Enhancing Recruitment Efficiency in HRM through Intelligent Resume Screening and Job Matching Using Fuzzy Logic and Ensemble Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The increasing number of job applications on digital recruitment platforms is a problem for human resource managers, who have to balance efficiency with equity in candidate evaluation. Conventional resume screening systems frequently show restricted interpretability and inadequate matching precision. The proposed study introduces a hybrid recruitment model that combines fuzzy logic and ensemble learning to provide intelligent and explainable candidate-job matching. Fuzzy logic integrates recruiter selection patterns through interpretable membership functions and rule sets, while the ensemble architecture utilises models like Random Forest, Gradient Boosting, and XGBoost to improve predicting accuracy. The system was subjected to extensive evaluation using curated Kaggle recruitment datasets, benchmarked against established baseline models. Experimental results demonstrated substantial performance enhancements, with nDCG@10 = 0.964, Precision@5 = 0.948, Recall@5 = 0.931, MAP = 0.957, AUC = 0.981, and RMSE = 0.082, outperforming conventional methodologies. The suggested approach automates extensive screening while ensuring openness, allowing HR experts to track decisions to comprehensible rules. The suggested study integrates powerful machine learning with human-aligned reasoning to improve the efficiency and lack of trust in AI-driven recruitment platforms. Its use could optimise talent acquisition processes, reduce bias, and enhance recruitment results across several industry sectors.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle