يعتبر التوافق بين الشخص والوظيفة (Person-Job Fit) عاملاً مهماً في عملية التوظيف عبر الإنترنت. ومع ذلك، تواجه الأساليب الحالية تحديات عديدة، خاصة في التعامل مع الأوصاف الوظيفية ذات الجودة المنخفضة والأزواج المتشابهة من المرشحين والوظائف، مما يؤثر سلبًا على أداء النماذج.

في أحدث الأبحاث، تم اقتراح منهج يعتمد على نماذج لغوية ضخمة (Large Language Models - LLMs) يتضمن تقنيتين مبتكرتين لمعالجة هذه القضايا. الأولى هي تقنية تعزيز البيانات المعتمدة على LLM، التي تقوم بتحسين وإعادة كتابة الأوصاف الوظيفية ذات الجودة المنخفضة باستخدام تنبيهات التسلسل (Chain-of-Thought Prompts).

أما التقنية الثانية، فهي مزيج من الخبراء الواعي للفئة (Category-aware Mixture of Experts - MoE)، الذي يساعد في تحديد الأزواج المتشابهة بين المرشحين والوظائف من خلال تضمين فئات معينة، مما يمكّن النظام من التعلم بشكل أكثر تميزًا.

قد تم اختبار هذا النظام الجديد عبر تقييمات غير متصلة وتجارب A/B عبر منصات التوظيف، حيث أظهر الأداء تفوقًا نسبيًا بنسبة 2.40% في معدل AUC و7.46% في GAUC. بالإضافة إلى ذلك، تحقق زيادة مذهلة في معدل تحويل النقرات (Click-Through Conversion Rate - CTCVR) بنسبة 19.4% في الاختبارات عبر الإنترنت، مما ساهم في توفير ملايين اليوان الصيني في تكاليف الاستعانة بمصادر خارجية للموارد البشرية.

بفضل هذه الابتكارات، يبدو أن مستقبل التوظيف الإلكتروني يعد بمزيد من الفعالية والدقة، مما يسهم بشكل كبير في تحسين تجربة الاستقطاب لكافة الأطراف المعنية.

ما رأيكم في كيف يمكن أن تغير هذه التقنيات مستقبل التوظيف؟ شاركونا آراءكم في التعليقات!