Ontology-based Model for Human Resources Recruitment
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Настоящото изследване предоставя нови решения на съществуващи проблеми в областта на набирането на човешки ресурси. Целта на докторската дисертация е създаването на базиран на онтологии модел за ефективно набиране на човешки ресурси. Моделът е реализиран във фреймуърка Ontario, който се използва и за експериментално тестване на модела по време на разработването на докторска дисертация и която също има значение на ниво приложение в процесите и дейностите по набиране на човешки ресурси в различни области. Обект на изследването е процесът на управление на човешките ресурси. Предмет на изследването е оптимизирането на подбора на персонал в УЧР. Целите на това изследване са както следва: Цел 1: Проучване на методите за набиране на персонал и съществуващите процеси за набиране на персонал, с цел намиране на съответните пропуски в процеса на набиране и подбор. Цел 2: Изследване на онтологията и съществуващите онтологични методи с цел да се изследват техните предимства, недостатъци и най-добри практики за използването им при набиране на човешки ресурси. Цел 3: Изграждане на нова онтология за умения (като се вземат предвид констатациите от цел 2). Цел 4: Разработване на фреймуърк (с използване на онтологии) за набиране на персонал (която отчита и обхваща констатациите от цел 1 и 3). Рамката ще използва онтологията на уменията като обща таксономия за автобиографии и длъжностни характеристики на търсещите работа, за да ги съпостави и да намери най-добрите кандидати и да ги класира.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.007 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it