人事のためのエージェント型AI：LLMによる候補者評価

arXiv cs.AI / 2026/3/31

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、職務記述書、履歴書、面接トランスクリプト、HRフィードバックといった入力を用いて、採用における候補者評価を自動化するための、モジュール化された解釈可能なLLMベースのフレームワークを提案する。
役割に特化した、LLMが生成する評価ルーブリックを作成し、多エージェントアーキテクチャによって、キーワードベースのATSスコアリングではなく、専門家の判断により近いことを目指した構造化レポートを生成する。
ランキングのために、LLM駆動のアクティブなリストワイズ・トーナメント手法を導入し、小規模な候補者サブセットに対するミニトーナメントを行ったうえで、Plackett-Luceモデルで結果を集約し、首尾一貫したグローバルランキングを得る。
この手法は透明性と監査可能性を備えるよう設計されており、順位付けされた推奨や候補者同士の比較を生成して、実際の採用ワークフローに適合できることを目指す。
アクティブ・ラーニングのループにより、最も情報量の大きい候補者サブセットを選択して学習効率を高め、独立したペアワイズ比較から生じるノイズや一貫性のない順位付けを減らす。

Abstract

本研究では、採用における候補者評価を自動化するために、大規模言語モデル（LLMs）を用いる、モジュール化され解釈可能な枠組みを提示します。システムは、求人票、履歴書（CV）、面接の逐語記録、そして人事（HR）のフィードバックなど、多様な情報源を統合し、専門家の判断を模倣する構造化された評価レポートを生成します。キーワードマッチングや浅いスコアリングに依存する従来のATSツールとは異なり、本アプローチは、職種に特化したLLM生成のルーブリックと、マルチエージェント・アーキテクチャを用いて、きめ細かい、基準に基づく評価を実行します。この枠組みは、詳細な評価レポート、候補者間の比較、そして透明で監査可能であり、実世界の採用ワークフローに適したランク付けの推奨を出力します。ルーブリックに基づく分析に加えて、候補者ランキングのためのLLM駆動のアクティブ・リストワイズ・トーナメント（Active Listwise Tournament）機構を導入します。ノイズの多い二者間比較や、一貫性のない独立したスコアリングの代わりに、LLMは小さな候補者集合（ミニ・トーナメント）をランク付けし、これらのリストワイズの順列をプラケット＝ルイス（Plackett-Luce）モデルを用いて集約します。アクティブラーニングのループが最も情報量の大きい集合を選択し、全体として整合的で、かつサンプル効率の高いランキングを生成します。これにより、（金融資産のランキングで以前に検討されてきた）リストワイズのLLM選好モデリングを、タレントアクイジションにおける大規模な候補者ランキングへと適応することで、原理に基づき、かつ非常に解釈可能な方法論を提供します。