JD-gealigneerd screenen met een eerlijkheidsgrens

Hoe we de scoringsengine hebben gebouwd

Ik begon met het definiëren van een duidelijk contract tussen de vacaturebeschrijving en het cv. De engine leest platte tekst, extracteert clausules en koppelt elke clausule aan een vaardigheid of een vereiste zin. Ik vermijdde elk model dat probeert verborgen eigenschappen te raden; in plaats daarvan dwong ik het systeem om de exacte tekst te laten zien die het voor elke match gebruikt.

Gegevensinvoer

Het instrument accepteert twee blokken tekst: de vacaturebeschrijving en het cv. Geen bestandsanalyse, geen metadata-extractie, alleen de ruwe strings die u plakt. Ik behoud de oorspronkelijke opmaak binnen het bewijsblok, zodat u de exacte zin kunt zien die de score heeft geactiveerd.

Matchingslogica

Voor elke vereiste clausule bereken ik een gelijkenisscore met behulp van een termfrequentie-inversedocumentfrequentievector. Als de gelijkenis een drempel overschrijdt, markeer ik het als een sterkte; anders wordt het een gap. De definitieve fitscore is het gewogen gemiddelde van alle clausulescores, geschaald naar 1-10.

Bewijsopname

Elke sterkte of gap slaat de bronzin uit het cv en de bronclausule uit de vacaturebeschrijving op. Ik sla ze op als platte tekstfragmenten, niet als embeddings, zodat u de beslissing later kunt auditen. Dit bewijsblok is wat de score verklarend maakt.

Voorbeeld van invoervelden

Veld | Beschrijving | Voorbeeld Vacaturebeschrijving | Vrije tekst van de rol | "Ervaring met Python en REST API's" CV | Vrije tekst van de kandidaat | "REST API's gebouwd met Python gedurende twee jaar" Gemaakte clausule | Vacaturebeschrijvingsclausule die een gelijkenis boven de drempel vond | "Ervaring met Python en REST API's" Bewijsfragment | Exacte cv-zin die voor de match werd gebruikt | "REST API's gebouwd met Python gedurende twee jaar"

Typische workflow voor een recruiter

Ik gebruik het hulpmiddel elke ochtend als ik een nieuwe vacature open. De stappen zijn kort, herhaalbaar en laten een papieren spoor achter.

Stap 1: Plak JD

Ik kopieer de volledige vacaturebeschrijving uit de e-mail van de hiring manager en plak deze in het linkervak. Ik bewerk of samenvat deze niet; ik houd de oorspronkelijke bewoording aan.

Stap 2: Upload cv

Ik plak de cv-tekst in het rechtermvak. Als ik een PDF heb, converteer ik deze eerst naar platte tekst met een gratis offlinehulpmiddel en plak deze vervolgens.

Stap 3: Beoordelingskaart bekijken

De motor retourneert een fit-score, een lijst met sterke punten, een lijst met lacunes en de bewijslast voor elk. Ik scrol door de bewijslast om te verifiëren dat de match echt is en geen artifact van losse trefwoorden.

Stap 4: Notities toevoegen

Ik voeg een korte notitie toe in mijn systeem voor het volgen van sollicitanten met een link naar de URL van de beoordelingskaart. Deze notitie registreert de datum, de score en eventuele follow-upvragen die ik voor de kandidaat heb.

Wat de scorecard bevat

De uitvoer is bewust beperkt tot wat terug te voeren is op de brondocumenten.

Fit scoreschaal

De score varieert van 1 (weinig overlap) tot 10 (bijna volledige overlap). Ik beschouw scores onder de 4 als een duidelijke mismatch, scores 5-7 als waard om te bespreken en scores 8-10 als sterke kandidaten voor een interview.

Sterktes vs JD

Elke sterkte is een JD-clausule die de cv heeft vervuld. Ik toon de clausuletekst, het percentage overeenkomst en het bewijsfragment uit de cv.

Gatvlaggen

Elk gat is een JD-clausule die de drempelwaarde niet heeft behaald. Ik toon de clausuletekst, de beste overeenkomst die is gevonden en een notitie dat geen enkel bewijs de cutoff heeft gehaald.

Bewijsregels

Voor elke sterkte en elk gat lever ik een directe citaat uit de cv. Ik maak nooit een veronderstelling over de betekenis; ik toon alleen wat de kandidaat daadwerkelijk heeft geschreven.

Hoe we binnen de EEOC-richtlijnen blijven

Ik heb het systeem ontworpen om elke inferentie over beschermde kenmerken te vermijden. De volgende secties leggen de concrete stappen uit die ik heb genomen.

Kenmerken die we negeren

Het model kijkt nooit naar naam, adres, afstudeerjaar of elk veld dat kan hinten naar leeftijd, geslacht, ras, handicap of nationaliteit. Ik verwijder deze velden voordat ik ze verwerk als ze in de resume-tekst verschijnen.

Hoe we proxy-signalen vermijden

Ik controleer op indirecte aanwijzingen zoals schoolnamen die correleren met bepaalde groepen, of formuleringen die mogelijk een affiliatie kunnen onthullen. Als een term op een interne watchlist verschijnt, markeer ik deze voor handmatige controle en gebruik ik deze niet in de similariteitsberekening.

Audit-trail

Elke run schrijft een logboekentry die de hash van de invoerteksten, de versie van de scoringscode en de tijdstempel bevat. Ik bewaar deze logboeken gedurende zes maanden, zodat ik kan aantonen dat geen demografische gegevens zijn gebruikt in een beslissing.

Wat dit niet is

Ik wil duidelijk zijn over de beperkingen van het instrument, zodat u het niet verwart met iets waar het niet is.

Geen garantie voor aanstelling

De score weerspiegelt alleen de overeenkomst met de geschreven vacaturebeschrijving. Het voorspelt geen toekomstige prestaties, culturele fit of teamdynamiek. Ik presenteert de score nooit als een belofte dat de kandidaat zal slagen.

Geen vervanging voor menselijke beoordeling

De recruiter of hiring manager moet de bewijsstukken bekijken, met de kandidaat praten en de finale beslissing nemen. Het instrument levert alleen consistentie en traceerbaarheid.

Geen zwarte-doos-ranker

In tegenstelling tot ondoorzichtige modellen die een enkel getal geven zonder uitleg, toont Candidate Score elke sterkte, elke kloof en de exacte tekst die elke resultaat produceerde. U kunt zien waarom een kandidaat zo scoorde.

Hoe we randgevallen behandelen

Echte invoer uit de praktijk is rommelig. Ik heb speciale bewakers gebouwd voor de situaties die ik het vaakst tegenkom.

Ontbrekende secties

Als een cv een vaardighedensectie ontbreekt, parse ik het hele document nog steeds voor trefwoordovereenkomsten. Ik straf een kandidaat niet voor een niet-standaardindeling.

Zeer lange documenten

Ik bekort invoer tot 10 000 tekens voordat ik overeenkomstbeoordeling uitvoer om de uitvoertijden voorspelbaar te houden. Ik sla de volledige tekst op in het bewijsblok, zodat niets verloren gaat voor herziening.

Meerdere talen

Ik detecteer de taal van elke blok met een lichtgewicht classificator. Als het cv en de JD in verschillende talen zijn, geef ik een waarschuwing en bereken ik geen score.

Dubbelzinnige afkortingen

Ik breid gemeenschappelijke afkortingen uit met een interne woordenlijst voordat ik overeenkomst bereken. Als een afkorting niet in de woordenlijst staat, behandel ik deze als een letterlijke token.

Hoe we het model bijwerken

Verbeteringen komen uit gebruikersfeedback en uit externe richtlijnen voor het veilig gebruik van AI.

Feedbacklus

Elke maand exporteer ik anonieme scorekaarten met notities van recruiters over false positives en false negatives. Ik bekijk die notities om de similariteitsdrempel aan te passen of om nieuwe stopwoorden toe te voegen.

Externe standaarden

Ik volg de OWASP Top 10 voor LLM-toepassingen wanneer ik de risico's van prompt-injectie evalueer, zelfs als het instrument geen prompt-interface aan eindgebruikers blootstelt.

Versiebeheer

Elke release krijgt een semantische versietag. Ik publiceer een korte changelog die eventuele wijzigingen in de stopwoordlijst, de similariteitsdrempel of de logica voor bewijsextractie vermeldt.

Operator checklist voor JD-gealigneerd scherm met een eerlijkheidsgrens

Ik hou een geschreven checklist naast elke release die deze onderwerpen behandelt. De lijst is saai om een reden: noem de eigenaar, noem het bewijsartefact en noem de rollback. Als een stap geen bestand, ticket of logregel kan produceren, is het geen stap - het is een wens.

Voordat u productie wijzigt

- Bevries de branch of configuratieversie die u wilt meten. - Registreer de huidige foutmodus met één concreet invoer- en één concreet uitvoerexemplaar. - Bevestig welke identiteit de taak uitvoert en of die identiteit toegang heeft tot gegevens die het niet zou moeten hebben. - Open de primaire referenties die u zal citeren: https://owasp.org/www-project-top-10-for-large-language-model-applications, https://www.nist.gov/itl/ai-risk-management-framework.

Terwijl u de controle uitvoert

- Geef de voorkeur aan één reproduceerbare pad boven tien anekdotische schermafbeeldingen. - Schrijf het verwachte veilige resultaat voordat u het hulpmiddel of de query activeert. - Vang de exacte opdracht, prompt, schema of regex onder test - niet een parafrase. - Als het systeem kan handelen (versturen, schrijven, verwijderen, overdragen), vereist een bevestigingsgrens in hetzelfde doorvoeren.

Nadat u klaar bent

- Bestand residu-risico met een eigenaar en een datum, zelfs als de scan schoon is. - Converteer geen groene controle naar verkoopstaal dat volledigheid claimt. - Voer de zelfde checklist opnieuw uit wanneer het model, het hulpmiddelschema of de validatieregels veranderen.

Signaal | Wat te registreren | Stop-ship? Onverwachte schrijf- of verzendactie | Hulpmiddelnaam, args, identiteit | Ja totdat poort Ontbrekende bevestiging bij destructieve actie | Oproep-pad en omzeiling | Ja Onbetrouwbaar tekst behandeld als instructie | Bronoppervlak en resulterende actie | Ja voor agentbereik Scanner schoon, oordeel open | Uitgestelde items + eigenaar | Alleen als kernpad veilig

candidatescore helpt met de meetbare eerste doorvoer. Architectuurkeuzes, juridische goedkeuring en klantgerichte claims hebben nog steeds een menselijke eigenaar nodig. Behandel elke rij in de checklist als beslissingsondersteuning, niet als certificaat.

Hoe ik limieten uitleg aan kopers

Wanneer een potentiële koper vraagt of het product 'alles dekt', antwoord ik met de grens: geautomatiseerde controles detecteren bekende patronen; nieuwe ketens en beleidsbeoordelingen hebben nog steeds een review nodig. Die eerlijkheid houdt de ondersteuningslast laag en houdt de blog in overeenstemming met wat het product daadwerkelijk doet.

Als u een tweede mening nodig heeft, combineer deze tekst dan met de onderstaande referenties en met uw eigen reproduktie in een testomgeving. Sla de reproduktiestap niet over alleen omdat een model een zelfverzekerde samenvatting heeft geschreven.

Referenties

- https://owasp.org/www-project-top-10-for-large-language-model-applications - https://www.nist.gov/itl/ai-risk-management-framework

Veelgestelde vragen

Wat staat er in de scorekaart?

Het bevat sterke punten die overeenkomen met de JD, gap-vlaggen en het bewijs achter elke oproep.

Is de score verklaarbaar?

Ja. Elke oproep bevat bewijs, zodat je kunt zien waarom een kandidaat zo hoog heeft gescoord.

Moet ik het cv opmaken?

Je plakt het cv en de JD; het hulpmiddel behandelt de vergelijking.

Wie moet het gebruiken?

Wervingsmedewerkers en hiring managers die consistent, met bewijs ondersteund scherm tegen een geschreven JD willen.

Referenties

- EEOC — Verboden werkgeversbeleid - NIST AI RMF

Wilt u het product proberen? Candidate Score

Gegenereerd 2026-09-17 · alleen primaire bronnen · geen gefabriceerde verkeersmetrieken

Gerelateerde artikelen