Explainable Machine Learning for Detecting Fraudulent Online Job Postings in Ghana: A SHAP-Based Approach

Resumo Técnico: Aprendizado de Máquina Explicável para Detecção de Anúncios de Emprego Fraudulentos em Gana

Definição do Problema
A fraude no emprego, particularmente através de anúncios de emprego online, é uma preocupação crescente em Gana, caracterizada por práticas enganosas que exploram candidatos por meio de anúncios falsos, solicitações de taxas antecipadas e coleta de dados. Os métodos de detecção tradicionais, como a moderação manual e auditorias periódicas, são reativos, exigem muita mão de obra e têm dificuldade em escalar diante do volume de postagens diárias. Além disso, embora a Inteligência Artificial (IA) ofereça poderosas capacidades de detecção, a natureza de "caixa preta" de modelos complexos dificulta sua adoção em domínios sensíveis como o de emprego. As partes interessadas requerem não apenas alta precisão, mas também razões transparentes e interpretáveis para sinalizar um anúncio como fraudulento para garantir confiança, responsabilidade e conformidade regulatória.

Metodologia
Este estudo propõe uma estrutura que combina classificação de aprendizado de máquina supervisionado com Inteligência Artificial Explicável (XAI) para detectar anúncios de emprego fraudulentos.

• Conjunto de Dados: A pesquisa utilizou um conjunto de dados de 499 anúncios de emprego extraídos do Jobweb Ghana, compreendendo 360 instâncias legítimas e 139 fraudulentas. Os dados incluíram características como nome da empresa, descrição do cargo, divulgação de salário, prazos de candidatura, tipo de emprego e requisitos educacionais.
• Pré-processamento: O conjunto de dados foi dividido em um conjunto de treinamento de 80% (399 linhas) e um conjunto de teste de 20% (100 linhas). As variáveis categóricas foram transformadas usando codificação one-hot para preparar os dados para a modelagem.
• Modelos Avaliados: Cinco algoritmos de classificação foram desenvolvidos e comparados:
  1. Naive Bayes Multinomial
  2. Regressão Logística
  3. Floresta Aleatória (Random Forest)
  4. K-Vizinhos Mais Próximos (KNN)
  5. Árvore de Decisão
• Métricas de Avaliação: O desempenho foi avaliado usando Acurácia, Precisão, Recall, F1-score e ROC-AUC.
• Explicabilidade: Para abordar a lacuna de interpretabilidade, as Explicações de Shapley Aditivas (SHAP) foram aplicadas ao melhor modelo para quantificar a contribuição de cada característica para as previsões.

Principais Resultados

• Desempenho do Modelo: Todos os cinco modelos demonstraram fortes capacidades preditivas, com pontuações de acurácia variando entre 0,88 e 0,92.
  • O Naive Bayes Multinomial emergiu como o melhor desempenho, alcançando a maior Acurácia (0,92), ROC-AUC (0,9635) e F1-score (0,8621). Exibiu um forte equilíbrio entre precisão (0,8333) e recall (0,8929).
  • A Regressão Logística também teve um bom desempenho com uma acurácia de 0,91 e um ROC-AUC robusto de 0,9457.
  • A Floresta Aleatória alcançou 0,92 de acurácia, mas um ROC-AUC ligeiramente inferior (0,9303) em comparação ao Naive Bayes Multinomial.
  • A Árvore de Decisão mostrou o menor desempenho (Acurácia: 0,88), sugerindo potencial sobreajuste (overfitting) ou generalização limitada em comparação com métodos probabilísticos e de conjunto (ensemble).
• Insights da Análise SHAP: A aplicação de SHAP ao modelo Naive Bayes Multinomial revelou os seguintes principais impulsionadores da detecção de fraude:
  • Requisitos Educacionais: Características relacionadas aos requisitos de graduação (especificamente requisitos "Baixos" e "Padrão") foram os preditores mais influentes, contribuindo significativamente para a classificação de um anúncio como fraudulento.
  • Indicadores de Transparência: A divulgação (ou falta dela) de prazos de candidatura e informações salariais foi identificada como um fator crítico. A mera presença ou ausência desses detalhes influenciou significativamente a saída do modelo.
  • Categorização de Cargo: O número de categorias atribuídas a um anúncio de emprego foi um preditor moderado.
  • Impacto Limitado de Branding: Características relacionadas ao branding da empresa, como a presença de um logotipo, nome da empresa ou detalhes de contato, tiveram impacto mínimo nas previsões, indicando que as características baseadas em conteúdo são mais indicativas de fraude do que a apresentação organizacional.

Principais Contribuições

1. Aplicação Contextual: O estudo aplica o aprendizado de máquina especificamente ao contexto ganense de fraude em recrutamento online, abordando uma lacuna na literatura sobre golpes de emprego locais.
2. Integração de XAI: Ao contrário de muitos estudos que focam apenas na precisão preditiva, este trabalho integra o SHAP para fornecer explicações transparentes para as decisões do modelo, abordando o problema da "caixa preta".
3. Identificação de Características: A pesquisa identifica empiricamente indicadores específicos e interpretáveis de fraude (requisitos educacionais, transparência de prazos) que podem ser usados para filtragem baseada em regras ou revisão humana.
4. Comparação de Modelos: Fornece uma análise comparativa de modelos probabilísticos, de conjunto e baseados em árvores, demonstrando que abordagens probabilísticas (Naive Bayes Multinomial) podem ser particularmente eficazes para este conjunto de dados categóricos específico.

Significância e Alegações
O artigo alega que modelos de aprendizado de máquina explicáveis podem detectar efetivamente fraudes de emprego enquanto fornecem os insights transparentes necessários para a confiança das partes interessadas. O estudo demonstra que:

• Técnicas de aprendizado de máquina são viáveis e eficazes para distinguir entre anúncios de emprego genuínos e fraudulentos em Gana.
• Modelos probabilísticos como o Naive Bayes Multinomial oferecem um equilíbrio ideal entre sensibilidade e confiabilidade para esta tarefa.
• A explicabilidade não é meramente um adicional, mas um pré-requisito para a implementação prática; a análise SHAP traduziu com sucesso saídas de modelos complexos em insights acionáveis sobre requisitos educacionais e sinais de transparência.
• Anúncios fraudulentos são identificados de forma mais eficaz através de anomalias baseadas em conteúdo (ex: requisitos vagos, prazos ausentes) do que através de características organizacionais superficiais.

Os autores concluem que a integração desses modelos explicáveis em plataformas de recrutamento pode melhorar a tomada de decisão para administradores e reguladores, oferecendo mecanismos de alerta precoce contra golpes de emprego online.