Signal or Noise? Evaluating Large Language Models in Resume Screening Across Contextual Variations and Human Expert Benchmarks
创建于 更新于
摘要
本研究实证评估三大大型语言模型（Claude、GPT、Gemini）与人类招聘专家在简历筛选任务中的表现差异与一致性。通过对比无公司信息、多国公司、创业公司及信息减少四种上下文条件，分析LLM在评分上的变异及其对组织环境的适应能力。结果显示，GPT在上下文适应性方面表现最强，但信息稀缺时评分出现明显膨胀，反映噪声；Claude则评价稳定但缺少灵活性；Gemini表现介于两者之间。人类专家评分更保守且具备对有限信息的稳健处理能力。研究强调LLM虽可显著提升招聘效率，但与人类判断存在系统性分歧，建议采用人机结合方案以兼顾效率与公正性，同时关注信息完整性以保障AI评价的可靠性 [page::0][page::24].
