As transformações digitais nos processos de recrutamento geraram um volume substancial de currículos, criando novos desafios para os departamentos de recursos humanos. Com isso, as abordagens tradicionais de busca baseadas apenas em palavras-chave exatas tornaram-se ineficientes, pois sofrem com limitações linguísticas inerentes, como polissemia e sinonímia, introduzindo uma lacuna semântica entre a intenção do recrutador e os documentos recuperados. No cenário de cidades de pequeno porte, esse problema é ainda mais crítico devido à forte dependência de recomendações informais de terceiros, o que dificulta a inserção de novos talentos recém-qualificados no mercado de trabalho. Diante disso, esta pesquisa apresenta o uso de métodos avançados de Recuperação de Informação (RI), combinando sistemas híbridos de busca e Grandes Modelos de Linguagem (LLMs) para a estruturação de um banco de currículos inteligente e automatizado. Por meio de análise bibliográfica e da avaliação de benchmarks públicos de larga escala — como BEIR, MS MARCO e Natural Questions (NQ) —, demonstra-se que a integração de métodos esparsos (baseados em termos) e densos (baseados em vetores) mitiga as limitações semânticas. Essa abordagem garante maior exatidão e precisão na triagem de candidatos. Por fim, o uso dessas ferramentas otimiza os processos seletivos locais, gerando economia de tempo para recrutadores e candidatos, retendo talentos e impulsionando o desenvolvimento do mercado de trabalho regional.
Comissão Organizadora
Gabriel Felipe Cotta Cirino
Francisco Paletta
Victoria Siqueira Pereira
Mariane Alves Antunes
Rodrigo Garcia
Victor Barros
Karina Satie kawashita
Comissão Científica
Ferramenta completa de submissão, avaliação e publicação de anais para eventos científicos.
