CN115511295A - 基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型及方法 - Google Patents

Abstract

本发明提出了基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，包括建立通过人才性格、外表、诚信及其内在进行客观的人才评价模型，所述人才评价模型包括开展专业能力评价、核心能力评价、性格评价、外表评价、诚信评价；所述专业能力评价用于对候选人专业能力进行客观评价，包括但不限于专业学习能力、专业岗位能力、工作经历、教育经历方面进行评分，建立胜任力模型；所述核心能力评价用于对候选人核心能力进行客观评价，包括但不限于团队精神、创新能力、个人驱动能力、解决问题能力、分析能力方面进行评分，建立能力评分模型。

Description

基于专业能力、核心能力、性格、外表、诚信所建立的人才评价 模型及方法

技术领域

本发明涉及人才评价领域，尤其涉及一种基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型及方法。

背景技术

能力模型是在企业特定的业务和战略环境下，员工在某个具体的岗位上，达成优秀的业绩所需要的关键知识、技能、行为、动机等综合特质的总和。1973年，麦克利兰博士发表了一篇关于能力模型的研究文章，标志着能力模型理论的正式诞生，在之后的几十年里，能力模型的概念在企业得以广泛运用。广义的能力指的是知识、技能、行为、动机、个性等一系列个人特质的总和。

麦可·利兰把能力划分为五个层次：知识、技能、自我概念、特质、动机。个人素质犹如一座冰山，包括水面以上看的见得部分和水面以下看不见得的部分。水面上的部分包括知识和技能，水面下的部分包括社会角色、自我概念、个性、动机等，水面以上的部分是容易观察的，不过能力模型强调应该更加关注水面以下的部分，即优秀员工和一般员工绩效的区别不仅仅在于知识、技能上的差别，更在于深层次的自我认知、人格品质与心理驱力。在企业实际运用中，我们通常将能力归纳为两大类：核心能力和专业能力。核心能力是指完成多种工作任务时普遍使用的有效行为，这些行为往往在很大程度上受到个人动机、性格等因素的驱使和影响。专业能力是指完成特定工作任务时所需要的知识和技能，通常可以通过学习来获取。

目前市场上的人才评价模型，更多的是针对知识和技能上的评测，没有有效的对水面下部分包括社会角色、自我概念、个性、动机等进行有效的人才评价，企业在招聘过程中需要对劳动者进行初步的面试评测，以判断求职者的基本综合素质、技能掌握情况是否适合企业招聘的就业岗位。上述人才评价无法给予企业提供较为全面的判断，尤其缺乏一套行之有效、针对劳动者性格、外表及诚信等特征的能力模型评价体系。现有的人才评价模型算法技术众多、学习成本高、技术人员开发门槛高、界面易用性差、缺少流程化以及无法自动调整参数；且现有的人才评价模型和业务流程是相互分开的，无法提供一站式服务体验、不支持主流机器学习和深度学习框架要求；同时，现有的人才评价模型无法处理海量数据要求、算法不支持并行计算、无法处理多样化数据类型；最后，现有的人才评价模型使得经验和知识无法沉淀、挖掘模型复用难、开发成本高。

因此，有必要提供基于专业能力、核心能力、性格、外表、诚信所建立的人才评价算法模型方法来解决上述问题

发明内容

本发明的目的是提供一种不仅仅能够对人才专业能力、核心能力进行评价，更多的能够通过人才性格、外表、诚信及其内在进行客观的人才评价模型。这套模型方法通过突破对人才能力评价的限制，提升了人才评价的全面性尤其是忽视的水面以下部分，提高双方招聘求职的精准匹配率。通过算法库系统、评价模型工作台以及人才评价模型库的结合，使其具有在线建模和自动化建模的能力，并且能够提供丰富的人才评价模型库，从而提高人才评价模型复用率，且能使人才评价模型集中化管理，有助于知识的分享和传播，解决了现有的人才评价模型技术众多、学习门槛高、平台与业务流程没有贯通、数据量大、数据类型多、能力遇到瓶颈、经验和知识无法沉淀问题。

本发明的技术方案是这样实现的：基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，包括建立通过人才性格、外表、诚信及其内在进行客观的人才评价模型，所述人才评价模型包括开展专业能力评价、核心能力评价、性格评价、外表评价、诚信评价；

所述专业能力评价用于对候选人专业能力进行客观评价，包括但不限于专业学习能力、专业岗位能力、工作经历、教育经历方面进行评分，建立胜任力模型；

所述核心能力评价用于对候选人核心能力进行客观评价，包括但不限于团队精神、创新能力、个人驱动能力、解决问题能力、分析能力方面进行评分，建立能力评分模型；

所述性格评价用于对候选人的性格进行评分，包括但不限于行为特征、交流沟通、行为优势、行为弱势、能力特征方面进行评分，建立精神面貌模型；

所述外表评价用于对候选人的外表进行评分，包括但不限于五官、普通话发音、语调、语气方面进行评分，建立精神面貌模型；

所述诚信评价用于对候选人的诚信情况进行评分，包括但不限于客户评价方面进行评分，建立诚信模型。

进一步地，所述胜任力模型根据特定岗位需求定制不同的岗位胜任力模型，包括专业能力和工作能力，所述专业能力能够筛选出符合岗位专业工作的人才，并给出其专业能力得分；所述工作能力能够筛选满足相应技巧的人才，并给出其工作能力得分。

进一步地，所述能力评分模型包括岗位匹配度和综合素质，所述岗位匹配度用于筛选出能够胜任岗位工作的人才，并与岗位匹配后给出相应的得分；所述综合素质用于对候选人沟通能力、人际关系、团队合作能力、逻辑思维能力、综合分析能力进行综合评分。

进一步地，：所述精神面貌模型包括面部状态和正向积极的精神面貌，所述面部状态通过视频采集设备获取识别对象的面部图像，再利用算法对其脸部的五官位置、脸型和角度等特征信息进行计算分析，得出其面部状态得分；所述精神面貌通过情绪识别技术，自动识别候选人正向或负向情绪倾向。

进一步地，通过建立诚信模型，对候选人的回答进行评价，判断候选人的诚信度，在整个交流过程中是否存在撒谎的情况，根据他们的表现特征包括自信、反应、速度进行诚信评分。

进一步地，所述人才评价模型还包括人才评价模型建模平台，所述人才评价模型建模平台包括硬件系统、软件系统和传输系统，所述硬件系统中的硬件配置包括人才评价模型搭建台，所述人才评价模型搭建台表面固定有控制主板；控制主板里的软件系统包括算法库系统和人才评价模型库，算法系统包括应用单元、业务模型单元、工具单元、算法单元、硬件单元和数据单元，评价模型库系统包括人才评价模型单元，传输系统包括网络传输及数据传输；应用单元包括HR专家模块、岗位管理模块、求职简历模块、在线面试模块、面试评分模块、数据分析模块；业务模型单元包括人脸识别模块、语音识别模块、语义分析模块、专业能力分析模块、核心能力分析模块、精神面貌分析模块、诚信分析模块；工具单元包括机器学习模块、文本挖掘模块、智能问答模块、图像识别模块、录像回放模块；算法单元包括监督式学习模块、非监督式学习模块、半监督式学习模块、强化学习模块、回归算法模块、基于实例的算法模块、正则化方法模块、基于核的算法模块、聚类算法模块、关联规则学习模块、降低维度算法模块和集成算法模块；硬件单元包括CPU模块、GPU模块和FPGA模块；数据单元包括用户模块、语音模块、产品模块、宽带模块、无线模块、岗位模块、简历模块、求职招聘模块、面试模块和评分模块。

在人工智能技术逐步深入各领域应用环节的过程中，对于人工智能设备在视觉语音识别、自然语言处理、统计分析、数据挖掘、模式识别等功能实现方面的算法研究是建立人才评价模型的基本方式，人工智能深度学习算法是所述人才评价模型建立的基础。

所建立的基于专业能力、核心能力、性格、外表及诚信所建立的人才评价模型建模平台，系统将采用几种深度学习算法进行平台的搭建。

所述监督式学习，采用一组人工标记的数据用以推测假设行数的人工智能深度学习算法。通过大量训练构成样本集，令每个训练样本都包含输入值和期望输出值。通过该方式所构建模型，然后将所构建模型产生的实际数据处理结果与建立之初所预测结果进行智能比对，根据两者之间的偏差值对模型不断进行优化调整，依次来提升模型的准确性。

所述非监督式学习是人工智能网络中不需要输入标签的算法。非监督式学习的主要目的在于对原始数据资料的内部进行精确把控。通过采用非监督式学习算法应用于具有关联规则的学习以及聚类。

所述半监督式学习是介于监督式学习和非监督式学习之间的一种深度学习算法。通过采用半监督式学习算法使人才评价模型用以预测数据类型。应用于分类和回归。

所述强化学习也是人才评价模型所使用的深度学习算法。在该模式下，通过输入数据对模型进行反馈。与监督式学习不同的是，强化学习模型能够对模型的正确性进行检查。在运行过程中，输入数据会直接反馈给模型，模型必须第一时间对所提供数据进行调整。将强化学习应用于动态系统和AI控制中，实现人才评价模型的有效建立。

对于所述人才评价模型的学习模式来说，深度学习算法是实现建立人才评价模型的关键途径，也是确保人才评价模型稳定运行的关键。

所述回归算法是人才评价模型建立的基本算法之一，通过函数表达式来对各种属性之间的关系进行体现。用于模型数据序列的预测以及数据之间的函数关系的确认。通过该方式所建立的人才评价模型能够对一段时间内招聘过程的求职情况做回归分析，之后能够对下一阶段的招聘情况作出相应预测，从而使接下来的招聘策略得以调整优化。

所述基于实例的算法用于人才评价模型的决策及修正。在模型构建过程中，会通过选取一批样本数据，根据数据的一些近似性特点将数据与样本进行比对，从而得出比对率最高的决策模型，实现匹配的准确率。主要采用k—Nearest Neighbor、学习矢量量化以及自组织映射算法。

所述正则化方法是在回归算法的延伸应用，通过算法中数据的复杂程度来对相应的算法进行调整，使算法更好地适应人才评价模型构建和人才评价模型应用。由于所建立模型数据过拟合而导致函数无法满足训练集，导致产生结果出现偏差过大，此时便可采用正则化方法进行修复，人才评价模型支持Ridge Regression及弹性网络等。

所述基于核的算法是强化学习中的一种算法，主要通过所输入的数据映射到一个高阶向量空间，之后对其进行部分分类、回归分析。通过函数进行泛化处理，通过离线方式计算出函数，能够处理人才评价模型呈现出连续状态空间的强化学习问题，从而实现科学地统计处理价值。支持向量机、径向基函数以及线性判别分析。

所述聚类算法是一聚类处理为核心的深度学习算法，通过研究数据间逻辑及相互关系的技术内容，可以揭示模型数据间的内在联系和区别，同时能够为数据的进一步分析与规律掌握听过依据。按照中心点以及对数据分层的方式对输入数据进行归并。包括k—Means算法以及期望最大化算法。

所述关联规则学习是人才评价模型提高决策准确性的算法，通过数据分析来掌握数据之间的内在关联性，从而确定各变量之间的关系。包括Apriori算法和Eclat算法。

所述维度算法是通过算法来获得数据的内在结构，用于对高维数据的可视化分析，简化数据。包括主成份分析、偏最小二乘回归、Sam—mon映射、多维尺度、投影追踪等。

所述集成算法通过对所建立的多个模型进行组合处理，从而赋予集成后的模型更强的泛化能力，获得更好地数据处理效果。在所应用的模型组合中，根据不同情况进行相应组合，目前主要采用三种方式进行模型的组合：找到验证数据中表现最好的模型，将其作为最终的预测模型；对模型的预测结果进行对比，或者取平均值；对模型的预测结果进行加权平均处理。包括采用：Boosting、AdaBoost、堆叠泛化、梯度推进机以及随机森林。

在人才评价模型应用中，训练集通过学习算法的训练，求出关于岗位要求对人才能力的函数。当有新的数据需要预测时，就给出岗位要求代入假设模型之中，给出相应的人才能力分值的预测值。通过监督式学习算法，应用处理分类模型之间。

基于专业能力、核心能力、性格、外表、诚信所建立的人才评价方法，方法包括如下步骤：S1：开展行为事件面谈，构建的主要方向，构建人才信息，人才能力和在这个过程中总结与提炼不同层级的员工所需要的能力；S2：形成模型字典初稿在编辑字典时，分为4个维度进行评价，分别是：胜任力、专业能力、精神面貌、诚信；S3：确定评价模型，在选择能力项的过程中，根据下列工具进行分析，首先，评估各能力项是否符合企业，有重复或有冲突的可以直接排除；然后，评估剩余的能力项是否符合发展数据，如不符合，可直接排除；最后，评估剩余的能力项是否与各层级的能力要求相符合，如不符合可直接排除；S4：应用评价模型建成之后，需对评价模型的具体运用做出详细的说明，此外，还需在评价模型中设定每个能力项的权重，用于改善调整的能力，循序渐进地提升员工能。

进一步地，在S2中，字典需根据企业及岗位需要，定制不同胜任力字典、专业能力字典、精神面貌字典及诚信字典，通过不同的字典搭建为后续完成胜任力模型、专业能力模型、精神面貌模型、诚信模型。

采用了上述技术方案后，本发明的有益效果是：本发明通过算法库系统、评价模型工作台以及人才评价模型库的结合，使得该基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型具有在线建模和自动化建模的能力，并且能够提供丰富的人才评价模型库，从而提高人才评价模型复用率，且能使模型集中化管理，有助于知识的分享和传播，同时具有支持海量数据处理能力，使其基于分布式引擎能力的运行更高效，支持单机模式处理能力，使系统部署支持公有、私有不同的部署环境，最后具有支持行业定制化需求开发，支持回归、分类、聚类、推荐等算法，且支持特征工程、预处理、统计分析等深度学习框架，允许进行算法的扩展等功能，解决了现有的人才评价模型技术众多、学习门槛高、平台与业务流程没有贯通、数据量大、数据类型多、能力遇到瓶颈、经验和知识无法沉淀问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的模型的基本示意图；

图2为本发明提供的基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型建模平台的系统原理框架图；

图3为算法系统和人才评价模型系统的系统原理框架图；

图4为应用单元的系统原理框架图；

图5为业务模型单元的系统原理框架图；

图6为工具单元的系统原理框架图；

图7为算法单元的系统原理框架图；

图8为硬件单元的系统原理框架图；

图9为数据单元的系统原理框架图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

如图1所示，基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，包括建立通过人才性格、外表、诚信及其内在进行客观的人才评价模型，所述人才评价模型包括开展专业能力评价、核心能力评价、性格评价、外表评价、诚信评价；所述专业能力评价用于对候选人专业能力进行客观评价，包括但不限于专业学习能力、专业岗位能力、工作经历、教育经历方面进行评分，建立胜任力模型；所述核心能力评价用于对候选人核心能力进行客观评价，包括但不限于团队精神、创新能力、个人驱动能力、解决问题能力、分析能力方面进行评分，建立能力评分模型；所述性格评价用于对候选人的性格进行评分，包括但不限于行为特征、交流沟通、行为优势、行为弱势、能力特征方面进行评分，建立精神面貌模型；所述外表评价用于对候选人的外表进行评分，包括但不限于五官、普通话发音、语调、语气方面进行评分，建立精神面貌模型；所述诚信评价用于对候选人的诚信情况进行评分，包括但不限于客户评价方面进行评分，建立诚信模型。图1为本发明提供的人才评价模型的基本示意图。所述评分试题内容1、以及评分判断2、胜任力模型3、能力评分模型4、精神面貌模型5、诚信模型6。

所述评分试题内容1用于创建及发布人才评价模型试题，依据不同企业、岗位等方面对试题类别/名称、含义、层次、分数、描述、解释等进行编辑，划分试题所属类别，分为胜任力模型试题、能力评分模型试题、精神面貌试题及诚信模型试题。

所述评分判断2用于对求职者根据答题情况，对其进行分类评价，包括DISC性格特质评价、hay能力素质评价、岗位能力评价、MBIT人格评价、精神面貌评价、诚信评价等，形成胜任力得分、能力评分得分、精神面貌得分及诚信得分，将结果反馈至模型中，由已建模型给出结论。

所述胜任力模型3依托求职者胜任力得分，通过不同岗位的胜任力模型，为企业推荐胜任力得分最高的人才。所述能力评分模型4依托求职者能力评分得分，通过岗位匹配度和综合素质两大维度，包括但不限于岗位匹配度，沟通能力，人际关系，团队合作能力，逻辑思维能力，综合分析能力等，为企业推荐能力评分得分最高的人才。所述精神面貌模型5依托求职者精神面貌得分，通过颜值和正向积极两方面。为企业推荐精神面貌得分最高的人才。所述诚信模型6依托求职者诚信得分，为企业推荐诚信得分最高的人才。通过所述胜任力模型、能力评分模型、精神面貌模型及诚信模型给出的综合分值，生成人才评价模型报告。

请参阅图2-9为本发明为基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，包括人才评价模型建模平台，所述人才评价模型建模平台包括硬件系统、软件系统和传输系统，所述硬件系统中的硬件配置包括人才评价模型搭建台，所述人才评价模型搭建台表面固定有控制主板。

实施例二

本实施例在实施例一的基础上，进行方法方面的归纳总结，基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型方法的流程图。所述远程面试方法包括如下步骤：

S1：所述开展行为事件面谈，明确构建的主要方向，明确企业实现未来的战略需要怎样的人才，人才需要具备哪方面的能力等方面，在这个过程中总结与提炼不同层级的员工所需要的能力；

S2：所述形成模型字典初稿在编辑字典时，通常分为4个维度进行考虑，它们分别是：胜任力、专业能力、精神面貌、诚信；

S3：所述确定评价模型，在选择能力项的过程中，可以根据下列工具，从公司核心文化理念，未来发展战略，以及各层级的能力要求这三个层面出发，进行由内到外的分析：首先，评估各能力项是否符合企业核心文化理念，有重复或有冲突的可以直接排除；然后，评估剩余的能力项是否符合未来2～3年的战略发展，如不符合，可直接排除；最后，评估剩余的能力项是否与各层级的能力要求相符合，如不符合可直接排除。厘清核心能力之后，讨论并确定各个能力项的行为标准；

S4：所述应用评价模型建成之后，需对评价模型的具体运用做出详细的说明，此外，还需在评价模型中设定每个能力项的权重，用于每年需改善调整的能力，循序渐进地提升员工能力；

与相关技术相比，本发明提供的基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型方法，更多地提供了对求职者进行不局限与核心能力与专业能力的评价，建立企业模型及其应用，提高了招聘求职的人岗匹配效率和面试评价的准确率，同时，为政府部门设计就业政策提供就业数据决策支持。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，其特征在于，包括建立通过人才性格、外表、诚信及其内在进行客观的人才评价模型，所述人才评价模型包括开展专业能力评价、核心能力评价、性格评价、外表评价、诚信评价；

所述专业能力评价用于对候选人专业能力进行客观评价，包括但不限于专业学习能力、专业岗位能力、工作经历、教育经历方面进行评分，建立胜任力模型；

所述核心能力评价用于对候选人核心能力进行客观评价，包括但不限于团队精神、创新能力、个人驱动能力、解决问题能力、分析能力方面进行评分，建立能力评分模型；

所述性格评价用于对候选人的性格进行评分，包括但不限于行为特征、交流沟通、行为优势、行为弱势、能力特征方面进行评分，建立精神面貌模型；

所述外表评价用于对候选人的外表进行评分，包括但不限于五官、普通话发音、语调、语气方面进行评分，建立精神面貌模型；

所述诚信评价用于对候选人的诚信情况进行评分，包括但不限于客户评价方面进行评分，建立诚信模型。

2.如权利要求1所述的基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，其特征在于：所述胜任力模型根据特定岗位需求定制不同的岗位胜任力模型，包括专业能力和工作能力，所述专业能力能够筛选出符合岗位专业工作的人才，并给出其专业能力得分；所述工作能力能够筛选满足相应技巧的人才，并给出其工作能力得分。

3.如权利要求1所述的基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，其特征在于：所述能力评分模型包括岗位匹配度和综合素质，所述岗位匹配度用于筛选出能够胜任岗位工作的人才，并与岗位匹配后给出相应的得分；所述综合素质用于对候选人沟通能力、人际关系、团队合作能力、逻辑思维能力、综合分析能力进行综合评分。

4.如权利要求1所述的基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，其特征在于：所述精神面貌模型包括面部状态和正向积极的精神面貌，所述面部状态通过视频采集设备获取识别对象的面部图像，再利用算法对其脸部的五官位置、脸型和角度等特征信息进行计算分析，得出其面部状态得分；所述精神面貌通过情绪识别技术，自动识别候选人正向或负向情绪倾向。

5.如权利要求1所述的基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，其特征在于：通过建立诚信模型，对候选人的回答进行评价，判断候选人的诚信度，在整个交流过程中是否存在撒谎的情况，根据他们的表现特征包括自信、反应、速度进行诚信评分。

6.如权利要求1所述的基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型，其特征在于：所述人才评价模型还包括人才评价模型建模平台，所述人才评价模型建模平台包括硬件系统、软件系统和传输系统，所述硬件系统中的硬件配置包括人才评价模型搭建台，所述人才评价模型搭建台表面固定有控制主板；

控制主板里的软件系统包括算法库系统和人才评价模型库，算法系统包括应用单元、业务模型单元、工具单元、算法单元、硬件单元和数据单元，评价模型库系统包括人才评价模型单元，传输系统包括网络传输及数据传输；

应用单元包括HR专家模块、岗位管理模块、求职简历模块、在线面试模块、面试评分模块、数据分析模块；

业务模型单元包括人脸识别模块、语音识别模块、语义分析模块、专业能力分析模块、核心能力分析模块、精神面貌分析模块、诚信分析模块；

工具单元包括机器学习模块、文本挖掘模块、智能问答模块、图像识别模块、录像回放模块；

算法单元包括监督式学习模块、非监督式学习模块、半监督式学习模块、强化学习模块、回归算法模块、基于实例的算法模块、正则化方法模块、基于核的算法模块、聚类算法模块、关联规则学习模块、降低维度算法模块和集成算法模块；

硬件单元包括CPU模块、GPU模块和FPGA模块；

数据单元包括用户模块、语音模块、产品模块、宽带模块、无线模块、岗位模块、简历模块、求职招聘模块、面试模块和评分模块。

7.基于专业能力、核心能力、性格、外表、诚信所建立的人才评价方法，其特征在于：方法包括如下步骤：

S1：开展行为事件面谈，构建的主要方向，构建人才信息，人才能力和在这个过程中总结与提炼不同层级的员工所需要的能力；

S2：形成模型字典初稿在编辑字典时，分为4个维度进行评价，分别是：胜任力、专业能力、精神面貌、诚信；

S3：确定评价模型，在选择能力项的过程中，根据下列工具进行分析，首先，评估各能力项是否符合企业，有重复或有冲突的可以直接排除；然后，评估剩余的能力项是否符合发展数据，如不符合，可直接排除；最后，评估剩余的能力项是否与各层级的能力要求相符合，如不符合可直接排除；

S4：应用评价模型建成之后，需对评价模型的具体运用做出详细的说明，此外，还需在评价模型中设定每个能力项的权重，用于改善调整的能力，循序渐进地提升员工能。

8.如权利要求7所述的基于专业能力、核心能力、性格、外表、诚信所建立的人才评价方法，其特征在于：在S2中，字典需根据企业及岗位需要，定制不同胜任力字典、专业能力字典、精神面貌字典及诚信字典，通过不同的字典搭建为后续完成胜任力模型、专业能力模型、精神面貌模型、诚信模型。

Images