Análisis estadístico comparativo: Adecuación semántica CV-oferta entre ATS basados en TF-IDF+coseno y Enfoque asistido por IA.
DOI:
https://doi.org/10.55204/trc.v6i2.e667Palabras clave:
ATS, TF-IDF, análisis estadístico, Similitud SemánticaResumen
Este estudio presenta un análisis estadístico comparativo de métricas de adecuación semántica CV–oferta generadas por dos enfoques de procesamiento textual tipo ATS: un pipeline clásico basado en TF-IDF y similitud del coseno, y un pipeline asistido por inteligencia artificial mediante API de OpenAI. Se utilizó una muestra por conveniencia de currículums recibidos para una oferta laboral fija, aplicando anonimización, extracción textual, normalización y, cuando fue necesario, OCR. Cada CV fue evaluado por ambos métodos bajo un diseño pareado intra-currículum, permitiendo comparar métricas como similarity_score, coverage, diversity, density, confidence y rationale_relevance. El análisis incluyó Shapiro-Wilk para evaluar normalidad de los deltas, pruebas pareadas t o Wilcoxon, tamaños de efecto, corrección de Holm y medidas de concordancia como Bland–Altman e ICC. Los resultados evidencian diferencias sistemáticas entre ambos enfoques: el método clásico tiende a elevar la similitud global, mientras que el enfoque asistido por IA muestra mayor sensibilidad a cobertura y diversidad semántica. Se concluye que ambos pipelines no son intercambiables y deben entenderse como instrumentos distintos de medición semántica.
Descargas
Referencias
Ajjam, M.-H., & Al-Raweshidy, H. S. (2026). [Artículo sobre matching CV–oferta con TF-IDF y cosine similarity]. Information Sciences, 724, 122728.
Alonso, R., Dessí, D., Meloni, A., et al. (2025). [Artículo sobre job–résumé matching y extracción de texto en CVs no textuales]. Big Data Research, 39, 100509. https://doi.org/10.1016/j.bdr.2025.100509
Bestgen, Y. (2014). Improving the validity of the automated essay scoring system under conditions of text complexity variation. Journal of Writing Research, 6(2), 123–143. https://doi.org/10.17239/jowr-2014.06.02.2
Bevara, R. V. K., Dronavalli, S. C., Karedla, S. P., Rupeshkumar, S., & Xiao, T. (2025). Resume2Vec: Transformer-based resume embeddings for improved semantic matching in applicant tracking systems. Electronics, 14(4), 794. https://doi.org/10.3390/electronics14040794
Bevara, R. V. K., Mannuru, N. R., Karedla, S. P., Lund, B., Xiao, T., Pasem, H., Dronavalli, S. C., & Rupeshkumar, S. (2025). Resume2Vec: Transforming applicant tracking systems with intelligent resume embeddings for precise candidate matching. Electronics, 14(4), 794. https://doi.org/10.3390/electronics14040794
Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet, 327(8476), 307–310. https://doi.org/10.1016/S0140-6736(86)90837-8
Chafi, S., Kabil, M., & Kamouss, A. (2025). Optimizing automatic CV classification with contrastive and generative learning. Procedia Computer Science, 265, 342–349. https://doi.org/10.1016/j.procs.2025.07.190
Chafi, S., Kabil, M., & Kamouss, A. (2025). Optimizing automatic CV classification with contrastive and generative learning. Procedia Computer Science, 265, 342–349. https://doi.org/10.1016/j.procs.2025.07.190
Chong, K. W., Ng, K. W., & Fu, Y. H. (2026). Resume data extract and job recruitment chatbot features for AI-based resume screening & analytics. MethodsX, 16, 103775. https://doi.org/10.1016/j.mex.2025.103775
Deshmukh, A., Raut, A., & Dahake, S. (2025). Intelligent resume screening system using BERT and cosine similarity. International Journal of Artificial Intelligence, 14(4), 3404–3411. https://doi.org/10.11591/ijai.v14.i4.pp3404-3411
Deshmukh, A., Raut, A., & Dahake, S. (2026). Intelligent resume screening system using BERT and cosine similarity. International Journal of Artificial Intelligence, 15(1), 953–961. https://doi.org/10.11591/ijai.v15.i1.pp953-961
Deshmukh, A., Raut, A., & Deshmukh, V. (2026). Scalable resume screening using large language model Meta AI version 3. IAES International Journal of Artificial Intelligence (IJ-AI), 15(1), 953–961. https://doi.org/10.11591/ijai.v15.i1.pp953-961
Koo, T. K., & Li, M. Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155–163. https://doi.org/10.1016/j.jcm.2016.02.012
Liu, X. (2025). Deep learning-based intelligent resume-position matching system: Semantic understanding and recommendation of BERT model in massive recruitment data. In Proceedings of MLSC 2025. https://doi.org/10.1145/3778450.3778452
McGraw, K. O., & Wong, S. P. (1996). Forming inferences about some intraclass correlation coefficients. Psychological Methods, 1(1), 30–46
Mendoza, L. E., & Ramírez, J. P. (2020). Inteligencia artificial aplicada a la gestión del talento humano: Retos y oportunidades. Revista Iberoamericana de Tecnología y Sociedad, 12(3), 45–60.
Mkrtchyan, A. (2025). Text-based approaches for exploring job matching techniques (BS in Data Science thesis). American University of Armenia, Zaven & Sonia Akian College of Science and Engineering.
Murel, J., & Kavlakoglu, E. (2024). ¿Qué es el modelado de temas?. IBM Research.
Myneni, M. B., & Quadhari, F. S. (2025). [Artículo sobre resume parsing/matching y uso de cosine similarity y embeddings]. IJECE, 12(9), 63–71.
Nawalny, M., Łepicki, M., Latkowski, T., et al. (2025/2026). Comparative evaluation of GPT-4o, GPT-OSS-120B and Llama-3.1-8B-Instruct language models in a reproducible CV-to-JSON extraction pipeline. Applied Sciences, 16, 217. https://doi.org/10.3390/app16010217
Oracle. (s. f.). What is an applicant tracking system? https://www.oracle.com/human-capital-management/recruiting/what-is-applicant-tracking-system/Oracle
Psico Smart. (2024). Incorporating artificial intelligence in candidate experience management. Retrieved from https://psicosmart.com/en/blogs/blog-incorporatingartificial-intelligence-in-candidate-experiencemanagement10305#:~:text=According%20to%20a%20study %20by,per%2Dhire%20by%2025%25.
Purcell, K. (2025, 14 de julio). 2025 Applicant Tracking System (ATS) Usage Report: Key Shifts and Strategies for Job Seekers. Jobscan. https://www.jobscan.co/blog/fortune-500-use-applicant-tracking-systems/
Salazar, E. (2023). Análisis del impacto de Inteligencias Artificiales en la experiencia de los usuarios universitarios: un enfoque en la minería de datos y el análisis de sentimiento. Caso de estudio: ChatGPT. Pontificia Universidad Católica del Ecuador.
Saliu, S. (2025). The algorithmic turn in talent acquisition: A critical analysis of AI-mediated recruitment technologies. Iconic Research and Engineering Journals, 8(9), 755–767.
Sangwan, B., Sangeeta, & Diksha. (2025). Intelligent Resume Analyzer. Documento presentado en la conferencia IRDO 2025.
Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611.
Student. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.2307/2331554
Sun, H., Lin, H., Yan, H., Song, Y., Gao, X., & Yan, R. (2025). MockLLM: A multi-agent behavior collaboration framework for online job seeking and recruiting. In Proceedings of KDD ’25. https://doi.org/10.1145/3711896.3737051
Suraj, M., Aruna Kumari, K., & Binila B. Chandran. (2019). A descriptive study on applicant tracking system: Automation software for recruitment and selection. International Journal of Research and Analytical Reviews, 6(1), 223–230.
Tyagi, S., Anuj, Qian, W., Xie, J., & Andrews, R. (2024). Enhancing gender equity in resume job matching via debiasing-assisted deep generative model and gender-weighted sampling. International Journal of Information Management Data Insights, 4, 100283. https://doi.org/10.1016/j.jjimei.2024.100283
Vyshotravk, D. (2025). Smart application for recruiting based on natural language processing methods, transformer models and siamese neural network architecture. Volume 17(Issue 5), 156.
Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Cristian Sebastian Luna Perez, Juan Carlos Santillán Lima
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
