CN107730083A - 对象的能力量化方法及装置 - Google Patents

Abstract

本发明提供了一种对象的能力量化方法及装置，涉及数据自动化处理技术领域。一种对象的能力量化方法，包括如下步骤：构建能力量化指标模型，所述能力量化指标至少包括基本数据和技能数据；采集对象的个人信息数据，对前述个人信息数据进行拆分，获取基本数据项和技能数据项；将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值；对前述各项评价值进行数据处理后，获得该对象的得分值作为该对象的量化值。本发明使得用户可以快速了解对象的能力，进而可以根据量化结果对该对象进行任务分配，提高了资源的利用效率。

Description

对象的能力量化方法及装置

技术领域

本发明涉及数据自动化处理技术领域。

背景技术

当前，在自动化项目中，通常希望在任务执行的时候能够实现自动化，让系统自动完成各项任务的分配和任务进程记录。自动化要求减少甚至没有人为干预，从而可以节省人力。自动化项目的主线依据任务，包括：任务的产生，任务的分配，任务的调度，任务的执行，直到任务的完成。在自动化项目中，任务的分配调度显得尤为重要。任务的分配通常要求满足基本分配原则，对承接任务的对象分配符合该对象任务。但该过程往往通过人工操作完成，需要用户主动选择任务的执行者后，再向任务执行者布置任务，操作繁琐，导致任务的分配效率难以提升。

资源的使用效率情况备受人们关注。现有的一种资源分配方案是为设备或人员分配固定数量的任务；或者，用户在确定任务后，衡量设备或人员的能力，通过人工选择适配的设备或人员来执行前述任务。上述资源分配方案增加了用户的工作量，且分配效率较低。

现有的人才能力评价模型，通常是以层次分析法为基础，聘请相关专家对人才评价指标进行评定，在建立评价模型时通过确定各指标权重得出人才评价结果，这是线性评价模型。存在如下缺点：一方面聘请行业内经验丰富的专家对指标进行评定，成本较高，且效率低，周期长。另一个方面，这种方法不够客观，专家评定具有一定主观性，导致模型准确度不够理想。

因此，现在亟需一种对用户的设备或人员的能力进行量化的方法，使得用户可以快速知晓设备或人员的能力，进而可以根据量化结果对该设备或人员进行自动的任务分配，进一步，还能够使得用户已有的设备或人力资源得到合理利用。

发明内容

本发明的目的在于：克服现有技术的不足，提供一种对象的能力量化方法及装置。本发明对对象的能力进行量化，使得用户可以快速知晓设备或人员的能力，进而可以根据量化结果对该设备或人员进行任务分配，进一步还能够使得用户已有的设备或人力资源得到合理利用，提高了资源的利用效率。

为实现上述目标，本发明提供了如下技术方案。

一种对象的能力量化方法，包括如下步骤：

构建能力量化指标模型，所述能力量化指标至少包括基本数据和技能数据；

采集对象的个人信息数据，对前述个人信息数据进行拆分，获取基本数据项和技能数据项；

将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值；

对前述各项评价值进行数据处理后，获得该对象的得分值作为该对象的量化值。

进一步，所述量化值通过体积进行计量，体积的数量大小代表量化值的大小。

进一步，所述能力量化指标还包括评价数据，在对前述个人信息数据进行拆分时获取评价数据项，将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的评价数据评价值，对基本数据评价值、技能数据评价值和评价数据评价值进行数据处理后，获得该对象的量化值。

进一步，所述对象为自然人或智能机器。

进一步，所述基本数据包括籍贯信息、年龄信息、面貌信息、性别信息、教育信息、职位信息、职务级别信息中的一种或多种。

进一步，所述技能数据包括行业信息、专业信息、职业经历信息、项目经验信息、培训信息、专业技术资格信息、职称信息和实例答辩信息、成果信息中的一种或多种。

进一步，所述评价数据包括自我评价信息、业绩同行评议信息、上级评价信息、素质笔试信息、性格测试信息和考勤数据中的一种或多种。

进一步，对前述各项打分进行数据处理的方式为，根据各项能力量化指标的权重，将前述各项打分乘以其对应的权重后累加求和或乘积。

进一步，所述能力量化指标还包括社交数据，所述社交数据包括通信联系人信息、网站访问历史信息、通信交互信息和文件传输信息中的一种或多种。

优选的，采集该对象的通信联系人信息，判定是否具有该对象所属行业的领军人才，判定具有的情况下，提高社交数据在量化时所占的权重。

进一步，获得该对象的得分值后，基于得分值与能力级别的映射关系，获取该对象的能力级别，并生成与该能力级别对应的能力核验测试，对该对象进行能力实际核验。

本发明还提供了一种对象的能力量化装置，包括如下结构：

模型构建模块，用以构建能力量化指标模型，所述能力量化指标至少包括基本数据和技能数据；

信息采集模块，连接模型构建模块，用以采集对象的个人信息数据，对前述个人信息数据进行拆分，获取基本数据项和技能数据项；

打分模块，连接信息采集模块和模型构建模块，用以将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值；

量化模块，对前述各项评价值进行数据处理后，获得该对象的得分值作为该对象的量化值。

本发明由于采用以上技术方案，与现有技术相比，作为举例而非限定，具有以下的优点和积极效果：对用户的设备或人员的能力进行量化，使得用户可以快速知晓设备或人员的能力，进而可以根据量化结果对该设备或人员进行任务分配；进一步，还能够使得用户已有的设备或人力资源得到合理利用，提高了资源的利用效率。

附图说明

图1为本发明实施例提供的对象的能力量化方法的流程图。

图2为本发明实施例提供的能力量化过程的数据传输图。

图3为本发明实施例提供的通过体积计量能力量化值的示例图。

图4为本发明实施例提供的能力量化指标模型中的量化指标的信息示例图。

图5为本发明实施例提供的能力量化装置的模块结构图。

图中标号如下：

能力量化装置100，模型构建模块110，信息采集模块120，打分模块130，量化模块140。

具体实施方式

以下结合附图和具体实施例对本发明提供的对象的能力量化方法及装置作进一步详细说明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。

需说明的是，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定发明可实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在不影响发明所能产生的功效及所能达成的目的下，均应落在发明所揭示的技术内容所能涵盖的范围内。本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

实施例

参见图1所示，一种对象的能力量化方法，包括如下步骤：

S100，构建能力量化指标模型，所述能力量化指标至少包括基本数据和技能数据。

首先，构建能力量化指标模型。所述能力量化指标模型，可以包括有能力量化指标名称信息、各指标的评分规则信息；针对各能力量化指标，还可以包括有该指标的多级子指标，以及各级子指标的评分规则信息。

所述能力量化指标是值能够度量对象的能力的指标数据。本实施例中，所述能力量化指标至少包括基本数据和技能数据。

所述基本数据包括常用人口统计学信息、教育信息和职业信息。所述人口统计学信息具体可以包括性别、年龄、籍贯、血型、面貌信息、体型信息等；所述教育信息具体可以包括学历、毕业院校等；所述职业信息具体可以包括工龄、职位信息、职务级别等。优选的，本实施例中，所述基本数据信息包括籍贯信息、年龄信息、面貌信息(比如五官信息、面部图像信息)、性别信息、教育信息、职位信息、职务级别信息中的一种或多种。

所述技能数据为能够体现对象技能的相关数据。本实施例中，所述技能数据包括行业信息、专业信息、职业经历信息、项目经验信息、培训信息、专业技术资格信息、职称信息和实例答辩信息、成果信息中的一种或多种。所述成果信息，可以包括获奖信息、论文发表信息、知识产权拥有信息等。

在能力量化指标模型中，针对各量化指标，设置对应的评分规则。具体实施时，用户既可以选择模型中预设的人才评分标准作为默认的评分规则；也可以结合行业的行业人才评分标准、公司的人才评分标准和/或公司主管层的人才评分标准设置个性化的评分规则。

以基本数据为例，该量化指标的人才评分标准，作为举例而非限制，比如可以是根据年龄和工龄将对象评分为专家级别(在五分制中评分为5分)、高级级别(在五分制中评分为4分)、中级级别(在五分制中评分为3分)、初级级别(在五分制中评分为2分)和新手级别(在五分制中评分为1分)；又比如，以基本数据中的教育信息对对象进行评分，可以将博士学位评分为最高(在五分制中评分为5分)，硕士学位为较高(在五分制中评分为4分)，将本科学位评分为中等(在五分制中评分为3分)，将专科学位评分为初等(在五分制中评分为2分)等等。

以技能数据为例，该量化指标的人才评分标准，作为举例而非限制，比如可以是根据对象的专业技术资格信息进行评分，将高级职称评分为最高(在五分制中评分为5分)，中级职称评分为较高(在五分制中评分为4分)，将初级职称评分为中等(在五分制中评分为3分)等等。

S200，采集对象的个人信息数据，对前述个人信息数据进行拆分，获取基本数据项和技能数据项。

获取待评估对象的个人信息数据。所述个人信息数据，作为举例而非限制，比如可以是该待评估对象的简历信息，或者该待评估对象的自我介绍信息，或者该待评估对象的同行评议信息等，或者前述信息中的多种。

对前述个人信息数据进行数据拆分，获取各指标项相关数据，参见图2所示，根据指标项，将对象的个人信息数据拆分了数据项1、数据项2、数据项3、数据项4等等。本实施例中，所述数据项具体为基本数据项和技能数据项。

作为举例而非限制，比如获取待评估对象李丽的简历后，对李丽的简历进行拆分，获取李丽的基本数据项，包括年龄、性别、教育信息、职位信息；以及李丽的技能数据项，包括专业信息、职业经历信息、成果信息。

S300，将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值。

继续参见图2所示，对于拆分后的数据项，输入能力量化指标模型后，获取各数据项评价值。

所述的评价值，是指根据各量化指标对应的评分规则，基于该对象的量化指标项信息获得的评价值。作为举例而非限制，所述评价值可以是分值制(比如5分制，对应的分值可以为1至5中的任一数值)，也可以是等级制(比如5等制，对应的分值可以为1等至5等中的任一等级，或者A、B、C、D、E中的任一等级)。

S400，对前述各项评价值进行数据处理后，获得该对象的得分值作为该对象的量化值。

继续参见图2所示，对各数据项评价值进行数据处理后，获得该对象的得分值，所述得分值即作为该对象的能力量化值。

本实施例中，对前述各项打分进行数据处理的方式，优选为根据各项能力量化指标的权重，将前述各项打分乘以其对应的权重后累加求和或乘积。

作为举例而非限制，以累加求和方式为例，比如李丽的基本数据项评价值为50分，技能评价项评价值为30分，预设的基本数据项的权重为0.4，技能评价项的权重为0.6，则李丽的得分值为50×0.4+30×0.6＝38分，将该得分值38分作为李丽的能力量化值。

本实施例中，所述进行能力量化的对象可以为自然人，也可以为智能机器。作为举例而非限制，所述对象可以是公司职员，也可以是智能打印机、智能清扫机器人等装置。

本实施例的另一实施方式中，所述量化值通过体积进行计量，体积的数量大小代表量化值的大小。

参见图3所示，在采集对象的个人信息数据后，对前述个人信息数据进行拆分，获取各指标数据项；将拆分后获取的数据项在已构建的能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值；对前述各项评价值进行数据处理后，获得该对象的得分值作为该对象的量化值，所述量化值为体积值，比如图3中示例的标识为5的立方体。采用上述技术方案的优点在于，用户通过查看对象对应的体积大小，即可知晓该对象的能力量化值大小，相对于等级量化值或数值量化值，更简洁直观。

本实施例的另一实施方式中，所述能力量化指标还包括评价数据和社交数据，参见图4所示。

具体的，在对前述个人信息数据进行拆分时还需获取评价数据项和社交数据项；将拆分后获取的数据项在能力量化指标模型中进行比对，还需获取该对象的评价数据评价值和社交数据评价值；然后，对基本数据评价值、技能数据评价值、评价数据评价值和社交数据评价值进行数据处理后，获得该对象的量化值。

作为举例而非限制，比如李丽的基本数据项评价值为20，技能评价项评价值为30，评价数据评价值为30，社交数据评价值为10，预设的基本数据项的权重为0.2，技能评价项的权重为0.5，评价数据项的权重为0.2，社交数据项的权重为0.1，则李丽的得分值为20×0.2+30×0.5+30×0.2+10×0.1＝22，量化值通过体积进行计量，则李丽的能力量化值为22个单位体积。

所述评价数据可以包括自我评价信息、业绩同行评议信息、上级评价信息、素质笔试信息、性格测试信息和考勤数据中的一种或多种。

所述社交数据可以包括通信联系人信息、网站访问历史信息、通信交互信息和文件传输信息中的一种或多种。优选的，采集该对象的通信联系人信息，判定是否具有该对象所属行业的领军人才，判定具有的情况下，提高社交数据在量化时所占的权重。作为举例而非限制，比如预设的社交数据项的权重为0.1，而通过采集李丽的通信联系人，发现李丽所属行业的领军人才李某为李丽的常用联系人，则可推定李丽具有行业有效社交；针对对象具有有效社交的情形，在计算该对象的能力量化值时，可以提高社交数据项的权重，比如将权重从0.1提高至0.2。

本实施例的另一实施方式中，获得该对象的得分值后，基于得分值与能力级别的映射关系，获取该对象的能力级别，并生成与该能力级别对应的能力核验测试，对该对象进行能力实际核验。进一步，还可以根据该能力核验测试的成绩，调整前述该对象的得分值，使得该对象的能力量化值更准确。

参见图5所示，为本发明的另一实施例，提供了一种对象的能力量化装置。

所述能力量化装置100包括模型构建模块110，信息采集模块120，打分模块130和量化模块140。

所述模型构建模块110，用以构建能力量化指标模型，所述能力量化指标至少包括基本数据和技能数据。

所述信息采集模块120，连接模型构建模块110，用以采集对象的个人信息数据，对前述个人信息数据进行拆分，获取基本数据项和技能数据项。

所述打分模块130，连接信息采集模块120和模型构建模块110，用以将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值。

所述量化模块140，对前述各项评价值进行数据处理后，获得该对象的得分值作为该对象的量化值。

所述模型构建模块110为该能力量化装置的初始化模块，用以采集用户设置的能力量化指标名称信息，以及各指标的评分规则信息；针对各能力量化指标，还可以包括有该指标的多级子指标，以及各级子指标的评分规则信息。根据的采集的前述信息，构建出能力量化指标模型。

所述能力量化指标是值能够度量对象的能力的指标数据。本实施例中，所述能力量化指标至少包括基本数据和技能数据。

所述基本数据包括常用人口统计学信息、教育信息和职业信息。所述人口统计学信息具体可以包括性别、年龄、籍贯、血型、面貌信息、体型信息等；所述教育信息具体可以包括学历、毕业院校等；所述职业信息具体可以包括工龄、职位信息、职务级别等。优选的，本实施例中，所述基本数据信息包括籍贯信息、年龄信息、面貌信息(比如五官信息、面部图像信息)、性别信息、教育信息、职位信息、职务级别信息中的一种或多种。

所述技能数据为能够体现对象技能的相关数据。本实施例中，所述技能数据包括行业信息、专业信息、职业经历信息、项目经验信息、培训信息、专业技术资格信息、职称信息和实例答辩信息、成果信息中的一种或多种。所述成果信息，可以包括获奖信息、论文发表信息、知识产权拥有信息等。

在能力量化指标模型中，针对各量化指标，设置对应的评分规则。具体实施时，用户既可以选择模型中预设的人才评分标准作为默认的评分规则；也可以结合行业的行业人才评分标准、公司的人才评分标准和/或公司主管层的人才评分标准设置个性化的评分规则。

以基本数据为例，该量化指标的人才评分标准，作为举例而非限制，比如可以是根据年龄和工龄将对象评分为专家级别(在五分制中评分为5分)、高级级别(在五分制中评分为4分)、中级级别(在五分制中评分为3分)、初级级别(在五分制中评分为2分)和新手级别(在五分制中评分为1分)；又比如，以基本数据中的教育信息对对象进行评分，可以将博士学位评分为最高(在五分制中评分为5分)，硕士学位为较高(在五分制中评分为4分)，将本科学位评分为中等(在五分制中评分为3分)，将专科学位评分为初等(在五分制中评分为2分)等等。

以技能数据为例，该量化指标的人才评分标准，作为举例而非限制，比如可以是根据对象的专业技术资格信息进行评分，将高级职称评分为最高(在五分制中评分为5分)，中级职称评分为较高(在五分制中评分为4分)，将初级职称评分为中等(在五分制中评分为3分)等等。

所述信息采集模块120，用以采集对象的个人信息数据，对前述个人信息数据进行拆分，获取基本数据项和技能数据项。

所述个人信息数据，作为举例而非限制，比如可以是该待评估对象的简历信息，或者该待评估对象的自我介绍信息，或者该待评估对象的同行评议信息等，或者前述信息中的多种。

对前述个人信息数据进行数据拆分，获取各指标项相关数据，本实施例中，具体为基本数据项和技能数据项。

作为举例而非限制，比如通过信息采集模块120获取待评估对象李丽的简历后，对李丽的简历进行拆分，获取李丽的基本数据项，包括年龄、性别、教育信息、职位信息；以及李丽的技能数据项，包括专业信息、职业经历信息、成果信息。

通过打分模块130将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值。

所述的评价值，是指根据各量化指标对应的评分规则，基于该对象的量化指标项信息获得的评价值，所述评价值可以是分值制(比如5分制，对应的分值可以为1至5中的任一数值)，也可以是等级制(比如5等制，对应的分值可以为1等至5等中的任一等级，或者A、B、C、D、E中的任一等级)。

通过量化模块140对各数据项评价值进行数据处理后，获得该对象的得分值，所述得分值即作为该对象的能力量化值。

本实施例中，对前述各项打分进行数据处理的方式，优选为根据各项能力量化指标的权重，将前述各项打分乘以其对应的权重后累加求和或乘积。

作为举例而非限制，比如李丽的基本数据项评价值为50分，技能评价项评价值为30分，预设的基本数据项的权重为0.4，技能评价项的权重为0.6，则李丽的得分值为50×0.4+30×0.6＝38分，将该得分值38分作为李丽的能力量化值。

本实施例中，所述进行能力量化的对象可以为自然人，也可以为智能机器。作为举例而非限制，所述对象可以是公司职员，也可以是智能打印机、智能清扫机器人等装置。

所述量化值还可以通过体积进行计量，体积的数量大小代表量化值的大小。采用上述技术方案的优点在于，用户通过查看对象对应的体积大小，即可知晓该对象的能力量化值大小，相对于等级量化值或数值量化值，更简洁直观。

本实施例的另一实施方式中，所述能力量化指标还可以包括评价数据和社交数据。

所述评价数据可以包括自我评价信息、业绩同行评议信息、上级评价信息、素质笔试信息、性格测试信息和考勤数据中的一种或多种。

所述社交数据可以包括通信联系人信息、网站访问历史信息、通信交互信息和文件传输信息中的一种或多种。优选的，采集该对象的通信联系人信息，判定是否具有该对象所属行业的领军人才，判定具有的情况下，提高社交数据在量化时所占的权重。

本实施例中，所述能力量化装置100还可以包括能力核验模块。能力核验模块用以在获得该对象的得分值后，基于得分值与能力级别的映射关系，获取该对象的能力级别，并生成与该能力级别对应的能力核验测试，对该对象进行能力实际核验。

优选的，所述能力量化装置100还可以包括量化值调整模块，其连接能力核验模块。量化值调整模块用以根据前述能力核验测试的成绩，调整前述该对象的得分值。如此，使得该对象的能力量化值更准确。

其他技术特征可参见在前实施例中的描述，不再赘述。

在上面的描述中，虽然本公开内容的各方面的所有组件可以被解释为被装配或被操作地连接为一个单元或模块，但是本公开内容并不旨在将其自身限于这些方面。而是，在本公开内容的目标保护范围内，各组件可以以任意数目选择性地且操作性地进行合并。这些组件中的每个组件自身还可以实现成硬件，同时各个组件可以部分地合并或选择性地总体合并且实现成具有用于执行硬件等同体的功能的程序模块的计算机程序。用以构建这种程序的代码或代码段可以由本领域技术人员容易地导出。这种计算机程序可以储存在计算机可读介质中，其可以被运行以实现本公开内容的各方面。计算机可读介质可以包括磁记录介质、光学记录介质以及载波介质。

另外，像“包括”、“囊括”以及“具有”的术语应当默认被解释为包括性的或开放性的，而不是排他性的或封闭性，除非其被明确限定为相反的含义。所有技术、科技或其他方面的术语都符合本领域技术人员所理解的含义，除非其被限定为相反的含义。在词典里找到的公共术语应当在相关技术文档的背景下不被太理想化或太不实际地解释，除非本公开内容明确将其限定成那样。

虽然已出于说明的目的描述了本公开内容的示例方面，但是本领域技术人员应当意识到，上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明的优选实施方式的范围包括另外的实现，其中可以不按所述出或讨论的顺序来执行功能。本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (12)

1.一种对象的能力量化方法，其特征在于包括如下步骤：

构建能力量化指标模型，所述能力量化指标至少包括基本数据和技能数据；

采集对象的个人信息数据，对前述个人信息数据进行拆分，获取基本数据项和技能数据项；

将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值；

对前述各项评价值进行数据处理后，获得该对象的得分值作为该对象的量化值。

2.根据权利要求1所述的方法，其特征在于：所述量化值通过体积进行计量，体积的数量大小代表量化值的大小。

3.根据权利要求1所述的方法，其特征在于：所述能力量化指标还包括评价数据，在对前述个人信息数据进行拆分时获取评价数据项，将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的评价数据评价值，对基本数据评价值、技能数据评价值和评价数据评价值进行数据处理后，获得该对象的量化值。

4.根据权利要求1所述的方法，其特征在于：所述对象为自然人或智能机器。

5.根据权利要求1所述的方法，其特征在于：所述基本数据包括籍贯信息、年龄信息、面貌信息、性别信息、教育信息、职位信息、职务级别信息中的一种或多种。

6.根据权利要求1所述的方法，其特征在于：所述技能数据包括行业信息、专业信息、职业经历信息、项目经验信息、培训信息、专业技术资格信息、职称信息和实例答辩信息、成果信息中的一种或多种。

7.根据权利要求3所述的方法，其特征在于：所述评价数据包括自我评价信息、业绩同行评议信息、上级评价信息、素质笔试信息、性格测试信息和考勤数据中的一种或多种。

8.根据权利要求1所述的方法，其特征在于：对前述各项打分进行数据处理的方式为，根据各项能力量化指标的权重，将前述各项打分乘以其对应的权重后累加求和或乘积。

9.根据权利要求1所述的方法，其特征在于：所述能力量化指标还包括社交数据，所述社交数据包括通信联系人信息、网站访问历史信息、通信交互信息和文件传输信息中的一种或多种。

10.根据权利要求9所述的方法，其特征在于：采集该对象的通信联系人信息，判定是否具有该对象所属行业的领军人才，判定具有的情况下，提高社交数据在量化时所占的权重。

11.根据权利要求1所述的方法，其特征在于：获得该对象的得分值后，基于得分值与能力级别的映射关系，获取该对象的能力级别，并生成与该能力级别对应的能力核验测试，对该对象进行能力实际核验。

12.一种对象的能力量化装置，其特征在于包括：

模型构建模块，用以构建能力量化指标模型，所述能力量化指标至少包括基本数据和技能数据；

信息采集模块，连接模型构建模块，用以采集对象的个人信息数据，对前述个人信息数据进行拆分，获取基本数据项和技能数据项；

打分模块，连接信息采集模块和模型构建模块，用以将拆分后获取的数据项在能力量化指标模型中进行比对，获取该对象的基本数据评价值和技能数据评价值；

量化模块，对前述各项评价值进行数据处理后，获得该对象的得分值作为该对象的量化值。