Как работает GetPruf

Прозрачность в том, как мы анализируем резюме, вычисляем оценки и защищаем кандидатов от несправедливого обращения.

Три шага к результату проверки

1
Загрузите резюмеПеретащите PDF, документ Word или изображение. Система автоматически извлекает весь текст и метаданные.
2
Автоматический анализИИ извлекает факты. Детерминированный код оценивает шесть измерений. Веб-верификация проверяет работодателей и учебные заведения.
3
Получите результатыОценка риска от 0 до 100, выявленные проблемы, рекомендуемые вопросы для собеседования и загружаемый PDF-отчет.

Шесть анализируемых измерений

Каждое резюме оценивается по шести взвешенным измерениям. ИИ извлекает факты, а детерминированный код вычисляет каждую оценку. Веса отражают, какие сигналы наиболее информативны для выявления фальсификации резюме на основе опубликованных исследований.
Хронологическая согласованность (18%)
Проверяет, соответствуют ли заявленные технологии, фреймворки и инструменты датам трудоустройства. Указание опыта работы с Kubernetes в 2012 или React Native в 2014 году вызывает хронологическую отметку. Также обнаруживает пересекающиеся даты трудоустройства и пробелы, противоречащие повествованию.
Логика карьеры (18%)
Оценивает, следует ли смена должностей и карьерный рост правдоподобному пути. Младший разработчик, ставший вице-президентом по разработке за два года, или менеджер по маркетингу, перешедший сразу на должность ведущего специалиста по данным, вызывают проверку. Горизонтальные перемещения и смена направления карьеры ожидаемы и оцениваются консервативно.
Достоверность метрик (18%)
Оценивает, реалистичны ли количественные заявления для указанной должности и размера компании. Управление бюджетом в 4,5 млрд ₽ на должности аналитика среднего уровня в стартапе из 20 человек или достижение 400% роста выручки за квартал отмечаются для верификации.
Качество языка (13%)
Выявляет шаблонные формулировки, скопированные описания должностей и отсутствие вариативности стиля между позициями. Резюме, в котором каждая позиция использует одинаковые речевые шаблоны, предполагает, что содержание не было написано на основе личного опыта. Оценка снижается для кандидатов, для которых английский не является родным языком.
Признаки авторства (13%)
Обнаруживает признаки контента, сгенерированного ИИ, или резюме, написанного сторонним автором. Выявляет неестественно последовательный тон, статистические языковые паттерны, характерные для больших языковых моделей, и стилистическое единообразие, отличающееся от естественного человеческого письма.
Анализ метаданных (5%)
Изучает свойства документа - программу создания, поле автора, временные метки создания и изменения, продолжительность редактирования. Резюме с заявленным 10-летним опытом, созданное в конструкторе резюме за 30 минут до подачи, имеет иной вес, чем поддерживаемое на протяжении времени.

Как работает оценка

Оценка детерминирована при одних и тех же извлечённых фактах. Как только ИИ извлёк структурированные факты из резюме, оценка вычисляется кодом - решения языковой модели не участвуют в итоговом числе. Извлечение фактов выполняется при temperature 0 для стабильности, отклонения экстрактора отслеживаются.

Веб-верификация

При включении автоматический веб-поиск проверяет, существуют ли заявленные работодатели и учебные заведения в интернете. Байесовская статистическая модель корректирует оценку риска на основе результатов верификации.

Что проверяется

Что НЕ проверяется

Ограничения

Веб-верификация подтверждает, что организация (компания, университет) существует в интернете. Она не подтверждает, что кандидат действительно работал в этой организации или обучался в ней. Многие легитимные малые предприятия имеют ограниченное присутствие в интернете - отсутствие результатов явно расценивается как неопределенное, а не как доказательство фальсификации. Все результаты верификации следует подтверждать путем прямого контакта с работодателями и учебными заведениями.

Справедливость и предвзятость

Корректировка для носителей других языков

Когда система определяет, что резюме, вероятно, написано человеком, для которого английский не является родным языком, оценки по измерениям Качество языка и Признаки авторства снижаются до 40%. Стилометрические сигналы, такие как структура предложений и разнообразие словарного запаса, являются ненадежными индикаторами фальсификации для носителей других языков.

Отраслевая корректировка

Оценка метаданных документов и веб-верификация корректируются с учетом отраслевого контекста. Технологические компании (SaaS, финтех, кибербезопасность) ожидаемо имеют сильное присутствие в интернете, поэтому сигналы верификации имеют больший вес. Компании в строительстве, сельском хозяйстве или производстве часто имеют ограниченное присутствие в интернете, поэтому оценка снижается на 40% для предотвращения ложноположительных результатов.

Калибровка по стажу

Шаблонные формулировки более простительны для кандидатов на начальном этапе карьеры (1-5 лет опыта) и вызывают больше вопросов для опытных специалистов (10+ лет). Система соответствующим образом корректирует оценку Качества языка.

Мониторинг по правилу четырех пятых

GetPruf включает автоматизированный инструмент аудита предвзятости, который анализирует паттерны оценки по сегментам кандидатов. Аудит применяет правило четырех пятых EEOC для выявления неравного воздействия: если доля успешных результатов защищенной группы падает ниже 80% от показателя наиболее успешной группы, система отмечает диспропорцию для расследования. Мы проводим этот аудит регулярно по мере накопления данных и корректируем весовые коэффициенты при обнаружении неравного воздействия.

Результаты аудита предвзятости

Агрегированные результаты аудита предвзятости публикуются по мере накопления данных. Раннее тестирование на синтетических наборах данных, охватывающих все основные демографические сегменты, не выявило нарушений правила четырех пятых. По мере роста реальных данных мы будем публиковать обновленные результаты на этой странице. Если у вас есть вопросы о справедливости оценки, обращайтесь по адресу support@getpruf.ai.

Чем GetPruf НЕ является

Источники

  1. Crosschq (2023). Reference Check Analytics: Patterns in Employment Verification.
  2. Loconte, A. et al. (2022). Resume Fraud Detection Methods: A Systematic Review. Journal of Business Ethics, 178(3), 601-618.
  3. Gartner (2025). Candidate Profile Fraud Forecast: 25% of profiles will be fabricated by 2028.
  4. Henle, C. et al. (2019). Resume Fraud Taxonomy. Personnel Psychology, 72(1). FAB 31%, EMB 72%, OMI 61%.
  5. Luo, Y. et al. (2018). ResumeNet: Cross-Section Consistency Analysis for Document Verification.
  6. EEOC (1978). Uniform Guidelines on Employee Selection Procedures. 29 CFR Part 1607.