OtimizaCV

Projeto em planejamento. A ferramenta ainda não foi implementada; esta página reúne a proposta e a documentação.

Sobre o projeto

Muitas empresas usam sistemas de triagem automática, os chamados ATS (Applicant Tracking Systems), para receber e filtrar candidaturas antes que alguém leia os currículos. Esses sistemas extraem o texto do arquivo e comparam com os requisitos da vaga. Quando o currículo tem tabelas, colunas, imagens ou não usa os mesmos termos do anúncio, a leitura pode falhar e o candidato acaba mal classificado sem saber o motivo.

O OtimizaCV vai receber o currículo e a descrição da vaga, comparar os dois e mostrar o que pode ser ajustado: termos que faltam, seções que o sistema não reconhece e problemas de formatação. O projeto também tem caráter de extensão, já que a ideia é levar técnicas de Processamento de Linguagem Natural para quem está procurando emprego e não tem acesso a orientação de carreira.

Situação atual: o projeto está na fase de planejamento. Esta página reúne a proposta e a documentação; a ferramenta ainda não foi implementada.

Problema

Contexto

O candidato normalmente não recebe retorno quando é recusado na triagem. Ele não sabe se foi pelo perfil ou porque o sistema não conseguiu ler o documento direito. Alguns casos comuns: currículo em duas colunas (o texto sai embaralhado na extração), dados de contato no cabeçalho da página (muitos sistemas ignoram), competências descritas com palavras diferentes das usadas na vaga.

Quem é afetado

• Estudantes e recém-formados procurando o primeiro emprego ou estágio;
• Trabalhadores em recolocação que não conhecem o funcionamento dos ATS;
• Pessoas sem acesso a orientação de carreira ou a ferramentas pagas.

Por que vale a pena resolver

Blumen e Cepellos (2023) mostram que o uso de tecnologia e IA no recrutamento está crescendo, mas junto com dúvidas sobre transparência e resistência por parte dos candidatos. Raghavan et al. (2020) analisaram fornecedores de sistemas de contratação algorítmica e apontam que eles divulgam pouco sobre como avaliam as pessoas. Alonso, Ferneda e Santana (2010) lembram que ter acesso à tecnologia não basta para gerar inclusão social: é preciso conseguir usá-la a seu favor.

Por enquanto a justificativa é baseada em revisão bibliográfica. A coleta de dados com usuários está prevista para a etapa de validação, com consentimento dos participantes.

Solução proposta

Objetivo geral

Desenvolver uma ferramenta web que avalie se um currículo está legível e alinhado a uma vaga específica e devolva sugestões de ajuste.

Objetivos específicos

• Extrair o texto de currículos em PDF, DOCX ou texto colado, incluindo PDFs digitalizados (OCR);
• Identificar as seções do currículo e as competências técnicas e comportamentais;
• Calcular a semelhança entre o currículo e a descrição da vaga;
• Gerar um relatório com os termos que faltam e os problemas de formatação encontrados.

Funcionalidades

Limitações

• Cada ATS comercial funciona de um jeito e os critérios não são públicos. A pontuação vai ser uma estimativa, não uma cópia de nenhum sistema;
• No início, só currículos e vagas em português;
• A ferramenta avalia como o documento é lido, não a qualificação do candidato;
• Os currículos serão processados só em memória, sem armazenamento (LGPD).

Demonstração

Ainda não existe protótipo. O exemplo abaixo mostra o tipo de resultado esperado e é fictício.

Vaga: Analista de Suporte de TI, pedindo Active Directory, Microsoft 365, ITIL e boa comunicação.
Currículo: PDF em duas colunas, com e-mail e telefone no cabeçalho da página.

Resultado esperado:

• Termos da vaga não encontrados no currículo: ITIL, Microsoft 365;
• Layout em duas colunas pode embaralhar a ordem do texto;
• Contato no cabeçalho pode ser ignorado, melhor colocar no corpo do documento;
• "Comunicação" identificada de forma indireta, como "atendimento a usuários".

Capturas de tela e vídeo serão adicionados quando o protótipo estiver pronto.

Equipe

Tecnologias

Documentação

• Requisitos: escopo, requisitos funcionais e não funcionais, histórias de usuário
• Arquitetura e dados: componentes, fluxo de processamento, modelo de dados e decisões técnicas
• Instalação e execução: como rodar a página e como o protótipo vai ser executado
• Gestão e evolução: etapas, decisões, limitações e problemas encontrados

Andamento

Próximos passos

• Implementar a extração de texto e a pontuação básica;
• Montar um conjunto de currículos e vagas fictícios para teste;
• Definir como medir se as sugestões ajudam de verdade.

Referências

ALONSO, L. B. N.; FERNEDA, E.; SANTANA, G. P. Inclusão digital e inclusão social: contribuições teóricas e metodológicas. Barbaroi, Santa Cruz do Sul, n. 32, p. 154–177, 2010.

BLUMEN, D.; CEPELLOS, V. M. Dimensões do uso de tecnologia e Inteligência Artificial (IA) em Recrutamento e Seleção (R&S): benefícios, tendências e resistências. Cadernos EBAPE.BR, v. 21, n. 2, e2022-0080, 2023. DOI: 10.1590/1679-395120220080.

PENG, Y.; HUANG, X.; ZHAO, Y. An overview of cross-media retrieval: concepts, methodologies, benchmarks, and challenges. IEEE Transactions on Circuits and Systems for Video Technology, v. 28, n. 9, p. 2372–2385, 2018.

RAGHAVAN, M.; BAROCAS, S.; KLEINBERG, J.; LEVY, K. Mitigating bias in algorithmic hiring: evaluating claims and practices. In: CONFERENCE ON FAIRNESS, ACCOUNTABILITY, AND TRANSPARENCY, 2020, Barcelona. Proceedings [...]. New York: ACM, 2020. p. 469–481. DOI: 10.1145/3351095.3372828.