Sistema inteligente para el proceso de reclutamiento y selección de miembros en Aiesec Chiclayo

Abstract

En esta investigación se desarrolló un sistema inteligente para el proceso de reclutamiento y selección de miembros de AIESEC Chiclayo, destinado a optimizar de manera significativa este proceso con la identificación de emociones y procesamiento de las respuestas durante la fase de entrevistas, para poder escoger mejor a los postulantes, proporcionando a la organización una herramienta capaz de hacer de este proceso una elección más rápida y bajo criterios mejor establecidos. Para alcanzar este propósito, se establecieron varios objetivos, entre los que se incluyeron la identificación de técnicas para el procesamiento de datos y videos objetivos, escogiendo finalmente las redes neuronales y lógica difusa por una comparación realizada de varias técnicas. Posteriormente se hizo la construcción de un modelo de reconocimiento de emociones y agrupamiento aplicando las técnicas previamente identificadas en lenguaje Python y metodología SCUM y CRISP-DM. Enseguida se realizó la evaluación de la precisión en el cual se tuvo 80% y recall de 94.12%. Este modelo se implementó en un sistema web construido en el framework de Flask mediante la metodología Scrum. Finalmente, con la búsqueda de un alto nivel de usabilidad para el sistema inteligente, se evaluaron los niveles de utilidad obteniendo 96,19% y facilidad con 94,29% a partir de hacer las encuestas a los usuarios finales del sistema, que fueron los reclutadores. En las pruebas de rendimiento, el sistema mostró un rendimiento sólido con 92 puntos, pero con tiempos de carga más lentos en el módulo de la entrevista por la carga del modelo.

In this research, an intelligent system was developed for the recruitment and selection process of AIESEC Chiclayo members, aimed at significantly optimizing this process by identifying emotions and processing responses during the interview phase to better select applicants. This system provides the organization with a tool capable of making this process faster and based on better-established criteria. To achieve this purpose, several objectives were set, including the identification of techniques for processing objective data and videos. Finally, neural networks and fuzzy logic were chosen following a comparison of various techniques. Subsequently, a model for emotion recognition and clustering was built using the previously identified techniques in Python language and SCUM and CRISP-DM methodology. The precision evaluation resulted in an 80% accuracy and a 94.12% recall. This model was implemented in a web system built using the Flask framework following the Scrum methodology. Finally, aiming for a high level of usability for the intelligent system, utility levels were evaluated, achieving 96.19%, and ease of use with 94.29% through surveys conducted with the system's end-users, who were the recruiters. In performance tests, the system demonstrated a solid performance with a score of 92, albeit slower loading times in the interview module due to model loading.