LLM 从简历提取学历的结构化schema设计

学位与专业是两个字段

学位名称告诉你被授予了什么类型的资格，专业告诉你它属于哪个学科。它们独立变化，受不同规则支配——授予机构决定前者，而专业只是一个描述——每个关于教育记录的有用问题通常只需要其中一个，但很少需要将两者作为一个整体来使用。

这种混淆很容易说明。"Bachelor of Science in Economics"和"Bachelor of Arts in Economics"是同一专业、同一级别但学位名称不同。在英国授予的"Master of Engineering"通常是本科一体化学位，而在北美，同样的词是研究生资格。还有一些机构特定的名称——"Artium Baccalaureus"、"ScB"——它们携带的级别信息在你已经知道该机构之前是隐形的。

所以 schema 需要三个字段，而大多数只有一个：degree_raw完全按原文保留，从中或从单独一行提取field_of_study，以及一个可在各国间比较的标准化级别。第一个是文档所述，第二个是人类想读的，第三个是唯一可以过滤或排序的。

标准化级别，而非名称

对于"这个资格是什么级别"有一个公开的答案，它不是一张自定义的映射表。联合国教科文组织维护着国际教育标准分类（ISCED），其2011年修订版将级别定义为0到8，其中5级为短期高等教育，6级为学士或同等学历，7级为硕士或同等学历，8级为博士或同等学历。它正是为使不同国家体系的资格具有可比性而设计的，由UNESCO统计研究所与OECD和Eurostat联合维护。

ISCED 5 — 短期高等教育。美国副学士学位、英国基础学位、荷兰副学士学位。

ISCED 6 — 学士或同等学历。BA、BSc、BEng、B.Tech、Licence、Laurea triennale。

ISCED 7 — 硕士或同等学历。MA、MSc、MBA、德国Diplom和Magister、法国Master。

ISCED 8 — 博士或同等学历。PhD、DPhil、Doctorat、Dr.rer.nat。

使用它而不是自制枚举的价值在于：困难案例已经有一个公开的答案，你可以在有人质疑映射时指出；而且这个分类是有文档记录的，而不是你们团队两年前的个人意见。主要文本由UNESCO统计研究所发布。

ISCED是一个可修订的分类——2011年修订版取代了1997年修订版，单独的ISCED教育与培训领域修订版涵盖了专业。记录映射时所依据的修订版本，理由与技能映射需要分类版本相同。

会破坏简单映射的变体

从学位名称到级别的字符串匹配映射在遇到以下任何情况时都会失效，而在国际候选人池中这些都很常见：

一体化本科硕士。英国的MEng或MPhys通常是四年制第一学位，不是研究生。单独通过字母M映射会把它放到7级，而这个人实际上只有一个资格，不是两个。

荣誉作为名称的一部分。BSc (Hons)、BA Hons、一等荣誉、2:1。荣誉称号是对结果的分类，不是不同的学位，它属于成绩字段。将2:1解析为日期或比例的解析器是一个常见且非常明显的失败。

处于过渡中的体系。德国的Diplom和Magister在博洛尼亚进程中基本被学士和硕士学位取代，所以简历可以合法地显示改革前的资格，没有现代等价名称。这同样适用于各种后苏联时期的专家学位。

职业博士和第一专业学位。美国的JD或MD、MBBS、德国Staatsexamen。这些在任何单一量表上都显得尴尬，而这正是你应该记录原始名称和带有明确不确定标志的级别的位置，而不是强行使用一个数字。

不完整的学习。"2016-2018年学习物理"且无奖项。没有学位；有出勤记录。具有必填学位字段的schema会迫使模型编造一个，这就是经典案例——schema导致幻觉而不是模型——参见处理缺失的必填字段。

教育日期是哪一个

教育条目最多携带四个日期，简历显示它们的任意组合：学习开始时间、学习结束时间、获奖日期、颁发或毕业典礼日期。它们是不同的——6月完成学习而学位在11月颁发是完全正常的——而单个年份字段会默默选择一个。

这造成的具体失败在下游：检查候选人在声称担任某个职位时是否持有某个资格，将使用碰巧在该字段中的日期。当简历只显示一年时，记录它并记录它是四个中的哪一个，允许"未知"作为值。当有毕业证书与简历一起可用时，颁发日期在证书本身上——参见从毕业证书中提取数据，包括该日期以罗马数字打印的情况。

{
  "institution_raw": "Technische Universitat Ilmenau",
  "country": "DE",
  "degree_raw": "Diplom-Ingenieur (Elektrotechnik)",
  "degree_abbrev": "Dipl.-Ing.",
  "field_of_study": "Electrical engineering",
  "isced_level": 7,
  "isced_revision": "ISCED 2011",
  "isced_confidence": "mapped_with_note",
  "isced_note": "Pre-Bologna Diplom; mapped to level 7 as a long first degree.",
  "grade_raw": null,
  "dates": { "start": "2004", "end": "2010", "date_kind": "study_period" },
  "completed": true,
  "raw": "Technische Universitat Ilmenau\nDiplom-Ingenieur (Elektrotechnik), 2004-2010"
}

isced_confidence有三个值——干净映射、需要判断的映射、未映射——在这里比数字分数更有价值，因为有趣的案例是分类性的而非模糊的。博洛尼亚前的Diplom不是低置信度的7级；它是一个被人决定了的7级，而备注就是这个决定。当监管者或审计员询问资格是如何比较的，备注就是答案，分数不是。

将completed与学位名称的存在分开，允许整个教育条目以null学位存在。没有奖项的出勤是一个人真实且常见的事实，而无法表达这一点的schema将会得到一个被编造出来的。

---

从毕业证书或学位证书中提取数据

从简历中提取工作经历到结构化字段

从简历中提取技能和证书