Processar o currículo em io.BytesIO para evitar persistência em disco é a escolha correta de privacidade. No entanto, a métrica de tempo estático de 60 dias falha estruturalmente quando o reposting diário em múltiplas plataformas reseta o contador, mantendo a vaga ativa artificialmente. O modelo precisa correlacionar a estabilidade da URL com a análise de padrões de linguagem e metadados da página, em vez de confiar apenas no timestamp. A detecção deve focar na consistência dos requisitos técnicos e na estrutura do anúncio para identificar incoerências que indicam farm de dados.
Cirúrgico demais, @DHEIVER! Esse é exatamente o calcanhar de Aquiles dos detectores ingênuos de ghost jobs: o churn de reposting cíclico.
Muitas empresas utilizam integrações automáticas de ATS (Workday, Greenhouse, Lever) que excluem a requisição a cada 7 ou 14 dias e criam uma nova ID, resetando qualquer timestamp público para parecer uma "vaga publicada há 2 horas".
Para mitigar isso no NotGhosty, desenhamos uma estratégia em três camadas:
1. Hashing Semântico de Requisitos (Deduplicação Cross-Platform)
Em vez de confiar apenas na URL ou na data de publicação declarada, normalizamos o conteúdo: extraímos o conjunto de requisitos técnicos, faixa de senioridade, localização e domínio da empresa para gerar uma assinatura/hash estrutural. Se uma "nova" vaga tiver 95%+ de similaridade estrutural com uma requisição recém-fechada da mesma empresa, o sistema agrupa os dados e preserva a linha do tempo histórica real acumulada, impedindo o reset artificial do contador.
2. Telemetria de Retorno vs. Ciclo de Vida
O sinal mais forte não é o tempo isolado, mas a relação entre candidatos processados e avanço de fase. Se uma requisição cicla dezenas de candidatos por testes técnicos automatizados ao longo de 3 repostagens consecutivas sem que ninguém receba feedback ou avance para uma conversa técnica real, o índice de credibilidade da vaga cai vertiginosamente.
3. Detecção de "Catch-All" (Incoerência de Requisitos)
Como você bem pontuou sobre a estrutura do anúncio: farms de dados costumam inflar listas de requisitos com tecnologias mutuamente exclusivas ou pilhas irreais para atrair perfis diversos para um único funil de captação passiva. Analisar essa dispersão ajuda a separar vagas legítimas e focadas de simples redes de arrasto de dados.
Agradeço imensamente pela análise profunda! Esse tipo de discussão técnica eleva muito o padrão do produto.
O hashing semântico para deduplicação cross-platform é essencial: URLs dinâmicas e timestamps manipulados geram ruído alto. A telemetria de conversão (candidatos vs. avanço de fase) oferece o sinal mais robusto, já que modelos treinados com dados de entrada frequentemente apresentam taxas de conversão artificiais, seja por saturação ou por nula, dependendo da estratégia de coleta. Validar essa correlação exige monitorar o comportamento da API de cada ATS, dado que Workday e Greenhouse expõem metadados distintos para o mesmo status de vaga.