DOI: https://doi.org/10.1109/access.2026.3658575
تاريخ النشر: 2026-01-01
المؤلف: Shahria Hoque وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي وتقنيات الموارد البشرية
نظرة عامة
تقدم هذه البحث نظام اختيار موظفين آلي مبتكر مصمم لتعزيز عملية التوظيف لوظائف هندسة البرمجيات. من خلال الاستفادة من تقنيات معالجة اللغة الطبيعية المتقدمة (NLP) ونظرية اتخاذ القرار متعددة المعايير (MCDM)، يقدم الدراسة إطار LLM-TOPSIS، الذي يدمج نماذج اللغة الكبيرة (LLMs) مع طريقة TOPSIS الضبابية لمعالجة الغموض والذاتية الموجودة في التقييمات البشرية بشكل فعال. تم إنشاء مجموعة بيانات فريدة من ملفات تعريف LinkedIn، مدعومة بتقييمات الخبراء، لتكون بمثابة معيار لتقييم المرشحين بناءً على معايير مثل التعليم، والخبرة العملية، والمهارات. حقق نموذج DistilRoBERTa المعدل بدقة، مع TOPSIS الضبابية، دقة مثيرة للإعجاب تصل إلى 91% للسمات الرئيسية، مما يظهر توافقه مع تصنيفات الخبراء البشريين.
تؤكد النتائج على إمكانيات الأطر المدفوعة بـ NLP لتبسيط عمليات التوظيف، مما يعزز القابلية للتوسع والاتساق مع تقليل التحيزات المرتبطة بالتقييمات البشرية التقليدية. تدعو الدراسة إلى تحسينات مستقبلية، بما في ذلك توسيع مجموعة البيانات ودمج أدوات الشرح مثل SHAP أو LIME، لتعزيز الشفافية والثقة في حلول التوظيف المدفوعة بالذكاء الاصطناعي. بشكل عام، تضع هذه البحث الأساس لنهج أكثر استنادًا إلى البيانات وموضوعية في اختيار الموظفين، موضحة فعالية دمج تحليل النصوص القائم على LLM مع منهجيات اتخاذ القرار الضبابية في إدارة الموارد البشرية.
الطرق
توضح قسم المنهجية تطوير إطار اختيار موظفين آلي باستخدام نماذج اللغة القائمة على المحولات واتخاذ القرار الضبابي متعدد المعايير. يتم هيكلة الإطار في ثلاث مراحل رئيسية:
1. **بناء مجموعة البيانات وتقييم الخبراء**: تم إنشاء مجموعة بيانات مصنفة تتكون من ملفات تعريف المرشحين من بيانات LinkedIn، مع التركيز على أربعة سمات: الخبرة، المهارات، التعليم، والمعلومات الشخصية. قام خبراء المجال بتقييم هذه السمات باستخدام مقياس ليكرت من خمس نقاط، مصنفين إياها إلى ثلاث فئات كفاءة (ضعيف، متوسط، ممتاز). لتخفيف ندرة البيانات وعدم توازن الفئات، تم استخدام تقنيات مثل إعادة الصياغة، واستبدال المرادفات، والتوسع السياقي، تلتها عملية التوازن حسب الفئة.
2. **تصنيف متعدد الفئات قائم على المحولات**: تم تعديل نموذج DistilRoBERTa لتصنيف متعدد الفئات لسمات المرشحين، متنبئًا بمستويات الكفاءة من البيانات النصية ومحققًا درجات مستقرة وقابلة للتفسير. تم إجراء تحليلات مقارنة مع نماذج أكبر (RoBERTa-base) وأصغر (LastBERT) لتقييم أداء الهياكل المقطرة في السيناريوهات المحدودة للبيانات.
3. **درجات الكفاءة الناتجة عن LLM مع تصنيف قائم على TOPSIS الضبابي**: لتجميع التنبؤات على مستوى السمات في تصنيف شامل للمرشحين، تم استخدام تقنية TOPSIS الضبابية لترتيب التفضيل بناءً على التشابه مع الحل المثالي. تم تمثيل أوزان المعايير المستندة إلى الخبراء باستخدام أرقام ضبابية مثلثية لأخذ عدم اليقين في الاعتبار. تم مقارنة الترتيبات المستمدة من درجات DistilRoBERTa مع تلك من Human-TOPSIS وتقييمات الخبراء البشرية المباشرة لتقييم التوافق والصلابة والاتساق في اتخاذ القرار.
النتائج
تشير النتائج إلى أن النموذج يظهر أداءً تنبؤيًا كبيرًا، كما يتضح من مصفوفات الالتباس المقدمة في الأشكال 10 و11، التي تفصل نتائج التصنيف لعمود “التعليم” و”المعلومات الشخصية”، على التوالي. تحسنت دقة التدريب والتحقق بشكل مستمر، محققة حوالي 91% بحلول العصر النهائي، كما هو موضح في الشكل 12.
تشير منحنيات الخسارة إلى انخفاض مستمر في خسارة التدريب من 1.0 إلى 0.2، مع ظهور خسارة التحقق اتجاهًا هبوطيًا مشابهًا. حقق النموذج خسارة هامينغ قدرها 0.0054، مما يبرز معدل التصنيف الخاطئ المنخفض. بشكل جماعي، تُظهر هذه المقاييس – الدقة العالية، والاسترجاع، والدقة، جنبًا إلى جنب مع اتجاهات الخسارة المتوازنة – قوة النموذج وفعاليته في مهام تصنيف درجات الكفاءة متعددة الفئات.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور وحالة أنظمة اختيار الموظفين الآلية الحالية، خاصة في سياق توظيف هندسة البرمجيات. تنتقد المنهجيات الحالية التي تعتمد بشكل أساسي على جمع البيانات يدويًا من السير الذاتية، مع التأكيد على محدودية الأتمتة في هذه الأساليب. من الجدير بالذكر أن الورقة تشير إلى العمل الأساسي الذي قام به كريم وآخرون الذي قدم نظام تقييم آلي باستخدام نماذج اللغة الكبيرة (LLMs). تبني الدراسة الحالية على ذلك من خلال دمج اتخاذ القرار TOPSIS الضبابي لمعالجة الذاتية وعدم اليقين الموجودين في التقييمات البشرية، مما يعزز قوة ووضوح تصنيفات المرشحين.
يستفيد نظام اختيار الموظفين الآلي المقترح من البيانات من ملفات تعريف LinkedIn، مع التركيز على السمات الرئيسية مثل المهارات، والخبرة، والتعليم، مدعومة بتقييمات الخبراء. تعتبر خطوة منهجية كبيرة هي دمج تحليل المشاعر باستخدام نموذج RoBERTa، الذي يتمتع بقدرة على معالجة البيانات النصية المعقدة. كما تستخدم الدراسة نوعًا من TOPSIS الضبابية التي تستخدم أرقامًا ضبابية مثلثية لنمذجة عدم اليقين بشكل أفضل في تقييمات المرشحين. لا يحسن هذا النهج اتخاذ القرار فحسب، بل يتماشى أيضًا مع إطار الجذب-الاختيار-الانفصال (ASA)، مما يبرز التوافق عبر أبعاد مختلفة (فردية، فريق، ومنظمة). بشكل عام، تقدم البحث إطارًا شاملاً يدمج تقنيات NLP المتطورة مع اتخاذ القرار الضبابي متعدد المعايير، مما يعد بتطبيقات تتجاوز هندسة البرمجيات إلى قطاعات أخرى تتطلب اتخاذ قرارات معقدة تحت عدم اليقين.
القيود
تسلط القيود المفروضة على إطار LLM-TOPSIS، بينما تظهر أداءً قويًا في التصنيف والترتيب، الضوء على عدة مجالات للبحث المستقبلي. تعتمد الدراسة على مجموعة بيانات تتكون من حوالي 100 ملف تعريف LinkedIn تركز فقط على أدوار هندسة البرمجيات، مما يحد من قابليتها للتعميم عبر صناعات ومناطق جغرافية مختلفة. حجم مجموعة البيانات المحدود، الناتج عن عملية التقييم والتصنيف اليدوية التي تتطلب جهدًا كبيرًا من قبل خبراء المجال، ضمّن تعليقات عالية الجودة ولكنه قيد أيضًا تنوع العينة. تهدف الأبحاث المستقبلية إلى توسيع مجموعة البيانات لتشمل مجالات مهنية متنوعة مثل الرعاية الصحية، والمالية، والتعليم، مما يمكّن من التحقق عبر المجالات وتقليل التحيز في الاختيار.
بالإضافة إلى ذلك، يُقترح دمج عمليات التقييم الآلي أو شبه الآلي باستخدام نماذج اللغة الكبيرة لتعزيز القابلية للتوسع مع الحفاظ على اتساق مستوى الخبراء. ستعمل الأعمال المستقبلية أيضًا على تحسين عملية تعلم الوزن الضبابي من خلال تحسين الانتروبيا المستندة إلى البيانات وصيغ AHP الضبابية التكيفية لضبط أهمية المعايير بشكل أفضل. لمعالجة القابلية للتفسير، سيتم استخدام أطر مثل SHAP أو LIME لتصور قرارات النموذج، وستحقق التحليلات عبر الثقافات في تأثير الاختلافات الإقليمية واللغوية على نتائج الترتيب. ستقوم التجارب المنضبطة لتقييم القوة بمزيد من تقييم حساسية النموذج للاختلافات في جودة الملفات الشخصية. تهدف هذه التحسينات إلى تحسين قابلية التوسع، والتعميم، والشفافية للإطار، مما يضمن التوافق مع المعايير الأخلاقية في تقييم الموظفين المدفوع بالذكاء الاصطناعي.
DOI: https://doi.org/10.1109/access.2026.3658575
Publication Date: 2026-01-01
Author(s): Shahria Hoque et al.
Primary Topic: AI and HR Technologies
Overview
This research presents an innovative automated personnel selection system designed to enhance the recruitment process for software engineering positions. By leveraging advanced natural language processing (NLP) techniques and multicriteria decision-making (MCDM) theory, the study introduces the LLM-TOPSIS framework, which integrates large language models (LLMs) with a fuzzy TOPSIS method to effectively address the ambiguity and subjectivity inherent in human evaluations. A unique dataset was created from LinkedIn profiles, enriched with expert assessments, to serve as a benchmark for evaluating candidates based on criteria such as education, work experience, and skills. The fine-tuned DistilRoBERTa model, combined with fuzzy TOPSIS, achieved an impressive accuracy of up to 91% for key attributes, demonstrating alignment with human expert rankings.
The findings underscore the potential of NLP-driven frameworks to streamline recruitment processes, enhancing scalability and consistency while reducing biases associated with traditional human assessments. The study advocates for future enhancements, including the expansion of the dataset and the integration of explainability tools like SHAP or LIME, to foster transparency and trust in AI-driven recruitment solutions. Overall, this research lays the groundwork for a more data-driven and objective approach to personnel selection, illustrating the effectiveness of merging LLM-based textual analysis with fuzzy decision-making methodologies in human resource management.
Methods
The methodology section outlines the development of an automated personnel selection framework utilizing transformer-based language models and fuzzy multicriteria decision-making. The framework is structured into three primary phases:
1. **Dataset Construction and Expert Annotation**: A labeled dataset comprising candidate profiles was created from LinkedIn data, focusing on four attributes: Experience, Skills, Education, and About. Domain experts evaluated these attributes using a five-point Likert scale, categorizing them into three proficiency classes (Poor, Fair, Excellent). To mitigate data scarcity and class imbalance, techniques such as paraphrasing, synonym substitution, and contextual expansion were employed, followed by class-wise balancing.
2. **Transformer-Based Multi-Class Classification**: The DistilRoBERTa model was fine-tuned for multiclass classification of candidate attributes, predicting proficiency levels from textual data and yielding stable, interpretable scores. Comparative analyses with larger (RoBERTa-base) and smaller (LastBERT) models were conducted to assess the performance of distilled architectures in data-limited scenarios.
3. **LLM-Generated Proficiency Scores with Fuzzy-TOPSIS-Based Ranking**: To synthesize the attribute-level predictions into a comprehensive candidate ranking, the Fuzzy Technique for Order of Preference by Similarity to Ideal Solution (Fuzzy TOPSIS) was utilized. Expert-informed criterion weights were represented using triangular fuzzy numbers to account for uncertainty. The rankings derived from DistilRoBERTa scores were compared with those from Human-TOPSIS and direct human expert evaluations to evaluate alignment, robustness, and consistency in decision-making.
Results
The results indicate that the model demonstrates significant predictive performance, as evidenced by the confusion matrices presented in Figures 10 and 11, which detail the classification outcomes for the “Education” and “About” columns, respectively. Training and validation accuracy improved steadily, achieving approximately 91% by the final epoch, as illustrated in Figure 12.
The loss curves indicate a consistent reduction in training loss from 1.0 to 0.2, with validation loss exhibiting a similar downward trend. The model achieved a Hamming loss of 0.0054, highlighting its low misclassification rate. Collectively, these metrics—high precision, recall, and accuracy, along with balanced loss trends—demonstrate the model’s robustness and efficacy in multi-class proficiency score classification tasks.
Discussion
The discussion section of the research paper highlights the evolution and current state of automated personnel selection systems, particularly in the context of software engineering recruitment. It critiques existing methodologies that primarily rely on manual data collection from resumes, emphasizing the limited automation in these approaches. Notably, the paper references foundational work by Karim et al. that introduced an automated evaluation system using large language models (LLMs). The current study builds on this by integrating fuzzy TOPSIS decision-making to address the inherent subjectivity and uncertainty in human evaluations, thus enhancing the robustness and interpretability of candidate rankings.
The proposed automated personnel selection system leverages data from LinkedIn profiles, focusing on key attributes such as skills, experience, and education, supplemented by expert evaluations. A significant methodological advancement is the incorporation of sentiment analysis using the RoBERTa model, which is adept at processing complex textual data. The study also employs a fuzzy TOPSIS variant that utilizes triangular fuzzy numbers to better model the uncertainty in candidate assessments. This approach not only improves decision-making but also aligns with the Attraction-Selection-Attrition (ASA) framework, emphasizing compatibility across various dimensions (individual, team, and organizational). Overall, the research presents a comprehensive framework that merges state-of-the-art NLP techniques with fuzzy multi-criteria decision-making, promising applications beyond software engineering to other sectors requiring complex decision-making under uncertainty.
Limitations
The limitations of the LLM-TOPSIS framework, while demonstrating strong classification and ranking performance, highlight several areas for future research. The study’s reliance on a dataset of approximately 100 LinkedIn profiles focused solely on software engineering roles restricts its generalizability across different industries and geographic regions. The limited dataset size, resulting from the labor-intensive manual scoring and labeling process by domain experts, ensured high-quality annotations but also constrained sample diversity. Future research aims to expand the dataset to include various professional domains such as healthcare, finance, and education, thereby enabling cross-domain validation and reducing selection bias.
Additionally, the integration of automated or semi-automated annotation processes using large language models is proposed to enhance scalability while maintaining expert-level consistency. Future work will also refine the fuzzy weight learning process through data-driven entropy optimization and adaptive fuzzy-AHP formulations to better adjust criterion importance. To address interpretability, frameworks like SHAP or LIME will be employed to visualize model decisions, and cross-cultural analyses will investigate the impact of regional and linguistic variations on ranking outcomes. Controlled robustness experiments will further assess the model’s sensitivity to variations in profile quality. These enhancements aim to improve the framework’s scalability, generalization, and transparency, ensuring alignment with ethical standards in AI-driven personnel evaluation.