Bias & Monitoring

CVsprings verwendet eine deterministische, regelbasierte Matching-Engine – kein Machine-Learning-Modell. Derselbe Input ergibt immer denselben Score, und dieselben Regeln werden auf jeden Lebenslauf identisch angewendet. Die Pipeline:

1. Textextraktion. Aus dem hochgeladenen PDF oder DOCX wird reiner Text extrahiert. Bilder – auch Fotos – werden nie extrahiert oder verarbeitet; gescannte Lebensläufe, die nur aus Bildern bestehen, werden mit einer Fehlermeldung abgelehnt statt bewertet.
2. Vier Teilscores, jeweils nach transparenten Regeln berechnet:

• Schlüsselwörter – die 40 häufigsten aussagekräftigen Wörter und Wortpaare werden aus Ihrer Stellenbeschreibung extrahiert (gängige Stoppwörter entfernt) und im Text des Lebenslaufs gesucht; der Score ist der gefundene Prozentsatz.
• Kompetenzen – eine kuratierte Liste mit 168 benannten Kompetenzen wird mit der Stellenbeschreibung abgeglichen; die dort genannten Kompetenzen werden anschließend im Lebenslauf gesucht; der Score ist der Prozentsatz der Treffer (ein neutraler Wert von 50, wenn die Stellenbeschreibung keine der gelisteten Kompetenzen nennt).
• Berufserfahrung – Muster wie „7 years of experience“ und Senioritätsbegriffe (director, principal, lead, senior, junior…) werden in beiden Texten erkannt und verglichen; daraus ergibt sich ein heuristischer Wert von 0–100.
• Ausbildung – das höchste gefundene Qualifikations-Schlüsselwort (PhD > Master > Bachelor > diploma/certificate) wird zwischen dem Lebenslauf und den Anforderungen der Stellenbeschreibung verglichen.

Der Gesamtscore ist der gewichtete Durchschnitt der vier Teilscores nach den von Ihnen festgelegten Gewichtungen (Standard 40/30/20/10); die Bewertungsstufen („Excellent/Good/Partial/Poor Match“) sind feste Schwellenwerte auf diesen Wert. Jeder gespeicherte Datensatz enthält die verwendeten Gewichtungen und die Version der Scoring-Engine, sodass sich jeder Score später rekonstruieren lässt.

Was „Anonymisieren“ entfernt

Wenn „Anonymisieren“ aktiviert ist, wird Folgendes vor der Bewertung aus dem Lebenslauftext entfernt:

„Anonymisieren“ ist ein Filter auf Textebene mit bekannten Lücken – im Abschnitt zu den Einschränkungen unten sehen Sie, was er nicht entfernen kann.

• Keine demografischen Eingaben. CVsprings fragt an keiner Stelle im Produkt nach demografischen Daten (Geschlecht, ethnische Herkunft, Alter, Behinderung) und erhebt oder verwendet sie nicht.
• Gleichbehandlung innerhalb eines Batches. Jeder Lebenslauf in einem Batch wird mit denselben Extraktionsregeln, derselben Stellenbeschreibung und denselben Gewichtungen bewertet – die Engine verhält sich für keinen Kandidaten anders.
• Option zur Anonymisierung, um Kontaktdaten und Namenszeilen vor der Bewertung zu entfernen (was genau entfernt wird, siehe oben).
• Entscheidung durch Menschen. Kein Score wird jemals automatisch in eine Entscheidung umgewandelt. Entscheidungen (Shortlist / Zurückstellen / Absage) existieren nur als ausdrückliche Eingabe des Recruiters, und jeder gespeicherte Datensatz ordnet die Prüfung dem angemeldeten Nutzer zu.
• Unveränderliche Datensätze. Scores, Gewichtungen und Herkunftsfelder können nach dem Speichern eines Datensatzes nicht mehr geändert werden; nur die Entscheidung und die Notiz des Recruiters können sich ändern, und Änderungen werden in einem Verlauf festgehalten, der nur ergänzt werden kann.

Wir nennen sie offen, weil Betreiber sie kennen müssen, um das Tool verantwortungsvoll einzusetzen:

• Abhängigkeit vom Wortlaut. Die Engine gleicht Wörter ab, nicht Bedeutungen. Ein Kandidat, der die passende Erfahrung mit anderen Worten beschreibt als die Stellenbeschreibung, erzielt einen niedrigeren Score als jemand, der das Vokabular der Stellenbeschreibung übernimmt. Formulierungen von Nicht-Muttersprachlern oder unkonventionelle Lebenslauf-Stile können aus demselben Grund benachteiligt werden.
• Scores hängen von der Formulierung der Stellenbeschreibung ab. Da Schlüsselwörter nach Häufigkeit aus der Stellenbeschreibung extrahiert werden, verändert eine Umformulierung die Schlüsselwortmenge und damit die Scores. Vergleichen Sie Kandidaten nur innerhalb derselben Stellenbeschreibung und derselben Gewichtungen.
• Anonymisierung kann nicht alle Stellvertretermerkmale entfernen. Namen von Hochschulen und Arbeitgebern, Vereinsmitgliedschaften, Sprachen, Lücken im Lebenslauf, mitten im Satz genannte Namen und andere indirekte Signale bleiben im Text erhalten und können mit geschützten Merkmalen korrelieren.
• Anonymisieren kann legitime Daten entfernen. Der Geburtsjahr-Filter (1940–2015) entfernt auch gewöhnliche Jahreszahlen in diesem Bereich – etwa ein älteres Abschlussjahr –, was das Erfahrungssignal für denselben Lebenslauf leicht verändern kann.
• Heuristische Erkennung von Erfahrung und Ausbildung. Berufsjahre und Qualifikationen werden anhand von Textmustern erkannt; ungewöhnliche Formate können übersehen werden. Prüfen Sie Betriebszugehörigkeit und Qualifikationen im Gespräch, statt sich auf die Teilscores zu verlassen.
• Keine Bias-Erkennung auf Ergebnisebene. CVsprings erhebt keine demografischen Daten und kann daher nicht messen, ob sich Ergebnisse zwischen demografischen Gruppen unterscheiden. Wir empfehlen unseren Kunden, ihre Entscheidungsergebnisse regelmäßig zu überprüfen – anhand ihrer eigenen Daten und Prozesse zum Gleichstellungsmonitoring.