An Internet Search--Augmented Soft Prompt Tuning Framework for Explainable Resume Screening in Healthcare Recruitment

技術要約：ヘルスケア採用における説明可能な履歴書スクリーニングのための、インターネット検索拡張型ソフトプロンプトチューニング・フレームワーク

問題提起

病院の採用活動には、複雑な「人–職務適合性（person–job fit）」という課題が伴い、多様な応募資料（免許、臨床研修、研究実績など）を特定の職務要件に対して評価する必要がある。従来の目視によるレビューは時間がかかり、評価者間のばらつきが生じやすい。また、初期の自動化システム（キーワードマッチング、SVM、ランダムフォレストなど）は、暗黙的または文脈依存的な情報を解釈する柔軟性に欠け、異なる資格基準を持つ異なる職種間での汎用性に苦慮することが多い。さらに、標準的な大規模言語モデル（LLM）のアプリケーションは、この領域において2つの決定的な問題に直面している。(1) 監査が困難な「ブラックボックス」的な出力、および (2) 学術出版物や専門的な証拠に関して、古くなっているか、あるいは検証不可能な静的なパラメータ知識への依存である。

手法

著者らは、構造化されたエビデンス抽出、外部エビデンスのグラウンディング、およびパラメータ効率の高いソフトプロンプトチューニングを統合したハイブリッド意思決定アーキテクチャを提案している。本フレームワークは、主に以下の3つのステージで動作する。

1. エビデンスの構築とシリアライズ化:

   • パース（解析）: 非構造化履歴書（PDF、DOC、TXT）を機械判読可能なテキストに変換し、few-shotハードプロンプトを用いて、制約付きJSONスキーマ（教育、スキル、職歴、出版物などの抽出）へとパースする。
   • 外部グラウンディング: 研究関連のポジションについては、履歴書に記載された出版物タイトルを制限付きクエリとして使用し、Semantic Scholar APIを介してメタデータと抄録を検索する。これにより、無制限なウェブブラウジングを避け、エビデンスの追跡可能性と検証可能性を確保する。
   • インスタンス構築: 候補者と職務のインスタンスは、職務記述書（$J_i$）、構造化された履歴書（$R_i$）、取得されたエビデンス（$C_i$）、および出力指示を含む統一されたテキスト形式にシリアライズされ、明示的なフィールド識別子によって区切られる。

2. ソフトプロンプト適応:

   • アーキテクチャ: 本システムは、凍結されたQwenバックボーンを利用する。全パラメータのファインチューニングを行う代わりに、コンパクトで学習可能なソフトプロンプト行列 $P$（$m$ 個の仮想トークン埋め込みで構成される）を入力シーケンスの先頭に付加する。
   • 学習目的: モデルは、候補者がアーカイブされた参照ショートリストに属するかどうか（$y_i \in \{0, 1\}$）を予測するように学習される。損失関数は、以下の2つのコンポーネントを等しい重みで組み合わせる。
     • バイナリクロスエントロピー ($L_{CE}$): 候補者レベルの識別のため。
     • ペアワイズランキング損失 ($L_{rank}$): 同一職務内における参照候補と非参照候補の相対的な順序を最適化するため。
   • 最適化: 勾配はソフトプロンプトパラメータ（$\theta$）のみを更新し、基礎となるモデルパラメータ（$\Phi$）は凍結されたままにする。

3. ハイブリッド・スコアリングとランキング:

   • 決定的ルール: ハードな基準（年齢、必須資格、ジャーナル四分位数など）は、明示的なルールを用いて評価される。違反した場合はマイナスのペナルティが課される。
   • セマンティック・スコアリング: ソフトプロンプトから導出されたマッチング確率は、文脈依存的な判断（研究の方向性の関連性など）に対する有界なセマンティック寄与として機能する。
   • スコア融合: 最終スコアは、正規化されたモジュールスコア（基本情報、教育/適合性、研究/経験）に重みを付けて計算し、ハードルールによるペナルティを加算することで算出される。
   • 出力: 候補者は最終スコアによってランク付けされ、Top-Kの優先手動レビュー・プールが生成される。システムは、抽出されたエビデンス、トリガーされたルール、モジュールスコア、および重み付けされた寄与度を含む完全な監査証跡を出力する。

主な貢献

• ハイブリッド意思決定アーキテクチャ: 本論文は、LLMの柔軟性と決定的ルールの監査可能性のバランスを取るフレームワークを導入している。エビデンス抽出、意味解釈、およびスコア融合を分離することで、最終的なランキングが分解可能かつ説明可能であることを保証している。
• パラメータ効率の高い適応: 凍結されたQwenバックボーンに対してソフトプロンプトチューニングを利用することで、基礎となるモデルの一般的知識を変更することなく、限られたラベル付きデータを用いて特定の採用タスクに適応させている。
• 制限付き外部グラウンディング: 自己申告されたタイトルに基づく制限付き出版物検索の統合により、研究職のための検証可能なエビデンスを提供し、モデルの古い、あるいは幻覚（ハルシネーション）を起こした知識の問題に対処している。
• 説明可能なランキング: モノリシックなLLMのアプローチとは異なり、本システムはすべての候補者に対して、抽出されたエビデンスやモジュールスコアがどのように最終的なランキングに寄与したかを詳細に示す透明な「監査証跡」を提供する。

結果

本フレームワークは、上海胸部病院における38の職種、5,419件の応募書類を用いて評価され、9つの職種（4,339件の応募、150人の参照候補者）に対して詳細なランキング実験が行われた。

• 情報抽出: 手動レビューの基準に対する主要情報の抽出において、システムは**98.45%**の全体F1スコアを達成した。
• ランキング性能: 「Raw Prompt（生のプロンプト）」ベースライン（モジュール分解を行わない単発のLLM呼び出し）と比較して、パイプラインベースのモデルは性能を大幅に向上させた。
  • マクロ平均 R-Precision: 61.18% から 82.64% へ増加（平均21.46ポイントの向上; $P = 0.0078$）。
  • マクロ平均 NDCG@R: 0.6632 から 0.8702 へ増加 ($P = 0.0039$)。
  • 最も顕著な改善は「胸部外科医」のような複雑な役割で見られ、R-Precisionは9.09%から81.82%へと跳ね上がった。
• レビュー・プールの効率: 手動レビュー・プルのサイズが参照候補者の約2R（2倍）のとき、システムは**97.83%**のリコールを達成し、それ以降は収穫逓減が見られた。
• アブレーション研究: 出版物・抄録モジュールを除去すると、研究職におけるマクロ平均R-Precisionが10.32ポイント低下し、外部エビデンス・グラウンディングの価値が確認された。
• 解釈性: 「研究/経験」モジュールは、アーカイブされた専門家によるショートリストと最も強い相関を示し（Spearman $\rho = 0.587$）、モデルが人間の専門家が優先するセマンティック信号を正常に捉えていることを示した。

意義と主張

著者らは、このフレームワークがヘルスケア採用におけるスケーラブルで監査可能、かつ価値のある意思決定支援システムを提供すると主張している。その主な意義は、以下の能力にある。

1. 多様な履歴書エビデンスを標準化すること。
2. 適切なレビュー・プール内で資格のある候補者を優先順位付けし、反復的なスクリーニング作業を大幅に削減すること。
3. すべてのランキングについて、根拠となるエビデンスとモジュールの寄与を開示し、責任ある人間の監視を維持すること。

本論文は、本システムが最終的な採用決定を自動化するためではなく、人間の判断をサポートするためのツールとして設計されていることを明記しており、研究機関以外での展開にあたっては外部および将来的な検証が必要であると強調している。