Análise Comparativa entre Abordagens de Aprendizado de Máquina para Classificação Automática de Currículos de Profissionais de TIC

Abstract

A triagem de currículos desempenha um papel crucial no recrutamento de talentos nas empresas. Contudo, lidar com um grande volume de currículos pode ser demorado e complexo. Com o objetivo de automatizar essa tarefa, diversos trabalhos têm explorado técnicas de processamento de linguagem natural e algoritmos de aprendizado de máquina. Nesse contexto, este trabalho apresenta uma análise comparativa de diferentes abordagens para a classificação automática de currículos de profissionais de Tecnologia da Informação e Comunicação (TIC). As abordagens investigadas incluem algoritmos tradicionais, modelos baseados em redes neurais profundas e modelos neurais de linguagem pré-treinados. Foram realizados experimentos utilizando um conjunto de 27.405 currículos, distribuídos em oito categorias relacionadas aos profissionais de TIC. Os resultados obtidos revelam que, de maneira geral, os modelos pré-treinados alcançaram os melhores desempenhos, especialmente, o modelo RoBERTa-base, que obteve resultados superiores a 93,00% em todas as medidas de avaliação utilizadas.