Einen Lebenslauf gegen eine Stellenbeschreibung bewerten: was das Modell sieht

Wenn ein Recruiter einen Lebenslauf in EvalCV hochlädt, kommt wenige Sekunden später eine Zahl zurück. Dieser Beitrag zeigt, was dazwischen passiert und was dem Modell gezeigt wird – und was nicht.

Schritt 1: Ein PDF in Text umwandeln

Lebensläufe kommen als PDFs, Word-Dateien und gelegentlich als Bilder. Wir extrahieren Text mit Layout-Erkennung, denn zweispaltige Designs werden in der falschen Reihenfolge gelesen, wenn man den Textstrom unverändert übernimmt. Liefert die Extraktion zu wenig Text, wird der Lebenslauf zur menschlichen Prüfung markiert, statt auf Basis von nichts bewertet zu werden.

Schritt 2: Merkmale entfernen, die keine Rolle spielen sollten

Bevor etwas das Modell erreicht, entfernt ein Schwärzungsschritt Felder, die für die Stelle irrelevant sind und mit geschützten Merkmalen korrelieren.

• Name und Foto
• Geburtsdatum und Abschlussjahre
• Wohnadresse
• Familienstand und Staatsangehörigkeit, sofern angegeben

Die Liste der entfernten Felder wird mit dem Ergebnis gespeichert, damit sie später geprüft werden kann.

Schritt 3: Die Stellenbeschreibung lesen

Die Stellenbeschreibung wird in einzelne Anforderungen zerlegt, jeweils als erforderlich oder wünschenswert markiert. Recruiter können diese Liste bearbeiten, bevor irgendein Scoring stattfindet – das ist wichtig: Der Score ist nur so gut wie die Anforderungen, an denen er gemessen wird.

Warum Anforderungen statt Ergebnisse

Wir trainieren nicht darauf, wer zuvor eingestellt wurde. Ein Modell, das aus früheren Entscheidungen lernt, erbt deren Muster. Das Scoring gegen schriftlich festgehaltene Anforderungen ist weniger raffiniert und viel leichter zu erklären.

Schritt 4: Abgleich mit Belegen

Für jede Anforderung muss das Modell entweder eine Zeile aus dem Lebenslauf zitieren, die sie stützt, oder sie als fehlend markieren. Ein Treffer ohne Zitat wird verworfen.

{
  "requirement": "PostgreSQL",
  "status": "matched",
  "quote": "Tuned slow queries on a 2 TB PostgreSQL cluster"
}

Dieser Schritt macht einen Score überprüfbar. Ein Recruiter kann das Zitat lesen und entscheiden, ob es die Anforderung wirklich erfüllt.

Schritt 5: Zu einem Score zusammenführen

Erfüllte Pflichtanforderungen wiegen schwerer als wünschenswerte, und fehlende Pflichtanforderungen werden deutlich angezeigt, statt weggemittelt zu werden. Die Endzahl ist eine Zusammenfassung. Die Listen der erfüllten und fehlenden Anforderungen sind das eigentliche Ergebnis.

Wo es schiefgeht

• Implizite Erfahrung. Ein Lebenslauf, in dem „led a team of five“ steht, sagt nicht „managed people“, und das Modell kann die Verbindung verpassen.
• Ungewöhnliche Formate. Stark gestaltete Lebensläufe verlieren bei der Extraktion ihre Struktur.
• Vage Stellenbeschreibungen. Vage Anforderungen führen zu vagen Treffern.

Der Mensch behält die Kontrolle

EvalCV erstellt eine Shortlist und die Gründe dafür. Es lehnt niemanden eigenständig ab. Jedes Ergebnis lässt sich überstimmen, und Überstimmungen werden protokolliert, was uns zugleich zeigt, wo die Pipeline falsch liegt.