大学・研究機関が海外の大学の英文の学位記と成績証明書を読み取り、学位・専攻・修了日を応募書類の記載と照らして、食い違いを選考の前に拾う

処理の起点を決める

受付フォルダ（Amazon S3）に応募者の書類が置かれたことを起点にします。 応募受付システムから毎朝7時に前日分を書き出し、<応募者番号>/diploma_1.pdf、<応募者番号>/transcript_1.pdf、<応募者番号>/form.json の形で置きます。公募の締切の直後にまとめて処理すると、確認が選考委員会の直前に集中します。 届いた翌朝には結果が一覧に並ぶ形にします。

form.json の保存を最後に行い、それを合図に同じ応募者番号の書類を読み取りに回します。

AWS Lambda が書類ごとに StartDocumentAnalysis を呼びます。同期の処理では PDF は1ページまでなので、非同期にそろえます。 ClientRequestToken にファイルのハッシュから作った値を入れると、二度置いても二重に読みません。 完了は Amazon SNS に届き、GetDocumentAnalysis で結果を取ります。結果は既定で7日間しか取れないため、OutputConfig で自社の S3 に出します。

入力データを集める

質を決めるのは、下の3つです。 別名表が無ければ改称した大学はすべて mismatch になり、対応表が無ければ「M.S.」と「Master of Science」が別物になります。どちらも空で始め、確認のたびに1行ずつ足します。 対応表に「日本のどの学位に当たるか」は書きません。当てはめは採用する側の判断だからです。

データの取得方法を決める

読み取りは StartDocumentAnalysis に FeatureTypes として QUERIES、TABLES、LAYOUT を指定して行います。全文の行と単語は、指定した機能にかかわらず返ります。

質問は対象のページを指定しないと、既定で1ページ目にしか当たりません。 成績証明書の授与日は最後のページにあることが多いので、**成績証明書の質問には Pages: ["*"] を付けて全ページに当てます。** 学位記は1ページなので指定しなくても足ります。

質問は1ページあたり非同期の処理で30問まで、文は200字まで英数字と記号だけで書きます。本記事は書類ごとに8問前後に絞ります。在籍期間がフォームの入学年月と大きく離れていれば、別の課程の成績証明書が添えられている可能性があります。

AIへ渡す前に整形する

1. 形式の確認 … JPEG、PNG、PDF、TIFF であること。XFA形式のPDFは扱えないため、印刷し直してPDFにします
2. パスワードの確認 … PDFはパスワード保護不可です。大学が電子的に発行した成績証明書にはパスワード付きのものがあり、 その場合は解除した写しを応募者に頼むか、人の確認に回します
3. サイズと寸法の確認 … 非同期の処理で PDF と TIFF は500MB・3,000ページ、JPEG と PNG は10MBまで、画像はどの辺も10,000ピクセル以下です
4. 文字の大きさの確認 … 文字の高さが15ピクセル（150 DPIで8ポイント相当）を下回ると検出されません。授与日は小さな字のことが多いので、縮小しすぎません
5. 書類の種類の振り分け … ファイル名ではなく、全文の最初の数行の「Transcript」「Diploma」などの語で振り分けます
6. 言語の確認 … 英語の学位名・月名の語がほとんど無ければ英語以外とみなし、質問を当てずに人に回します。翻訳証明つきの英訳があれば英訳を読みます

2番目と6番目は、どちらも「答えが空」として返り not_found と区別がつかないため、前処理で理由を付けて分けます。

AIに処理させる

させるのは、書類から決まった項目の値を読み取り、根拠の位置と信頼度を添えることだけです。 照らし合わせは、読み取りの後にプログラムの規則が行います。

学位の状態を独立して読むのが、この表でいちばん大事なところです。 在学中の成績証明書には授与日が無いか「Degree Expected」と書かれ、そのまま照合すると食い違いに見えますが、実際は「まだ授与されていない」です。 見込みでの応募を認める公募かで扱いが変わるため、別の項目にします。

指示内容を固定する

AWS Textract への指示は、英語の質問の一覧です。別名を付けて、受け取る側のプログラムが項目を取り違えないようにします。 成績証明書には次の質問を全ページに当てます。

QueriesConfig:
  Queries:
    - Text: "What is the student's full name?"
      Alias: NAME
      Pages: ["*"]
    - Text: "What is the name of the university or institution?"
      Alias: INSTITUTION
      Pages: ["*"]
    - Text: "What degree was conferred or awarded?"
      Alias: DEGREE
      Pages: ["*"]
    - Text: "What is the major or field of study?"
      Alias: MAJOR
      Pages: ["*"]
    - Text: "What is the date the degree was conferred or awarded?"
      Alias: CONFERRAL_DATE
      Pages: ["*"]
    - Text: "What is the date of admission or first enrollment?"
      Alias: ENTRY_DATE
      Pages: ["*"]
    - Text: "What is the date this transcript was issued?"
      Alias: ISSUE_DATE
      Pages: ["*"]

学位記には、氏名・大学名・学位・専攻・授与日の5問だけを当てます。 取れなかったときは、LAYOUT の題名の文字列を学位の候補として残します。

受け取った答えに対して、プログラムの側で次の決まりを当てます。これが実質的な「指示」です。

【答えの扱いの決まり】
1. 答えが空の項目は not_found とする。フォームの記載で埋めない。
2. 信頼度が決めた値を下回る項目は unreadable とし、値は参考として残す。
3. 答えの文字列が全文の行のどこにあるかを探し、見つからなければ ambiguous とする。
4. 日付は、月の名前が書かれていれば（June 5, 2021／5 June 2021）そのまま読む。
   数字だけで日と月の両方が12以下なら ambiguous とし、
   フォームの修了年月に近いほうを選ばない。
5. 全文に「Expected」「In Progress」「Not Conferred」「Pending」があれば、
   学位の状態を pending とし、授与日の照合を行わない。
6. 学位は学位名の対応表で段階（bachelor／master／doctor）にそろえる。
   表に無い言い方は cannot_map とし、近い言い方に寄せない。
7. 大学名は大学名の別名表で正式名称にそろえてから比べる。
   表に無い名前は、そのまま比べて違えば mismatch とする。
8. 氏名は大文字・小文字と記号を外し、語の集まりとして比べる。
   語の順だけが違うものは partial、語が足りない・多いものも partial、
   共通する語が無いものを mismatch とする。
9. 専攻は言い方の差が大きいので、一致・不一致を決めない。
   読み取った値とフォームの値を並べ、wording_differs として人に見せる。
10. 成績（GPA、科目ごとの評価）は読み取り結果に残さず、照合にも使わない。

4番目と8番目が解釈の罠です。 日付を「近いほう」で決めると、外れたときに誰も気づきません。氏名は名と姓の順、ミドルネーム、結婚前の姓の違いが普通にあり、語の順の違いを mismatch にすると確認が意味のない違いで埋まります。 10番目は、選考の材料が意図せず増えるのを防ぐ決まりです。

出力形式を固定する

読み取りと照合の結果を、応募者ごとに次の形のJSONにまとめて一覧へ渡します。

{
  "applicant_id": "2026-R114-0087",
  "documents": [
    { "doc_type": "transcript | diploma | other", "file": "transcript_1.pdf",
      "pages": 4, "language_check": "english | other", "job_id": "" }
  ],
  "fields": [
    { "item": "CONFERRAL_DATE", "source": "transcript_1.pdf",
      "status": "ok | not_found | unreadable | ambiguous | pending | cannot_map",
      "value": "June 5, 2021", "normalized": "2021-06-05",
      "confidence": 0, "page": 4 }
  ],
  "comparison": [
    { "item": "degree_level", "form": "master", "document": "master",
      "result": "match | partial | mismatch | wording_differs | cannot_check" },
    { "item": "completion_month", "form": "2021-03", "document": "2021-06",
      "gap_months": 3, "result": "match | partial | mismatch | cannot_check" }
  ],
  "verdict": "consistent | review | missing_document"
}

comparison の item は name ／ institution ／ degree_level ／ major ／ completion_month ／ enrollment_period です。

1つ目の理由は、fields（書類の記録）と comparison（自社の決まりで照らした結果）を別の層に置けることです。 表や決まりを直しても、読み取りをやり直さずに照合だけを引き直せます。 2つ目は、verdict を3段階に限れることです。

verdict に「不正」「不合格」に当たる値を置かないのが、この表のいちばん大事なところです。 違いがあることと応募を退けることの間には、必ず人の確認が入ります。3つ目に、page があれば成績証明書を最初からめくらずに済みます。

システムへ連携する

応募受付システムへは書き戻さず、応募者への問い合わせも自動では送りません。 照合の結果が応募の状態に反映される経路を作ると、読み違い1つで応募者が選考から外れます。 問い合わせは言葉ひとつで「疑われている」と受け取られるため、文面は採用担当が書きます。

人が確認する

人が開くのは review と missing_document の応募者だけです。 全員を開くと、第10章の6.0時間には収まりません。

1. mismatch を先に見る … 画像の該当ページで、読み取りの誤りで mismatch になっていないかを最初に確かめます
2. 大学名と学位名の違いを調べる … 改称や略称なら、別名表・対応表に1行足して照合を引き直します
3. 修了年月の差を確かめる … 論文の審査の日・課程の修了日・授与日のどれを書いたかで、数か月の差は普通に出ます。理由が書類から読めれば問い合わせは要りません
4. pending を公募の条件に照らす … 見込みでの応募を認めない公募なら、選考委員会に判断を仰ぎます
5. 問い合わせが要るものだけ応募者に聞く … どこがどう違うかを具体的に伝えます

1番目と3番目を省かないでください。 書き方の違いをそのまま問い合わせると、応募者の手間を増やし、組織の印象を落とします。

例外に対処する

上の4行が大半で、どれも書類の側の事情です。 応募要項に書いておくだけで減ります。

記録を残す

• 書類の元ファイルと受け付けた日時、AWS Textract の結果の全文（JSON）と JobId
• そろえた後の値とそろえ方の記録、照合の結果とそのときの別名表・対応表・決まりの版
• 採用担当が直した項目と直す前の値、問い合わせた内容と回答
• 大学ごと・国ごとの review の発生率

表の版を残すのは、表が育つと過去の mismatch が match に変わり、当時なぜ問い合わせたのかが分からなくなるからです。 保存の期間は応募書類の取り扱いの決まりに合わせます。