Search

KR-20260061806-A - ELECTRONIC DEVICE FOR EVALUATING THE SPECIFICITY OF RESPONSES IN RECRUITMENT DOCUMENTS AND METHOD FOR EVALUATING THE SPECIFICITY OF RESPONSES IN RECRUITMENT DOCUMENTS USING THE SAME

KR20260061806AKR 20260061806 AKR20260061806 AKR 20260061806AKR-20260061806-A

Abstract

본 개시에 따른 채용서류에서 답변의 구체성을 평가하는 전자 장치는 적어도 하나의 명령어를 저장하는 메모리, 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는 채용서류 데이터로부터 답변 데이터를 추출하고, 적어도 4개의 평가 기준에 기초하여 상기 답변 데이터를 분석하고, 상기 답변 데이터의 구체성 평가 점수를 산출할 수 있다. 상기 적어도 4개의 평가 기준은 문장 길이 평가, 키워드 평가, 형태소 평가, 및 개인 경험 평가 중 적어도 하나를 포함할 수 있다.

Inventors

  • 홍정호
  • 김다애

Assignees

  • 주식회사 무하유

Dates

Publication Date
20260506
Application Date
20241028

Claims (10)

  1. 채용서류에서 답변의 구체성을 평가하는 전자 장치에 있어서, 적어도 하나의 명령어를 저장하는 메모리; 및 상기 적어도 하나의 명령어를 실행하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 채용서류 데이터로부터 답변 데이터를 추출하고, 적어도 4개의 평가 기준에 기초하여 상기 답변 데이터를 분석하고, 상기 답변 데이터의 구체성 평가 점수를 산출하고, 상기 적어도 4개의 평가 기준은, 문장 길이 평가, 키워드 평가, 형태소 평가, 및 개인 경험 평가 중 적어도 하나를 포함하는, 전자 장치.
  2. 제1항에 있어서, 상기 적어도 하나의 프로세서는, 문장 단위의 상기 답변 데이터에 대하여 이진 분류 또는 자연어 처리 작업을 수행하고, 적어도 하나의 인공지능 모델을 이용하여 상기 답변 데이터를 분석하는, 전자 장치.
  3. 제1항에 있어서, 상기 문장 길이 평가는, 상기 답변 데이터를 문장 단위로 분할하여 각 문장의 단어 수를 계산하고, 미리 설정된 기준 길이 범위와 상기 답변 데이터의 문장 길이를 비교함으로써, 문장 길이에 따른 답변 구체성을 평가하는, 전자 장치.
  4. 제1항에 있어서, 상기 키워드 평가는, 상기 답변 데이터에서 예시 키워드, 시/공간 키워드, 성과 키워드, 및 핵심 키워드 중 적어도 하나를 포함하는 키워드를 추출하고, 상기 답변 데이터에서 상기 키워드의 사용 빈도에 기초하여 키워드에 따른 답변 구체성을 평가하는, 전자 장치.
  5. 제4항에 있어서, 상기 적어도 하나의 프로세서는, 상기 답변 데이터에서, 상기 예시 키워드, 상기 시/공간 키워드, 및 상기 성과 키워드 중 적어도 하나의 빈도가 높을수록 상기 답변 구체성을 높게 평가하고, 상기 답변 데이터에서, 상기 핵심 키워드의 밀도가 높을수록 상기 답변 구체성을 높게 평가하는, 전자 장치.
  6. 제1항에 있어서, 상기 형태소 평가는, 상기 답변 데이터를 형태소 단위로 분석하여 형용사 및 부사의 비율을 계산하고, 상기 답변 데이터에서, 형용사 및 부사의 상기 비율이 미리 설정된 기준 비율을 초과하는지 여부에 기초하여 형태소에 따른 답변 구체성을 평가하는, 전자 장치.
  7. 제1항에 있어서, 상기 개인 경험 평가는, 딥러닝 모델을 이용하여 상기 답변 데이터로부터 경험 문장을 추출하고, 상기 경험 문장으로부터 신뢰성, 주도성, 감정 표현 중 적어도 하나를 평가함으로써, 개인 경험에 따른 답변 구체성을 평가하는, 전자 장치.
  8. 제1항에 있어서, 상기 적어도 하나의 프로세서는, 상기 문장 길이 평가, 상기 키워드 평가, 상기 형태소 평가, 및 상기 개인 경험 평가에서 산출된 개별 평가 점수에 가중치를 적용하고, 평가 기준 별 점수 정규화를 수행하고, 정규화된 상기 평가 기준 별 점수를 합산함으로써, 상기 구체성 평가 점수를 산출하는, 전자 장치.
  9. 제8항에 있어서, 상기 적어도 하나의 프로세서는, 상기 평가 기준 별 점수를 아래 [수식1]을 이용하여 표준화함으로써, 상기 평가 기준 별 점수의 평균이 0, 상기 평가 기준 별 점수의 표준 편차가 1이 되도록 상기 평가 기준 별 점수를 스케일링하는, [수식1] x' = (X - μ)/σ (여기서, x'는 정규화 후 점수이고, X는 각 평가 기준 별 원 점수이고, μ는 각 평가 기준 별 점수의 평균 값이고, σ는 각 평가 기준 별 점수의 표준 편차 값) 전자 장치.
  10. 장치의 프로세서에 의해 수행되는 방법에 있어서, 채용서류 데이터로부터 답변 데이터를 추출하는 단계; 적어도 4개의 평가 기준에 기초하여 상기 답변 데이터를 분석하는 단계; 및, 상기 답변 데이터의 구체성 평가 점수를 산출하는 단계;를 포함하고, 상기 적어도 4개의 평가 기준은, 문장 길이 평가, 키워드 평가, 형태소 평가, 및 개인 경험 평가 중 적어도 하나를 포함하는, 채용서류의 답변 구체성 평가 방법.

Description

채용서류에서 답변의 구체성을 평가하는 전자 장치 및 이를 이용한 채용서류의 답변 구체성 평가 방법{ELECTRONIC DEVICE FOR EVALUATING THE SPECIFICITY OF RESPONSES IN RECRUITMENT DOCUMENTS AND METHOD FOR EVALUATING THE SPECIFICITY OF RESPONSES IN RECRUITMENT DOCUMENTS USING THE SAME} 본 개시는 답변 구체성을 평가하는 기술에 관한 것으로, 보다 상세하게는 채용서류에서 지원자의 답변의 구체성을 평가하는 전자 장치 및 이를 이용한 채용서류의 답변 구체성 평가 방법에 관한 것이다. 채용서류는 채용과정에서 지원자의 역량, 경험, 성취 등을 종합적으로 평가하는 중요한 자료이다. 특히 자기소개서나 경력기술서와 같은 서류는 지원자가 어떤 사람인지, 직무에 적합한 역량을 보유하고 있는지를 평가하는 핵심적인 정보원이다. 전통적으로 이러한 서류의 분석은 채용 담당자가 수작업으로 수행해 왔으며, 이는 채용 과정에서 지원자의 자질을 평가하는 가장 중요한 초기 단계로 여겨져 왔다. 채용서류에서 지원자의 답변이 얼마나 구체적인가는 지원자의 성의와 역량을 파악하는 중요한 요소로 작용한다. 답변이 구체적일수록 지원자의 경험과 실질적인 기여를 더 명확하게 이해할 수 있으며, 직무에 적합한 사람인지 판단하는 데 도움이 된다. 그러나 답변이 구체적이지 않으면 지원자가 자신의 능력을 제대로 설명하지 못했거나 성실하지 않다는 인상을 줄 수 있다. 따라서, 답변의 구체성을 평가하는 것은 채용서류 분석에서 매우 중요한 과정이다. 기존의 채용서류 검토 방식은 채용 담당자가 일일이 수작업으로 문서를 분석하는 방식에 의존했다. 하지만 이러한 방식은 주관적일 뿐만 아니라, 많은 서류를 검토해야 하는 경우 시간이 많이 소모되고 효율성이 떨어진다. 특히 지원자의 답변이 얼마나 구체적인지를 판단하는 기준이 명확하지 않거나 일관되지 않을 수 있다. 이에 따라, 인사 담당자가 채용서류를 더 빠르고 일관성 있게 검토하고, 채용서류에서 답변의 구체성을 객관적으로 평가할 수 있는 자동화 시스템이 요구된다. 도 1은 본 개시의 전자 장치의 블록 구성을 나타내는 도면이다. 도 2는 본 개시의 전자 장치의 동작을 나타내는 개념도이다. 도 3은 본 개시의 전자 장치의 동작을 나타내는 순서도이다. 도 4는 본 개시의 전자 장치가 문장 길이 평가에 기초하여 답변 데이터를 분석하는 동작을 나타내는 순서도이다. 도 5는 본 개시의 전자 장치가 키워드 평가에 기초하여 답변 데이터를 분석하는 동작을 나타내는 순서도이다. 도 6은 본 개시의 전자 장치가 형태소 평가에 기초하여 답변 데이터를 분석하는 동작을 나타내는 순서도이다. 도 7은 본 개시의 전자 장치가 개인 경험 평가에 기초하여 답변 데이터를 분석하는 동작을 나타내는 순서도이다. 도 8은 본 개시의 전자 장치가 답변 데이터의 구체성 평가 점수를 산출하는 동작을 나타내는 순서도이다. 본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다. 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우 뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다. 제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다. 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다. 각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다. 이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다. 본 명세서에서 '본 개시에 따른 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다. 여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다. 상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다. 상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다. 본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들 (weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다. 본 개시의 예시적인 실시예에 따르면, 프로세서는 인공지능을 구현할 수 있다. 인공지능이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 인공지능의 방법론에는 학습 방식에 따라 훈련데이터로서 입력데이터와 출력데이터가 같이 제공됨으로써 문제(입력데이터)의 해답(출력데이터)이 정해져 있는 지도학습(supervised