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

技术摘要：一种用于医疗招聘中可解释简历筛选的互联网搜索增强型软提示微调框架

问题陈述

医院招聘涉及复杂的“人岗匹配”挑战，需要根据特定的职位要求（如执照、临床培训、研究成果）对异构的申请材料进行评估。传统的专家人工审核耗时且容易产生评审间差异；而早期的自动化系统（关键词匹配、SVM、随机森林）往往缺乏解释隐性或上下文相关信息的灵活性，且难以在具有不同资质标准的各类职位中实现泛化。此外，标准的大语言模型（LLM）应用在该领域面临两个关键问题：（1）难以审计的“黑盒”输出；（2）过度依赖可能过时或无法验证的静态参数化知识，特别是在学术出版物和专业证据方面。

方法论

作者提出了一种集成结构化证据提取、外部证据落地（grounding）和参数高效型软提示微调的混合决策架构。该框架分为三个主要阶段运行：

1. 证据构建与序列化：

   • 解析： 将非结构化简历（PDF、DOC、TXT）转换为机器可读文本，并使用少样本硬提示（few-shot hard prompt）将其解析为受限的 JSON 模式（提取教育背景、技能、工作经验、论文发表等）。
   • 外部落地： 对于研究类职位，将简历中报告的论文标题作为受限查询，通过 Semantic Scholar API 检索元数据和摘要。这确保了证据的可追溯性和可验证性，避免了不受限制的网络浏览。
   • 实例构建： 将“候选人-职位”实例序列化为统一的文本格式，包含职位描述 ($J_i$)、结构化简历 ($R_i$)、检索到的证据 ($C_i$) 以及输出指令，并使用显式的字段标识符进行分隔。

2. 软提示自适应：

   • 架构： 系统利用一个冻结的 Qwen 主干网络。系统并非进行全参数微调，而是通过一个紧凑的可训练软提示矩阵 $P$（由 $m$ 个虚拟 Token 嵌入组成）被添加到输入序列前。
   • 训练目标： 模型被训练用于预测候选人是否属于存档的参考短名单（$y_i \in \{0, 1\}$）。损失函数结合了两个权重相等的组件：
     • 二元交叉熵损失 ($L_{CE}$)： 用于候选人层级的判别。
     • 成对排序损失 ($L_{rank}$)： 用于优化同一职位内参考候选人与非参考候选人的相对排序。
   • 优化： 梯度仅更新软提示参数 ($\theta$)，保持基础模型参数 ($\Phi$) 冻结。

3. 混合评分与排序：

   • 确定性规则： 硬性标准（如年龄、强制性资质、期刊分区）通过显式规则进行评估。违反规则将触发负向惩罚。
   • 语义评分： 由软提示生成的匹配概率作为上下文相关判断（如研究方向相关性）的有界语义贡献。
   • 分数融合： 最终得分通过对归一化的模块得分（基本信息、教育/匹配度、研究/经验）进行加权计算，并加入硬性规则惩罚。
   • 输出： 候选人按最终得分进行排序，生成 Top-K 优先人工复审池。系统输出完整的审计追踪，包括提取的证据、触发的规则、模块得分及权重贡献。

核心贡献

• 混合决策架构： 本文引入了一个平衡了 LLM 的灵活性与确定性规则的可审计性的框架。它将证据提取、语义解释和分数融合分离，确保最终排名是可分解且可解释的。
• 参数高效型自适应： 通过在冻结的 Qwen 主干上进行软提示微调，该框架能够在有限的标注数据下适应特定的招聘任务，而不改变基础模型的通用知识。
• 受限外部落地： 通过基于自报标题的受限论文检索，为研究类职位提供了可验证的证据，解决了模型知识过时或幻觉的问题。
• 可解释排序： 不同于单体式 LLM 方法，该系统为每位候选人提供透明的“审计追踪”，详细说明了特定证据和模块得分如何对最终排名做出贡献。

结果

该框架在上海胸科医院的 38 个职位、5,419 份申请中进行了评估，并在 9 个职位（4,339 份申请，150 名参考候选人）上进行了详细的排序实验。

• 信息提取： 与人工审核标准相比，系统在关键信息提取方面的整体 F1 分数达到了 98.45%。
• 排序性能： 与“原始提示”（Raw Prompt，即无模块化分解的单次 LLM 调用）基准相比，流水线模型显著提升了性能：
  • 宏平均 R-Precision： 从 61.18% 提升至 82.64%（平均提升 21.46 个百分点；$P = 0.0078$）。
  • 宏平均 NDCG@R： 从 0.6632 提升至 0.8702（$P = 0.0039$）。
  • 在“胸外科医师”等复杂角色中观察到最显著的增益，其 R-Precision 从 9.09% 跳升至 81.82%。
• 复审池效率： 在人工复审池规模约为 2R（参考候选人数的两倍）时，系统实现了 97.83% 的召回率，超过此点后收益递减。
• 消融实验： 移除论文-摘要模块导致研究类职位的宏平均 R-Precision 下降了 10.32 个百分点，证实了外部证据落地的价值。
• 可解释性： “研究/经验”模块与存档专家短名单的相关性最强（Spearman $\rho = 0.587$），表明模型成功捕捉到了人类专家优先考虑的语义信号。

意义与主张

作者声称，该框架为医疗招聘提供了一个可扩展、可审计且有价值的决策支持系统。其主要意义在于能够：

1. 标准化异构简历证据的提取。
2. 在可控的复审池内优先筛选合格候选人，显著减少重复性的筛选工作。
3. 展示每一次排名的底层证据和模块贡献，从而保留负责任的人类监督。

论文明确指出，该系统的设计目的是在保留负责任的人类监督的同时减少重复性的筛选工作，而非取代专家判断。作者强调，在推广到研究机构之外的应用前，需要进行外部和前瞻性验证，并且该系统应被视为支持而非自动化最终招聘决策的工具。