计算机科学 > 计算与语言
[提交于 2025年7月8日
]
标题: 信号还是噪声? 在情境变化和人类专家基准下评估大型语言模型在简历筛选中的表现
标题: Signal or Noise? Evaluating Large Language Models in Resume Screening Across Contextual Variations and Human Expert Benchmarks
摘要: 本研究调查了大型语言模型(LLMs)在根据职位描述筛选简历时是否表现出一致的行为(信号)或随机变化(噪声),以及它们的性能与人类专家相比如何。 使用受控数据集,我们在相同和随机化的简历下,针对三种LLMs(Claude、GPT和Gemini)在不同情境(无公司、Firm1[跨国公司]、Firm2[初创公司]、简化情境)中进行了测试,并与三位人类招聘专家进行了基准比较。 方差分析显示,在八种LLM单独条件下有四种存在显著均值差异,并且LLM与人类评估之间存在持续显著差异(p < 0.01)。 配对t检验显示,GPT对公司情境适应性强(p < 0.001),Gemini部分适应(Firm1的p = 0.038),而Claude适应性最小(p > 0.1),而在所有情境下,所有LLMs与人类专家存在显著差异。 元认知分析突显了与人类评估方法明显不同的自适应加权模式。 研究结果表明,LLMs在详细提示下提供可解释的模式,但与人类判断存在显著差异,这为其在自动化招聘系统中的部署提供了依据。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.