CN112581037B - 一种多维度人才评价的背景调查方法及其系统 - Google Patents
一种多维度人才评价的背景调查方法及其系统 Download PDFInfo
- Publication number
- CN112581037B CN112581037B CN202011635350.7A CN202011635350A CN112581037B CN 112581037 B CN112581037 B CN 112581037B CN 202011635350 A CN202011635350 A CN 202011635350A CN 112581037 B CN112581037 B CN 112581037B
- Authority
- CN
- China
- Prior art keywords
- talent
- evaluation
- index
- information
- questionnaire
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 231
- 238000011835 investigation Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000013480 data collection Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012797 qualification Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000013278 delphi method Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 6
- 230000007115 recruitment Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多维度人才评价的背景调查方法,包括以下步骤:建立评价指标问卷、筛选指标、形成人才评价指标、建立人才问卷、匹配人才信息和生成人才评价报告。还公开了一种多维度人才评价的背景调查系统,包括建立评价指标问卷模块、筛选指标模块、形成人才评价指标模块、建立人才问卷模块、匹配人才信息模块和生成人才评价报告模块。所述多维度人才评价的背景调查方法及其系统,实现对目标人才的定量评价,同时最大程度避免了人为主观意志的影响,提高了目标人才评价结果的准确性,还能缩短时间和降低成本。
Description
技术领域
本发明涉及人才管理技术领域,特别是一种多维度人才评价的背景调查方法及其系统。
背景技术
传统的背景调查一般通过电话访谈、背景调查函等方式验证目标人才简历中的显性信息和能力、业绩和个性特征等隐性信息。一般以电话寻访为主,电话寻访在调查之前,需要分析、收集、评估目标人才,根据目标人才的简历及岗位特色,设计专用的信息收集流程及问题模板,来验证及挖掘目标人才的显性、隐性信息,并通过第三方证明人,以保证背景调查的顺利实施。
然而这种方式成本高,需要与相关证明人沟通,选择合理的时间,完成背调任务周期较长,且存在被询问者的很多主观因素,导致评价结果不准确,难于直接准确计量。
发明内容
针对上述缺陷,本发明的目的在于提出一种多维度人才评价的背景调查方法及其系统,实现对目标人才的定量评价,同时最大程度避免了人为主观意志的影响,提高了目标人才评价结果的准确性,还能缩短时间和降低成本。
为达此目的,本发明采用以下技术方案:一种多维度人才评价的背景调查方法,包括以下步骤:
A.建立评价指标问卷:首先,利用德尔菲法采集第一轮专家意见,从工作表现、工作能力、工作绩效和重聘用意向共四个评价维度层面构建一级指标;
然后,根据不同岗位的特点及人才需求特点,以一级指标为牵引构造二级指标,得到人才评价初步指标;
最后,根据所述人才初步指标生成评价指标问卷;
B.筛选指标:首先,对所述评价指标问卷进行统计分析并结合所述第一轮专家意见,确定指标内涵;
然后,对所述一级指标和二级指标的重要性进行排序;
最后,筛选出重要性高的人才初步指标作为优化指标;
C.形成人才评价指标:首先,根据所述优化指标生成第二轮评价指标问卷,并通过所述第二轮评价指标问卷采集第二轮专家意见;
然后,根据所述第二轮专家意见对所述第二轮评价指标问卷进行修订和打分,直到所述第二轮专家意见一致;
最后,统计打分结果并通过打分结果确认指标权重,得到人才评价指标;
D.建立人才问卷:首先,结合所述人才评价指标、指标内涵和指标权重得到专家问卷;
然后,根据专家问卷确定评估客体、评估目的和专家评价表;
然后,在所述专家评价表中确定影响所述人才评价指标的因素;
最后,结合所述专家问卷、评估客体、评估目的、专家评价表和影响所述人才评价指标的因素建立目标人才对应的人才问卷;
E.匹配人才信息:首先,通过目标人才的身份标识信息和类型检索得到相符合的显性信息;
然后,通过证明人填写所述人才问卷采集目标人才的评估数据,并记录到问卷数据采集系统,形成问卷信息;
最后,通过关系链数据收集对所述显性信息和问卷信息进行收集,并进行验证,得到验证信息;
F.生成人才评价报告:根据所述显性信息、问卷信息和验证信息,生成人才评价报告。
例如,所述形成人才评价指标中,确认指标权重具体为:
首先,构造比较判断矩阵;
然后,通过所述比较判断矩阵对打分结果进行层次单排序及归一化特征向量;
最后,进行层次总排序及其一致性检验,得到指标权重。
值得说明的是,所述匹配人才信息中,首先,采集目标人才的身份标识信息和类型;
然后,以目标人才的身份标识信息和类型作为关键词分别发送到调查项对应的信息收集端进行检索比对并得到检索结果;
然后,在所述检索结果中提取与目标人才的身份标识信息和类型相符的信息并通过显性信息验证后得到显性信息。
可选地,所述匹配人才信息中,所述关系链数据收集具体为:
首先,根据目标人才和证明人的打开网页行为,获取产生点击行为链接所对应的关系链数据;
然后,基于所述关系链数据对应的目标人才和/或证明人之间的设备特征、点击链路和浏览行为特征形成特定行为数据;
最后,向反作弊系统发送所述目标人才和/或证明人的特定行为数据,所述反作弊系统的规则引擎通过逻辑及数据分离识别作弊用户,得到作弊特征。
具体地,所述生成人才评价报告具体为:
首先,根据所述显性信息、问卷信息和验证信息,得到目标人才评价数据的特征数据库;
然后,将所述特征数据库载入人才评价数据模型,结合所述人才评价指标进行累积加权评分,再结合指标权重,得到不同指标的组权数;
然后,根据不同指标的组权数计算目标人才的整体评价和隐性能力满意程度;
然后,通过反作弊系统提取证明人对应的作弊特征形成证明人评估资格内容;
最后,结合显性信息、隐性能力满意程度和证明人评估资格内容生成人才评价报告。
优选的,一种多维度人才评价的背景调查系统,包括建立评价指标问卷模块、筛选指标模块、形成人才评价指标模块、建立人才问卷模块、匹配人才信息模块和生成人才评价报告模块;
所述建立评价指标问卷模块用于利用德尔菲法采集第一轮专家意见,从工作表现、工作能力、工作绩效和重聘用意向共四个评价维度层面构建一级指标;
和用于根据不同岗位的特点及人才需求特点,以一级指标为牵引构造二级指标,得到人才评价初步指标;
和用于根据所述人才初步指标生成评价指标问卷;
所述筛选指标模块用于对所述评价指标问卷进行统计分析并结合所述第一轮专家意见,确定指标内涵;
和用于对所述一级指标和二级指标的重要性进行排序;
和用于筛选出重要性高的人才初步指标作为优化指标;
所述形成人才评价指标模块用于根据所述优化指标生成第二轮评价指标问卷,并通过所述第二轮评价指标问卷采集第二轮专家意见;
和用于根据所述第二轮专家意见对所述第二轮评价指标问卷进行修订和打分,直到所述第二轮专家意见一致;
和用于统计打分结果并通过打分结果确认指标权重,得到人才评价指标;
建立人才问卷模块用于结合所述人才评价指标、指标内涵和指标权重得到专家问卷;
和用于根据专家问卷确定评估客体、评估目的和专家评价表;
和用于结合所述专家问卷、评估客体、评估目的、专家评价表和影响所述人才评价指标的因素建立目标人才对应的人才问卷;
所述匹配人才信息模块用于通过目标人才的身份标识信息和类型检索得到相符合的显性信息;
和用于通过证明人填写所述人才问卷采集目标人才的评估数据,并记录到问卷数据采集系统,形成问卷信息;
和用于通过关系链数据收集对所述显性信息和问卷信息进行收集,并进行验证,得到验证信息;
所述生成人才评价报告模块用于根据所述显性信息、问卷信息和验证信息,生成人才评价报告。
例如,所述形成人才评价指标模块还用于构造比较判断矩阵;
和用于通过所述比较判断矩阵对打分结果进行层次单排序及归一化特征向量;
和用于进行层次总排序及其一致性检验,得到指标权重。
值得说明的是,所述匹配人才信息模块还用于采集目标人才的身份标识信息和类型;
和用于以目标人才的身份标识信息和类型作为关键词分别发送到调查项对应的信息收集端进行检索比对并得到检索结果;
和用于在所述检索结果中提取与目标人才的身份标识信息和类型相符的信息并通过显性信息验证后得到显性信息。
可选地,所述匹配人才信息模块还用于根据目标人才和证明人的打开网页行为,获取产生点击行为链接所对应的关系链数据;
和用于基于所述关系链数据对应的目标人才和/或证明人之间的设备特征、点击链路和浏览行为特征形成特定行为数据;
和用于向反作弊系统发送所述目标人才和/或证明人的特定行为数据,所述反作弊系统的规则引擎通过逻辑及数据分离识别作弊用户,得到作弊特征。
具体地,所述生成人才评价报告模块还用于根据所述显性信息、问卷信息和验证信息,得到目标人才评价数据的特征数据库;
和用于将所述特征数据库载入人才评价数据模型,结合所述人才评价指标进行累积加权评分,再结合指标权重,得到不同指标的组权数;
和用于根据不同指标的组权数计算目标人才的整体评价和隐性能力满意程度;
和用于通过反作弊系统提取证明人对应的作弊特征形成证明人评估资格内容;
和用于结合显性信息、隐性能力满意程度和证明人评估资格内容生成人才评价报告。
本发明的有益效果:所述多维度人才评价的背景调查方法,通过建立评价指标问卷、筛选指标、形成人才评价指标建立人才问卷和匹配人才信息后生成人才评价报告,对目标人才进行定量评价,同时最大程度避免了人为主观意志的影响,提高了目标人才评价结果的准确性。另外,由于减少了人为主观意志的介入,还能缩短时间和降低成本。
上述方法确定了企业所需人才的指标及各个指标之间的权重关系,把各个人才特质指标的构成面拆分研究,确定出人才特质的一级指标和二级指标,并分别通过第一轮专家意见和第二轮专家意见确定各个指标之间的权重,解决以往背景调查中对问卷信息只能定性无法定量研究的问题,从而能计算出目标人才在各指标之间的评比,数值经过运算转换成解释报告,有利于企业阅读及理解;对目标人才显性信息及问卷信息的合成评估,使得背景调查中人才评价更加细致全面。最后再结合验证信息,验证所述显性信息和问卷信息的真实性,使结果更加可靠。
附图说明
图1是本发明的一个实施例中方法的流程图。
具体实施方式
下面详细描述本发明的实施方式,实施方式的示例在附图中示出,其中,相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的实施方式的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的实施方式的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的实施方式的不同结构。为了简化本发明的实施方式的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明的实施方式可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明的实施方式提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
如图1所示,一种多维度人才评价的背景调查方法,包括以下步骤:
A.建立评价指标问卷:首先,利用德尔菲法采集第一轮专家意见,从工作表现、工作能力、工作绩效和重聘用意向共四个评价维度层面构建一级指标;
然后,根据不同岗位的特点及人才需求特点,以一级指标为牵引构造二级指标,得到人才评价初步指标;
最后,根据所述人才初步指标生成评价指标问卷;
B.筛选指标:首先,对所述评价指标问卷进行统计分析并结合所述第一轮专家意见,确定指标内涵;
然后,对所述一级指标和二级指标的重要性进行排序;
最后,筛选出重要性高的人才初步指标作为优化指标;
C.形成人才评价指标:首先,根据所述优化指标生成第二轮评价指标问卷,并通过所述第二轮评价指标问卷采集第二轮专家意见;
然后,根据所述第二轮专家意见对所述第二轮评价指标问卷进行修订和打分,直到所述第二轮专家意见一致;
最后,统计打分结果并通过打分结果确认指标权重,得到人才评价指标;
D.建立人才问卷:首先,结合所述人才评价指标、指标内涵和指标权重得到专家问卷;
然后,根据专家问卷确定评估客体、评估目的和专家评价表;
然后,在所述专家评价表中确定影响所述人才评价指标的因素;
最后,结合所述专家问卷、评估客体、评估目的、专家评价表和影响所述人才评价指标的因素建立目标人才对应的人才问卷;
E.匹配人才信息:首先,通过目标人才的身份标识信息和类型检索得到相符合的显性信息;
然后,通过证明人填写所述人才问卷采集目标人才的评估数据,并记录到问卷数据采集系统,形成问卷信息;
最后,通过关系链数据收集对所述显性信息和问卷信息进行收集,并进行验证,得到验证信息;
F.生成人才评价报告:根据所述显性信息、问卷信息和验证信息,生成人才评价报告。
所述多维度人才评价的背景调查方法,通过建立评价指标问卷、筛选指标、形成人才评价指标建立人才问卷和匹配人才信息后生成人才评价报告,对目标人才进行定量评价,同时最大程度避免了人为主观意志的影响,提高了目标人才评价结果的准确性。另外,由于减少了人为主观意志的介入,还能缩短时间和降低成本。
上述方法确定了企业所需人才的指标及各个指标之间的权重关系,把各个人才特质指标的构成面拆分研究,确定出人才特质的一级指标和二级指标,并分别通过第一轮专家意见和第二轮专家意见确定各个指标之间的权重,解决以往背景调查中对问卷信息只能定性无法定量研究的问题,从而能计算出目标人才在各指标之间的评比,数值经过运算转换成解释报告,有利于企业阅读及理解;对目标人才显性信息及问卷信息的合成评估,使得背景调查中人才评价更加细致全面。最后再结合验证信息,验证所述显性信息和问卷信息的真实性,使结果更加可靠。
所述德尔菲法是一种在对所要预测的问题征得专家的意见之后,进行整理、归纳、统计,再匿名反馈给各专家,再次征求意见,再集中,再反馈,直至得到一致的意见的反馈匿名函询法,其具有匿名性、反馈性和统计性三种特点。
一些实施例中,所述形成人才评价指标中,确认指标权重具体为:
首先,构造比较判断矩阵;
然后,通过所述比较判断矩阵对打分结果进行层次单排序及归一化特征向量;
最后,进行层次总排序及其一致性检验,得到指标权重。
比较判断矩阵是将所有指标列出来,组成一个N×N的方阵,然后对各指标两两比较并打分,最后对各指标的得分求和,并作规范化处理。行列打分时按照:极端重要、强烈重要、明显重要、比较重要、稍微重要、同样重要分别赋以11、9、7、5、3、1。
层次单排序是指根据比较判断矩阵计算对于上一层某指标而言本层次与之有联系的指标的重要性次序的权值。它是本层次所有指标相对上一层而言的重要性进行排序的基础。
归一化特征向量是把指标的打分结果里的各个值同除以打分结果中的最大值。
层次总排序是指某层指标对于总体目标组合权重和它们与上层指标的相互影响,需要利用该层所有层次单排序的结果,计算出该层指标的组合权重。
一次性检验是为了确保指标权重的准确性。
例如,所述匹配人才信息中,首先,采集目标人才的身份标识信息和类型;
然后,以目标人才的身份标识信息和类型作为关键词分别发送到调查项对应的信息收集端进行检索比对并得到检索结果;
然后,在所述检索结果中提取与目标人才的身份标识信息和类型相符的信息并通过显性信息验证后得到显性信息。
不同的人才的身份标识信息和类型于所述调查项对应的信息收集端进行检索得到的检索结果均不同,根据人才的身份标识信息与所述检索结果进行核对验证,以此构建所述显性信息验证,从而确保所述显性信息的准确性,避免出现漏洞而造成所述人才评价报告不准确。
值得说明的是,所述匹配人才信息中,所述关系链数据收集具体为:
首先,根据目标人才和证明人的打开网页行为,获取产生点击行为链接所对应的关系链数据;
然后,基于所述关系链数据对应的目标人才和/或证明人之间的设备特征、点击链路和浏览行为特征形成特定行为数据;
最后,向反作弊系统发送所述目标人才和/或证明人的特定行为数据,所述反作弊系统的规则引擎通过逻辑及数据分离识别作弊用户,得到作弊特征。
所述特定行为数据是关于目标人才和证明人的行为和行为发生时环境的观察报告,通过所述设备特征、点击链路和浏览行为特征,能分析目标人才和证明人的行为习惯,再与显性信息和问卷信息作比较,从而得知是否有出现作弊行为来判断所述显性信息和问卷信息的真实性。
可选地,所述生成人才评价报告具体为:
首先,根据所述显性信息、问卷信息和验证信息,得到目标人才评价数据的特征数据库;
然后,将所述特征数据库载入人才评价数据模型,结合所述人才评价指标进行累积加权评分,再结合指标权重,得到不同指标的组权数;
然后,根据不同指标的组权数计算目标人才的整体评价和隐性能力满意程度;
然后,通过反作弊系统提取证明人对应的作弊特征形成证明人评估资格内容;
最后,结合显性信息、隐性能力满意程度和证明人评估资格内容生成人才评价报告。
上述方法得到的人才评价报告,最大程度避免了人为主观意志的影响,提高了准确性。
具体地,一种多维度人才评价的背景调查系统,包括建立评价指标问卷模块、筛选指标模块、形成人才评价指标模块、建立人才问卷模块、匹配人才信息模块和生成人才评价报告模块;
所述建立评价指标问卷模块用于利用德尔菲法采集第一轮专家意见,从工作表现、工作能力、工作绩效和重聘用意向共四个评价维度层面构建一级指标;
和用于根据不同岗位的特点及人才需求特点,以一级指标为牵引构造二级指标,得到人才评价初步指标;
和用于根据所述人才初步指标生成评价指标问卷;
所述筛选指标模块用于对所述评价指标问卷进行统计分析并结合所述第一轮专家意见,确定指标内涵;
和用于对所述一级指标和二级指标的重要性进行排序;
和用于筛选出重要性高的人才初步指标作为优化指标;
所述形成人才评价指标模块用于根据所述优化指标生成第二轮评价指标问卷,并通过所述第二轮评价指标问卷采集第二轮专家意见;
和用于根据所述第二轮专家意见对所述第二轮评价指标问卷进行修订和打分,直到所述第二轮专家意见一致;
和用于统计打分结果并通过打分结果确认指标权重,得到人才评价指标;
建立人才问卷模块用于结合所述人才评价指标、指标内涵和指标权重得到专家问卷;
和用于根据专家问卷确定评估客体、评估目的和专家评价表;
和用于结合所述专家问卷、评估客体、评估目的、专家评价表和影响所述人才评价指标的因素建立目标人才对应的人才问卷;
所述匹配人才信息模块用于通过目标人才的身份标识信息和类型检索得到相符合的显性信息;
和用于通过证明人填写所述人才问卷采集目标人才的评估数据,并记录到问卷数据采集系统,形成问卷信息;
和用于通过关系链数据收集对所述显性信息和问卷信息进行收集,并进行验证,得到验证信息;
所述生成人才评价报告模块用于根据所述显性信息、问卷信息和验证信息,生成人才评价报告。
在所述匹配人才信息中,所述目标人才的评估数据具有唯一的标识,当通过问卷数据采集系统获取证明人的回答数据时,生成与该问卷对应的指标统计信息,并通过网络存入云端服务器。
表1通用型岗位的一级指标和二级指标:
一些实施例中,所述形成人才评价指标模块还用于构造比较判断矩阵;
和用于通过所述比较判断矩阵对打分结果进行层次单排序及归一化特征向量;
和用于进行层次总排序及其一致性检验,得到指标权重。
通过所述人才评价指标模块得到的指标权重经过了多层次的排序,从而进一步提高了所述人才评价报告的准确性。
例如,所述匹配人才信息模块还用于采集目标人才的身份标识信息和类型;
和用于以目标人才的身份标识信息和类型作为关键词分别发送到调查项对应的信息收集端进行检索比对并得到检索结果;
和用于在所述检索结果中提取与目标人才的身份标识信息和类型相符的信息并通过显性信息验证后得到显性信息。
通过所述匹配人才信息模块得到检索结果会存在干扰项,通过所述显性信息验证能筛选干扰项,使得到的显性信息更加准确。
值得说明的是,所述匹配人才信息模块还用于根据目标人才和证明人的打开网页行为,获取产生点击行为链接所对应的关系链数据;
和用于基于所述关系链数据对应的目标人才和/或证明人之间的设备特征、点击链路和浏览行为特征形成特定行为数据;
和用于向反作弊系统发送所述目标人才和/或证明人的特定行为数据,所述反作弊系统的规则引擎通过逻辑及数据分离识别作弊用户,得到作弊特征。
通过所述匹配人才信息模块检测所述目标人才和/或证明人是否有作弊,从而判断出所述显性信息和问卷信息的真实性。
所述规则引擎是一种嵌入在应用程序中的组件,实现了将业务决策从应用程序代码中分离出来,并使用预定义的语义模块编写业务决策。接受数据输入,解释业务规则,并根据业务规则做出业务决策。
可选地,所述生成人才评价报告模块还用于根据所述显性信息、问卷信息和验证信息,得到目标人才评价数据的特征数据库;
和用于将所述特征数据库载入人才评价数据模型,结合所述人才评价指标进行累积加权评分,再结合指标权重,得到不同指标的组权数;
和用于根据不同指标的组权数计算目标人才的整体评价和隐性能力满意程度;
和用于通过反作弊系统提取证明人对应的作弊特征形成证明人评估资格内容;
和用于结合显性信息、隐性能力满意程度和证明人评估资格内容生成人才评价报告。
在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施方式,可以理解的是,上述实施方式是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施实施进行变化、修改、替换和变型。
Claims (6)
1.一种多维度人才评价的背景调查方法,其特征在于,包括以下步骤:
A.建立评价指标问卷:首先,利用德尔菲法采集第一轮专家意见,从工作表现、工作能力、工作绩效和重聘用意向共四个评价维度层面构建一级指标;
然后,根据不同岗位的特点及人才需求特点,以一级指标为牵引构造二级指标,得到人才评价初步指标;
最后,根据所述人才初步指标生成评价指标问卷;
B.筛选指标:首先,对所述评价指标问卷进行统计分析并结合所述第一轮专家意见,确定指标内涵;
然后,对所述一级指标和二级指标的重要性进行排序;
最后,筛选出重要性高的人才初步指标作为优化指标;
C.形成人才评价指标:首先,根据所述优化指标生成第二轮评价指标问卷,并通过所述第二轮评价指标问卷采集第二轮专家意见;
然后,根据所述第二轮专家意见对所述第二轮评价指标问卷进行修订和打分,直到所述第二轮专家意见一致;
最后,统计打分结果并通过打分结果确认指标权重,得到人才评价指标;
D.建立人才问卷:首先,结合所述人才评价指标、指标内涵和指标权重得到专家问卷;
然后,根据专家问卷确定评估客体、评估目的和专家评价表;
然后,在所述专家评价表中确定影响所述人才评价指标的因素;
最后,结合所述专家问卷、评估客体、评估目的、专家评价表和影响所述人才评价指标的因素建立目标人才对应的人才问卷;
E.匹配人才信息:首先,通过目标人才的身份标识信息和类型检索得到相符合的显性信息;
然后,通过证明人填写所述人才问卷采集目标人才的评估数据,并记录到问卷数据采集系统,形成问卷信息;
最后,通过关系链数据收集对所述显性信息和问卷信息进行收集,并进行验证,得到验证信息;
F.生成人才评价报告:根据所述显性信息、问卷信息和验证信息,生成人才评价报告;
其中所述匹配人才信息中,所述关系链数据收集具体为:首先,根据目标人才和证明人的打开网页行为,获取产生点击行为链接所对应的关系链数据;
然后,基于所述关系链数据对应的目标人才和/或证明人之间的设备特征、点击链路和浏览行为特征形成特定行为数据;
最后,向反作弊系统发送所述目标人才和/或证明人的特定行为数据,所述反作弊系统的规则引擎通过逻辑及数据分离识别作弊用户,得到作弊特征;
所述生成人才评价报告具体为:
首先,根据所述显性信息、问卷信息和验证信息,得到目标人才评价数据的特征数据库;
然后,将所述特征数据库载入人才评价数据模型,结合所述人才评价指标进行累积加权评分,再结合指标权重,得到不同指标的组权数;
然后,根据不同指标的组权数计算目标人才的整体评价和隐性能力满意程度;
然后,通过反作弊系统提取证明人对应的作弊特征形成证明人评估资格内容;
最后,结合显性信息、隐性能力满意程度和证明人评估资格内容生成人才评价报告。
2.根据权利要求1所述的一种多维度人才评价的背景调查方法,其特征在于,所述形成人才评价指标中,确认指标权重具体为:
首先,构造比较判断矩阵;
然后,通过所述比较判断矩阵对打分结果进行层次单排序及归一化特征向量;
最后,进行层次总排序及其一致性检验,得到指标权重。
3.根据权利要求2所述的一种多维度人才评价的背景调查方法,其特征在于:所述匹配人才信息中,首先,采集目标人才的身份标识信息和类型;
然后,以目标人才的身份标识信息和类型作为关键词分别发送到调查项对应的信息收集端进行检索比对并得到检索结果;
然后,在所述检索结果中提取与目标人才的身份标识信息和类型相符的信息并通过显性信息验证后得到显性信息。
4.一种多维度人才评价的背景调查系统,其特征在于:包括建立评价指标问卷模块、筛选指标模块、形成人才评价指标模块、建立人才问卷模块、匹配人才信息模块和生成人才评价报告模块;
所述建立评价指标问卷模块用于利用德尔菲法采集第一轮专家意见,从工作表现、工作能力、工作绩效和重聘用意向共四个评价维度层面构建一级指标;
和用于根据不同岗位的特点及人才需求特点,以一级指标为牵引构造二级指标,得到人才评价初步指标;
和用于根据所述人才初步指标生成评价指标问卷;
所述筛选指标模块用于对所述评价指标问卷进行统计分析并结合所述第一轮专家意见,确定指标内涵;
和用于对所述一级指标和二级指标的重要性进行排序;
和用于筛选出重要性高的人才初步指标作为优化指标;
所述形成人才评价指标模块用于根据所述优化指标生成第二轮评价指标问卷,并通过所述第二轮评价指标问卷采集第二轮专家意见;
和用于根据所述第二轮专家意见对所述第二轮评价指标问卷进行修订和打分,直到所述第二轮专家意见一致;
和用于统计打分结果并通过打分结果确认指标权重,得到人才评价指标;
建立人才问卷模块用于结合所述人才评价指标、指标内涵和指标权重得到专家问卷;
和用于根据专家问卷确定评估客体、评估目的和专家评价表;
和用于结合所述专家问卷、评估客体、评估目的、专家评价表和影响所述人才评价指标的因素建立目标人才对应的人才问卷;
所述匹配人才信息模块用于通过目标人才的身份标识信息和类型检索得到相符合的显性信息;
和用于通过证明人填写所述人才问卷采集目标人才的评估数据,并记录到问卷数据采集系统,形成问卷信息;
和用于通过关系链数据收集对所述显性信息和问卷信息进行收集,并进行验证,得到验证信息;
所述生成人才评价报告模块用于根据所述显性信息、问卷信息和验证信息,生成人才评价报告;
所述匹配人才信息模块还用于根据目标人才和证明人的打开网页行为,获取产生点击行为链接所对应的关系链数据;
和用于基于所述关系链数据对应的目标人才和/或证明人之间的设备特征、点击链路和浏览行为特征形成特定行为数据;
和用于向反作弊系统发送所述目标人才和/或证明人的特定行为数据,所述反作弊系统的规则引擎通过逻辑及数据分离识别作弊用户,得到作弊特征;
所述生成人才评价报告模块还用于根据所述显性信息、问卷信息和验证信息,得到目标人才评价数据的特征数据库;
和用于将所述特征数据库载入人才评价数据模型,结合所述人才评价指标进行累积加权评分,再结合指标权重,得到不同指标的组权数;
和用于根据不同指标的组权数计算目标人才的整体评价和隐性能力满意程度;
和用于通过反作弊系统提取证明人对应的作弊特征形成证明人评估资格内容;
和用于结合显性信息、隐性能力满意程度和证明人评估资格内容生成人才评价报告。
5.根据权利要求4所述的一种多维度人才评价的背景调查系统,其特征在于:所述形成人才评价指标模块还用于构造比较判断矩阵;
和用于通过所述比较判断矩阵对打分结果进行层次单排序及归一化特征向量;
和用于进行层次总排序及其一致性检验,得到指标权重。
6.根据权利要求5所述的一种多维度人才评价的背景调查系统,其特征在于:所述匹配人才信息模块还用于采集目标人才的身份标识信息和类型;
和用于以目标人才的身份标识信息和类型作为关键词分别发送到调查项对应的信息收集端进行检索比对并得到检索结果;
和用于在所述检索结果中提取与目标人才的身份标识信息和类型相符的信息并通过显性信息验证后得到显性信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011635350.7A CN112581037B (zh) | 2020-12-31 | 2020-12-31 | 一种多维度人才评价的背景调查方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011635350.7A CN112581037B (zh) | 2020-12-31 | 2020-12-31 | 一种多维度人才评价的背景调查方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112581037A CN112581037A (zh) | 2021-03-30 |
CN112581037B true CN112581037B (zh) | 2023-11-24 |
Family
ID=75144566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011635350.7A Active CN112581037B (zh) | 2020-12-31 | 2020-12-31 | 一种多维度人才评价的背景调查方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581037B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781833B (zh) * | 2022-04-06 | 2024-02-02 | 平安科技(深圳)有限公司 | 基于业务人员的能力测评方法、装置、设备及存储介质 |
CN115358717A (zh) * | 2022-08-24 | 2022-11-18 | 杭州有才信息技术有限公司 | 一种人才背调档案生成方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492955A (zh) * | 2019-01-08 | 2019-03-19 | 上海市研发公共服务平台管理中心 | 人才评价方法、系统、存储介质及电子终端 |
CN110298595A (zh) * | 2019-07-03 | 2019-10-01 | 广东倍智测聘网络科技股份有限公司 | 一种多维度人才评估方法及系统 |
-
2020
- 2020-12-31 CN CN202011635350.7A patent/CN112581037B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492955A (zh) * | 2019-01-08 | 2019-03-19 | 上海市研发公共服务平台管理中心 | 人才评价方法、系统、存储介质及电子终端 |
CN110298595A (zh) * | 2019-07-03 | 2019-10-01 | 广东倍智测聘网络科技股份有限公司 | 一种多维度人才评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112581037A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiarpakdee et al. | Practitioners’ perceptions of the goals and visual explanations of defect prediction models | |
Faliagka et al. | An integrated e‐recruitment system for automated personality mining and applicant ranking | |
Trueba et al. | A robust formula to credit authors for their publications | |
US7472097B1 (en) | Employee selection via multiple neural networks | |
CN102160066A (zh) | 特别适用于专利文献的搜索引擎和方法 | |
Al-Kofahi et al. | Fuzzy set approach for automatic tagging in evolving software | |
Singh et al. | Student performance analysis using clustering algorithm | |
CN112581037B (zh) | 一种多维度人才评价的背景调查方法及其系统 | |
Smolinsky et al. | Citation rates in mathematics: A study of variation by subdiscipline | |
US20150347489A1 (en) | Information retrieval system and method based on query and record metadata in combination with relevance between disparate items in classification systems | |
Chiarini | Differences between Six Sigma applications in manufacturing and the service industry | |
Obsie et al. | Prediction of student academic performance using neural network, linear regression and support vector regression: a case study | |
EP4358005A1 (en) | Information recommendation method and apparatus based on data interaction, and device and storage medium | |
Felinto de Farias Aires et al. | Student selection in a Brazilian university: using a multi-criteria method | |
CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
CN115879829A (zh) | 一种应用于平台创新能力审核的评审专家筛选方法 | |
Rakhman et al. | Applying analytic hierarchy process for measuring knowledge management readiness in government institutions | |
US20240144405A1 (en) | Method for information interaction, device, and storage medium | |
Bouaissa et al. | Modelization of User Satisfaction in IS research | |
CN112417280A (zh) | 一种基于虚拟现实主持人体系的推荐方法和系统 | |
CN115274113A (zh) | 一种基于心理测评量表计分算法的评测系统 | |
Pejić et al. | Helping pull request reviewer recommendation systems to focus | |
Fiarni et al. | Electoral Recommender System for Indonesian Regional People's Representative Councils (DPRD) Using Knowledge-based and collaborative filtering approach. | |
CN113705072A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
KR100700376B1 (ko) | 실시간 서지데이터베이스 평가 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |