Artificial Intelligence Use in Academic Applicant Screening: A Systematic Review
Notice bibliographique
Résumé
Background: Escalating application volumes challenge holistic admissions review; artificial intelligence (AI) offers potential screening efficiencies. This systematic review examined AI algorithm use in academic admissions, categorizing types and evaluating objectives, performance, and ethical considerations. Methods: A systematic search of 5 databases through October 2024 identified original research on AI screening in undergraduate to medical residency programs. Data extraction covered study characteristics, AI types, performance metrics, and ethical considerations. Bias risk was assessed using the Newcastle-Ottawa Scale, and objective outcomes were compared statistically. Results: Eighteen studies (61,327 applicants) were included. The primary uses of AI were interview selection (n = 7), admissions decisions (n = 4), and reviewer scoring (n = 2). Algorithms included traditional machine learning (TML) and natural language processing (NLP). In the subset of studies reporting area under the receiver operating characteristic metrics, TML models averaged 0.89 versus 0.77 for NLP models. Ethical concerns, notably bias, were reported in 50% of studies. Conclusions: TML algorithms excelled with structured data; NLP showed value for unstructured data despite challenges (eg, transparency and data needs). Ethical concerns highlight the need for transparency and bias mitigation in AI adoption. Findings emphasize continued research to address ethical and methodological challenges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,144 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».