用机器学习来多快好省地筛选简历

      研究者的目标是帮助明尼阿波利斯公立学区筛选教师求职简历，这些简历中含有许多信息，但是研究者只关注三类信息：过去的工作、任期、离职原因，为什么？

      首先，考察过去的工作的目的是检验其是否从事过与其正在申请的工作相类似的工作经历，拥有相似工作经历通常能够让人在未来的工作中更加胜任；其次是任期，研究者认为在以前的工作中任职时间短可能反映出个体缺乏职业道德，并且具有较低的组织承诺水平，这些因素很有可能在未来导致个体再次离职，并且拥有较低的工作绩效；最后，研究者关注求职者离职的原因，他们认为求职者的离职归因是个人工作特质和倾向的有效信号，一个人之前工作的离职原因，可能反映了他在下一份工作中追求什么。研究者将离职原因归纳为四大类：1、非自愿；2、避免糟糕的工作；3、寻求更好的工作；4、其他原因。其中，非自愿指的是被迫离职，研究者认为，就算是因为公司业绩不好被辞退，这也会反映出个体能力的不足及缺乏职业道德（实在不敢苟同）；避免糟糕的工作是指个体因为工作环境、薪资、工作与自己期望不符等原因离职，研究者认为因为外部特征离职的求职者具有回避倾向、他们更容易注意到环境的负面或威胁性特征的倾向，如果招聘他们也会导致低绩效、高离职的后果（这推测实属草率啊..）；最后则是寻求更好的工作，寻求更好的工作指的是个体离职是为了寻求一个更富挑战性的职位，研究者认为那些寻求更好的工作的求职者他们更具有进取取向，他们追随自己的激情、富有雄心壮志，他们会更容易融入新工作，愿意花费更多的时间在工作上，进而更有可能在新工作中表现出高绩效和低离职意愿。

      他们通过2007到2013年16071名教师求职者的简历信息构建他们的简历筛选模型，这16071名教师中2225位求职者通过了审核，获得了工作。为了了解之前工作与待聘岗位的相似性，他们用贝叶斯分类器将自我报告的职务、职位分类为O*NET标准化的职业代码，在O*NET中，每个职业在KSAO上都有不同的水平，那么就可以将O*NET看作是KSAO构成的空间中的一个点，研究者进而提出了一个公式衡量求职者之前的工作的KSAO与其寻求的工作的KSAO空间上的点的距离，这个公式的结果就能反映出两者的相似性。任期则是每个申请者先前所有职位与这个职位在劳工数据中位数的平均差异。最后研究者使用贝叶斯分类器将求职者的离职归因分类到前文提到的四个主题（非自愿、寻求更好的工作、避免糟糕的工作、其他）上去，事后考察发现，人工分类与贝叶斯分类的吻合度为100%。通过以上步骤研究者的模型就能做到对求职者的简历进行评估。

      研究者主要关心他们的模型能否在两类指标上预测准确，分别是绩效表现、离职情况。教师的绩效表现主要包括:学生评价、专家观察、学生的进步、以及将这些指标综合考虑的综合性指标；离职情况则包括主动离职和被迫离职。结果表明，使用他们的模型筛选出的求职者在以上指标中都有不俗的表现，但是寻求更好的工作与自愿离职没有关系、避免坏工作与自愿离职也没有关系，而在之前工作中被辞退的人甚至在这份工作中更不愿意离职。最后，研究者遴选出了一份由模型推荐出的用人目录，与其他没被选上这份目录但是被录取了的求职者相比，模型给出的推荐用人目录上的求职者在被录取后在各个指标上都显著地表现出更好的成绩。

      从本研究的结果不难看出，本研究试图在用机器学习的方法筛选简历做出突破，但是其假设仍有待商榷与完善，研究者构建的模型之所以有预测能力其背后的机制仍需要考究。

作者丨sp

排版丨小健