Machine learning approaches to quality assessment in automated recruitment systems вар. 3175596

До 24 июня23:59: презентация и текст (на русском) (презентация на англ + текст, можно на русс, в идеале на англ, я могу сама перевести) до 31 августа: статья(на русском, в идеале на английском), от 5 страниц, можно больше Максимальная длина представленной рукописи (в количестве страниц шаблона MMCP2026 в формате pdf) должна составлять: 14 страниц для пленарной лекции; 8 страниц для доклада. Подготовка рукописи принимается исключительно в формате LaTeX, в соответствии с инструкциями в шаблоне mmcp2026_proceedings_template.zip. Качество цифровых изображений (.jpg, .png или .pdf) для рисунков должно быть оригинальным, высокого разрешения не менее 300 dpi при 100%. По возможности, пожалуйста, также укажите ваше имя, место работы, название статьи и аннотацию на русском языке в соответствующих строках шаблона. Они закомментированы и должны оставаться таковыми. Эта информация необходима только для постобработки статей. Описание Automated tracking systems (ATS) have become a cornerstone of modern recruitment; however, their quality assessment remains an underexplored challenge. This paper proposes a methodology for evaluating the effectiveness of automated recruitment systems through machine learning techniques. We examine candidate clustering algorithms to identify patterns in applicant profiles, as well as predictive models for estimating hiring success probability. A comparative analysis of supervised and unsupervised learning algorithms — including k-means clustering, random forest, and gradient boosting — is conducted to determine the most effective approaches for recruitment quality evaluation. The results demonstrate that ML-based assessment frameworks substantially improve the accuracy and transparency of hiring decisions within organizational-technical systems mmcp2026_proceedings_template.zip приложила 18556967_Machinelearning.pdf - приложила советы от ИИ