履歴書PDFで、表示と抽出文字が食い違う

PDF（ページの見た目を保って保存・共有できる文書形式）では、人が見るページと機械が抽出するテキストが一致しない場合があります。例えば、人が見たページにはない技能名が抽出文字に混ざると、AI（人工知能）の要約や照合が、人が確認した文書と異なる内容を根拠にする可能性があります。これは表示と抽出文字の不一致から考えられる潜在的な問題です。原論文は、この要約や照合の実際の出力への影響を測定していません。

著者らは、履歴書PDFのページ画像と機械が抽出したテキストの差を調べました。研究対象は、採用支援サービスhireEZ由来の履歴書196,682件です。著者らは、この資料を、個人を特定できる情報を除いた履歴書だと説明しています。[2, 3]

研究では、AIへの命令文だけでなく、隠した技能などを抽出テキストに加える「データ注入」も扱いました。注入ありと分類された履歴書のうち、データ注入に分類された割合は、候補者照合機能のApplicant Matchで90.5%、ATS（採用管理システム）で95.7%でした。この数値は、抽出テキストに加えられた隠し情報を対象とする研究上の分類結果です。[4]

論文は2026年5月27日に初版が投稿され、会議版は第35回USENIX Security Symposium 2026に掲載されました。研究は注入の存在と分類を調べたもので、実際に採用結果が変わったかは評価していません（原論文の限界の説明）。[1]

文字の内容だけでは、表示状態が分からない

ページ画像を目視する方法では、白字や極小文字など、画面上で見えにくい文字を見落とすことがあります。一方、通常のPDF文字抽出では、機械が読める隠し文字も取り出される場合があります。抽出結果だけでは文字が紙面に表示されていたか分からないため、ページ画像との照合が必要です。[5, 6]

明示的な命令文を探す検出器にも限界があります。技能名のような語列は、文字だけでは通常の履歴書記載と区別しにくいためです。研究では、一般的なテキスト検出器3方式をApplicant Match由来の1万件で比較しました。この結果は、選んだ方式と標本に対する評価です。[7, 8]

HCDとVDAは、何を組み合わせるのか

著者らは、視覚規則とAIの分類を段階的に組み合わせるHCD（Hybrid Cascade Detector）を提案しました。まずHCDは、PDF内の文字サイズや色などの視覚属性を規則で調べ、候補を絞ります。次にHCDは、候補の抜粋を文章を扱う大規模言語モデル（LLM）へ渡し、PDF変換などで残った無害な文字情報か、選考を操作する意図のある内容かを分類します。[9]

HCDは検出箇所も示します。文書を確認する人は、報告位置に文字が実在するか、ページ画像でどの内容が見えるかを抽出文字と照合できます。[9] 以下では、こうした表示状態の確認と、読み上げなどのための正当な補助文字の用途を分けて説明します。

もう一つの方式は、表示と抽出文字の差を調べるVDA（Visual Discrepancy Analyzer）です。VDAは、PDFのページ画像と機械抽出テキストを、画像と文章を扱う視覚言語モデル（VLM）に渡します。VDAは画像には見えない抽出文字を探し、疑わしい抜粋と理由を返します。[10]

比べる点HCDVDA
最初に調べる情報PDF内の文字の視覚属性ページ画像と抽出全文
AIへ渡す内容規則で絞った候補抜粋全文と全ページ画像
確認する観点候補が操作を狙う内容か、無害な残骸か表示と抽出内容の差と、その意味

HCDは候補抜粋をLLMへ渡し、VDAは文書全体の画像と文字を照合します。速度と費用の比較は、論文でGPT-5を用いた構成での測定です。別のモデルや環境では、同じ値になるとは限りません。[22]

不可視の文字には、正当な用途と誤検知がある

Web標準を策定する団体のW3Cが示すPDF7は、OCR（画像から文字を認識する処理）でスキャン画像の文字を読み取り、検索や読み上げに使える文字データにする技法例です。例示された手順には、誤認識の修正、文書構造を示すタグの付与、読み上げや文字の読み順の確認も含まれます。[23]

Adobeの公式文書も、OCRで認識が不確かな語について、元画像を表示したまま、検索可能な文字をその背後に置く場合があるとしています。[24]

W3CのPDF1（画像に代替説明を付ける技法例）は、画像の代替テキスト（Alt）が読み上げに使われ、画像と同じ意味を伝えるものだと説明しています。[25, 26] 表示とは別の文字情報を持つことには、こうした用途があります。OCRやAltの文字があるだけでは、研究の誤検知例と同じものだとは判断できません。

原論文で報告された誤検知（問題のない文字を注入ありと誤判定すること）には、装飾文字、変換ツールの透かし、テンプレートの残骸が含まれます。VDAでは、実際には見えている文字を隠れていると報告する誤りもありました。論文は、OCRやAltが誤検知を生んだとは明記していません。[11, 12]

研究紹介で著者は、分析した履歴書から応募者の悪意を推定していないと述べています。著者は、一部の応募者が隠し文字入りのテンプレートを知らずに使った可能性があるとも説明しています。研究対象は文書の注入であり、候補者の能力そのものを評価した研究ではありません（原論文の研究範囲）。[27]

適合率は、標本からの推定

この評価の「標本」は、資料の一部を選んで確認した文書の集合です。適合率は、検出文書のうち研究上の注入条件を満たす文書の割合です。再現率は、注入が存在する文書をどれだけ検出できたかを示します。HCDの86.1%、VDAの92.7%は適合率の推定値です。[15]

評価対象は、Applicant Matchの履歴書のうち、HCDとVDAが有効な結果を返した62,029件です。研究者は、両方式の判定が一致した群と分かれた群から標本を選び、群の規模で重み付けして適合率を推定しました。全196,682件や、各方式が注入ありと判定した全件を人手で確認した結果ではありません。[13, 15]

両方式が注入ありとした517件から確認した100件は、すべて研究上の注入の条件を満たしました。一方、両方式が注入なしとした61,151件から確認した100件では、注入は見つかりませんでした。両方式が注入なしとした群は全件確認されていないため、この標本だけでは見逃しゼロや正確な再現率を確定できません。[14, 16]

VDAは全文と全ページ画像を一度の要求で比較する構成です。著者らは、20ページを超えるPDFなどで処理が制限時間を超える状態（タイムアウト）が起きやすいと報告しています。評価できた文書は全資料の一部です。有効な結果がない文書を「問題なし」と読むことはできません。[21]

約1%が示すことと、示さないこと

研究対象は、Applicant Matchの83,277件と複数企業のATS由来113,405件を合わせた196,682件です。HCDが注入ありと判定したのは2,030件で、約1%に当たります。資料別の検出割合はApplicant Matchで1.19%、ATSで0.91%でした。[2, 17]

この約1%は検出器の判定に基づく割合です。誤検知もあり、全例を人手で確定した率ではありません。著者は、両方式が注入なしと判定した群を全件確認できていないことを踏まえ、約1%を控えめに見積もった下限として位置付けています。資料は単一プラットフォーム由来のため、全応募者や日本の採用現場の割合には一般化できません。[18, 19, 20]

研究が示すのは、機械が抽出する文字と人が見る表示を照合する検証方法です。検出割合や適合率は、研究対象と評価方法に沿って読む必要があります。