レガシーATSでキーワードスタッフィングが機能する理由
今日市場に出回っているすべてのレガシー応募者追跡システムは、ランキング層として何らかの形のトークンレベルのマッチングを使用しています。マーケティングでは「AI」と言われていても、実装は通常、3つのいずれかの方法です：ブーリアンキーワード抽出、TF-IDF加重マッチング、または文の埋め込みを使用した意味的類似性。これら3つはすべて同じ構造的な脆弱性を持っています：決定論的であることです。ルールを知っている候補者は、実際の適合に関係なく、望ましい出力を信頼性高く生成できます。
Jobscanの研究では、この慣行がどれほど広まっているかを文書化しており、ハーバードビジネススクールの隠れた労働者に関する研究では、2700万人の有資格者が能力に無関係な理由で自動スクリーニングにより却下されると推定されています。
候補者がシステムを利用する4つの方法
- 隠された白いテキスト。 ページの下部に白い文字で入力されたキーワードのブロックで、人間の読者には見えないが、パーサーには完全に見える。
- スキルセクションの繰り返し。 スキルセクションがわずかなバリエーションで2回または3回表示される。
- 要約におけるJDのコピー＆ペースト。 候補者は職務記述書の最初の段落を履歴書の要約にそのままコピーする。
- キーワードに合わせた箇条書きの書き換え。 実際の箇条書きが、職務記述書に合わせてより専門的な用語で書き直される。
「より賢いキーワードマッチング」が解決策でない理由
キーワードスタッフィングの問題に気付いたベンダーは、通常より賢いキーワードモデルでそれを修正しようとします。ストップワードフィルター、意味的類似性、BERTベースのマッチング、GPT-4の要約を追加します。しかし、これらのモデルはすべてトークンを読み取っていることに変わりはありません。
解決策はより賢いキーワードモデルではありません。解決策は、キーワードによるランキングを完全に停止することです。ランカーは、トークンではなく、候補者が虚構の成果を偽るために創造しなければならない事柄を読み取る必要があります。
アマゾンで学んだ敵対的入力について
CurriculoATSの前、創設者はアマゾンで検索と推薦の仕事を何年もしていました。敵対的入力は、これらのシステムの古い問題です。効果的だったパターンは、販売者が直接捏造できないシグナルでランク付けすることでした—実際の購入データ、実際の返品率、検証されたレビューのパターン。
採用も同じ方法で機能します。候補者は望むキーワードを自由に書けますが、ランカーは何か別のものを読み取るべきです。具体的に言うと、システムは履歴書を収益、チーム、システム、問題の4つの成果カテゴリに対して読み取ります。このモデルは、見つかった具体的な成果を引用した書かれた理由を持つ0～100の複合スコアを生成します。
役割とシニアリティによるスタッフィング率データ
キーワードスタッフィング率は、役割とシニアリティによって急激に異なります。シニアエンジニアとシニアプロダクトマネージャーが最も多くスタッフィングを行い、最も多くの仕事に応募し、パターンを学びます。サンプリングされたシニアバックエンドエンジニア候補者のスタッフィング率は約38%で、最も一般的なパターンは、職務記述書を反映した箇条書きと組み合わせた重複したスキルセクションでした。シニアPMのスタッフィング率は約31%でした。
レガシーキーワードスクリーニングは、最も有能な候補者ではなく、最も多く応募された候補者を体系的に昇進させ、ミスマッチの率が、創設者が正確なシグナルを最も必要とするシニアリティバンドで最も高くなります。
今週の創設者の行動
キーワードスタッフィングがあなたのショートリストを汚染していると疑うなら、3つの簡単なチェックで確認できます：
- 現在のATSでトップ5の履歴書を開き、すべてのテキストを選択します。隠された白いテキストが表示されれば、候補者はスタッフィングを行っています。
- 履歴書の経験セクションをスキルセクションと照合します。スキルリストが多くの技術を主張しているが、経験はわずかしか言及されていない場合、残りはスタッフィングです。
- 履歴書の要約が職務記述書にあまりにも密接に似ていないか確認します。