筛选准确率
招聘中的假阴性是指你的申请人跟踪系统拒绝了实际上合格的候选人。2021年哈佛商学院的一项研究发现，自动化关键词过滤器在美国 alone 就排除了大约1600万合格工人，他们能够胜任这份工作，但他们的简历与软件寻找的确切术语不匹配。随着更多公司依赖ATS筛选而不了解它的缺陷，这个问题变得更加严重
规模
问题有多大?
1600万合格工人仅因学位要求就被过滤，88%的雇主表示合格的
候选人被过滤
假阴性与 假阳性
在任何筛选系统中，都存在两种类型的错误。一个 假阳性 是指你推进了一个最终被证明不合格的候选人，他们在面试阶段被发现，浪费了一些时间，然后被过滤掉。令人烦恼，但可以恢复
一个 假阴性 是指你拒绝了一个实际上合格的候选人。这种错误是不可见的。你从不面试他们，从不了解他们可能做出的贡献，从不看到事实的对比。他们去了你的竞争对手，你用池中剩余的人填补了这个职位
大多数ATS系统都被调整为尽量减少假阳性，而牺牲假阴性。逻辑似乎很合理：宁可错过几个好人，也不要浪费时间在坏人身上。但是，当你的假阴性率足够高时，你不是在筛选，而是随机丢弃人才并称之为效率
根本原因
关键词匹配 为什么会产生假阴性
1. 词汇 不匹配
不同行业、公司和地区使用不同的术语来描述相同的技能和职责。 一家公司称之为“项目管理”，另一家公司称之为“程序交付”，第三家公司称之为“倡议领导”。 如果您的 ATS 正在寻找确切的关键词匹配，一个完美合格的候选人使用同义但不同的术语会被拒绝。 这就是 影响评分与关键词匹配 的关键区别。 候选人已经完成了工作，他们只是用不同的方式描述了它。
2. 非传统 背景
哈佛研究特别强调了僵化的学位要求作为一个主要过滤器。 一个自学成才的开发人员拥有五年的生产经验会被拒绝，因为他们缺乏 CS 学位。 一个营销领导者从2人团队扩展到20人会被过滤，因为他们没有 MBA 。 关键词过滤器无法评估某人是否能做这份工作，它们只能检查简历是否包含特定的字符串。
3. 格式 敏感性
许多 ATS 解析器难以处理非标准的简历格式。 列表、表格、标题、图形和不寻常的文件类型会导致解析失败，从而误读或跳过简历的整个部分。 一个合格的候选人的简历被错误解析会被评分为如果他们没有任何相关经验一样。
4. 淘汰过滤器 过度过滤
二元淘汰过滤器，「必须拥有X年经验」、「必须拥有Y认证」、「必须拥有Z学位」，会拒绝那些勉强达不到门槛的候选人。 需要「5年以上经验」的职位会自动拒绝拥有4年10个月直接相关工作经验的人。 过滤器将边缘性失误视为完全失误，这不是人类判断的方式。
比较
关键词匹配 vs 基于信号的评分
| 维度 | 关键词匹配 ATS | 基于信号的评分（Curriculo ATS） |
|---|---|---|
| 评估内容 | 特定术语的存在 | 可衡量的结果和成就 |
| 词汇敏感性 | 拒绝同义词 | 识别等效经验 |
| 非传统候选人 | 被过滤掉的缺失资格 | 根据实际影响进行评估 |
| 假负率 | 高（系统性拒绝合格者） | 低（根据实质评分） |
| 偏见模式 | 强化资格偏见 | 减少资格和词汇偏见 |
| 抵制操纵 | 容易通过关键词填充操纵 | 难以伪造可衡量的结果 |
示例
假负例 在实践中的表现
没有学位的高级工程师
情景您的ATS需要"计算机科学学士学位或同等学历"。一位具有8年后端工程经验的候选人，在两家YC初创公司工作过，拥有12个开源贡献，并有将系统从1K扩展到100K用户的成功记录。但没有学位，自动被拒绝。
您错失的机会一位拥有您所需经验的资深工程师，目前正在与您的三家竞争对手进行面试，这些公司要么没有学位过滤，要么使用评估实际技术输出的筛选方法。
营销领导者 ，使用了不同的词汇
情景您的工作岗位要求"需求生成经验"。一位候选人写到了"管道创建"、"收入营销"和"潜在客户引擎优化"
您错失的机会一位候选人在18个月内将管道从200万美元增长到1400万美元，但使用了他们之前公司的常用词汇，而不是您的公司的词汇。
职业转换者 ，具有可转移的影响力
情景一位前军事后勤官申请运营经理职位。他们的简历提到了"部署协调"、"在约束条件下分配资源"和"跨职能团队领导"
您错失的机会曾经管理过500多人跨三个大陆的物流工作，所面临的复杂情况远远超过您供应链可能遇到的任何挑战。
监管维度
EU AI法案于2024年生效，将用于就业和招聘的AI系统归类为高风险的 。这意味着在EU运营的平台必须满足透明度、准确性、人工监督和偏见缓解的要求。
NIST研究已经记录了自动筛选系统中显著的公平性差距，特别是在人口统计群体和非传统职业路径中。对于使用关键词匹配ATS且假阴性率高的公司来说，这将带来合规风险：如果您的系统系统地筛选出某些背景的合格候选人，您可能会面临监管审查。
监管趋势已经明确。继续依赖粗糙的关键词过滤的公司将面临越来越大的压力，需要证明他们的筛选系统是准确和公平的。切换到基于 信号的方法 ，评估结果而不是词汇，不仅是一种更好的筛选方法，也越来越成为合规的必要条件。
解决方案
如何减少 假阴性
步骤1：审计您的 淘汰过滤器
查看您的人才管理系统ATS中的每一个二元过滤器。对于每一个，问：这个要求是否预测工作表现，还是只是预测简历格式？了解 AI招聘偏见 有助于回答这个问题。删除学位要求，在技能比证书更重要的地方。用比例加权经验的评分替换“5年以上要求”，而不是将4.5年视为零。
步骤2：抽样您的 拒绝池
定期从拒绝池中抽取20到30份简历，进行人工审查。如果您一致发现被过滤掉的合格候选人，则您的假阴性率太高。这种简单的审计只需一个小时，就可以揭示其他情况下不可见的问题。
步骤3：切换到 结果导向评分
Curriculo ATS 影响评分 评估候选人所取得的成就，而不是他们用来描述它的词语。系统寻找量化的成就、职责范围、职业轨迹和技能匹配，这些信号可以预测工作表现，无论词汇或背景如何。
一位候选人写道“领导跨职能项目，实现30％的效率提升”，无论他们称之为“项目管理”、“项目交付”还是“运营改进”，都能获得高分。筛选系统识别出潜在的成就。
结果：减少假阴性，候选人名单更强，招聘流程找到能够做这份工作的人，而不是擅长写简历的人。 了解更多关于 AI 筛选的信息。FAQ
假阴性 问题
什么是 ATS 筛选中的假阴性？
假阴性发生在系统拒绝实际上合格的候选人时。这是因为筛选标准未能识别合法的资格，通常是因为候选人使用了不同的术语、具有非传统的背景或未将简历格式化为关键词优化。
关键词过滤器拒绝了多少合格候选人？
哈佛商学院的一项研究发现，自动筛选过滤器由于严格的学位要求和关键词匹配，估计有1600万合格工人被排除在考虑范围之外。所有 ATS 筛选标准的实际数字可能更高。
为什么假阴性比假阳性更糟糕？
提拔不合格候选人的错误（虚假阳性）会浪费面试时间，但会在后续阶段被发现。拒绝合格候选人的错误（虚假阴性）是不可见的，你永远不知道你错过了什么。被拒绝的候选人会去你的竞争对手那里，你永远不会看到他们会带来的贡献。
EU AI 法案是否影响 ATS 筛选？
是的。EU AI 法案将用于就业和招聘的 AI 系统归类为高风险。ATS 平台在 EU 运营必须满足透明度、人工监督、准确性和偏见缓解的要求。具有高虚假阴性率的系统可能面临合规挑战。
基于信号的评分如何减少虚假阴性？
基于信号的评分 评估可衡量的结果，而不是匹配特定的关键词。候选人写“领导跨职能倡议”而不是“项目管理”仍然会得到高分，因为系统认识到潜在的成就。
我现在可以做什么来减少虚假阴性？
三个步骤：审计你的筛选条件并删除僵化的要求，在技能比资格更重要的地方，定期抽样你的拒绝池以检查是否有合格的候选人被筛选出来，并考虑切换到 筛选系统 ，该系统评估结果而不是关键词频率。