CN113780697A - 职位胜任力评估方法及评估系统 - Google Patents
职位胜任力评估方法及评估系统 Download PDFInfo
- Publication number
- CN113780697A CN113780697A CN202010524946.3A CN202010524946A CN113780697A CN 113780697 A CN113780697 A CN 113780697A CN 202010524946 A CN202010524946 A CN 202010524946A CN 113780697 A CN113780697 A CN 113780697A
- Authority
- CN
- China
- Prior art keywords
- competency
- dimension
- question
- interviewed
- score
- 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.)
- Pending
Links
Images
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
- G06Q10/06398—Performance of employee with respect to a job function
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种职位胜任力评估方法,包括:确定用于预定职位的多个初始胜任力维度;获得多个初始胜任力维度所对应的胜任力题目集合;获取该预定职位上的各位员工关于多个初始胜任力维度所对应的胜任力题目集合的问答结果;基于问答结果确定该预定职位上的各位员工在多个初始胜任力维度上的相应得分;基于相应得分确定初始胜任力维度中的至少一个胜任力维度作为该预定职位相关联的胜任力维度;以及基于待面试职位相关联的胜任力维度输出待面试职位的面试题目。本案还提供了一种职位胜任力评估系统。
Description
技术领域
本发明涉及人力资源管理,尤其涉及人力资源管理中对职位的胜任力进行评估的方法和系统。
背景技术
胜任力(Competency)是指在特定职位上能够用来区分绩效平平员工和高绩效员工的深层个性特征。胜任力与工作绩效密切相关,它可以是某一领域的硬技能(专业知识或技能),也可以是员工的软技能(如:沟通能力、时间管理能力、适应力等)。在本案中,胜任力特指软技能。
软技能在当今这个自动化和人工智能兴起的社会已变得不可或缺。根据相关人才趋势报告显示,80%的受访人员(来自于35个国家的5000多位招聘人员)认为软技能对企业成功越来越重要,89%认为聘用的员工表现不佳往往是由于缺乏软技能。许多硬技能的更新迭代周期正在缩短,而软技能的价值则随着时间的推移变的历久弥新。编程语言可能会过时,但时间管理,沟通能力,适应能力却不会。此外,89%表示员工低绩效往往是由于其缺乏相应的软技能,而不单单只是硬技能的问题。所以软技能的评估是企业招聘过程中不能缺少的一环。
尽管软技能的价值在不断增长,大部分公司仍然难以对他们进行精准的评估价。一方面,大部分HR很难确定面试中需要考核哪些胜任力,尤其是胜任力中的软技能,导致HR们对于候选人的评估维度不一致,即使是同一候选人,不同HR也会抱有不同的看法。另一方面,即使部分HR能够明确面试中需要涵盖的胜任力(软技能),他们也很难判断该使用什么样的问题才能更准确地、更全面地评估某一胜任力维度。
本领域需要一种全面、准确地评估职位胜任力的方案。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面,提供了一种职位胜任力评估方法,用于对预定职位所需要的胜任力提供评估方案,该职位胜任力评估方法包括:确定用于该预定职位的多个初始胜任力维度,每个胜任力维度对应一项胜任素质;获得多个初始胜任力维度所对应的胜任力题目集合,其中每个胜任力维度对应包含胜任力题目集合中的若干胜任力题目的胜任力题目子集;获取预定职位上的各位员工关于多个初始胜任力维度所对应的胜任力题目集合的问答结果;基于问答结果确定预定职位上的各位员工在多个初始胜任力维度上的相应得分;基于相应得分确定初始胜任力维度中的至少一个胜任力维度作为预定职位相关联的胜任力维度,其中预定职位上的优秀员工和普通员工在预定职位相关联的胜任力维度上的统计得分具有高于阈值的区分度;以及基于待面试职位相关联的胜任力维度输出待面试职位的面试题目。
根据本发明的另一方面,还提供了一种职位胜任力评估系统。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,能够更好地理解本发明的上述特征和优点。在附图中,各组件不一定是按比例绘制,并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了根据本发明的一方面的构建胜任力模型的方法的流程图;
图2示出了根据本发明的一方面的构建各职位的胜任力题库的方法的流程图;
图3示出了根据本发明的一方面的基于胜任力题库的题目对面试候选人进行评估的方法的流程图;以及
图4示出了根据本发明的一方面的更新各职位的胜任力题库的方法的流程图;以及
图5示出了根据本发明的一方面的职位胜任力评估系统的实施架构的框图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
胜任力是指在特定职位上能够用来区分绩效平平员工和高绩效员工的深层个性特征。胜任力可以包括不同的胜任力维度,例如沟通能力、适应能力、时间管理能力等等。不同的职位需要的胜任力维度是不同的。如何准确地确定特定职位所需要的胜任力维度至关重要。进一步,对于特定职位所需要的特定一个胜任力维度,如何确定可以准确地衡量该胜任力维度的胜任力题目也至关重要。
首先,本案中,构建了胜任力词典。在一实例中,此胜任力词典可以基于对过往大量胜任素质的研究构建而成,包含多个用来辨别优秀员工和普通员工的胜任力维度。胜任力词典中的每一条胜任力可包括以下字段:1、胜任力的名称;2、胜任力的定义;3、不同胜任力等级所对应的行为指标(如:沟通能力高的个体展现出的行为特征可能有:能以语速适当、有条理、简洁的方式传达信息;而沟通能力低的个体可能在表达自己观点时语调常常不当,语速过快或过慢,所述信息含糊)。
此外,在本案中还构建了胜任力题集,针对每个胜任力维度可以构建多个胜任力题目。这里的胜任力题目可以基于对单个胜任力定义的理解,人工编写而成。特别地,胜任力题集是成对存在的,即单独某个胜任力对应S个胜任力题目,S通常大于20。胜任力题集和胜任力词典可用以构建特定面试职位的胜任力题库。
本案中还提供了胜任力评估模型,胜任力评估模型可以是预先训练好的评估模型,其逻辑是一种基于胜任力问题文本和回答文本进行打分或分类的模型,用以评估候选人具备的胜任力等级(或得分)。胜任力评估模型以胜任力访谈问题及对应回答为模型输入,胜任力评估得分为模型输出,其训练可基于TextCNN、TextRNN、DPCNN或其他文本表示和分类模型的训练方式来执行。例如,可以事先获取HR专家对于各胜任力访谈问题及对应回答进行打分,再基于此打分结果和胜任力题目答案通过上述训练方式进行模型训练,获得胜任力评估模型。由此,对于特定胜任力维度的各个胜任力问题,可通过将胜任力问题及被评估人的相应答案输入评估模型以获得在该胜任力维度下的该胜任力题目上的得分。
图1示出了根据本发明的一方面的构建胜任力模型的方法100的流程图。胜任力模型可以是指一系列不同胜任力要素的组合。在本案中,通过胜任力模型可以确定对于特定职位,该职位所需要的胜任力维度有哪些。
如图1所示,在步骤110,确定用于预定职位的多个初始胜任力维度,每个胜任力维度对应一项胜任素质。
这里的预定职位可以是任意行业的任意职位。这里的多个初始胜任力维度可以是胜任力词典中的所有胜任力维度。较优地,这里的多个初始胜任力维度可以是剔除胜任力词典中明显不相关的胜任力维度后的若干胜任力维度。在另一实例中,这里的多个胜任力维度可以是基于常规经验确定对目标岗位的工作绩效有着显著的影响的若干胜任力维度。
在步骤120,获得该多个初始胜任力维度所对应的胜任力题目集合,其中每个胜任力维度对应包含该胜任力题目集合中的若干胜任力题目的胜任力题目子集。
可针对每个初始的胜任力维度,从先前构建的胜任力题集中选择对应的若干胜任力题目。在一实例中,可以从胜任力题集中一胜任力维度下的所有胜任力题目中,选择部分胜任力题目构成该胜任力维度的胜任力题目子集,或者也可以选择该胜任力维度下的所有胜任力题目构成该胜任力维度的胜任力题目子集。
作为示例,构成的胜任力题目集合可表示为:
[c1q1,c1q2,...,c1qj,...],胜任力维度c1对应的胜任力题目子集
[c2q1,c2q2,...,c2qj,...],胜任力维度c2对应的胜任力题目子集
…
[ciq1,ciq2,...,ciqj,...],胜任力维度ci对应的胜任力题目子集
其中,ciqi指示第i个胜任力维度ci下的第j个胜任力题目。
在步骤130,获取该预定职位上的各位员工关于该多个初始胜任力维度所对应的胜任力题目集合的问答结果。
在实例中,可基于该胜任力题目集合对各个企业在该职位上的员工进行访谈,收集各位员工在各个胜任力题目上的问答结果。这些问答结果可以存储在数据库中以便获取。
在步骤140,基于该些问答结果确定该预定职位上的各位员工在该多个初始胜任力维度上的相应得分。
实例中,可以先运用上述的胜任力评估模型对各位员工在每个胜任力题目上的回答表现进行打分。每个员工的胜任力得分可以表示为:
[score_c1q1,score_c1q2,...,score_c1qj,...],胜任力维度c1对应的胜任力题目得分
[score_c2q1,score_c2q2,...,score_c2qj,...],胜任力维度c2对应的胜任力题目得分
…
[score_ciq1,score_ciq2,...,score_ciqj,...],胜任力维度ci对应的胜任力题目得分
其中score_ciqi指示员工在第i个胜任力维度ci下的第j个胜任力题目上的得分。
然后,可基于每位员工在每个胜任力维度对应的每道胜任力题目上得分确定每位员工在每个胜任力维度上的得分。例如,可将每个维度上每道胜任力题目的得分相加以求得该胜任力维度的得分。
在步骤150,基于相应得分确定该多个初始胜任力维度中的至少一个胜任力维度作为该预定职位相关联的胜任力维度。
这里预定职位的相关联的胜任力维度即为与该预定职位最相关、最优贡献的胜任力维度,从而为企业进行员工的招聘选拔、培训开发和绩效考核等提供了有效而可靠的依据。
在一实例中,可将调查的各位员工依据所在企业的评价分为优秀员工和普通员工,确定该预定职位上的优秀员工和普通员工分别在这些初始胜任力维度中的每个胜任力维度上的平均得分。
再针对每个胜任力维度,对优秀员工和普通员工在该胜任力维度上的平均得分执行独立样本t检验。t检验是用t分布理论来推论差异发生的概率,从而比较两个平均数的差异是否显著。基于优秀员工组和普通员工组各自在单个胜任力维度上的平均得分和标准差,计算t值。之后结合t分数、自由度、以及t分数分布表,确定P值。P值反应了优秀员工和普通员工是否在胜任力得分上有无统计学意义,一般以P<0.05为有显著统计学差异。特别地,在实施过程中,假设在某个胜任力维度上,优秀员工组的平均数显著高于普通员工组(显著性系数p<0.05),则可以判定该胜任力可以显著区分优秀员工和普通员工,所以该胜任力维度应该被视为与该职位相关联的胜任力维度,因而应被纳入到该职位的胜任力模型中。
通过对感兴趣的预定职位都执行上述方法,可以构建一个胜任力模型,该胜任力模型中包括各职位相关联的胜任力维度,从而为企业进行各类员工的招聘选拔、培训开发和绩效考核等提供有效而可靠的依据。
胜任力模型架构搭建完成后,可以得到一待面试职位的胜任力组合及相应的胜任力题目集合。特别地,为保证胜任力模型的适用性,本案还提出了结合职位描述的题目匹配方法。因为即使评估的是同一胜任力维度,不同题目与职位的适配度也可能存在差异。
例如,技术类岗位和非技术岗位在专业热忱这一胜任力维度上,胜任力题目的措辞就存在着不同。技术类职位的胜任力题目是“请讲一讲您在工作之余是如何学习新技术并成功应用到工作中的?”而非技术类职位的胜任力题目则会变成:“请讲一讲您在空余时间是如何了解您所在行业最新动态的?”
再例如“项目管理能力”这个胜任力维度,假设目标岗位的工作职责中仅包括项目规划,不包括监管项目进程,保证交付结果等,则题目为“请举例说明您是怎样对一个特大或特别重要的项目进行规划的”,然而如果目标岗位的工作职责涵盖项目的全流程管理,则题目变成“你管理的最复杂或最具挑战性的项目是什么。请具体一下这个项目的内容。项目前期,你是如何制定项目计划的?项目执行阶段,你是如何保证项目按照计划实施的?你又是如何确保项目成功顺利收尾的?”
简言之,对于一个胜任力维度,其对应的胜任力题目并不一定适用于需要该胜任力维度的所有职位。对于两个不同的职位A、B(例如,具有不同职位描述信息),即使其关联的胜任力维度都包含胜任力维度C,该胜任力维度C在胜任力题集中对应的胜任力题目不一定都适合用于评价职位A/B的面试者。
因此,本案中通过题目匹配的方式构建了针对不同职位的胜任力题库,以提供更精准的胜任力题目。
图2示出了根据本发明的一方面的构建各职位的胜任力题库的方法200的流程图。
如图2所示,在步骤210,获取待面试职位的职位描述信息。
在一实例中,职位描述信息可包括职位工种、职位级别、职位所在行业、职位所在的企业规模、工作地域等中的一项或多项。
步骤220,通过匹配模型对该职位描述信息与该待面试职位相关联的各胜任力维度所对应的胜任力题目子集中的胜任力题目执行匹配,以获得每个胜任力题目的匹配得分。
在实例中,以职位描述信息(jd)和胜任力的题目子集中的每个问题(question)组成<jd,question>的文本对,作为对象,使用字符匹配、文本匹配算法(DecAtt、BiMPM、DRCN或MwAn等)或文本分类(textCNN等)等可优化的模型或算法中的任一者进行<jd,question>的匹配预测,得到对应的匹配得分match_score,以问题c1q1为例,其与职位描述jd的匹配得分可表示为match_score_c1q1,以此类推。
这里的匹配模型可通过反向训练得到,比如可以通过专家经验预先为一些文本对<jd,question>打分,然后基于上述DecAtt、BiMPM、DRCN、MwAn、或textCNN等算法进行匹配模型训练,得到匹配模型。
步骤230,将与待面试职位相关联的各胜任力维度对应的胜任力题目子集中匹配得分最高的预设数目个胜任力题目作为该待面试职位的该关联胜任力维度下的候选胜任力题目。
获得了各胜任力维度下的各个胜任力题目与该职位的匹配得分后,可基于匹配得分进行从高到低排序的方式,从胜任力架构维度下的每个胜任力的所有个题目中选取其中前N个作为该职位上的候选题库。
图3示出了根据本发明的一方面的基于胜任力题库的题目对面试候选人进行评估的方法300的流程图。
如图3所示,在步骤310,可从待面试职位相关联的胜任力维度下的候选胜任力题目中选择用于评估待面试职位的面试题目。
在实例中,可从该面试职位的候选题库中选择面试题目,可以是其中的一部分,也可以是候选题库中的所有题目。
在步骤320,获取待面试职位的面试者关于该些面试题目的问答结果。
在一实例中,可以邮件或短信的形式自动邀请待面试候选人参加在线视频面试。在在线视频面试的实例中,可通过视频语音提取和自然语义识别的方式获得面试者对各面试题目的问答结果。
步骤330,基于问答结果确定面试者在该待面试职位相关联的胜任力维度下每道面试题目上的得分。
如前所述,可以运用上文提到的胜任力评估模型对面试者在每道面试题上的回答表现进行打分,以得到每道面试题的得分。
这些得分可以作为用人单位进行录取、选拔等人力资源措施的依据。
随着企业战略更迭频繁,企业文化与战略、业务性质、工作职责等也在不断发生着变化,用于胜任力评估的题库也需要不断优化。
图4示出了根据本发明的一方面的更新各职位的胜任力题库的方法400的流程图。
如图4所示,在步骤410,获取待面试职位的各位面试者入职后在岗位上的绩效考核考核得分。
在实例中,可以跟踪面试候选人在入职后在该职位上的绩效考核得分,比如请用人单位直属上级就该职员入职后在该职位上综合表现进行打分作为该候选人的绩效得分。同时,还可以获取这些职员在应聘面试时在该职位的相关联的胜任力维度下每道胜任力题目的得分。
在步骤420,基于各位面试者在该待面试职位相关联的胜任力维度下每道面试题目上的历史得分和该绩效考核得分确定该待面试职位相关联的每个胜任力维度下的每道面试题目的权重系数。
在实例中,可利用权重学习或回归分析方法求解权重系数。例如,基于待求解表达式
Res=[score_c1q1*c1w1,score_c1q2*c1w2,…,score_c1qj*c1wj,…
score_c2q1*c2w1,score_c2q1*c2w2,…,score_c2qj*c2wj,…
…
score_ciq1*ciw1,score_ciq2*ciw2,…,score_ciqj*ciwj,…],
以各职员在该职位相关联的胜任力维度下每道题目的得分为模型输入,可得到待求解参数集合:
[c1w1,c1w2,…,c1wj,…
c2w1,c2w2,…,c2wj,…
…
ciw1,ciw2,…,ciwj,…],即权重系数集合。
其中Res指示各职员的绩效考核得分,各个权重系数ciwj指示对应的胜任力题目与最终评估结果的关联程度,数值绝对值越大表示越相关,反之越不相关,此外参数ciwj的符号为正表示正相关,反之负相关。
如果某个权重系数远低于其他权重系数,比如在整个权重系数中属于离群值,则认为该权重系数对应的题目没有甄别优秀候选人和普通候选人的能力。
作为示例,假设c2q1是离群值,则胜任力维度c2对应的胜任力题目q1对于该职位没有甄别候选人胜任力的能力。
在步骤430,降低权重系数中低数值的离群值所对应的胜任力题目与待面试职位的匹配得分,以及在步骤440,基于降低的匹配得分训练匹配模型以对匹配模型进行更新。
如上所述,该匹配模型可通过训练得到,比如可以通过专家经验预先为一些文本对<jd,question>打分,然后基于上述DecAtt、BiMPM、DRCN、MwAn、或textCNN等算法进行匹配模型训练,得到匹配模型。
对于没有甄别能力的胜任力题目,可通过降低该题目与职位描述的匹配得分的方式更新题目匹配模型的训练数据,重新训练面试职位的胜任力题库搭建过程中所用的题目匹配模型,进而优化题目匹配模型。
以问题c2q1为例,在胜任力题库搭建过程中,通过题目匹配模型预测的题目匹配得分match_score_c2q1选取了对应的胜任力问题c2q1,加入当前职位的面试问题中。而在跟踪绩效考核得分Res后,其贡献参数c2w1表示该问题不具备甄别优秀候选人和普通候选人的能力,则意味着该问题c2q1与职位描述的匹配得分match_score_c2q1比实际偏高,此时降低match_score_c2q1的方式对数据进行校正。
作为示例,以c2胜任力上具备和不具备甄别能力的题目的匹配得分的最低分min_macth_score=min(min_match_score_right,min_match_score_wrong)作为得分惩罚,则问题c2q1的匹配得分被更新为match_score_c2q1-min_macth_score,这样可以保证问题匹配得分不小于0的情况下,对问题进行校正。
在步骤450,基于更新的匹配模型对该职位描述信息与该待面试职位相关联的各胜任力维度所对应的胜任力题目子集中的胜任力题目执行匹配,由此获得每个胜任力题目的更新的匹配得分。
在步骤460,将与该待面试职位相关联的各胜任力维度对应的胜任力题目子集中匹配得分最高的预设数目个胜任力题目作为该待面试职位的该关联胜任力维度下的更新的候选胜任力题目。
通过此方式,可以实现本案的胜任力评估方案的自动学习和优化。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本案还提供了一种职位胜任力评估系统,如图5所示,该评估系统500可通过处理器510和存储器520来实现。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (27)
1.一种职位胜任力评估方法,用于对预定职位所需要的胜任力提供评估方案,所述职位胜任力评估方法包括:
确定用于所述预定职位的多个初始胜任力维度,每个胜任力维度对应一项胜任素质;
获得所述多个初始胜任力维度所对应的胜任力题目集合,其中每个胜任力维度对应包含所述胜任力题目集合中的若干胜任力题目的胜任力题目子集;
获取所述预定职位上的各位员工关于所述多个初始胜任力维度所对应的胜任力题目集合的问答结果;
基于所述问答结果确定所述预定职位上的各位员工在所述多个初始胜任力维度上的相应得分;
基于所述相应得分确定所述初始胜任力维度中的至少一个胜任力维度作为所述预定职位相关联的胜任力维度,其中所述预定职位上的优秀员工和普通员工在所述预定职位相关联的胜任力维度上的统计得分具有高于阈值的区分度;以及
基于待面试职位相关联的胜任力维度输出所述待面试职位的面试题目。
2.如权利要求1所述的职位胜任力评估方法,其特征在于,所述基于所述问答结果确定所述预定职位上的各位员工在所述多个初始胜任力维度上的相应得分包括:
基于每位员工在每个胜任力维度对应的每道胜任力题目的问答结果确定该员工在每道胜任力题目上的得分;以及
基于每位员工在每个胜任力维度对应的每道胜任力题目上得分确定每位员工在每个胜任力维度上的得分。
3.如权利要求1所述的职位胜任力评估方法,其特征在于,所述基于所述相应得分确定所述初始胜任力维度中的至少一个胜任力维度作为所述预定职位相关联的胜任力维度包括:
基于所述相应得分确定所述预定职位上的优秀员工和普通员工分别在所述初始胜任力维度中的每个胜任力维度上的平均得分;以及
对优秀员工和普通员工在所述初始胜任力维度中的每个胜任力维度上的平均得分执行t检验,其中对于t检验得到的P值小于0.05的胜任力维度,则表示优秀员工和普通员工在该胜任力维度上具有高于阈值的区分度。
4.如权利要求2所述的职位胜任力评估方法,其特征在于,所述基于每位员工在每个胜任力维度对应的每道胜任力题目的问答结果确定该员工在每道胜任力题目上的得分包括:
将每位员工在每个胜任力维度对应的每道胜任力题目的问答结果输入胜任力评估模型以输出该员工在每个胜任力维度的每道题目上的得分,其中所述胜任力评估模型是基于胜任力题目的问题-答案文本对进行打分的分类模型。
5.如权利要求4所述的职位胜任力评估方法,其特征在于,所述胜任力评估模型包括文本分类模型。
6.如权利要求5所述的职位胜任力评估方法,其特征在于,所述文本分类模型是基于包括TextCNN、TextRNN、DPCNN中的一者的训练模型训练得到的。
7.如权利要求1所述的职位胜任力评估方法,其特征在于,所述基于所述待面试职位相关联的胜任力维度输出所述待面试职位的面试题目包括:
获取所述待面试职位的职位描述信息;
通过匹配模型对所述职位描述信息与所述待面试职位相关联的各胜任力维度所对应的胜任力题目子集中的胜任力题目执行匹配,以获得每个胜任力题目的匹配得分;
将与所述待面试职位相关联的各胜任力维度对应的胜任力题目子集中匹配得分最高的预设数目个胜任力题目作为所述待面试职位的该关联胜任力维度下的候选胜任力题目;以及
从所述待面试职位相关联的胜任力维度下的候选胜任力题目中选择用于评估所述待面试职位的面试题目。
8.如权利要求7所述的职位胜任力评估方法,其特征在于,所述职位描述信息包括职位工种、职位级别、职位所在行业、职位所在的企业规模、工作地域等中的一项或多项。
9.如权利要求7所述的职位胜任力评估方法,其特征在于,还包括:
获取所述待面试职位的面试者关于所述面试题目的问答结果;以及
基于所述问答结果确定所述面试者在所述待面试职位相关联的胜任力维度下每道面试题目上的得分。
10.如权利要求9所述的职位胜任力评估方法,其特征在于,还包括:
获取所述待面试职位的各位面试者入职后在岗位上的绩效考核得分;
基于各位面试者在所述待面试职位相关联的胜任力维度下每道面试题目上的历史得分和所述绩效考核得分确定所述待面试职位相关联的每个胜任力维度下的每道面试题目的权重系数;
降低所述权重系数中低数值的离群值所对应的胜任力题目与所述待面试职位的匹配得分;以及
基于降低的匹配得分训练所述匹配模型对所述匹配模型进行更新。
11.如权利要求10所述的职位胜任力评估方法,其特征在于,所述权重系数通过权重学习或回归分析方法获得。
12.如权利要求7或10所述的职位胜任力评估方法,其特征在于,所述匹配模型包括字符匹配模型、文本匹配模型或文本分类模型。
13.如权利要求10所述的职位胜任力评估方法,其特征在于,还包括:
基于更新的匹配模型对所述职位描述信息与所述待面试职位相关联的各胜任力维度所对应的胜任力题目子集中的胜任力题目执行匹配,以获得每个胜任力题目的更新的匹配得分;以及
将与所述待面试职位相关联的各胜任力维度对应的胜任力题目子集中匹配得分最高的预设数目个胜任力题目作为所述待面试职位的该关联胜任力维度下的更新的候选胜任力题目。
14.一种职位胜任力评估系统,用于对预定职位所需要的胜任力提供评估方案,所述职位胜任力评估系统包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器配置用于:
确定用于所述预定职位的多个初始胜任力维度,每个胜任力维度对应一项胜任素质;
获得所述多个初始胜任力维度所对应的胜任力题目集合,其中每个胜任力维度对应包含所述胜任力题目集合中的若干胜任力题目的胜任力题目子集;
获取所述预定职位上的各位员工关于所述多个初始胜任力维度所对应的胜任力题目集合的问答结果;
基于所述问答结果确定所述预定职位上的各位员工在所述多个初始胜任力维度上的相应得分;
基于所述相应得分确定所述初始胜任力维度中的至少一个胜任力维度作为所述预定职位相关联的胜任力维度,其中所述预定职位上的优秀员工和普通员工在所述预定职位相关联的胜任力维度上的统计得分具有高于阈值的区分度;以及
基于待面试职位相关联的胜任力维度输出所述待面试职位的面试题目。
15.如权利要求14所述的职位胜任力评估系统,其特征在于,所述处理器进一步配置为:
基于每位员工在每个胜任力维度对应的每道胜任力题目的问答结果确定该员工在每道胜任力题目上的得分;以及
基于每位员工在每个胜任力维度对应的每道胜任力题目上得分确定每位员工在每个胜任力维度上的得分。
16.如权利要求14所述的职位胜任力评估系统,其特征在于,所述处理器进一步配置为:
基于所述相应得分确定所述预定职位上的优秀员工和普通员工分别在所述初始胜任力维度中的每个胜任力维度上的平均得分;以及
对优秀员工和普通员工在所述初始胜任力维度中的每个胜任力维度上的平均得分执行t检验,其中对于t检验得到的P值小于0.05的胜任力维度,则表示优秀员工和普通员工在该胜任力维度上具有高于阈值的区分度。
17.如权利要求15所述的职位胜任力评估系统,其特征在于,所述处理器进一步配置为:
将每位员工在每个胜任力维度对应的每道胜任力题目的问答结果输入胜任力评估模型以输出该员工在每个胜任力维度的每道题目上的得分,其中所述胜任力评估模型是基于胜任力题目的问题-答案文本对进行打分的分类模型。
18.如权利要求17所述的职位胜任力评估系统,其特征在于,所述胜任力评估模型包括文本分类模型。
19.如权利要求18所述的职位胜任力评估系统,其特征在于,所述文本分类模型是基于包括TextCNN、TextRNN、DPCNN中的一者的训练模型训练得到的。
20.如权利要求14所述的职位胜任力评估系统,其特征在于,所述处理器进一步配置为:
获取所述待面试职位的职位描述信息;
通过匹配模型对所述职位描述信息与所述待面试职位相关联的各胜任力维度所对应的胜任力题目子集中的胜任力题目执行匹配,以获得每个胜任力题目的匹配得分;
将与所述待面试职位相关联的各胜任力维度对应的胜任力题目子集中匹配得分最高的预设数目个胜任力题目作为所述待面试职位的该关联胜任力维度下的候选胜任力题目;以及
从所述待面试职位相关联的胜任力维度下的候选胜任力题目中选择用于评估所述待面试职位的面试题目。
21.如权利要求20所述的职位胜任力评估系统,其特征在于,所述职位描述信息包括职位工种、职位级别、职位所在行业、职位所在的企业规模、工作地域等中的一项或多项。
22.如权利要求20所述的职位胜任力评估系统,其特征在于,所述处理器进一步配置为:
获取所述待面试职位的面试者关于所述面试题目的问答结果;以及
基于所述问答结果确定所述面试者在所述待面试职位相关联的胜任力维度下每道面试题目上的得分。
23.如权利要求22所述的职位胜任力评估系统,其特征在于,所述处理器进一步配置为:
获取所述待面试职位的各位面试者入职后在岗位上的绩效考核得分;
基于各位面试者在所述待面试职位相关联的胜任力维度下每道面试题目上的历史得分和所述绩效考核得分确定所述待面试职位相关联的每个胜任力维度下的每道面试题目的权重系数;
降低所述权重系数中低数值的离群值所对应的胜任力题目与所述待面试职位的匹配得分;以及
基于降低的匹配得分训练所述匹配模型对所述匹配模型进行更新。
24.如权利要求23所述的职位胜任力评估系统,其特征在于,所述权重系数通过权重学习或回归分析方法获得。
25.如权利要求20或23所述的职位胜任力评估系统,其特征在于,所述匹配模型包括字符匹配模型、文本匹配模型或文本分类模型。
26.如权利要求23所述的职位胜任力评估系统,其特征在于,所述处理器进一步配置为:
基于更新的匹配模型对所述职位描述信息与所述待面试职位相关联的各胜任力维度所对应的胜任力题目子集中的胜任力题目执行匹配,以获得每个胜任力题目的更新的匹配得分;以及
将与所述待面试职位相关联的各胜任力维度对应的胜任力题目子集中匹配得分最高的预设数目个胜任力题目作为所述待面试职位的该关联胜任力维度下的更新的候选胜任力题目。
27.一种计算机可读介质,其上存储有计算机可执行指令,所述计算机可执行指令在由处理器执行时实施如权利要求1-13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524946.3A CN113780697A (zh) | 2020-06-10 | 2020-06-10 | 职位胜任力评估方法及评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524946.3A CN113780697A (zh) | 2020-06-10 | 2020-06-10 | 职位胜任力评估方法及评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780697A true CN113780697A (zh) | 2021-12-10 |
Family
ID=78834826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010524946.3A Pending CN113780697A (zh) | 2020-06-10 | 2020-06-10 | 职位胜任力评估方法及评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780697A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833010A (zh) * | 2020-06-12 | 2020-10-27 | 北京网聘咨询有限公司 | 一种智能面试方法、系统、设备和存储介质 |
-
2020
- 2020-06-10 CN CN202010524946.3A patent/CN113780697A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833010A (zh) * | 2020-06-12 | 2020-10-27 | 北京网聘咨询有限公司 | 一种智能面试方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sajjadiani et al. | Using machine learning to translate applicant work history into predictors of performance and turnover. | |
US20110055098A1 (en) | Automated employment information exchange and method for employment compatibility verification | |
US20230334428A1 (en) | System and methodologies for candidate analysis utilizing psychometric data and benchmarking | |
Ross | Organizational behavior today | |
Li et al. | Modeling student online learning using clustering | |
McNally et al. | Do management practices matter in further education? | |
CN113780697A (zh) | 职位胜任力评估方法及评估系统 | |
US20200402014A1 (en) | Predicting hiring priorities | |
US20190294965A1 (en) | Systems and methods using artificial intelligence to analyze natural language sources based on personally-developed intelligent agent models | |
Eliza | Human Resource Management Strategies to Improve Performance in the Digital Era | |
Rukadikar et al. | Adoption Of Artificial Intelligence In Talent Acquisition: The Need For The E-Business Environment | |
Schmiedel et al. | Identifying and quantifying cultural factors that matter to the IT workforce: An approach based on automated content analysis | |
Daniali et al. | Determination of evaluation indicators and establishment of employees performance evaluation system | |
Meraliyev et al. | Machine Learning as an effective tool for Human Resource management in recruiting process in the higher educational field | |
Harrison | Millennial leadership development: Building competencies with best practices | |
Banswal et al. | Analysing and Predicting Student’s Performance Using their Surrounding Data | |
Shahbazi et al. | Key skills in technical and vocational education & training system: A scoping review | |
Kiekens | The Effect of Multi-attribute Utility Theory on Small to Medium-sized Enterprises’ Decision-makers’ Informative Level and Subsequent Judgment Decision-making Process in Comparative Country Risk Assessment | |
Paul et al. | COLLEGE STUDENT PERFORMANCE DETECTION USING MACHINE LEARNING WITH DSS | |
Mundell | Characteristics of Notes Taken during the Employment Interview and Their Impact on Organizational Outcomes | |
McCredie | Using Psychometrics to Make Management Selection Decisions: A Practitioner Journey | |
Crofts et al. | Investigating information systems analysts' possession of tacit organisational knowledge | |
Hosseini Zare et al. | Identification the Components of Evaluation of Employee Performance Smart Pattern (Case Study: Bank of Industry and Mine) | |
Sivropoulos-Valero | Do management practices matter in further education? | |
Taljaard et al. | A conceptual competencies-based framework to enhance the innovation capacity of Fourth Industrial Revolution entrepreneurs |
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 |