Publicação
Explicabilidade em modelos de IA aplicados à seleção de recursos humanos
| Resumo: | Este trabalho tem como objetivo propor um sistema de apoio à decisão para o processo de recrutamento e seleção de candidatos ao cargo de consultor de vendas, por meio da predição automatizada de notas atribuídas a currículos. Foram empregados algoritmos de aprendizado de máquina supervisionado, incluindo KNN, Random Forest, SVM e redes neurais MLP, para prever a avaliação de um recrutador humano a partir de 14 atributos técnicos extraídos de currículos reais. Como diferencial, este estudo incorporou técnicas de explicabilidade como SHAP, LIME e TreeInterpreter, promovendo a explicabilidade na análise preditiva, possibilitando identificar a importância de cada variável tanto local quanto globalmente. A base de dados foi padronizada, normalizada e complementada com dados sintéticos a fim de mitigar desequilíbrios. A avaliação dos modelos foi conduzida com base em métricas como MAE, MSE, RMSE e R2, além da análise de resíduos e da matriz de confusão. O melhor desempenho entre as redes neurais foi obtido com a MLP (23-12-6-1), treinada com 50% de dados sintéticos, que alcançou MAE de 0,23, MSE de 0,28, RMSE de 0,53 e R2 = 0,97. No entanto, o modelo com maior desempenho geral foi a Random Forest com 1000 árvores, que atingiu MAE de 0,14, MSE de 0,16, RMSE de 0,40 e R2 = 0,98. |
|---|---|
| Autores principais: | Neto, Reginaldo Gregório de Souza |
| Assunto: | Inteligência artificial Recrutamento e seleção Explicabilidade Aprendizado supervisionado Regressão |
| Ano: | 2025 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Bragança |
| Idioma: | português |
| Origem: | Biblioteca Digital do IPB |
| Resumo: | Este trabalho tem como objetivo propor um sistema de apoio à decisão para o processo de recrutamento e seleção de candidatos ao cargo de consultor de vendas, por meio da predição automatizada de notas atribuídas a currículos. Foram empregados algoritmos de aprendizado de máquina supervisionado, incluindo KNN, Random Forest, SVM e redes neurais MLP, para prever a avaliação de um recrutador humano a partir de 14 atributos técnicos extraídos de currículos reais. Como diferencial, este estudo incorporou técnicas de explicabilidade como SHAP, LIME e TreeInterpreter, promovendo a explicabilidade na análise preditiva, possibilitando identificar a importância de cada variável tanto local quanto globalmente. A base de dados foi padronizada, normalizada e complementada com dados sintéticos a fim de mitigar desequilíbrios. A avaliação dos modelos foi conduzida com base em métricas como MAE, MSE, RMSE e R2, além da análise de resíduos e da matriz de confusão. O melhor desempenho entre as redes neurais foi obtido com a MLP (23-12-6-1), treinada com 50% de dados sintéticos, que alcançou MAE de 0,23, MSE de 0,28, RMSE de 0,53 e R2 = 0,97. No entanto, o modelo com maior desempenho geral foi a Random Forest com 1000 árvores, que atingiu MAE de 0,14, MSE de 0,16, RMSE de 0,40 e R2 = 0,98. |
|---|