CareerCraft：支持毕业生通过 LLM 辅助的自我构建职业画像进行求职

文献标题

CareerCraft: Supporting New Graduates on Job Hunting with LLM-Assisted Self-Construction of Career Profile

出版信息

• 主题领域: 使用LLM支持新毕业生构建职业档案及求职。
• 关键词: 职业档案、求职、大型语言模型、自我探索、经验卡片、职业准备、用户主动性、反思系统、人机交互、AI辅助工具。

背景与问题

• 问题/挑战: 新毕业生在构建可操作的职业档案时面临显著挑战，包括自我认知不足、经验碎片化以及难以将技能与职位要求对齐。现有工具（如LinkedIn）更适合有经验的专业人士，未能满足早期职业阶段个体的独特需求。
• 重要性: 帮助新毕业生构建连贯的职业档案对于提升其求职准备度和做出明智的职业决策至关重要。这一问题尤为重要，因为它影响了他们从教育向职场的有效过渡能力。
• 动机与相关工作: 之前的研究和工具（如CareerSim、CareerBERT和JobFit）探索了职业指导和语义匹配，但缺乏可解释性和用户主动性。目前的解决方案未能充分支持新毕业生将多样化、非结构化的经验整合到有意义的职业档案中。本文通过引入CareerCraft来解决这些问题。

解决方案

• 提出的方法: CareerCraft是一种基于LLM的系统，通过经验卡片提取、引导叙事构建和个性化职位推荐，帮助新毕业生构建结构化的职业档案。
• 创新点:
  1. 开发了一个多阶段管道，将碎片化的经验转化为结构化的职业档案。
  2. 引入经验卡片以捕捉正式和非正式经验，支持反思性和迭代式档案构建。
  3. 集成动态职位推荐，根据用户档案和职业目标进行个性化匹配。
• 流程与关键技术:
  • 阶段1: 用户输入文本、文件或图像，通过LLM提取经验并生成结构化的“经验卡片”。
  • 阶段2: 将经验卡片分组、优化并整合为连贯的职业叙事。
  • 阶段3: 使用雷达图和象限图可视化职业档案，并链接到个性化职位推荐，提供匹配评分和理由。

结果

• 具体发现:
  • CareerCraft显著提升了相关性判断 (M**CareerCraft = 5.81, Mbaseline = 4.49, p <.01)、隐藏洞察力 (M**CareerCraft = 5.94, Mbaseline = 4.25, p <.01) 和反思深度 (M**CareerCraft = 6.31, Mbaseline = 4.25, p <.01)。
  • 增强了职业清晰度 (M**CareerCraft = 6.00, Mbaseline = 4.62, p <.01) 和准备信心 (M**CareerCraft = 5.94, Mbaseline = 3.88, p <.01)。
• 相较基线的优势:
  • CareerCraft在经验结构化 (+1.31)、决策依据 (+1.93) 和匹配满意度 (+1.81) 上均优于传统方法。
  • 参与者报告了更广泛的职业探索、更深入的反思以及更连贯的档案构建效果，相较基线实践显著提升。
• 实验/评估:
  • 进行了一个16名参与者的被试内研究（新毕业生，无正式工作经验）。
  • 参与者在两种条件下完成职业档案任务（基线和CareerCraft），并通过Likert量表问卷和半结构化访谈进行评估。
  • 评估指标包括经验分类的清晰度、材料选择的信心以及感知的职业准备度。
• 局限性与未来工作:
  • 研究集中于短期自我探索，尚未研究对职业发展的长期影响。
  • 仅限于近期本科毕业生，未来应涵盖多样化的用户群体并解决AI素养障碍。
  • 建议未来版本与真实世界的职位平台集成，并探索基于能力的社交证明。

总结

CareerCraft是一种基于LLM的系统，旨在帮助新毕业生通过将碎片化经验转化为结构化叙事并提供个性化职位推荐来构建可操作的职业档案。该系统在自我探索、经验结构化和职业清晰度方面相较基线方法表现出显著提升。通过混合方法评估，参与者报告了信心增加、更广泛的职业探索以及更高质量的职业决策。CareerCraft的设计原则强调用户主动性、透明性和适应性支架，为未来自我探索工具的开发提供了宝贵的见解。尽管在短期内效果显著，但未来研究应关注长期影响、包容性以及与真实职位平台的集成。