Алгоритм поиска специалистов с уникальными навыками на основе цифрового следа

В последние годы из-за значительных изменений на рынке труда компании стали чаще сталкиваться с различными проблемами при поиске и отборе кандидатов. Основной причиной данных проблем является то, что существующие интернет-ресурсы для поиска кандидатов не позволяют найти специалиста с требуемым набором компетенций и полноценно оценить его опыт, навыки, достижения и личностные характеристики. В результате, необходимым становится создание сервиса для поиска эксклюзивных специалистов. Большая часть подобных специалистов не имеют резюме в открытом доступе, не ищут работу, но готовы рассматривать интересные предложения. В результате, данная работа посвящена изучению возможности поиска специалистов с уникальными компетенциями в сети Интернет на основе анализа их цифрового следа. Гипотеза заключается в том, что возможно получить полный профиль уникального специалиста, если собрать, объединить и проанализировать данные из различных источников. В ходе настоящей работы были проанализированы возможности, предоставляемые открытыми источниками данных в сети Интернет, а также определены наукометрические показатели специалиста и параметры его благонадежности. Составлен алгоритм поиска требуемых специалистов на основе этих данных, спроектирована, разработана и протестирована автоматизированная система, реализующая данный поиск.

1. Dekay S. Are business-oriented social networking web sites useful resources for locating passive jobseekers? Results of a recent study. Business Communication Quarterly, vol. 72, issue 1, 2009, pp. 101-105.

2. Романович М. А., Мохсени Х. и др. Актуальные вопросы и анализ рынка образовательных услуг в постпандемийный период. Экономика. Информатика, том 48, вып. 4, 2022 г., стр. 717-725 / Romanovich M.A., Hossein Mohseni H. et al. 2021. Current issues and analysis of the educational services market in the post-pandemic period. Economics. Information technologies, vol. 48, issue 4, 2022, pp. 717-725 (in Russian).

3. Jinghui Y. The Effects of COVID-19 on the Labor Market. Journal of Economics Business and Management, vol. 10, issue 1, 2022, pp. 65-71.

4. Ando S., Balakrishnan R. et al. European Labor Markets and the COVID-19 Pandemic: Fallout and the Path Ahead. International Monetary Fund, issue 4, 2022, 96 p.

5. Jacobson J., Gruzd A. Cybervetting job applicants on social media: the new normal? Ethics and Information Technology, vol. 22, issue 2, 2020, pp. 175-195.

6. Peshkova O.A. Digital Footprint Analysis Technology: Some Aspects of Its Application in Recruitment. Lecture Notes in Networks and Systems, vol. 397, 2022, pp. 368-375.

7. Marin G.D., Nilă C. Branding in social media. Using LinkedIn in personal brand communication: A study on communications/marketing and recruitment/human resources specialists perception. Social Sciences & Humanities Open, vol. 4, issue 1, 2021, article no. 100174.

8. Bohnert D., Ross W.H. The influence of social networking web sites on the evaluation of job candidates. Cyberpsychology, Behavior, and Social Networking, vol. 13, issue 3, 2010, pp. 341-347.

9. Индексы научного цитирования / Science citation indices. Available at: https://www.econ.msu.ru/elibrary/consulting/index/ (in Russian), accessed 04.05.2022.

10. Российский научный фонд, Создавая фундамент будущего / Russian Science Foundation. Laying Groundwork for Future. Available at: https://www.rscf.ru/, accessed 05.05 2022.

11. Федеральный институт промышленной собственности / Federal Institute of Industrial Property. Available at: https://www.fips.ru/, accessed 05.05.2022.

12. Иванова О.Ф. Проявления агрессии у представителей различных национальных культур. Вестник Евразии, no. 1, 2004 г., стр. 34-54 / Ivanova O.F. Manifestations of aggression among representatives of various national cultures. Bulletin of Eurasia, no. 1, 2004, pp. 34-54 (in Russian).

13. Bohnert D., Ross W.H. The influence of social networking web sites on the evaluation of job candidates. Cyberpsychology, Behavior, and Social Networking, vol. 13, issue 3, 2010, pp. 341-347.

14. Шумский П.П., Иванова Л.Н. Эмоции как процесс, влияющий на деятельность человека. Мозырь. 1998, 324 стр. / Shumsky P.P., Ivanova L.N. Emotions as a process that affects human activity. Mozyr. 1998, 324 p. (in Russian).

15. Яшенева А.С. Психолингвистические признаки агрессивной речи. Наука и образование сегодня, том 8, вып. 19, 2017, стр. 67-69 / Yasheneva A.S. Psycholinguistic signs of aggressive speech. Science and Education Today, vol. 8, issue. 19, 2017, pp. 67-69 (in Russian).

16. Kowsari K., Meimandi K.J. et al. Text classification algorithms: A survey. Information, vol. 10, issue 4, 2019, 68 p.

17. Rachman F.H., Sarno R., Fatichah С. CBE: Corpus-based of emotion for emotion detection in text document. In Proc. of the 3rd International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE), 2016, pp. 331-335.

18. Lima A.C., de Castro L.N. A multi-label, semi-supervised classification approach applied to personality prediction in social media. Neural Networks, vol. 58, 2014, pp. 122-130.

19. Pratama B. Y., Sarno R. Personality classification based on Twitter text using Naive Bayes, KNN and SVM. In Proc. of the International Conference on Data and Software Engineering (ICoDSE), 2021, pp. 170-174.

20. Тест-опросник Г. Айзенка epi (адаптация Г. Шмелева)/ Test questionnaire epi by G. Eysenck (adapted by G. Shmelev). Available at: http://test-metod.ru/index.php/metodiki-i-testy/1/48-test-oprosnik-g-ajzenka-epi-adaptatsiya-g-shmeleva (in Russian), accessed 04.05.2022.

21. Newman S. Newman S. Building Microservices: Designing Fine-Grained Systems. O'Reilly Media, 2021, 280 p.

22. Richardson C. Microservices patterns: with examples in Java. ‎ Manning, 2018, 540 p.

23. Richardson L., Amundsen M., Ruby S. RESTful Web APIs: Services for a Changing World. O'Reilly Media, 2013. 406 p.