# Einführung
Sind Sie jemals auf eine Stellenbeschreibung für „Einsteiger“ gestoßen, in der die Anforderungen der Kandidaten undurchschaubare Aspekte wie „Nutzung funktionsübergreifender Paradigmen zur Optimierung synergistischer Ergebnisse“ oder noch Schlimmeres beinhalten? Wenn HR-Dokumente voller Fachjargon oder Geschäftsbegriffe sind, verwirren sie nicht nur die Leser, sondern schrecken auch talentierte, fähige Arbeitssuchende ab. Da der erste Schritt in Richtung Inklusion die Zugänglichkeit ist, warum stellen Sie nicht durch Prüfungsprozesse sicher, dass Ihre Stellenbeschreibungen einen zugänglichen Ton behalten?
Dieser Artikel zeigt, wie Sie kostenlose Open-Supply-Instruments wie Python und andere verwenden Textstat Mithilfe einer NLP-Bibliothek (Pure Language Processing) können Sie ein Skript erstellen, das den Prozess der Erfassung der „Gatekeeping-Sprache“ in Stellenbeschreibungen vor deren Veröffentlichung automatisiert.
# Der Schlüsselbestandteil: Gunning Fog Index
Der Gunning Fog Index — verfügbar in Textstat unter Verwendung von textstat.gunning_fog – ist ein hervorragender Ansatz zur Prüfung von Texten, insbesondere von Stellenangeboten für Einsteiger. Im Wesentlichen kann dieser Index verwendet werden, um die Anzahl der Jahre formaler Bildung abzuschätzen, die eine Particular person möglicherweise benötigt, um einen Textual content beim ersten Lesen zu verstehen.
Die Berechnung basiert auf der Beobachtung von zwei Hauptfaktoren: der durchschnittlichen Satzlänge und dem Prozentsatz komplexer Begriffe – typischerweise Wörter mit drei oder mehr Silben. Beachten Sie, dass im Geschäftsjargon häufig mehrsilbige Schlagworte wie „Operationalisierung“, „Methoden“ usw. missbraucht werden. Daher kommt der Gunning Fog Index unserem angestrebten Ziel, Stellenbeschreibungen zu prüfen, um sicherzustellen, dass sie nicht zu komplex für das beabsichtigte Profil sind, das sie ansprechen sollen, sehr nahe. Mit anderen Worten: Es trägt dazu bei, sicherzustellen, dass die Sprache klar und verständlich ist. Ein niedrigerer Wert für diesen Index bedeutet mehr Klarheit und Zugänglichkeit.
# Prüfung eines Beispiels mit Textstat
Der erste entscheidende Schritt besteht darin, die Textstat-Bibliothek für Python zu installieren, falls Sie dies noch nicht getan haben:
Die Kernlogik unseres Skripts wird in einer wiederverwendbaren Funktion liegen, deren Zweck darin besteht, einen Eingabetext zu prüfen – z. B. eine Stellenbeschreibung für Einsteiger:
import textstat
def audit_job_description(job_text):
# Calculating the Gunning Fog Index
fog_score = textstat.gunning_fog(job_text)
# Figuring out the inclusivity verdict based mostly on the rating
if fog_score < 10:
verdict = "Accessible & Inclusive. Preferrred for entry-level."
elif 10 <= fog_score <= 14:
verdict = "Warning: Approaching gatekeeper territory. Simplify some phrases."
else:
verdict = "Gatekeeper Alert: Excessive jargon density. Rewrite for readability."
# Returning a formatted report
return {
"Gunning-Fog Rating": fog_score,
"Verdict": verdict
}Die in der vorherigen Funktion ausgeführten Schritte sind recht einfach. Zuerst kommen wir direkt zur Sache und berechnen den Gunning Fog-Rating für den Textual content (vermutlich eine Stellenbeschreibung), der als Eingabe übergeben wurde. Diese Partitur, gespeichert in fog_scoredurchläuft eine einfache bedingungsbasierte Prüfung, um drei verschiedene Urteile basierend auf der Textkomplexität zu generieren – ähnlich wie ein dreifarbiges Ampelsystem.
Im Allgemeinen gilt ein Textual content mit einem Gunning Fog-Rating unter 10 als zugänglich und preferrred für eine Stellenbeschreibung für Einsteiger. Ein Wert zwischen 10 und 14 gilt als mäßig komplex, ein Wert über 14 gilt als sehr komplex und bedarf einer umfassenden Überarbeitung.
Als nächstes ist es an der Zeit, unseren Prüfer zu testen, indem wir ihm zwei verschiedene Beispiel-Stellenbeschreibungen geben:
# EXAMPLE 1: A "Gatekeeper" Job Description
complex_jd = """
The profitable candidate will leverage cross-functional paradigms to optimize synergistic deliverables.
You may be anticipated to operationalize key efficiency indicators and facilitate steady enchancment methodologies
to maximise our return on funding and institutionalize core competencies throughout the organizational ecosystem.
"""
# EXAMPLE 2: An "Inclusive" Job Description
inclusive_jd = """
We're in search of a group participant to assist us develop our advertising channels.
You'll work carefully with completely different groups to launch campaigns, monitor how properly they do, and discover new methods to enhance.
Your objective is to assist us attain extra clients and share our model story.
"""
print("--- Gatekeeper Job Description ---")
print(audit_job_description(complex_jd))
print("n--- Inclusive Job Description ---")
print(audit_job_description(inclusive_jd))Ausgabe:
--- Gatekeeper Job Description ---
{'Gunning-Fog Rating': 30.364102564102566, 'Verdict': 'Gatekeeper Alert: Excessive jargon density. Rewrite for readability.'}
--- Inclusive Job Description ---
{'Gunning-Fog Rating': 8.165986394557823, 'Verdict': 'Accessible & Inclusive. Nice for entry-level.'}Unser Prüfer hat hervorragende Arbeit geleistet, indem er die erste Beschreibung als eindeutigen „Gatekeeper“ – eine Eintrittsbarriere – erkannte und empfahl, sie aus Gründen der Klarheit und Inklusivität neu zu formulieren. Die zweite Beschreibung erzielte einen deutlich niedrigeren Wert von 8,16 (im Vergleich zu 30,36 für die erste, was hinsichtlich der sprachlichen Komplexität mit Postgraduierten-Forschungsarbeiten vergleichbar ist), was bestätigt, dass sie sich intestine für die Anwerbung von Einsteigerkandidaten eignet.
# Zusammenfassung
Stellenbeschreibungen sind oft die Eingangstür eines Unternehmens, und übermäßiger Geschäftsjargon kann in Situationen, in denen Offenheit am wichtigsten ist, wie ein Hindernis wirken – insbesondere bei Einsteigerpositionen. In diesem Artikel wurde gezeigt, wie Sie mit dem Gunning Fog Index von Textstat einen einfachen, automatisierten Textprüfer erstellen, der übermäßig komplexe Stellenbeschreibungen identifiziert und dabei hilft, eine klare, direkte und verständliche Sprache sicherzustellen, die Ihre Stellenangebote für alle Einsteigertalente offen hält.
Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.