新卒採用で手書きで提出されるエントリーシートを読み取り、氏名・学校・志望動機・自己PRを応募者台帳にそろえて、記入漏れと読み取れない箇所を拾う

処理の起点を決める

企業ごとの受付フォルダにファイルが保存されたことを起点にします。 フォルダを企業ごとに分けておくと、どの企業の項目定義を使うかを、ファイルの置き場所で決められます。 書類から企業名を読み取って振り分けるより確かです。

1日1回の一括処理にはしません。 締め切りの直後に数百枚が届く企業でも、届いた順に処理しておけば、選考の書類が台帳にそろう日が早まります。 スキャンが終わったものから順に流れます。

処理が終わったファイルは処理済みのフォルダへ移します。 移すのは成功したときだけにします。受付フォルダに残っている数が、そのまま未処理の数になります。

入力データを集める

質を決めるのは、項目定義です。 「志望動機」の欄が「当社を志望する理由」と書かれている企業もあれば、「あなたがやりたいこと」と書かれている企業もあります。欄の見出しの言い方を、項目定義に別名として並べておきます。 別名が無いと、欄が見つからない not_found が増えます。

台帳に移さない欄の一覧は、厚生労働省の公正な採用選考の特設サイトにある「就職差別につながるおそれがある14事項」を元に作ります。 本籍・出生地、家族、住宅状況、生活環境・家庭環境、宗教、支持政党、人生観・生活信条、尊敬する人物、思想、労働組合や学生運動などの社会運動、購読新聞・雑誌・愛読書に関わる欄です。一覧は全社で1つにし、企業ごとに変えません。

データの取得方法を決める

読み取りは、中継の処理からレイアウトモデルを呼ぶだけです。

モデル     = prebuilt-layout（v4.0 2024-11-30 GA）
追加の指定 = features=keyValuePairs
送るもの   = 1人分のエントリーシートのPDF（1〜2ページ）
手元に残す = 企業ID、受付日、経路、ファイル名（中継の処理が保持）

呼び出しは1人分ずつにします。 複数人分を1つのPDFにまとめて送ると、返ってきた行がどの応募者のものかを、ページ番号から逆にたどることになります。1人分ずつにしておけば、結果のJSONと応募者が1対1で対応します。

欄の見出しは、様式に印字された文字です。 styles で手書きでないと出た行は、多くが様式の見出しです。見出しと記入を分ける手がかりに使い、見出しを応募者の文章として台帳に入れないようにします。

キーと値の組は、空欄の見分けに効きます。 見出しはあるのに値が無い組は、その欄が空いていることを示します。欄の見出しが見つかっているかどうかで、blank と not_found を分けます。

AIへ渡す前に整形する

1. 形式の確認 … PDFまたは画像（JPEG、PNG、BMP、TIFF、HEIF）であることを確かめます
2. ページ数とサイズの確認 … PDFとTIFFは最大2,000ページ、有料（S0）のレベルで500MBまでです。1人分ごとに分けて入れます
3. 画像の大きさの確認 … 50×50ピクセルから10,000×10,000ピクセルの間である必要があります
4. 文字の大きさの確認 … 抽出する文字の最小の高さは、1024×768の画像で12ピクセルで、150dpiで約8ポイントの文字に当たります
5. ロックの解除 … パスワードで保護されたPDFは、送る前に解除する必要があります
6. 1人分ずつに分ける … まとめてスキャンされたものは、ページの区切りで分けます

4番目を軽く見ないでください。 手書きの小さな字で枠いっぱいに書かれた自己PRは、スキャンの解像度が低いと、字がつぶれて読めなくなります。 スキャンは300dpiを既定にします。

写真の欄は、台帳に移しません。 様式に顔写真の欄がある企業では、レイアウトモデルが写真を図として返すことがあります。生成AIに渡すのは行の文字とキーと値の組だけにし、図の領域は渡しません。 写真が必要かどうかは企業の選考の側で決めることで、台帳の項目にはしません。

2ページの様式は、ページの順を確かめます。 裏表を逆にスキャンすると、自己PRの続きが志望動機の欄に流れ込むことがあります。1ページ目に氏名の欄の見出しが無ければ、ページの順を入れ替えて読み直します。

読み取りの言語は指定しません。 公式の案内では、言語が確かでない限り言語コードを指定しないよう勧めています。英語の資格名やアルファベットの学部名が混ざる欄があるためです。

AIに処理させる

させるのは、OCRの結果から項目定義の欄ごとに値を写し、根拠にした行番号を返すことだけです。

文章の欄では、OCRの誤りと応募者の誤字を区別できません。 だからこそ、どちらも直させません。 直すのは原本を見た担当者だけで、low_confidence の語に限ります。

3行目がいちばん起きやすい失敗です。 生成AIは、文脈から自然な語を当てはめるのが得意です。当てはめた語は読みやすく、誤りに気づきにくい。 第3章の（b）を機械が大量に起こすことになります。

指示内容を固定する

あなたは採用代行の会社で、手書きのエントリーシートを応募者台帳に
転記する立場です。OCRの読み取り結果だけを使ってください。
書かれていないことを補わないでください。

【項目定義】{field_definitions}
  各欄の field_id、見出しの別名、必須かどうか、台帳の列名

【台帳に移さない欄】{excluded_fields}
  家族、本籍・出生地、住宅の状況、生活環境・家庭環境、宗教、支持政党、
  人生観・生活信条、尊敬する人物、思想、労働組合・学生運動などの社会運動、
  購読新聞・雑誌・愛読書 に関わる欄

【厳守事項】
- 値は読み取り結果の文字をそのまま写してください。
  誤字、送り仮名、句読点、改行の位置を直さないでください。
- 文章を要約したり、言い換えたりしないでください。
- 読み取り結果で文字が欠けている箇所は ［判読不能］ と書いてください。
  前後の文脈から語を推測して埋めないでください。
- 略称を正式名称に直さないでください（例：「〇〇大」を「〇〇大学」にしない）。
- 電話番号やメールアドレスの数字・記号を足したり直したりしないでください。
- 欄の見出しが見つかったが値が無いときは value を null にし、
  heading_found を true にしてください。
- 欄の見出しが見つからないときは heading_found を false にしてください。
- 台帳に移さない欄に当たる見出しがあれば、値を写さず、
  excluded_headings に見出しだけを書いてください。
- 応募者の評価や印象を書かないでください。
- 各欄に、根拠にした行番号 line_ids を必ず付けてください。

【読み取り結果（行番号・行の文字・手書きかどうか）】{ocr_lines}
【キーと値の組】{key_value_pairs}

「誤字を直さない」と「推測で埋めない」を分けて書いているのは、別々に破られるからです。 誤字を直さないとだけ書くと、欠けた字を文脈で埋めます。埋めないとだけ書くと、送り仮名をそろえます。 どちらも、原本と台帳がずれる点では同じです。

台帳に移さない欄を「値を写さず、見出しだけ」としているのは、様式の見直しの材料にするためです。 見出しが残れば、どの企業の様式のどの欄に問題があるかが分かります。

出力形式を固定する

次の形のJSONで受け取ります。 Azure OpenAI の構造化出力で、このスキーマに従わせます。

{
  "company_id": "",
  "fields": [
    { "field_id": "", "heading_found": true,
      "value": null, "line_ids": [0] }
  ],
  "excluded_headings": [],
  "document_type": "entry_sheet | other"
}

構造化出力では、すべての項目を必須にし、省略したいものは null との共用体型で表します。 オブジェクトには additionalProperties: false が必要です。value を null にできる型にしておくと、「見出しはあるが値が無い」を機械で拾えます。

状態は、中継の処理が規則で付けます。 AIが返した line_ids の単語の信頼度から、欄ごとの最小の信頼度を計算します。

しきい値は、最初の1か月で決めます。 担当者が直した語の信頼度を集め、直さずに済んだ語と直した語が分かれる値を探します。最初から決め打ちにしません。

document_type が other のものは、台帳に入れません。 同封された送付状や成績証明書が混ざることがあるためです。

システムへ連携する

企業の採用管理のシステムへは、確定したCSVしか渡しません。 担当者の確認が済むまで、台帳は変わりません。企業ごとに取り込みの列名と文字コードが違うので、CSVの書き出しは項目定義の表に合わせます。

記入漏れの一覧は、企業の採用担当に渡すだけにします。 応募者へ直接連絡するかどうかは、企業が決めます。採用代行の会社から応募者へ連絡してよい範囲は、委託の契約で決まっているからです。

人が確認する

人が開くのは、low_confidence と not_found の欄を含むものだけです。 filled だけのものは、氏名と学校の一覧で流し見て確定します。

1. not_found を先に見る … 欄の見出しが別名に無かったか、様式が変わったかです。多くは項目定義に別名を足して解決します
2. low_confidence の語を原本で直す … 色の付いた語だけを、原本の画像と並べて直します
3. 記入漏れの一覧を確かめる … blank が本当に空欄かを、原本で目で確かめます
4. 台帳に移さない欄があった企業を記録する … 企業ごとにまとめて、様式の見直しの連絡に使います

3番目を省かないでください。 blank は、そのまま企業から応募者への確認の連絡になります。薄い鉛筆の字や、欄の外にはみ出して書かれた文章が blank と出ることがあります。

確認の画面は、左に原本の画像、右に台帳の下書きを並べます。 low_confidence の語を選ぶと、OCRが返した位置の情報から原本の該当の箇所に枠が付きます。目で字を探す時間を省くための作りで、直した語はその場で記録に残ります。

文章の欄を全部読み直さないでください。 色の付いた語だけを見る運用にしないと、第10章の2分には収まりません。

例外に対処する

上から5行目は、毎年の様式の改訂の時期に起きます。 企業が卒業年度ごとに様式を変えると、欄の見出しが変わります。not_found の件数を企業ごとに毎週見ていれば、改訂に最初の数枚で気づけます。

記録を残す

• 元のエントリーシートのファイルと、受付日・経路・企業ID
• OCRが返したJSONの全文
• 生成AIの出力と、中継の処理が付けた状態
• 担当者が直した語と、その語の信頼度
• 記入漏れとして企業に伝えた欄と、その日時
• 台帳に移さなかった欄の見出しと、企業に伝えた日時

4つ目は、しきい値を決め直す材料になります。 直した語の信頼度が、しきい値の近くに集まっているなら、しきい値は妥当です。しきい値よりずっと高い語を直しているなら、しきい値を上げます。

元のファイルとOCRの結果をいつ消すかは、委託の契約に合わせます。 応募者の個人情報なので、選考が終わった後に企業へ返すか消すかを、受託の時点で決めておきます。