Download docs/datasheet.md from BrainHealthAI/brainhr-corpus-v2: direct link, hf CLI and curl.
- Browser
- Download file 5.26 kB
-
https://huggingface.co/datasets/BrainHealthAI/brainhr-corpus-v2/resolve/main/docs/datasheet.md
- Command line
-
hf download hf://datasets/BrainHealthAI/brainhr-corpus-v2/docs/datasheet.md
-
curl -L -o datasheet.md https://huggingface.co/datasets/BrainHealthAI/brainhr-corpus-v2/resolve/main/docs/datasheet.md
Datasheet — BRAINHR+ corpus v2
Format : Gebru et al., « Datasheets for Datasets ». Chiffres tirés de reports/metrics/ (sources en fin de section).
Motivation
Corpus construit pour la révision de l'article « Evidence-grounded recruitment screening: a secure and explainable framework based on semantic scoring and LLM reasoning » (Array, ARRAY-D-26-03875 ; K. Karroum, A. Zaddoug, H. Noureddine, M. El Haziti). Le corpus v1 (5 000 paires privées) n'est ni publiable ni reproductible ; la v2 répond aux commentaires des six relecteurs sur la preuve suffisante, l'équité, la robustesse adversariale, la reproductibilité et les fuites entre dev et test. Éditeur : Brain Gen Technology (Casablanca).
Composition
- 4800 paires CV–offre (3600 train, 400 dev, 800 test), 240 offres × 20 candidats, 4260 CV distincts (20 % des CV du train servent une deuxième offre d'une autre famille).
- Langues : français et anglais (CV environ 65 % / 35 %, paires croisées environ 15 %). Aucun arabe. Marchés : France, Maroc, international.
- 10 missions du test portent sur des fiches ROME absentes du train et du dev (hors distribution).
- Chaque paire : offre (texte, critères obligatoires, atouts, critères éliminatoires), CV (texte observé après ingestion du document, texte pseudonymisé vu par le modèle, JSON or extractif avec ancrages), vérité terrain (phi, note Likert 1–5, labels par critère avec preuves citées, assertions, incohérences, vues recruteur et candidat), provenance, verdict du panel,
pipeline_traceà recalculer. - Suites : assertions–preuves (train 12202, dev 2183, test 4642 assertions) ; adversarial (train 400 variantes, test 1200 variantes).
- Données personnelles : aucune réelle ; enregistrements avec fuite après pseudonymisation : 0. Attributs protégés (genre, origine perçue, tranche d'âge) stockés à part (
cv.protected) pour les tests d'équité, jamais dans le texte du modèle.
Collecte (génération)
Spécification d'abord : offres et CV sont des spécifications JSON tirées de ROME 4.0, ESCO v1.2.1 et du jeu « mots-clés de CV par métier » (JobAlign) ; la spécification est la vérité terrain. Trois petits modèles ouverts rédigent les phrases autour de surfaces imposées (A = Qwen3-4B-AWQ, B = Ministral-3-3B, C = Granite 4.0 Micro ; C seulement pour le test), sur une RTX 3050 de 6 Go. Les documents sont rendus (PDF une ou deux colonnes, DOCX, scan bruité, e-mail ou export de profil) puis ingérés comme dans le pipeline (PyMuPDF 1.26.5, docx2txt 0.8, OCR Tesseract fra+eng sous 50 % de caractères décodés).
Prétraitement et labels
- Pseudonymisation (noms, e-mails, téléphones, entreprises, établissements ; adresse et date de naissance supprimées) ; réancrage de chaque valeur dans le texte ; preuves valides 55716/55716 (100,0 %, IC 95 % [100,0 ; 100,0]).
- Labels par construction (règles déterministes de
labeling/rules.py), jamais édités à la main ; trous et chevauchements légitimes ne baissent jamais la note. - Panel de deux juges LLM de familles différentes du générateur ; paires acceptées (phi identique et note à ±1 pour les deux juges) : mesuré sur le dev seulement, 68/200 (34,0 %, IC 95 % [27,8 ; 40,8]) ; juges trop indulgents pour servir de filtre, aucune paire écartée ni modifiée (D15).
- Annotation humaine : une seule personne (l'utilisatrice ou l'utilisateur), 300 paires du test (test-H) et 45 ré-annotées à 48 h ; à venir au moment du gel. Les accords v1 (κ = 0,81, ρ = 0,79) portaient sur le corpus réel v1 et le protocole v1, pas sur ce corpus.
Usages
Entraînement et évaluation des rôles Extract (CV, offre), MH, NH, Rerank et Verify de BRAINHR+ ; évaluation de la robustesse adversariale et de la vérification sémantique des preuves. Usages exclus : décision de recrutement réelle, prédiction de rétention, « cultural fit », inférence d'attributs protégés.
Distribution
Hugging Face, dépôt privé de l'organisation BrainHealthAI ; publication publique et DOI Zenodo seulement après accord explicite. Licence CC BY-NC 4.0 (données), Apache-2.0 (code). Le test est gelé (empreintes SHA-256 dans data/final/MANIFEST.sha256 et FREEZE.json) ; ses fichiers ne sont publiés qu'après l'annotation humaine à l'aveugle.
Maintenance
Versions sémantiques ; toute correction de règle se fait dans labeling/rules.py et s'applique à tous les splits par relabellisation déterministe ; écarts consignés dans reports/deviations.md, décisions dans reports/decisions.md.
Limites et menaces sur la validité
- Construit : labels synthétiques ; le panel est formé de modèles de 3 à 4 milliards de paramètres, faibles comme juges.
- Interne : la conceptrice ou le concepteur du corpus est aussi la seule personne qui annote.
- Externe : aucune donnée réelle ; écart synthétique–réel non mesuré sur du réel (JobSkape : 68,0 vs 22,2 de micro-F1) ; français et anglais seulement ; textes rédigés par de petits modèles et une grammaire programmée, plus sobres que des CV réels.
- Conclusion statistique : 300 paires humaines, 40 missions de test ; viser la non-infériorité.
Exports d'entraînement : voir reports/export_stats.md.