LinkedIn正在使用AI和机器学习来为主动职位发布生成筛选问题。在本周于预印本服务器Arxiv.org上发表的一篇论文中，合著者描述了Job2Questions，该模型可通过减少手动筛选的需求来帮助招聘者快速找到应聘者。这不仅是理论研究，还通过在LinkedIn平台上招聘经理和候选人，对Job2Questions进行了数百万个职位的简短测试。

Job2Questions的部署时间是偶然的。筛查是必不可少的罪恶-LinkedIn的一项研究发现，大约70％的手动电话筛查发现了缺少的基本申请人资格。但是随着大流行对传统招聘流程的影响越来越大，公司正在采用替代方案，其中一些方案表明愿意试用AI和机器学习工具。Job2Questions旨在减少招聘人员花在询问问题上的时间，他们应该已经对答案提出了答案，或者消除了候选人自己可以填补的空白。

正如研究人员所解释的那样，根据职位发布的内容，Job2Questions会生成许多筛选问题候选人。它首先将发布内容划分为句子，然后将这些句子转换为成对的问题模板（例如，“您使用了多少年的工作经验……”和“您是否已完成以下学历：”）和变量（“ Java”和“学士学位”）。然后，它将句子归类为聘用专家设计的几种模板之一，并点击实体链接系统以检测与所选模板相对应的参数，即通过标记句子中特定类型的实体（例如“教育程度”，“口语”语言”，“工具类型的技能”和“证书”）。Job2Questions中的一个经过预先训练的，经过微调的深度平均网络会分析发布文本的语义。

为了收集数据以训练支撑Job2Questions的机器学习模型，LinkedIn研究人员使用注释器标记了句子-问题对，从而可以从句子中预测模板。然后，该团队收集了110,409个带标签的三元组（数据样本包含单个职位发布，模板和参数），这些数据是由LinkedIn上的职位发布者提交的，用于训练Job2Questions的问题排名模型，以预测职位发布者是否会添加筛选向发布提问。招聘人员和海报添加和拒绝的筛选问题充当了真实的标签。

在为期两周的实验中，LinkedIn的访问量达到了50％，研究人员声称，只有18.67％未能正确回答筛选问题的申请人被招聘人员评为“合适”，而那些回答至少是一个问题正确地具有23％的高排名。他们还声称，通过筛选问题的答案对候选人进行排名可以使申请人的良好匹配率提高7.45％，不良匹配率降低1.67％；求职者通过对问题的回答得知其对工作建议的满意程度的可能性高46％；带有筛选问题的工作通常使招聘者与申请人的互动增加1.9倍，而与具有筛选资格的申请人的互动则增加2.4倍。

“我们发现筛选问题通常包含成员未在个人资料中添加的信息。在回答筛选问题的成员中，有33％的成员未在个人资料中提供其教育信息。更具体地说，持有中等教育程度的人不太可能在个人资料中列出这些人。至于语言，有70％的成员未在个人资料中列出他们说的语言（主要是母语）。最后，有37％的成员没有使用特定工具的经验，”该论文的合著者写道。“简而言之，我们怀疑当人们组成自己的职业形象时，他们往往会忽略招聘人员在甄选过程中非常看重的基本资格。因此，与成员个人资料相比，筛选问题更好，是申请人筛选的直接信号。”