| dc.subject | Entity Linking | pt_PT |
| dc.subject | Competências | pt_PT |
| dc.subject | Mercado de trabalho | pt_PT |
| dc.subject | Candidate selection | pt_PT |
| dc.subject | Natural language processing | pt_PT |
| dc.subject | ESCO taxonomy | pt_PT |
| dc.subject | Language models | pt_PT |
| dc.subject | Skills | pt_PT |
| dc.subject | Labor market | pt_PT |
| dc.title | Sistema assistido para seleção de RH (SA4S-RH) | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Informática, ramo de Computação Móvel | pt_PT |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- DM_36726.pdf
- Size:
- 1.47 MB
- Format:
- Adobe Portable Document Format
- Description:
- DM_36726