Normalización de la Información Educativa en Procesos Digitalizados de Contratación

• Autores: Rus Poves, Rabih Zbib, Laura García Sardiña, Federico Retyk, Hermenegildo Fabregat, Lucas Álvarez
• Localización: Procesamiento del lenguaje natural, ISSN 1135-5948, Nº. 71, 2023, págs. 63-73
• Idioma: varios idiomas
• Títulos paralelos:
  • Normalisation of Education Information in Digitalised Recruitment Processes
• Enlaces
  • Texto completo
• Resumen
  • Multiple

    Los procesos de contratación digitalizados suelen basarse en información clave extraída automáticamente de los currículums. El caso de la trayectoria educativa es especialmente conflictivo, considerando la creciente cantidad de titulaciones, por lo que su normalización es decisiva para la posterior explotación de dichos datos. En este trabajo definimos la normalización de la información educativa como su transformación en una serie de pares nivel-campo de estudio. Para ello, definimos y compartimos una nueva taxonomía de campos de estudio en el contexto laboral. Desarrollamos un sistema sencillo en el que el nivel de estudios se identifica mediante reglas expertas, y el campo de estudios se normaliza utilizando una combinación de reglas para cubrir las ocurrencias más frecuentes y predicciones de clasificadores para generalizar sobre los casos menos frecuentes. Evaluamos el sistema propuesto en un nuevo test set compartido públicamente y probamos su aplicación en un caso de uso de comparación candidato-empleo.

  • English

    Digitalised recruitment processes typically rely on key information automatically extracted from resumes. The case of educational background information is particularly noisy, considering the ever-growing naming of degrees, thus making its normalisation a decisive aspect for subsequent exploitation of such data. In this work we define the normalisation of education information as its transformation into pairs of level/field-of-study. Towards that purpose, we define and share a new taxonomy for fields of study within the labour context. We develop a simple approach where level of study is identified using expert rules, and field of study is normalised using a combination of rules to cover the most frequent occurrences and classifier predictions to generalise over the less frequent cases. We evaluate the proposed system on a new test set that we also make publicly available. We also investigate the application of education normalisation to a candidate-job matching use case.