KR20180118611A - 인재의 데이터 기반 식별을 위한 시스템 및 방법 - Google Patents
인재의 데이터 기반 식별을 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20180118611A KR20180118611A KR1020187020903A KR20187020903A KR20180118611A KR 20180118611 A KR20180118611 A KR 20180118611A KR 1020187020903 A KR1020187020903 A KR 1020187020903A KR 20187020903 A KR20187020903 A KR 20187020903A KR 20180118611 A KR20180118611 A KR 20180118611A
- Authority
- KR
- South Korea
- Prior art keywords
- participant
- game
- group
- candidate
- employee
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 165
- 238000012360 testing method Methods 0.000 claims abstract description 128
- 230000007115 recruitment Effects 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000002996 emotional effect Effects 0.000 claims description 85
- 230000001149 cognitive effect Effects 0.000 claims description 82
- 230000006870 function Effects 0.000 claims description 81
- 230000000007 visual effect Effects 0.000 claims description 64
- 238000013179 statistical model Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 32
- 230000009471 action Effects 0.000 claims description 28
- 230000002452 interceptive effect Effects 0.000 claims description 27
- 230000000875 corresponding effect Effects 0.000 claims description 26
- 230000013016 learning Effects 0.000 claims description 26
- 239000013078 crystal Substances 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 11
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 46
- 238000012216 screening Methods 0.000 description 35
- 238000013102 re-test Methods 0.000 description 27
- 238000011156 evaluation Methods 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 24
- 238000012358 sourcing Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 20
- 230000008451 emotion Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 17
- 230000004044 response Effects 0.000 description 16
- 238000012552 review Methods 0.000 description 16
- 238000000605 extraction Methods 0.000 description 15
- 230000006399 behavior Effects 0.000 description 13
- 230000003542 behavioural effect Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 238000003909 pattern recognition Methods 0.000 description 12
- 230000003936 working memory Effects 0.000 description 10
- 238000013439 planning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008921 facial expression Effects 0.000 description 8
- 238000000540 analysis of variance Methods 0.000 description 7
- 230000001815 facial effect Effects 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000010079 rubber tapping Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000003935 attention Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000019771 cognition Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 4
- 230000002411 adverse Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 241000557626 Corvus corax Species 0.000 description 2
- 238000012356 Product development Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000550 effect on aging Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 208000007415 Anhedonia Diseases 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- 208000011597 CGF1 Diseases 0.000 description 1
- 206010029216 Nervousness Diseases 0.000 description 1
- XNOPRXBHLZRZKH-UHFFFAOYSA-N Oxytocin Natural products N1C(=O)C(N)CSSCC(C(=O)N2C(CCC2)C(=O)NC(CC(C)C)C(=O)NCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(CCC(N)=O)NC(=O)C(C(C)CC)NC(=O)C1CC1=CC=C(O)C=C1 XNOPRXBHLZRZKH-UHFFFAOYSA-N 0.000 description 1
- 101800000989 Oxytocin Proteins 0.000 description 1
- 102100031951 Oxytocin-neurophysin 1 Human genes 0.000 description 1
- 238000001604 Rao's score test Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005039 memory span Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001722 neurochemical effect Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- XNOPRXBHLZRZKH-DSZYJQQASA-N oxytocin Chemical compound C([C@H]1C(=O)N[C@H](C(N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CSSC[C@H](N)C(=O)N1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(C)C)C(=O)NCC(N)=O)=O)[C@@H](C)CC)C1=CC=C(O)C=C1 XNOPRXBHLZRZKH-DSZYJQQASA-N 0.000 description 1
- 229960001723 oxytocin Drugs 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000010332 selective attention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012030 stroop test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012034 trail making test Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06Q10/1053—Employment or hiring
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/45—Controlling the progress of the video game
- A63F13/46—Computing the game score
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/80—Special adaptations for executing a specific game genre or game mode
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F3/00—Board games; Raffle games
- A63F3/04—Geographical or like games ; Educational games
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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
- 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
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
본 개시는 신규 직원에 대한 채용 프로세스를 지원하도록 회사에 의해 사용될 수 있는 인재 식별 시스템 및 방법을 설명한다. 추가적으로, 시스템 및 방법은 이상적인 직업 분야 및 업계를 결정하기 위해 구직자에 의해 사용될 수 있다. 시스템 및 방법은 유저의 경력 경향을 평가하기 위해 다수의 신경 과학 기반의 테스트를 활용할 수도 있으며, 그 이후, 시스템 및 방법은 유저에게 직업 추천을 제공할 수 있거나 또는 회사에 대한 유저의 고용 적합성에 대해 보고할 수 있다.
Description
<관련 출원에 대한 교차 참조>
본 출원은 2015년 12월 23일자로 출원된 미국 가출원 제62/387,440호에 대한 우선권을 주장하는데, 그 가출원의 내용은 그 전체가 본원에 통합된다.
<배경기술>
직책(position)에 대한 적합한 후보자를 채용하는 것은 회사에 대한 도전 과제일 수 있다. 일반적으로, 회사는, 지원자가 그들의 팀에 대해 이상적인 적합자일 것인지를 결정하기 위해 리크루터(recruiter) 및 인터뷰에 의존할 수 있다. 그러나, 신규 직원(new employee)을 찾는 것은 시간 소모적이고, 비용이 많이 들며, 몇몇 경우에는, 특히 지원자의 풀(pool)이 큰 경우에는, 쓸데없는 프로세스일 수 있다. 반대로, 적합한 경력 경로(career path)를 결정하는 것은 새로운 구직자(job-seeker)에게는 어려운 과제일 수 있으며, 현존하는 구직 리소스(job search resource)는 종종 개인에게 맞춰지지 않는다. 소망되는 특징(characteristic) 프로파일에 기초하여 이상적인 직원 또는 직업을 찾는 플랫폼은 여전히 이용 불가능하다.
(1) 특정한 직위(job position)에 대한 회사의 필요성에 맞춤된 인재(talent)를 식별하기 위해, 그리고 (2) 상위 직원(top employee)을 식별하고 그들의 잠재성을 최적화하는 직책(position)에 그들 직원의 배치를 추천하기 위해, 회사 및 상이한 엔티티에 의해 사용될 수 있는 시스템 및 방법에 대한 필요성이 존재한다.
본원에서 개시되는 시스템 및 방법은 적어도 상기의 필요성을 해결할 수 있다. 몇몇 실시형태에서, 시스템 및 방법은, 하나 이상의 신경 과학 기반의 과제(neuroscience-based task)(또는 테스트)로부터 획득되는 후보자의 행동 출력(behavioral output)에 기초하여, 후보자를 회사와 매치시킬 수 있다. 후보자의 행동 출력은, 회사의 특정한 직책에 대한 이상적인 직원을 대표하는 직원 모델에 대해 비교될 수도 있다. 복수의 신경 과학 기반의 과제는, 다수의 정서적 및 인지적 특성(emotional and cognitive trait)을 테스트/측정하도록 설계되는 성과 기반의 게임(performance-based game)의 형태로 제공될 수도 있다. 신경 과학 기반의 게임의 사용, 및 직원 모델에 대한 이들 게임으로부터의 결과의 분석은, 회사가 회사의 채용 및 후보자 소싱 프로세스(candidate sourcing process)를 최적화하는 것을 도울 수 있다. 회사에 대한 유용한 채용 툴(recruiting tool)인 것 외에도, 본원에서 개시되는 시스템 및 방법은, 경력 계획(career-planning) 및 재능 식별에서 개인을 보조할 수 있다. 다수의 정서적 및 인지적 특성을 측정하는 테스트를 사용하는 것에 의해, 시스템 및 방법은 테스트 대상자(test subject)의 강점과 약점을 확인할 수 있고, 테스트 대상자에게 어떤 분야(들)가 적합한지를 추천하기 위해 그 정보를 적용할 수 있다.
하나의 양태에 따르면, 게임 기반의 직원 채용 방법(game-based personnel recruitment method)을 구현하기 위한 시스템이 제공된다. 그 시스템은 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스와 통신하는 서버를 포함할 수도 있다. 서버는 대화형 미디어(interactive media) 및 소프트웨어 명령어의 제1 세트를 저장하기 위한 메모리, 및 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어를 제공하기 위해 소프트웨어 명령어의 제1 세트를 실행하도록 구성되는 하나 이상의 프로세서를 포함할 수도 있다. 대화형 미디어는 참가자의 하나 이상의 정서적 및 인지적 특성을 측정하도록 설계되는 적어도 하나의 채용 게임(recruiting game)을 포함할 수도 있다. 채용 게임은 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제(neuroscience-based computerized task)와 관련되는 그래픽 비주얼 객체(graphical visual object)의 복수의 미리 정의된 세트를 포함할 수도 있다. 비주얼 객체의 복수의 미리 정의된 세트는 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 참가자에게 디스플레이될 수도 있다.
하나 이상의 프로세서는 또한, 참가자가 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 채용 게임을 플레이할 때, 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 하나 이상의 입력 디바이스를 사용하여 그래픽 디스플레이 상의 그래픽 비주얼 객체 중 하나 이상을 조작하는(manipulating) 것에 의해 컴퓨팅 디바이스로부터 입력 데이터를 수신하기 위해 소프트웨어 명령어의 제1 세트를 실행하도록 구성될 수도 있다.
하나 이상의 프로세서는 또한, (1) 참가자에 의한 그래픽 비주얼 객체(들)의 조작의 정도에 기초하여 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 참가자의 정서적 및 인지적 특성의 측정치에 기초하여 통계 모델 - 통계 모델은 참가자의 엄선된(select) 그룹을 대표함 - 을 생성하기 위해, 그리고 (3) 참가자의 정서적 및 인지적 특성의 측정치를 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 소프트웨어 명령어의 제1 세트를 실행하여 채용 게임 내의 하나 이상의 그래픽 비주얼 객체의 참가자의 조작으로부터 도출되는 입력 데이터를 분석하도록 구성될 수도 있다.
시스템은, 소프트웨어 명령어의 제2 세트를 저장하기 위한 메모리, 및 서버로부터 분석된 입력 데이터를 수신하기 위해, 그리고 분석된 입력 데이터를 적어도 하나의 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 그래픽 비주얼 객체의 세트로서 시각적으로 디스플레이하기 위해 소프트웨어 명령어의 제2 세트를 실행하도록 구성되는 하나 이상의 프로세서를 포함하는 적어도 하나의 컴퓨팅 디바이스를 더 포함할 수도 있다. 그래픽 비주얼 객체의 세트는 다음의 것을 포함할 수도 있다: (i) 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯, (ii) 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯, 및 (iii) 제1 밀도 함수 플롯 및 제2 밀도 함수 플롯의 각각에 관련하여 정의되는 결정 경계. 결정 경계는, 채용 게임에서의 후보자의 측정된 성과에 기초하여 목표 직책으로의 채용에 대한 후보자의 적합성을 결정하기 위해 엔티티에 의해 사용 가능할 수도 있다.
몇몇 실시형태에서, 하나 이상의 프로세서는, 후보자의 정서적 및 인지적 특성의 측정치를 통계 모델에 비교하는 것에 의해 채용 게임에서의 후보자의 성과를 측정하도록 구성될 수도 있다.
몇몇 실시형태에서, 하나 이상의 프로세서는 통계 모델에 대한 후보자의 정서적 및 인지적 특성의 측정치의 비교에 기초하여 후보자에 대한 적합 스코어(fit score)를 생성하도록 구성될 수도 있다. 적합 스코어는 참가자의 엄선된 그룹과의 후보자의 매치의 레벨을 나타낼 수도 있다. 하나 이상의 프로세서는 또한 적어도 하나의 컴퓨팅 디바이스의 그래픽 디스플레이 상에 적합 스코어를 나타내는 포인트를 디스플레이하도록 구성될 수도 있다. 포인트는 그래픽 디스플레이 상에서 제1 및 제2 밀도 함수 플롯 위에 포인트를 중첩시키는 것에 의해 디스플레이될 수도 있다. 하나 이상의 프로세서는 또한, 후보자를: (1) 포인트가 결정 경계와 관련하여 제1 영역 내에 놓이는 경우 그룹 밖에 있는 것으로, 또는 (2) 포인트가 결정 경계와 관련하여 제2 영역 내에 놓이는 경우 그룹 내에 있는 것으로 분류하도록 구성될 수도 있다.
몇몇 실시형태에서, 결정 경계는 제1 밀도 함수 플롯과 제2 밀도 함수 플롯 사이의 중첩 영역 내에서 정의될 수도 있다. 제1 영역은 제1 밀도 함수 플롯과 중첩할 수도 있고 제2 영역은 제2 밀도 함수 플롯과 중첩할 수도 있다. 후보자는, 포인트가 제1 영역 내에 놓이는 경우, 그룹 밖에 있는 것으로 분류되는 참가자와 더 유사한 것으로, 그리고 그룹 내에 있는 것으로 분류되는 참가자와 덜 유사한 것으로 결정될 수도 있다. 반대로, 후보자는, 포인트가 제2 영역 내에 놓이는 경우, 그룹 내에 있는 것으로 분류되는 참가자와 더 유사한 것으로, 그리고 그룹 밖에 있는 것으로 분류되는 참가자와 덜 유사한 것으로 결정될 수도 있다.
몇몇 실시형태에서, 후보자가 그룹 밖에 있는 것으로 올바르게 분류되는 확률은, 결정 경계로부터 제1 영역 안으로의 포인트의 거리가 증가함에 따라 증가할 수도 있다. 반대로, 후보자가 그룹 내에 있는 것으로 올바르게 분류되는 확률은, 결정 경계로부터 제2 영역 안으로의 포인트의 거리가 증가함에 따라 증가할 수도 있다.
몇몇 실시형태에서, 포인트가 제1 영역 내에 놓이는 경우 후보자는 목표 직책에 대해 덜 적합한 것으로 결정될 수도 있고, 포인트가 제2 영역 내에 놓이는 경우 후보자는 목표 직책에 대해 더 적합한 것으로 결정될 수도 있다. 목표 직책에 대한 후보자의 적합성은, 결정 경계로부터 제1 영역 안으로의 포인트의 거리가 증가함에 따라 감소하도록 결정될 수도 있다. 반대로, 목표 직책에 대한 후보자의 적합성은, 결정 경계로부터 제2 영역 안으로의 포인트의 거리가 증가함에 따라 증가하도록 결정될 수도 있다.
몇몇 실시형태에서, 그래픽 디스플레이 상의 제1 및 제2 밀도 플롯에 대한 결정 경계의 위치는 엔티티에 의해 조정될 수도 있고, 결정 경계의 위치가 조정되면, 그룹 내에 있는 것으로 또는 그룹 밖에 있는 것으로 분류되는 참가자의 수는 변할 수도 있다. 예를 들면, 결정 경계의 위치는, 더 많은 수의 참가자가 그룹 밖에 있는 것으로 분류되고 더 적은 수의 참가자가 그룹 내에 있는 것으로 분류되도록, 그래픽 디스플레이 상에서 제1 방향으로 조정 가능할 수도 있다. 반대로, 결정 경계의 위치는, 더 많은 수의 참가자가 그룹 내에 있는 것으로 분류되고 더 적은 수의 참가자가 그룹 밖에 있는 것으로 분류되도록, 그래픽 디스플레이 상에서 제2 방향으로 조정 가능할 수도 있다. 제2 방향은 제1 방향과 반대일 수도 있다. 결정 경계의 위치가 제1 방향으로 조정되는 경우, 더 많은 수의 후보자가 그룹 밖에 있는 것으로 분류될 수도 있고 더 적은 수의 후보자가 그룹 내에 있는 것으로 분류될 수도 있다. 반대로, 결정 경계의 위치가 제2 방향으로 조정되는 경우, 더 많은 수의 후보자가 그룹 내에 있는 것으로 분류될 수도 있고 더 적은 수의 후보자가 그룹 밖에 있는 것으로 분류될 수도 있다.
몇몇 실시형태에서, 하나 이상의 프로세서는, 통계 모델에 대한 후보자의 정서적 및 인지적 특성의 측정치의 비교에 기초하여 복수의 후보자에 대한 복수의 적합 스코어를 생성하도록 구성될 수도 있다. 적합 스코어는 참가자의 엄선된 그룹과의 후보자의 매치의 레벨을 나타낼 수도 있다. 하나 이상의 프로세서는 또한, 그래픽 디스플레이 상에 복수의 적합 스코어를 나타내는 복수의 포인트의 디스플레이를 실행하도록 구성될 수도 있다. 복수의 포인트는 제1 및 제2 밀도 함수 플롯 상에 포인트를 중첩시키는 것에 의해 디스플레이될 수도 있다.
몇몇 실시형태에서, 복수의 컴퓨팅 디바이스 상에서 복수의 참가자에 의해 채용 게임이 플레이되고 있을 때, 복수의 컴퓨팅 디바이스는 서로 통신할 수도 있고, 대화형 미디어를 제공하도록 구성되는 서버와 통신할 수도 있다. 입력 데이터는 서버의 메모리에 저장될 수도 있다. 입력 데이터는 채용 게임에서 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 수행함에 있어서 각각의 참가자의 과거(historical) 및/또는 현재 성과 데이터를 포함할 수도 있다. 하나 이상의 프로세서는, 각각의 참가자의 과거 및/또는 현재 성과 데이터에 기초하여, 채용 게임에서 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 수행함에 있어서의 각각의 참가자의 미래의 성과를 예측하도록 구성될 수도 있다.
몇몇 실시형태에서, 과거 및/또는 현재 성과 데이터는 다음의 것을 포함할 수도 있다: (1) 선택된 신경 과학 기반의 컴퓨터화된 과제 중 하나 이상에 대해 각각의 참가자가 소비하는 시간의 양, (2) 선택된 신경 과학 기반의 컴퓨터화된 과제 중 하나 이상을 완료하기 위해 각각의 참가자가 취하는 시도의 횟수, (3) 선택된 신경 과학 기반의 컴퓨터화된 과제 중 하나 이상을 완료하기 위해 각각의 참가자가 취하는 상이한 액션, (4) 상이한 액션 중 하나 이상을 수행하기 위해 각각의 참가자가 이용하는 시간의 양, (5) 상이한 액션 중 하나 이상을 수행함에 있어서의 각각의 참가자의 정확도, 및/또는 (6) 선택된 신경 과학 기반의 컴퓨터화된 과제 중 하나 이상을 완료하기 위해 어떠한 결정 또는 판단을 행할 때 각각의 참가자가 적용하는 가중치.
몇몇 실시형태에서, 하나 이상의 프로세서는, 입력 데이터를 분석하여, 채용 게임에서 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 각각의 참가자가 상이한 비주얼 객체를 정확하게 선택, 배치 및/또는 사용했는지의 여부를 결정하도록 구성될 수도 있다. 프로세서는 또한, 각각의 참가자의 학습, 인지 기술, 및 채용 게임을 플레이함에 있어서 행한 이전의 실수로부터 학습하는 능력을 평가하기 위해 입력 데이터를 분석하도록 구성될 수도 있다. 몇몇 경우에, 프로세서는, 각각의 참가자가 다른 짝을 이룬 참가자(들)의 신원(identity)을 알지 못하도록 채용 게임에서 랜덤 방식으로 복수의 참가자 중 두 명 이상의 참가자를 짝을 짓도록(pair) 구성될 수도 있고, 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제 중 적어도 하나는, 짝을 이룬 참가자들 사이의 신뢰 레벨 및/또는 관용 레벨(generosity level)을 테스트하도록 설계될 수도 있다.
몇몇 실시형태에서, 통계 모델은, 복수의 참가자가 동일한 채용 게임의 다수의 라운드를 플레이할 때 및/또는 복수의 참가자가 복수의 상이한 채용 게임을 플레이할 때, 참가자의 정서적 및 인지적 특성의 측정치에서의 변화를 동적으로 고려하도록 구성될 수도 있다.
몇몇 실시형태에서, 하나 이상의 프로세서는, 채용 게임을 플레이하고 있는 참가자의 신원을 마스킹하는 것에 의해 입력 데이터를 식별 해제하도록(de-identify), 그리고 입력 데이터의 분석 이전에 식별 해제된 입력 데이터를 서버의 메모리에 저장하도록 구성될 수도 있다.
몇몇 실시형태에서, 복수의 참가자는 엔티티에 의해 활용될 수도 있다. 참가자의 엄선된 그룹은, 엔티티에 의해 미리 정의되는 업무 성과 메트릭(job-performance metrics)의 세트를 적어도 충족하는 엔티티의 직원의 그룹에 대응할 수도 있다. 통계 모델은 업무 성과 메트릭의 세트와 상관될 수도 있다.
몇몇 실시형태에서, 하나 이상의 그래픽 비주얼 객체의 조작은, 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 참가자가 하나 이상의 입력 디바이스를 사용하여 그래픽 디스플레이 상의 하나 이상의 그래픽 비주얼 객체를 선택하는 것 및/또는 공간적으로 조작하는 것에 의해 실행될 수도 있다. 참가자의 복수의 정서적 및 인지적 특성은, 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료함에 있어서의 참가자의 속도, 정확도, 및/또는 판단에 기초하여 측정될 수도 있다.
몇몇 실시형태에서, 채용 게임은, 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해, 그래픽 디스플레이 상의 하나 이상의 그래픽 비주얼 객체를 통해 복수의 참가자가 서로 상호 작용하는 것을 허용하도록 구성될 수도 있다. 몇몇 경우에, 복수의 상이한 분야, 임무(function), 산업 및/또는 엔티티에 대해 상이한 통계 모델이 생성될 수도 있다.
본 발명의 다른 양태에서 컴퓨터 구현 게임 기반의 직원 채용 방법이 제공된다. 이 방법은 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어를 제공하는 단계를 포함할 수도 있다. 대화형 미디어는 참가자의 하나 이상의 정서적 및 인지적 특성을 측정하도록 설계되는 적어도 하나의 채용 게임(recruiting game)을 포함할 수도 있다. 채용 게임은 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제(neuroscience-based computerized task)와 관련되는 그래픽 비주얼 객체(graphical visual object)의 복수의 미리 정의된 세트를 포함할 수도 있다. 비주얼 객체의 복수의 미리 정의된 세트는 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 참가자에게 디스플레이될 수도 있다.
그 방법은 또한, 참가자가 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 채용 게임을 플레이할 때, 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 그래픽 디스플레이 상의 그래픽 비주얼 객체 중 하나 이상을 조작하는 것에 의해 컴퓨팅 디바이스로부터 입력 데이터를 수신하는 것을 포함할 수도 있다.
그 방법은, (1) 참가자에 의한 그래픽 비주얼 객체(들)의 조작의 정도에 기초하여 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 참가자의 정서적 및 인지적 특성의 측정치에 기초하여 통계 모델 - 통계 모델은 참가자의 엄선된 그룹(select group)을 대표함 - 을 생성하기 위해, 그리고 (3) 참가자의 정서적 및 인지적 특성의 측정치를 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 채용 게임 내의 하나 이상의 그래픽 비주얼 객체의 참가자의 조작으로부터 도출되는 입력 데이터를 분석하는 것을 더 포함할 수도 있다.
추가적으로, 그 방법은, 분석된 입력 데이터를 다음의 것을 포함하는 그래픽 비주얼 객체의 세트로서 시각적으로 디스플레이하는 것을 포함할 수도 있다: (i) 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯, (ii) 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯, 및 (iii) 제1 밀도 함수 플롯 및 제2 밀도 함수 플롯의 각각에 관련하여 정의되는 결정 경계. 결정 경계는, 채용 게임에서의 후보자의 측정된 성과에 기초하여 목표 직책으로의 채용에 대한 후보자의 적합성을 결정하기 위해 엔티티에 의해 사용 가능할 수도 있다.
본 발명의 또 다른 양태에서, 하나 이상의 서버에 의한 실행시, 하나 이상의 서버로 하여금 컴퓨터 구현 신경 과학 기반의 직원 채용 방법(computer-implemented neuroscience-based personnel recruitment method)을 수행하게 하는 명령어를 저장하는 유형의(tangible) 컴퓨터 판독 가능 매체가 제공된다. 이 방법은 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어를 제공하는 단계를 포함할 수도 있다. 대화형 미디어는 참가자의 하나 이상의 정서적 및 인지적 특성을 측정하도록 설계되는 적어도 하나의 채용 게임(recruiting game)을 포함할 수도 있다. 채용 게임은 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제(neuroscience-based computerized task)와 관련되는 그래픽 비주얼 객체(graphical visual object)의 복수의 미리 정의된 세트를 포함할 수도 있다. 비주얼 객체의 복수의 미리 정의된 세트는 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 참가자에게 디스플레이될 수도 있다.
그 방법은 또한, 참가자가 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 채용 게임을 플레이할 때, 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 하나 이상의 입력 디바이스를 사용하여 그래픽 디스플레이 상의 그래픽 비주얼 객체 중 하나 이상을 조작하는 것에 의해 컴퓨팅 디바이스로부터 입력 데이터를 수신하는 것을 포함할 수도 있다.
그 방법은, (1) 참가자에 의한 그래픽 비주얼 객체(들)의 조작의 정도에 기초하여 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 참가자의 정서적 및 인지적 특성의 측정치에 기초하여 통계 모델 - 통계 모델은 참가자의 엄선된 그룹을 대표함 - 을 생성하기 위해, 그리고 (3) 참가자의 정서적 및 인지적 특성의 측정치를 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 채용 게임 내의 하나 이상의 그래픽 비주얼 객체의 참가자의 조작으로부터 도출되는 입력 데이터를 분석하는 것을 더 포함할 수도 있다.
추가적으로, 그 방법은 엔티티에 의한 사용을 위해 분석된 입력 데이터를 저장하는 것을 포함할 수도 있다. 분석된 입력 데이터는 적어도 하나의 컴퓨팅 디바이스의 그래픽 디스플레이 상에 시각적으로 디스플레이 되도록 구성되는 그래픽 비주얼 객체의 세트를 포함할 수도 있다. 그래픽 비주얼 객체의 세트는 다음의 것을 포함할 수도 있다: (i) 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯, (ii) 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯, 및 (iii) 제1 밀도 함수 플롯과 제2 밀도 함수 플롯 사이의 중첩 영역 내에서 정의되는 결정 경계. 결정 경계는, 채용 게임에서의 후보자의 측정된 성과에 기초하여 목표 직책으로의 채용에 대한 후보자의 적합성을 결정하기 위해 엔티티에 의해 사용 가능할 수도 있다.
몇몇 실시형태에서, 컴퓨터 실행 가능 코드가 인코딩된 컴퓨터 판독 가능 매체를 포함하는 컴퓨터 프로그램 제품이 제공된다. 컴퓨터 실행 가능 코드는 다음의 것을 포함하는 방법을 구현하기 위해 실행되도록 적응될 수도 있다: a) 채용 시스템(recruitment system) - 채용 시스템은: i) 과제 모듈; ii) 측정 모듈; iii) 평가 모듈; 및 iv) 식별 모듈을 포함함 - 을 제공하는 것; b) 컴퓨터화된 과제를 과제 모듈에 의해 대상자(subject)에게 제공하는 것; c) 과제의 수행에서 대상자에 의해 나타내어지는 성과 값(performance value)을 측정 모듈에 의해 측정하는 것; d) 측정된 성과 값에 기초하여 대상자의 특성을 평가 모듈에 의해 평가하는 것; 및 e) 평가된 특성에 기초하여 식별 모듈에 의해 고용 임원(hiring officer)에게, 대상자가 엔티티에 의한 고용에 대해 적합하다는 것을 식별시키는 것.
몇몇 실시형태에서, 컴퓨터 실행 가능 코드가 인코딩된 컴퓨터 판독 가능 매체를 포함하는 컴퓨터 프로그램 제품이 제공된다. 컴퓨터 실행 가능 코드는 다음의 것을 포함하는 방법을 구현하기 위해 실행되도록 적응될 수도 있다: a) 인재 식별 시스템 - 인재 식별 시스템은: i) 과제 모듈; ii) 측정 모듈; iii) 평가 모듈; iv) 식별 모듈; 및 v) 출력 모듈을 포함함 - 을 제공하는 것; b) 컴퓨터화된 과제를 과제 모듈에 의해 대상자에게 제공하는 것; c) 과제의 수행에서 대상자에 의해 나타내어지는 성과 값을 측정 모듈에 의해 측정하는 것; d) 측정된 성과 값에 기초하여 대상자의 특성을 평가 모듈에 의해 평가하는 것; 및 e) 대상자의 특성의 평가에 기초하여 식별 모듈에 의해 경력 경향(career propensity)을 식별하는 것; 및 f) 식별된 경력 경향을 고용 임원에게 출력 모듈에 의해 출력하는 것.
몇몇 실시형태에서, 컴퓨터 구현 방법은 다음의 것을 포함할 수도 있다: a) 컴퓨터화된 과제를 대상자에게 제공하는 것; b) 과제의 수행에서 대상자에 의해 나타내어지는 성과 값을 측정하는 것; c) 성과 값에 기초하여 대상자의 특성을 평가하는 것; d) 컴퓨터 시스템의 프로세서에 의해 대상자의 특성을 테스트 대상자의 데이터베이스와 비교하는 것; e) 비교에 기초하여, 대상자가 엔티티에 의한 고용에 대해 적합하다는 것을 결정하는 것; 및 f) 대상자가 고용에 대해 적합하다는 것을 엔티티의 고용 임원에게 보고하는 것.
몇몇 실시형태에서, 컴퓨터 구현 방법은 다음의 것을 포함할 수도 있다: a) 컴퓨터화된 과제를 대상자에게 제공하는 것; b) 과제의 수행에서 대상자에 의해 나타내어지는 성과 값을 측정하는 것; c) 성과 값에 기초하여 대상자의 특성을 평가하는 것; d) 테스트 대상자의 데이터베이스와의 대상자의 평가된 특성의 비교에 기초하여 대상자의 경력 경향을 컴퓨터 시스템의 프로세서에 의해 식별하는 것; 및 e) 비교의 결과를 고용 임원에게 출력하는 것.
본 발명의 하나의 양태에서, 컴퓨터 구현 신경 과학 기반의 직원 채용 방법이 제공된다. 그 방법은 다음의 것을 포함할 수도 있다: 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어 - 대화형 미디어는, 참가자의 복수의 정서적 및 인지적 특성을 측정하도록 설계되는 선택된 신경 과학 기반의 과제의 세트를 가지고 생성되는 적어도 하나의 채용 게임을 포함하고, 채용 게임은 선택된 신경 과학 기반의 과제의 세트와 관련되는 비주얼 객체의 미리 정의된 세트를 포함하고, 비주얼 객체의 미리 정의된 세트는 컴퓨팅 디바이스의 그래픽 디스플레이 상에 제시됨 - 를 제공하는 것; 참가자가 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 채용 게임을 플레이할 때, 선택된 신경 과학 기반의 과제의 세트를 완료하기 위해 비주얼 객체의 미리 정의된 세트와 상호 작용하는 것에 의해 컴퓨팅 디바이스로부터 입력 데이터를 수신하는 것; (1) 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 참가자의 정서적 및 인지적 특성의 측정치에 기초하여 통계 모델 - 통계 모델은 참가자의 엄선된 그룹을 대표함 - 을 생성하기 위해, 그리고 (3) 참가자의 정서적 및 인지적 특성의 측정치를 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 채용 게임 내의 비주얼 객체의 미리 정의된 세트와의 참가자의 상호 작용으로부터 도출되는 입력 데이터를 분석하는 것; 및 분석된 입력 데이터를 그래픽 디스플레이 상에서 복수의 밀도 함수 플롯 - 복수의 밀도 함수 플롯은, 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯 및 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯을 포함하고, 제1 밀도 함수 플롯과 제2 밀도 함수 플롯 사이의 중첩 영역 내에서 결정 경계가 정의됨 - 으로서 시각적으로 디스플레이하는 것.
몇몇 실시형태에서, 복수의 참가자는 적어도 한 명의 후보자를 더 포함할 수도 있고, 그 방법은 다음을 더 포함할 수도 있다: 후보자의 정서적 및 인지적 특성의 측정치를 통계 모델에 비교하고, 비교에 기초하여 후보자에 대한 스코어를 생성하는 것; 그래픽 디스플레이 상에서 복수의 밀도 함수 플롯 위에 스코어를 나타내는 포인트를 디스플레이하는 것; 및 후보자를: (1) 포인트가 결정 경계와 관련하여 제1 영역 내에 놓이는 경우 그룹 내에 있는 것으로, 또는 (2) 포인트가 결정 경계와 관련하여 제2 영역 내에 놓이는 경우 그룹 밖에 있는 것으로 분류하는 것.
본 발명의 다른 양태는 신경 과학 기반의 직원 채용 방법을 구현하기 위한 시스템을 제공할 수도 있다. 그 시스템은: 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스와 통신하는 서버를 포함할 수도 있고, 서버는 소프트웨어 명령어의 제1 세트를 저장하기 위한 메모리, 및 소프트웨어 명령어의 제1 세트를 실행하도록 구성되는 하나 이상의 프로세서를 포함하고, 소프트웨어 명령어의 제1 세트는: 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어를 제공하고, 대화형 미디어는, 참가자의 복수의 정서적 및 인지적 특성을 측정하도록 설계되는 선택된 신경 과학 기반의 과제의 세트를 가지고 생성되는 적어도 하나의 채용 게임을 포함하고, 채용 게임은 선택된 신경 과학 기반의 과제의 세트와 관련되는 비주얼 객체의 미리 정의된 세트를 포함하고, 비주얼 객체의 미리 정의된 세트는 컴퓨팅 디바이스의 그래픽 디스플레이 상에 제시되고; 참가자가 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 채용 게임을 플레이할 때, 선택된 신경 과학 기반의 과제의 세트를 완료하기 위해 비주얼 객체의 미리 정의된 세트와 상호 작용하는 것에 의해 컴퓨팅 디바이스로부터 입력 데이터를 수신하고; (1) 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 참가자의 정서적 및 인지적 특성의 측정치에 기초하여 통계 모델 - 통계 모델은 참가자의 엄선된 그룹을 대표함 - 을 생성하기 위해, 그리고 (3) 참가자의 정서적 및 인지적 특성의 측정치를 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 채용 게임 내의 비주얼 객체의 미리 정의된 세트와의 참가자의 상호 작용으로부터 도출되는 입력 데이터를 분석한다. 복수의 컴퓨팅 디바이스는 소프트웨어 명령어의 제2 세트를 저장하기 위한 메모리, 및 소프트웨어 명령어의 제2 세트를 실행하도록 구성되는 하나 이상의 프로세서를 포함할 수도 있고, 소프트웨어 명령어의 제2 세트는: 서버로부터 분석된 입력 데이터를 수신하고; 분석된 입력 데이터를 그래픽 디스플레이 상에서 복수의 밀도 함수 플롯으로서 시각적으로 디스플레이하며, 복수의 밀도 함수 플롯은, 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯 및 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯을 포함하고, 제1 밀도 함수 플롯과 제2 밀도 함수 플롯 사이의 중첩 영역 내에서 결정 경계가 정의된다.
본 발명의 또 다른 양태에 따르면, 하나 이상의 서버에 의한 실행시, 하나 이상의 서버로 하여금 컴퓨터 구현 신경 과학 기반의 직원 채용 방법을 수행하게 하는 명령어를 저장하는 유형의 컴퓨터 판독 가능 매체가 제공된다. 그 방법은 다음의 것을 포함할 수도 있다: 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어 - 대화형 미디어는, 참가자의 복수의 정서적 및 인지적 특성을 측정하도록 설계되는 선택된 신경 과학 기반의 과제의 세트를 가지고 생성되는 적어도 하나의 채용 게임을 포함하고, 채용 게임은 선택된 신경 과학 기반의 과제의 세트와 관련되는 비주얼 객체의 미리 정의된 세트를 포함하고, 비주얼 객체의 미리 정의된 세트는 컴퓨팅 디바이스의 그래픽 디스플레이 상에 제시됨 - 를 제공하는 것; 참가자가 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 채용 게임을 플레이할 때, 선택된 신경 과학 기반의 과제의 세트를 완료하기 위해 비주얼 객체의 미리 정의된 세트와 상호 작용하는 것에 의해 컴퓨팅 디바이스로부터 입력 데이터를 수신하는 것; (1) 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 참가자의 정서적 및 인지적 특성의 측정치에 기초하여 통계 모델 - 통계 모델은 참가자의 엄선된 그룹을 대표함 - 을 생성하기 위해, 그리고 (3) 참가자의 정서적 및 인지적 특성의 측정치를 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 채용 게임 내의 비주얼 객체의 미리 정의된 세트와의 참가자의 상호 작용으로부터 도출되는 입력 데이터를 분석하는 것; 및 분석된 입력 데이터를 그래픽 디스플레이 상에서 복수의 밀도 함수 플롯 - 복수의 밀도 함수 플롯은, 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯 및 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯을 포함하고, 제1 밀도 함수 플롯과 제2 밀도 함수 플롯 사이의 중첩 영역 내에서 결정 경계가 정의됨 - 으로서 시각적으로 디스플레이하는 것.
본 발명의 상이한 양태는 개별적으로, 집합적으로, 또는 서로 조합하여 인식될 수 있다는 것이 이해될 수 있을 것이다. 본원에서 설명되는 본 발명의 다양한 양태는 하기에서 기술되는 특정한 애플리케이션 중 임의의 것에 적용될 수도 있다.
본 발명의 다른 목적 및 피쳐는, 명세서, 청구범위, 및 첨부된 도면의 재검토에 의해 명백하게 될 것이다.
<참조에 의한 통합>
본 명세서에서 언급되는 모든 간행물, 특허 및 특허 출원은, 각기 개개의 간행물, 특허, 또는 특허 출원이 구체적으로 그리고 개별적으로 참조에 의해 통합되도록 나타내어진 것과 동일한 정도로 참조에 의해 본원에 통합된다.
도 1은, 몇몇 실시형태에 따른, 하나 이상의 선별 시스템(screening system)을 포함하는 예시적인 네트워크 레이아웃을 예시한다;
도 2는, 몇몇 실시형태에 따른, 선별 시스템의 예시적인 컴포넌트 및 선별 시스템의 입력/출력의 개략적인 블록도를 예시한다;
도 3은, 몇몇 실시형태에 따른, 예시적인 가입(sign-up) 윈도우 및 로그인 윈도우를 예시한다;
도 4는, 몇몇 실시형태에 따른, 예시적인 소싱 모델 윈도우(sourcing model window)를 예시한다;
도 5는, 몇몇 실시형태에 따른, 예시적인 후보자 윈도우를 예시한다;
도 6은, 몇몇 실시형태에 따른, 도 5의 후보자 윈도우 내의 예시적인 필터링 윈도우를 예시한다;
도 7 및 도 8은, 몇몇 실시형태에 따른, 예시적인 후보자 프로파일 윈도우를 예시한다;
도 9는, 몇몇 실시형태에 따른, 예시적인 통신 윈도우를 예시한다;
도 10은, 몇몇 실시형태에 따른, 예시적인 직원 대시보드 윈도우(employees dashboard window)를 예시한다;
도 11은, 몇몇 실시형태에 따른, 예시적인 직원 참가 윈도우(employees participation window)를 예시한다;
도 12 및 도 13은, 몇몇 실시형태에 따른, 도 11의 윈도우 내에서 유저가 내비게이팅할 때의 직원 참가 정보의 디스플레이를 예시한다;
도 14 및 도 15는, 몇몇 실시형태에 따른, 예시적인 모델 특성 윈도우를 예시한다;
도 16은, 몇몇 실시형태에 따른, 도 14의 윈도우 내에서 유저가 내비게이팅할 때의 특성 통계치(trait statistics)의 디스플레이를 예시한다;
도 17a는, 몇몇 실시형태에 따른, 예시적인 모델 정확도 윈도우를 예시한다;
도 17b는, 몇몇 실시형태에 따른, 도 17a의 직원 모델에 후보자의 특성을 비교한 결과를 예시한다;
도 18은, 몇몇 실시형태에 따른, 유저가 도 17a의 윈도우 내에서 내비게이팅할 때의 그룹 특징의 디스플레이를 예시한다;
도 19는, 몇몇 실시형태에 따른, 도 17a의 윈도우에서의 예시적인 분류 및 교차 검증 테이블을 예시한다;
도 20은, 몇몇 실시형태에 따른, 예시적인 모델 편향성 윈도우(model bias window)를 예시한다;
도 21은, 몇몇 실시형태에 따른, 도 20의 윈도우에서의 상이한 편향성 요인(bias factor)에 대한 채점 테이블(scoring table)을 예시한다;
도 22는, 몇몇 실시형태에 따른, 유저가 도 21의 윈도우 내에서 내비게이팅할 때의 편향성 적합 스코어(bias fit score)의 디스플레이를 예시한다;
도 23은, 몇몇 실시형태에 따른, 예시적인 선별 모델 윈도우(screening model window)를 예시한다;
도 24는, 몇몇 실시형태에 따른, 예시적인 내부 이동성 모델 윈도우(internal mobility model window)를 예시한다;
도 25는, 몇몇 실시형태에 따른, 메일 박스 폴더 내의 예시적인 메시지 윈도우를 예시한다;
도 26은, 몇몇 실시형태에 따른, 계정 폴더 내의 예시적인 그룹 설정 윈도우를 예시한다;
도 27 및 도 28은, 몇몇 실시형태에 따른, 계정 폴더 내의 예시적인 프라이버시 설정 윈도우를 예시한다;
도 29 및 도 30은, 몇몇 실시형태에 따른, 자주 묻는 질문(frequently-asked questions; FAQ) 폴더 내의 예시적인 FAQ 윈도우를 예시한다;
도 31은, 몇몇 실시형태에 따른, 도 29 및 도 30의 FAQ 윈도우 내의 예시적인 질의 윈도우(inquiry window)를 예시한다;
도 32는, 몇몇 실시형태에 따른, 모델링 시스템의 개관을 묘사한다;
도 33은, 몇몇 실시형태에 따른, 본 발명의 예에서의 직원 참가의 그래픽 표현이다;
도 34는, 몇몇 실시형태에 따른, 본 발명의 시스템에 의해 생성되는 모델의 정확도를 도시한다;
도 35는, 본 발명의 예시적인 실시형태와 관련하여 사용될 수 있는 컴퓨터 시스템의 제1 예시적인 아키텍쳐를 예시하는 블록도이다;
도 36은, 본 발명의 예시적인 실시형태와 관련하여 사용될 수 있는 컴퓨터 네트워크를 예시하는 도면이다;
도 37은, 본 발명의 예시적인 실시형태와 관련하여 사용될 수 있는 컴퓨터 시스템의 제2 예시적인 아키텍쳐를 예시하는 블록도이다;
도 38은 본 발명의 제품을 전달할 수 있는 글로벌 네트워크를 예시한다;
도 39는, 몇몇 실시형태에 따른, 직원 통계 모델을 생성하기 위한 예시적인 방법의 플로우차트를 예시한다; 그리고
도 40은, 몇몇 실시형태에 따른, 후보자를 도 39의 직원 통계 모델에 비교하기 위한 예시적인 방법의 플로우차트를 예시한다.
도 2는, 몇몇 실시형태에 따른, 선별 시스템의 예시적인 컴포넌트 및 선별 시스템의 입력/출력의 개략적인 블록도를 예시한다;
도 3은, 몇몇 실시형태에 따른, 예시적인 가입(sign-up) 윈도우 및 로그인 윈도우를 예시한다;
도 4는, 몇몇 실시형태에 따른, 예시적인 소싱 모델 윈도우(sourcing model window)를 예시한다;
도 5는, 몇몇 실시형태에 따른, 예시적인 후보자 윈도우를 예시한다;
도 6은, 몇몇 실시형태에 따른, 도 5의 후보자 윈도우 내의 예시적인 필터링 윈도우를 예시한다;
도 7 및 도 8은, 몇몇 실시형태에 따른, 예시적인 후보자 프로파일 윈도우를 예시한다;
도 9는, 몇몇 실시형태에 따른, 예시적인 통신 윈도우를 예시한다;
도 10은, 몇몇 실시형태에 따른, 예시적인 직원 대시보드 윈도우(employees dashboard window)를 예시한다;
도 11은, 몇몇 실시형태에 따른, 예시적인 직원 참가 윈도우(employees participation window)를 예시한다;
도 12 및 도 13은, 몇몇 실시형태에 따른, 도 11의 윈도우 내에서 유저가 내비게이팅할 때의 직원 참가 정보의 디스플레이를 예시한다;
도 14 및 도 15는, 몇몇 실시형태에 따른, 예시적인 모델 특성 윈도우를 예시한다;
도 16은, 몇몇 실시형태에 따른, 도 14의 윈도우 내에서 유저가 내비게이팅할 때의 특성 통계치(trait statistics)의 디스플레이를 예시한다;
도 17a는, 몇몇 실시형태에 따른, 예시적인 모델 정확도 윈도우를 예시한다;
도 17b는, 몇몇 실시형태에 따른, 도 17a의 직원 모델에 후보자의 특성을 비교한 결과를 예시한다;
도 18은, 몇몇 실시형태에 따른, 유저가 도 17a의 윈도우 내에서 내비게이팅할 때의 그룹 특징의 디스플레이를 예시한다;
도 19는, 몇몇 실시형태에 따른, 도 17a의 윈도우에서의 예시적인 분류 및 교차 검증 테이블을 예시한다;
도 20은, 몇몇 실시형태에 따른, 예시적인 모델 편향성 윈도우(model bias window)를 예시한다;
도 21은, 몇몇 실시형태에 따른, 도 20의 윈도우에서의 상이한 편향성 요인(bias factor)에 대한 채점 테이블(scoring table)을 예시한다;
도 22는, 몇몇 실시형태에 따른, 유저가 도 21의 윈도우 내에서 내비게이팅할 때의 편향성 적합 스코어(bias fit score)의 디스플레이를 예시한다;
도 23은, 몇몇 실시형태에 따른, 예시적인 선별 모델 윈도우(screening model window)를 예시한다;
도 24는, 몇몇 실시형태에 따른, 예시적인 내부 이동성 모델 윈도우(internal mobility model window)를 예시한다;
도 25는, 몇몇 실시형태에 따른, 메일 박스 폴더 내의 예시적인 메시지 윈도우를 예시한다;
도 26은, 몇몇 실시형태에 따른, 계정 폴더 내의 예시적인 그룹 설정 윈도우를 예시한다;
도 27 및 도 28은, 몇몇 실시형태에 따른, 계정 폴더 내의 예시적인 프라이버시 설정 윈도우를 예시한다;
도 29 및 도 30은, 몇몇 실시형태에 따른, 자주 묻는 질문(frequently-asked questions; FAQ) 폴더 내의 예시적인 FAQ 윈도우를 예시한다;
도 31은, 몇몇 실시형태에 따른, 도 29 및 도 30의 FAQ 윈도우 내의 예시적인 질의 윈도우(inquiry window)를 예시한다;
도 32는, 몇몇 실시형태에 따른, 모델링 시스템의 개관을 묘사한다;
도 33은, 몇몇 실시형태에 따른, 본 발명의 예에서의 직원 참가의 그래픽 표현이다;
도 34는, 몇몇 실시형태에 따른, 본 발명의 시스템에 의해 생성되는 모델의 정확도를 도시한다;
도 35는, 본 발명의 예시적인 실시형태와 관련하여 사용될 수 있는 컴퓨터 시스템의 제1 예시적인 아키텍쳐를 예시하는 블록도이다;
도 36은, 본 발명의 예시적인 실시형태와 관련하여 사용될 수 있는 컴퓨터 네트워크를 예시하는 도면이다;
도 37은, 본 발명의 예시적인 실시형태와 관련하여 사용될 수 있는 컴퓨터 시스템의 제2 예시적인 아키텍쳐를 예시하는 블록도이다;
도 38은 본 발명의 제품을 전달할 수 있는 글로벌 네트워크를 예시한다;
도 39는, 몇몇 실시형태에 따른, 직원 통계 모델을 생성하기 위한 예시적인 방법의 플로우차트를 예시한다; 그리고
도 40은, 몇몇 실시형태에 따른, 후보자를 도 39의 직원 통계 모델에 비교하기 위한 예시적인 방법의 플로우차트를 예시한다.
회사는 종종 비효율적인 채용 관행에 의존하는데, 이것은 열등한 지원자의 고용으로 이어질 수 있고, 궁극적으로는, 더 낮은 직원 유지로 이어질 수 있다. 또한, 채용 프로세스가 비용이 많이 들 수 있기 때문에, 고용주는 새로운 인재를 확보하는 것을 꺼려할 수 있다. 이러한 꺼려함(reluctance)은 회사의 침체로 그리고 더 나은 기회를 추구하는 상위 직원의 퇴사로 이어질 수 있다. 따라서, 회사는 비용 효율적이지만, 그러나 정확한 고용의 어려운 과제와 직면한다. 반대로, 새로운 졸업생 또는 구직자는, 예측 불가능한 채용 시장(job market)뿐만 아니라, 또한, 처음에 어떤 경력 경로를 추구할지의 결정의 어려움으로 인해, 자신의 재능 및 성향에 가장 적합되는 직업을 찾는 데 있어서 도전 과제에 직면한다.
몇몇 경우에, 직원은 회사 내에서 상이한 직무(job role)로 전환하기를 원할 수도 있지만, 그러나, 그 직무에서 탁월할 직원의 태도 또는 잠재성 대신, 능력 또는 경험에 더 초점을 맞추는 내부 이적 가이드라인(internal transfer guideline) 때문에, 그렇게 할 기회가 부족할 수도 있다. 회사 내에서의 내부적인 기회의 폐지는, 그 밖의 곳에서의 더 나은 기회를 추구하기 위한 상위 직원의 퇴사로 이어질 수도 있다.
따라서, (1) 특정한 직위에 대한 회사의 필요성에 맞춤된 인재를 식별하기 위해, 그리고 (2) 상위 직원을 식별하고 그들의 잠재성을 최적화하는 직책에 그들 직원의 배치를 추천하기 위해, 회사에 의해 사용될 수 있는 시스템 및 방법에 대한 필요성이 존재한다.
본원에서 개시되는 시스템 및 방법은 적어도 상기의 필요성을 해결할 수 있다. 몇몇 실시형태에서, 시스템 및 방법은, 하나 이상의 신경 과학 기반의 과제(또는 테스트)로부터 획득되는 후보자의 행동 출력에 기초하여, 후보자를 회사와 매치시킬 수 있다. 후보자의 행동 출력은, 회사의 특정한 직책에 대한 이상적인 직원을 대표하는 직원 모델에 대해 비교될 수도 있다. 복수의 신경 과학 기반의 과제는, 다수의 정서적 및 인지적 특성을 테스트/측정하도록 설계되는 성과 기반의 게임(performance-based game)의 형태로 제공될 수도 있다. 신경 과학 기반의 게임의 사용, 및 직원 모델에 대한 이들 게임으로부터의 결과의 분석은, 회사가 회사의 채용 및 후보자 소싱 프로세스를 최적화하는 것을 도울 수 있다. 회사에 대한 유용한 채용 툴인 것 외에도, 본원에서 개시되는 시스템 및 방법은, 경력 계획 및 재능 식별에서 개인을 보조할 수 있다. 다수의 정서적 및 인지적 특성을 측정하는 테스트를 사용하는 것에 의해, 시스템 및 방법은 테스트 대상자의 강점과 약점을 확인할 수 있고, 테스트 대상자에게 어떤 분야(들)가 적합한지를 추천하기 위해 그 정보를 적용할 수 있다.
상기에서 설명되는 바와 같이, 개인의 인지적 및 정서적 특성에 관한 정보를 수집하기 위해, 신경 과학 기반의 게임이 사용될 수 있다. 몇몇 실시형태에서, 본원에서 개시되는 시스템 및 방법은 신경 과학 기반의 게임에 대한 직원의 그룹의 성과를 평가하는 것에 의해 회사에 대한 직원 모델을 생성할 수 있다. 직원의 그룹은 회사의 현재 직원을 포함할 수도 있다. 옵션적으로(optionally), 직원의 그룹은 회사의 이전 직원(former employee)을 또한 포함할 수도 있다. 직원의 그룹은 회사 직원의 일부 또는 전체를 포함할 수도 있다. 몇몇 실시형태에서, 직원의 그룹은 회사 내의 직원의 엄선된 그룹(예를 들면, 특정한 지리적 위치 또는 사무실에 있는 직원)을 포함할 수도 있다. 직원 모델은 회사의 특정한 직책에 대한 이상적인 직원을 대표할 수도 있으며, 직원의 신경 과학 기반의 게임의 결과 및 직무 성과 데이터(job performance data)에 기초하여 생성될 수도 있다. 후보자는 동일한 신경 과학 기반의 게임을 완료하도록 요청받을 수도 있다. 시스템 및 방법은, 후보자의 결과를 분석하여 특정한 직책에 대한 후보자의 적합성을 결정하기 위해 사용될 수 있다. 시스템 및 방법은 또한, 만약 있다면, 어떤 직책(들)이 후보자에 대해 적합한지를 직원 모델에 기초하여 결정하기 위해, 후보자를 다수의 직책에 걸쳐 비교할 수 있다.
본 발명의 방법 및 시스템
회사에 관심을 갖는 대상자에 관한 요인(factor)을 예측하기 위한 관련 정보를 발견하기 위해, 광범위한 엄격한 방법이 본 발명의 시스템에 의해 사용될 수 있다. 시스템의 평가는 시스템의 평가 모듈을 사용하여 객관적 데이터를 수집하는 것, 및 그 다음, 학습 행동 역학(learning behavior dynamics)을 모델링하는 것을 포함할 수 있다. 학습 행동 역학을 모델링하는 것의 강점은, 정적인 스코어, 예를 들면, 평균 스코어로 행동을 검사하는 대신, 시스템이 시간이 지남에 따라 행동을 대신 검사할 수 있다는 것이다. 이 방법은, 학습의 메트릭, 예를 들면, 테스트를 받는 자가 오류로부터 어떻게 학습하는지 또는 테스트 받는 자의 학습에 보상이 어떻게 영향을 끼치는지를 시스템이 확인하는 것을 허용할 수 있다. 학습의 이들 메트릭은, 인적 자본 분석(human capital analytics)에서 종종 무시되지만, 그러나 중요한 직원 특징을 결정함에 있어서 유용할 수 있다.
시스템은 대상자에 대한 적합 스코어를 생성하기 위해 시스템 내의 개개의 평가에 의해 생성되는 스코어를 사용할 수 있다. 적합 스코어는 개개의 과제의 스코어의 집계일 수 있다. 적합 스코어는 0 내지 100 %의 범위에 이를 수 있고, 대상자가 특정한 직책 또는 직업 업계(career industry)에 대해 적합할 가능성을 예측한다. 예측 분석을 수행하기 이전에, 시스템은 현존하는 데이터의 관계를 계량화할 수 있고, 계량화는 데이터의 주요 피쳐를 식별할 수 있고 데이터의 요약을 제공할 수 있다. 예를 들면, 특정한 후보자가 특정한 회사에서 경영 컨설턴트로서 성공할 수 있는지의 여부를 시스템이 예측할 수 있기 이전에, 시스템은 현재 직원의 특성과 경영 컨설턴트로서의 그들의 성공 사이의 관계의 설명 모델(descriptive model)을 구축할 수 있다. 시스템의 분석 엔진은, 이들 설명 모델을 생성하기 위해 자율 분류(unsupervised classification)를 위한 다양한 데이터 마이닝 및 클러스터링 알고리즘을 구현할 수 있다. 설명 모델을 생성하기 위해, 시스템은 현재 직원으로부터 평가 데이터를 가져 와서, 그 데이터를, 회사에 의해 시스템으로 제공되는 직원의 평점(rating)과 상관시킬 수 있다. 이들 평점은, 성과 리뷰에서 사용되는 것과 같은 객관적인 메트릭일 수 있으며, 회사에게는 특히 중요하다.
본원에서 개시되는 시스템 및 방법은, 이들 회사 내의 직원의 대표 샘플의 신경 과학 기반의 게임 성과 데이터를 수집 및 분석하는 것에 의해, 다양한 분야 내에서 그리고 유사 분야의 회사 내에서 상위의/성공한 직원 또는 전문가의 정서적 및 인지적 특성을 결정하도록 구성될 수도 있다. 예를 들면, 신경 과학 기반의 게임 성과 데이터를 분석하는 것에 의해, 본원의 시스템 및 방법은, (1) 회사 내의, (2) 동일한 분야의 상이한 회사에 걸쳐, (3) 한 분야 또는 산업계 내의, (4) 상이한 분야에 걸쳐서, 및/또는 (5) 상이한 분야의 상이한 회사에 걸쳐, 상위의/성공한 직원 또는 전문가의 정서적 및 인지적 특성을 결정할 수 있다. 이들 상위의/성공한 직원의 정서적 및 인지적 특성은, 상기의 (1) 내지 (5) 시나리오의 각각에서의 유사점 및/또는 차이점에 대해 분석될 수도 있다. 몇몇 경우에, 상위의/성공한 직원의 특성의 제1 서브세트는 다양한 분야에 걸쳐 일관될 수도 있는데, 이것은 다양한 분야의 경력에서 후보자의 성공으로 이어질 수도 있다. 다른 경우, 상위의/성공한 직원의 특성의 제2 서브세트는 동일한 분야 내의 상이한 회사에 걸쳐 일관될 수도 있는데, 이것은 그 분야 내의 상이한 회사에서의 후보자의 성공으로 이어질 수도 있다. 몇몇 다른 경우에, 상위의/성공한 직원의 특성의 제3 서브세트는 한 회사 내에서 일관될 수도 있는데, 이것은 그 특정한 회사에서의 후보자의 성공으로 이어질 수도 있다. 특성의 상기 언급된 제1, 제2 및 제3 서브세트는 적어도 일부 중첩하는 특성 및/또는 몇몇 상이한 특성을 포함할 수도 있다. 따라서, 본원에서 개시되는 시스템 및 방법은, 예를 들면, (1) 회사 내의, (2) 동일한 분야의 상이한 회사에 걸쳐, (3) 한 분야 또는 산업계 내의, (4) 상이한 분야에 걸쳐서, 및/또는 (5) 상이한 분야의 상이한 회사에 걸쳐, 상이한 조직 레벨에서 상위 직원의 모델을 생성할 수 있다. 특정한 직위에서의 후보자의 성공 가능성을 결정하기 위해, 한 명 이상의 후보자가 하나 이상의 모델에서 상위 직원의 특성에 대해 비교될 수도 있다.
도 1은, 몇몇 실시형태에 따른, 하나 이상의 선별 시스템을 포함하는 예시적인 네트워크 레이아웃을 예시한다. 하나의 양태에서, 네트워크 레이아웃(100)은 복수의 유저 디바이스(102), 서버(104), 네트워크(106), 하나 이상의 데이터베이스(108), 및 하나 이상의 선별 시스템(110)을 포함할 수도 있다. 컴포넌트(102, 104, 108 및 110)의 각각은, 네트워크(106) 또는 하나의 컴포넌트로부터 다른 컴포넌트로의 데이터의 송신을 허용하는 임의의 타입의 통신 링크를 통해 서로 동작 가능하게 연결될 수도 있다.
유저 디바이스는, 예를 들면, 개시된 실시형태와 일치하는 하나 이상의 동작을 수행하도록 구성되는 하나 이상의 컴퓨팅 디바이스일 수도 있다. 예를 들면, 유저 디바이스는 선별 시스템에 의해 제공되는 소프트웨어 또는 애플리케이션을 실행할 수 있는 컴퓨팅 디바이스일 수도 있다. 몇몇 실시형태에서, 소프트웨어는 사람의 인지적 및 정서적 특성에 관한 정보를 수집하도록 설계되는 신경 과학 기반의 게임을 제공할 수도 있다. 회사는 이 정보를 사용하여 회사의 채용 및 후보자 소싱 프로세스를 최적화할 수 있다. 게임은 하나 이상의 대화형 웹페이지 상에서 서버에 의해 호스팅될 수도 있고, 한 명 이상의 유저에 의해 플레이될 수도 있다. 한 명 이상의 유저는 회사의 직원, 일자리 후보자(job candidate), 구직자, 등등을 포함할 수도 있다. 몇몇 실시형태에서, 소프트웨어 또는 애플리케이션은, 신경 과학 기반의 게임으로부터 수집되는 정보를 수신 및 분석하도록, 그리고 결과를 한 명 이상의 최종 유저에게 보고하도록 구성되는 클라이언트 측 웹 기반 포털을 포함할 수도 있다. 최종 유저는 리크루터, 회사의 인사 담당자(human resource personnel), 매니저(manager), 감독관(supervisor), 등등을 포함할 수도 있다.
유저 디바이스는, 다른 것들 중에서도, 데스크탑 컴퓨터, 랩탑 또는 노트북 컴퓨터, 모바일 디바이스(예를 들면, 스마트 폰, 이동 전화, 개인 휴대형 정보 단말(personal digital assistant; PDA), 및 태블릿), 또는 웨어러블 디바이스(예를 들면, 스마트워치)를 포함할 수 있다. 유저 디바이스는 또한, 임의의 다른 미디어 콘텐츠 플레이어, 예를 들면, 셋톱 박스, 텔레비전 세트, 비디오 게임 시스템, 또는 데이터를 제공 또는 렌더링할 수 있는 임의의 전자 디바이스를 포함할 수 있다. 유저 디바이스는 공지의 컴퓨팅 컴포넌트, 예컨대 하나 이상의 프로세서, 및 프로세서(들)에 의해 실행되는 소프트웨어 명령어 및 데이터를 저장하는 하나 이상의 메모리 디바이스를 포함할 수도 있다.
몇몇 실시형태에서, 네트워크 레이아웃은 복수의 유저 디바이스를 포함할 수도 있다. 각각의 유저 디바이스는 유저와 관련될 수도 있다. 유저는, 회사의 직원, 직위에 대한 후보자, 구직자, 리크루터, 인사 담당자, 학생, 교사, 강사, 교수, 회사 관리자, 게임 개발자, 또는 선별 시스템에 의해 제공되는 소프트웨어 또는 애플리케이션을 사용하는 임의의 개인 또는 개인의 그룹을 포함할 수도 있다. 몇몇 실시형태에서, 한 명보다 많은 유저가 유저 디바이스와 관련될 수도 있다. 대안적으로, 하나보다 많은 유저 디바이스가 유저와 관련될 수도 있다. 유저는 예를 들면, 같은 사무실에서 근무하는 직원, 또는 특정 지리적 위치에 있는 일자리 후보자들처럼 지리적으로 동일한 위치에 있을 수도 있다. 몇몇 경우에, 유저 및 유저 디바이스의 일부 또는 전부는 원격의 지리적 위치(예를 들면, 상이한 도시, 국가, 등등)에 있을 수도 있지만, 이것은 본 발명의 제한은 아니다.
네트워크 레이아웃은 복수의 노드를 포함할 수도 있다. 네트워크 레이아웃 내의 각각의 유저 디바이스는 노드에 대응할 수도 있다. "유저 디바이스(102)" 뒤에 숫자 또는 문자가 따르는 경우, 그것은, "유저 디바이스(102)"가 동일한 번호 또는 문자를 공유하는 노드에 대응할 수도 있다는 것을 의미한다. 예를 들면, 도 1에서 도시되는 바와 같이, 유저 디바이스(102-1)는, 유저 1과 관련되는 노드 1에 대응할 수도 있고, 유저 디바이스(102-2)는, 유저 2와 관련되는 노드 2에 대응할 수도 있고, 유저 디바이스(102-k)는 유저 k와 관련되는 노드 k에 대응할 수도 있는데, 여기서 k는 1보다 더 큰 임의의 정수일 수도 있다.
노드는 네트워크 레이아웃에서 논리적으로 독립된 엔티티일 수도 있다. 따라서, 네트워크 레이아웃 내의 복수의 노드는 상이한 엔티티를 나타낼 수 있다. 예를 들면, 각각의 노드는 유저, 유저의 그룹, 또는 유저의 그룹들과 관련될 수도 있다. 예를 들면, 하나의 실시형태에서, 노드는 개별 엔티티(예를 들면, 개인)에 대응할 수도 있다. 몇몇 특정한 실시형태에서, 노드는 다수의 엔티티(예를 들면, 채용 또는 인재 배치를 위한 상이한 역할/책임을 갖는 개인의 그룹)에 대응할 수도 있다. 이들 특정한 실시형태의 예는, 공통 노드를 공유하는 리크루터 및 인사 담당자일 수도 있다.
유저는 개시된 실시형태에 의해 수행되는 하나 이상의 동작과 관련되는 서비스를 제공하는 엔티티에 등록될 수도 있거나 또는 그 엔티티와 관련될 수도 있다. 예를 들면, 유저는, 소정의 개시된 실시형태와 일치하는 인재의 데이터 기반 식별(data-driven identification)을 위해 서버(104), 데이터베이스(108), 및/또는 선별 시스템(110) 중 하나 이상을 제공하는 엔티티(예를 들면, 회사, 조직, 개인, 등등)의 등록된 유저일 수도 있다. 개시된 실시형태는, 유저와 엔티티, 사람(들), 또는 서버(104), 데이터베이스(108), 및 선별 시스템(110)을 제공하는 엔티티 사이의 임의의 특정한 관계 또는 제휴로 제한되지 않는다.
유저 디바이스는 한 명 이상의 유저로부터 입력을 수신하도록 구성될 수도 있다. 유저는, 입력 디바이스, 예를 들면, 키보드, 마우스, 터치스크린 패널, 음성 인식 및/또는 딕테이션 소프트웨어(dictation software), 또는 상기한 것의 임의의 조합을 사용하여 유저 디바이스에 입력을 제공할 수도 있다. 입력은 (예를 들면, 직원 또는 일자리 후보자에 의해 수행되는 것과 같이) 신경 과학 게임 환경에서 다양한 가상 액션을 수행하는 것을 포함할 수도 있다. 입력은 또한 하나 이상의 데이터베이스에 저장되어 있는 직원 모델에 대한 직원 또는 일자리 후보자의 성과를 분석하기 위한 선별 시스템으로의 최종 유저의 지시를 포함할 수도 있다. 상이한 다른 유저가, 그들의 역할 및 책임에 의존하여, 상이한 입력을 제공할 수도 있다(예를 들면, 직원, 일자리 후보자, 리크루터, 및 인사 담당자가 상이한 입력을 제공할 수도 있다).
도 1의 실시형태에서, 양방향 데이터 전송 능력이 서버와 각각의 유저 디바이스 사이에서 제공될 수도 있다. 유저 디바이스는 또한 서버를 통해(즉, 클라이언트 서버 아키텍쳐를 사용하여) 서로 통신할 수 있다. 몇몇 실시형태에서, 유저 디바이스는 피어 투 피어(peer-to-peer) 통신 채널을 통해 서로 직접적으로 통신할 수 있다. 피어 투 피어 통신 채널은 유저 디바이스의 리소스(예를 들면, 대역폭, 저장 공간, 및/또는 프로세싱 파워)를 활용하는 것에 의해 서버에 대한 작업 부하를 줄이는 것을 도울 수 있다.
서버는 개시된 실시형태와 일치하는 하나 이상의 동작을 수행하도록 구성되는 하나 이상의 서버 컴퓨터를 포함할 수도 있다. 하나의 양태에서, 서버는 단일 컴퓨터로서 구현될 수도 있는데, 유저 디바이스는, 그 단일의 컴퓨터를 통해, 네트워크 레이아웃의 다른 컴포넌트와 통신할 수 있다. 몇몇 실시형태에서, 유저 디바이스는 네트워크를 통해 서버와 통신할 수도 있다. 다른 실시형태에서, 서버는 유저 디바이스를 대신하여 네트워크를 통해 선별 시스템(들) 또는 데이터베이스와 통신할 수도 있다. 몇몇 실시형태에서, 서버는 하나 이상의 선별 시스템(들)의 기능성(functionality)을 구현할 수도 있다. 몇몇 실시형태에서, 선별 시스템(들)은 서버의 내부 및/또는 외부에서 구현될 수도 있다. 예를 들면, 선별 시스템(들)은 서버 내에 포함되는 또는 서버로부터 원격에 있는 소프트웨어 및/또는 하드웨어 컴포넌트일 수도 있다.
몇몇 실시형태에서, 유저 디바이스는 개별 링크(도 1에서 도시되지 않음)를 통해 서버에 직접적으로 연결될 수도 있다. 소정의 실시형태에서, 서버는, 소정의 개시된 실시형태와 일치하는 하나 이상의 선별 시스템(들)에 대한 액세스를 제공하도록 구성되는 프론트 엔드 디바이스로서 동작하도록 구성될 수도 있다. 서버는, 몇몇 실시형태에서, 유저의 신경 과학 기반의 게임플레이 성과를 결정하기 위해, 그리고 유저의 게임플레이 성과를 분석하여 유저와 직원 모델 사이의 매치를 결정하기 위해, 선별 시스템(들)을 활용하여 유저 디바이스로부터의 입력 데이터를 프로세싱할 수도 있다. 서버는 직원의 그리고 후보자의 게임플레이 성과 데이터를 데이터베이스에 저장하도록 구성될 수도 있다. 서버는 또한 데이터베이스에 저장되어 있는 데이터 및 정보를 검색(search), 검색(retrieve), 및 분석하도록 구성될 수도 있다. 데이터 및 정보는, 하나 이상의 신경 과학 기반의 게임에서의 유저의 과거 성과뿐만 아니라, 하나 이상의 신경 과학 기반의 게임에서의 유저의 현재 성과를 포함할 수도 있다.
서버는, 웹 서버, 엔터프라이즈 서버, 또는 임의의 다른 타입의 컴퓨터 서버를 포함할 수도 있고, 컴퓨팅 디바이스(예를 들면, 유저 디바이스)로부터의 요청(예를 들면, HTTP, 또는 데이터 송신을 개시할 수 있는 다른 프로토콜)을 수용하도록 그리고 요청된 데이터로 컴퓨팅 디바이스에 서비스를 제공하도록 프로그래밍되는 컴퓨터일 수 있다. 또한, 서버는, 데이터를 분배하기 위한 방송 설비, 예컨대 무료 방송, 케이블, 위성, 및 다른 방송 설비일 수 있다. 서버는 또한 데이터 네트워크(예를 들면, 클라우드 컴퓨팅 네트워크)의 서버일 수도 있다.
서버는 공지의 컴퓨팅 컴포넌트, 예컨대 하나 이상의 프로세서, 프로세서(들)에 의해 실행되는 소프트웨어 명령어, 및 데이터를 저장하는 하나 이상의 메모리 디바이스를 포함할 수도 있다. 서버는 하나 이상의 프로세서 및 프로그램 명령어를 저장하기 위한 적어도 하나의 메모리를 구비할 수 있다. 프로세서(들)는, 특정한 세트의 명령어를 실행할 수 있는 단일의 또는 다수의 마이크로프로세서, 필드 프로그래머블 게이트 어레이(Field Programmable Gate Array; FPGA), 또는 디지털 신호 프로세서(digital signal processor; DSP)일 수 있다. 컴퓨터 판독 가능 명령어는 유형의 비일시적 컴퓨터 판독 가능 매체, 예컨대 플렉시블 디스크, 하드 디스크, CD-ROM(compact disk-read only memory; 컴팩트 디스크 리드 온리 메모리) 및 MO(magneto-optical; 광 자기), DVD-ROM(digital versatile disk-read only memory; 디지털 다기능 디스크 리드 온리 메모리), DVD RAM(digital versatile disk-random access memory; 디지털 다기능 디스크 랜덤 액세스 메모리), 또는 반도체 메모리 상에 저장될 수 있다. 대안적으로, 본원에서 개시되는 방법은, 예를 들면, ASIC, 특수 목적 컴퓨터, 또는 범용 컴퓨터와 같은 하드웨어 컴포넌트 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 도 1에서는 서버를 단일의 서버로서 예시하지만, 몇몇 실시형태에서는, 다수의 디바이스가 서버와 관련되는 기능성을 구현할 수도 있다.
네트워크는 도 1에서 묘사되는 네트워크 레이아웃의 다양한 컴포넌트 사이에서 통신을 제공하도록 구성될 수도 있다. 네트워크는, 몇몇 실시형태에서, 디바이스 및/또는 네트워크 레이아웃 내의 컴포넌트 사이의 통신을 허용하기 위해 이들을 연결하는 하나 이상의 네트워크로서 구현될 수도 있다. 예를 들면, 기술 분야에서 통상의 지식을 가진 자가 인식하는 바와 같이, 네트워크는, 인터넷, 무선 네트워크, 유선 네트워크, 근거리 통신망(local area network; LAN), 광역 통신망(Wide Area Network; WAN), 블루투스, 근접장 통신(near field communication; NFC), 또는 네트워크 레이아웃의 하나 이상의 컴포넌트 사이에서 통신을 제공하는 임의의 다른 타입의 네트워크로서 구현될 수도 있다. 몇몇 실시형태에서, 네트워크는, 셀 및/또는 페이저 네트워크, 위성, 허가된 무선(licensed radio), 또는 허가된 및 비인가 무선의 조합을 사용하여 구현될 수도 있다. 네트워크는 무선, 유선, 또는 이들의 조합일 수도 있다.
선별 시스템(들)은, 유저의 정서적 및 인지적 특성을 결정하기 위해, 그리고 유저의 특성을 하나 이상의 모델(예를 들면, 회사 내의 특정한 직위에 대한 이상적인 직원을 대표하는 직원 모델)에 대해 비교하여 하나 이상의 모델과의 유저의 매치/적합성을 결정하기 위해, 하나 이상의 프로세서(들)에 의한 실행시, 신경 과학 기반의 게임플레이 성과 데이터를 프로세싱하는 명령어를 저장하는 하나 이상의 컴퓨터로서 구현될 수도 있다. 선별 시스템(들)은 또한, 데이터베이스에 저장되어 있는 직원/후보자의 신경 과학 기반의 게임플레이 성과 데이터 및 직무 성과 데이터를 검색(search), 검색(retrieve), 및 분석할 수도 있다. 신경 과학 기반의 게임플레이 성과 데이터는, 예를 들면, 다음의 것을 포함할 수도 있다: (1) 게임을 플레이하면서 유저가 소비하는 시간, (2) 게임을 완료하기 위해 유저가 취하는 시도의 횟수, (3) 게임 동안 유저가 수행하는 상이한 액션, (4) 각각의 액션을 수행하기 위해 유저가 이용하는 시간의 양, (5) 어떤 액션을 수행함에 있어서의 유저의 정확도, 및 (6) 게임 동안 어떠한 결정/판정을 내릴 때 유저가 적용하는 가중치. 몇몇 실시형태에서, 서버는 선별 시스템(들)이 구현되는 컴퓨터일 수도 있다.
그러나, 몇몇 실시형태에서, 선별 시스템(들)의 적어도 일부는 별개의 컴퓨터 상에서 구현될 수도 있다. 예를 들면, 유저 디바이스는 유저 입력을 서버에 전송할 수도 있고, 서버는 네트워크를 통해 다른 선별 시스템(들)에 연결될 수도 있다. 몇몇 실시형태에서, 선별 시스템(들)은, 프로세서(들)에 의한 실행시, 인재의 데이터 기반 식별을 위한 프로세스를 수행하는 소프트웨어를 포함할 수도 있다.
서버는 개시된 실시형태와 일치하는 하나 이상의 프로세스를 수행하기 위해 선별 시스템(들)에 액세스하여 실행할 수도 있다. 소정의 구성에서, 선별 시스템(들)은 서버에 의해 액세스 가능한 메모리에(예를 들면, 서버에 로컬인 메모리 또는 네트워크와 같은 통신 링크를 통해 액세스 가능한 원격 메모리에) 저장되는 소프트웨어일 수도 있다. 따라서, 소정의 양태에서, 선별 시스템(들)은, 하나 이상의 컴퓨터로서, 서버에 의해 액세스 가능한 메모리 디바이스 상에 저장되는 소프트웨어로서, 또는 이들의 조합으로서 구현될 수도 있다. 예를 들면, 하나의 선별 시스템은 하나 이상의 데이터 기반 인재 식별 기술을 실행하는 컴퓨터 하드웨어일 수도 있고, 다른 선별 시스템은, 서버에 의한 실행시, 하나 이상의 데이터 기반 인재 식별 기술을 수행하는 소프트웨어일 수도 있다.
선별 시스템(들)은 후보자를 회사와 여러 가지 상이한 방식으로 매치시키기 위해 사용될 수 있다. 예를 들면, 선별 시스템(들)은, 회사 내의 특정한 직위에 대한 이상적인 직원을 대표하는 직원 모델을 생성하기 위해, 직원의 신경 과학 기반의 게임플레이 데이터를 프로세싱하기 위한 알고리즘을 수행하는 소프트웨어를 저장 및/또는 실행할 수도 있다. 선별 시스템(들)은 또한, 직원의 신경 과학 기반의 게임플레이 데이터 및/또는 직무 성과 평점에서의 변화에 기초하여 직원 모델을 동적으로 수정하기 위한 알고리즘을 수행하는 소프트웨어를 저장 및/또는 실행할 수도 있다. 선별 시스템(들)은 또한, 후보자의 행동이 직원 모델에서의 직원의 행동과 얼마나 잘 매치하는지, 및 특정한 직위에서 성공할 후보자의 가능성을 결정하기 위해, 후보자의 신경 과학 기반의 게임플레이 데이터를 직원 모델에 대해 비교하기 위한 알고리즘을 수행하는 소프트웨어를 저장 및/또는 실행할 수도 있다.
개시된 실시형태는, 하나 이상의 데이터 기반 인재 식별 기술을 수행하기 위해 다양한 알고리즘이 수행될 수도 있도록, 선별 시스템(들)을 구현하도록 구성될 수도 있다. 비록 상기의 알고리즘을 수행하기 위한 복수의 선별 시스템이 설명되었지만, 알고리즘의 일부 또는 전부는 개시된 실시형태와 일치하는 단일의 선별 시스템을 사용하여 수행될 수도 있다는 것을 유의해야 한다.
유저 디바이스, 서버, 및 선별 시스템(들)은 하나 이상의 데이터베이스(들)에 연결될 수도 있거나 또는 인터커넥트될(interconnected) 수도 있다. 데이터베이스(들)는 데이터(예를 들면, 신경 과학 기반의 게임플레이 데이터 및 직원 모델)를 저장하도록 구성되는 하나 이상의 메모리 디바이스일 수도 있다. 추가적으로, 데이터베이스(들)는 또한, 몇몇 실시형태에서는, 스토리지 디바이스를 갖는 컴퓨터 시스템으로서 구현될 수도 있다. 하나의 양태에서, 데이터베이스(들)는 개시된 실시형태와 일치하는 하나 이상의 동작을 수행하기 위해 네트워크 레이아웃의 컴포넌트에 의해 사용될 수도 있다. 소정의 실시형태에서, 하나 이상의 데이터베이스(들)는 서버와 병치될(co-located) 수도 있거나, 또는 네트워크 상에서 서로 병치될 수도 있다. 통상의 지식을 가진 자는, 개시된 실시형태가 데이터베이스(들)의 구성 및/또는 배열로 제한되지 않는다는 것을 인식할 것이다.
유저 디바이스, 서버, 데이터베이스(들), 및/또는 선별 시스템(들) 중 임의의 것은, 몇몇 실시형태에서, 컴퓨터 시스템으로서 구현될 수도 있다. 추가적으로, 네트워크가, 도 1에서는, 네트워크 레이아웃의 컴포넌트 사이의 통신을 위한 "중앙" 포인트로서 도시되지만, 개시된 실시형태는 이것으로 제한되는 것은 아니다. 예를 들면, 네트워크 레이아웃의 하나 이상의 컴포넌트는 다양한 방식으로 인터커넥트될 수도 있고, 몇몇 실시형태에서는, 통상의 지식을 가진 자가 인식하는 바와 같이, 서로 직접적으로 연결될 수도 있거나, 병치될 수도 있거나, 또는 서로 원격에 있을 수도 있다. 추가적으로, 몇몇 개시된 실시형태가 서버 상에 구현될 수도 있지만, 개시된 실시형태는 그렇게 제한되는 것은 아니다. 예를 들면, 몇몇 실시형태에서, 다른 디바이스(예컨대 하나 이상의 유저 디바이스)는, 서버 및 선별 시스템과 관련하여 설명되는 실시형태를 비롯한, 개시된 실시형태와 일치하는 기능성 및 프로세스 중 하나 이상을 수행하도록 구성될 수도 있다.
비록 특정한 컴퓨팅 디바이스가 예시되고 네트워크가 설명되지만, 본원에서 설명되는 실시형태의 취지 및 범위를 벗어나지 않으면서 다른 컴퓨팅 디바이스 및 네트워크가 활용될 수 있다는 것이 인식되고 이해되어야 한다. 또한, 네트워크 레이아웃의 하나 이상의 컴포넌트는 다양한 방식으로 인터커넥트될 수도 있고, 몇몇 실시형태에서는, 통상의 지식을 가진 자가 인식하는 바와 같이, 서로 직접적으로 연결될 수도 있거나, 병치될 수도 있거나, 또는 서로 원격에 있을 수도 있다.
도 2는, 몇몇 실시형태에 따른, 선별 시스템의 예시적인 컴포넌트 및 선별 시스템의 입력/출력의 개략적인 블록도를 예시한다. 앞서 설명된 바와 같이, 선별 시스템은 서버의 내부에서 및/또는 외부에서 구현될 수도 있다. 예를 들면, 선별 시스템은 서버 내에 포함되는, 또는 서버로부터 원격에 있는 소프트웨어 및/또는 하드웨어 컴포넌트일 수도 있다.
도 2를 참조하면, 선별 시스템(110)은 특성 추출 엔진(112), 모델 분석 엔진(114), 및 보고 엔진(116)을 포함할 수도 있다. 선별 시스템은 복수의 유저로부터 입력을 수신하도록 구성될 수도 있다. 유저는 한 명 이상의 최종 유저, 직원, 또는 일자리 후보자를 포함할 수도 있다. 최종 유저는 회사를 위한 리크루터 또는 회사의 인사 담당자일 수도 있다. 직원의 그룹은 회사의 현재 직원을 포함할 수도 있다. 옵션적으로, 직원의 그룹은 회사의 이전 직원을 포함할 수도 있다. 직원의 그룹은 회사 직원의 일부 또는 전체를 포함할 수도 있다. 몇몇 실시형태에서, 직원의 그룹은 회사 내의 직원의 엄선된 그룹을 포함할 수도 있다. 직원의 그룹은 지리적 위치, 직무 직능(job function), 직무 성과, 또는 임의의 다른 요인에 기초하여 선택될 수도 있다. 일자리 후보자는 회사 내의 특정한 직책을 지원하는 유저, 적극적 구직자, 이력서/프로파일이 데이터베이스에 있고 회사에 대한 잠재적 적격자(match)일 수도 있는 유저, 최근 대학 졸업자, 학생, 등등을 포함할 수도 있다.
최종 유저는 특정한 직책에 대한 회사의 필요성에 맞춤될 수도 있는 상위 후보자를 식별하기 위한 선별 시스템에게 (예를 들면, 유저 디바이스를 통해) 요청을 제출할 수도 있다. 최종 유저는, 직원 모델을 사용하여 후보자의 행동 출력을 분석하는 것에 의해, 회사에 맞는 후보를 찾기 위해 선별 시스템을 사용할 수도 있다. 직원 모델은 회사 내의 특정한 직책에 대한 이상적인(또는 모범적인) 직원을 대표할 수도 있다. 직원 모델은, 직원의 직무 성과 데이터 및 복수의 신경 과학 기반의 게임의 결과에 기초하여 생성될 수도 있다. 게임은, 직원에게 복수의 신경 과학 기반의 과제를 완료하게 하는 것에 의해, 직원의 다수의 정서적 및 인지적 특성을 테스트/측정하도록 설계될 수도 있다. 이들 특성은 회사/직장 내에서의 그의/그녀의 역할에서의 직원의 성공을 나타낼 수도 있고, 직원의 성공으로 해석될 수도 있다. 직무 성과 데이터는, 회사에 의해(예를 들면, 인사 담당자, 매니저, 감독관, 등등으로부터) 제공되는 직원의 평점을 포함할 수도 있다. 평점은, 성과 리뷰에서 사용되는 것과 같은 객관적인 메트릭일 수도 있으며, 회사에게는 특히 중요하다. 선별 시스템은 고용주가 제공한 평점과 신경 과학 기반의 게임에 대한 직원의 성과 사이의 상관 관계를 결정하도록 구성될 수도 있다.
도 1에서 도시되는 바와 같이, 특성 추출 엔진은 복수의 직원(직원 1, 직원 2, 직원 내지 직원 m, 여기서 m은 2보다 더 큰 임의의 정수일 수도 있음)의 게임플레이 데이터를 수신하도록 구성될 수도 있다. 몇몇 경우에, 특성 추출 엔진은 직원과 관련된 유저 디바이스로부터 게임플레이 성과 데이터를 직접적으로 수신할 수도 있다. 대안적으로, 특성 추출 엔진은 데이터베이스 또는 서버로부터 직원의 게임플레이 데이터를 수신할 수도 있다. 데이터베이스 또는 서버(직원의 게임플레이 데이터가 저장되거나 또는 이들로부터 송신됨)는 선별 시스템이 구현되는 서버에 대해 로컬일 수도 있거나 또는 원격일 수도 있다. 게임은 회사에 의해 직원에게 공급될 수도 있다. 대안적으로, 게임은, 회사와 제휴 관계에 있을 수도 있거나 또는 제휴 관계가 아닐 수도 있는 써드파티에 의해 직원에게 공급될 수도 있다. 몇몇 실시형태에서, 게임은 하나 이상의 대화형 웹페이지를 사용하여 또는 모바일 애플리케이션을 통해 선별 시스템에 의해 제공될 수도 있다. 옵션적으로, 게임은 선별 시스템에 의해 제공될 필요가 없고, 선별 시스템으로부터 원격에 있는 서버 상에서 호스팅될 수도 있다. 특성 추출 엔진은 직원의 게임플레이 데이터로부터 직원의 복수의 정서적 및 인지적 특성을 추출하도록 구성될 수도 있다.
신경 과학 기반의 게임에서의 과제의 예는, 유추 추론(Analogical Reasoning), 풍선 유사 위험 과제(Balloon Analogue Risk Task), 선택 과제(Choice Task), 독재자 과제(Dictator Task), 숫자 범위(Digit Span), EEfRT, 얼굴 감정 과제(Facial Affect Task), 손가락 탭핑(Finger Tapping), 미래 할인(Future Discounting), 수반자극 과제(Flanker Task), 진행/정지(Go/No-Go), 눈 속의 마음(Mind in the Eyes), N 백(N-Back), 패턴 인식(Pattern Recognition), 보상 학습 과제(Reward Learning Task), 런던 탑(Tower of London), 또는 신뢰 과제(Trust Task)를 포함할 수도 있다. 상기 과제의 각각의 상세는 본 명세서에서 나중에 설명될 것이다.
직원의 정서적 및 인지적 특성이 추출된 이후, 특성 추출 엔진은 특성을 모델 분석 엔진에 입력할 수도 있다. 모델 분석 엔진은, 특성과 고용주가 제공한 직원의 평점 사이의 상관 관계를 결정하도록, 그리고 상관된 특성에 기초하여 직원 모델을 생성하도록 구성될 수도 있다. 예를 들면, 모델 분석 엔진은, 상관된 직원의 게임플레이 데이터 및 고용주가 제공한 평점에 데이터 마이닝 및 클러스터링 알고리즘을 적용하여, 직원 모델을 생성하고 미세 조정할 수 있다. 앞서 설명된 바와 같이, 직원 모델은, 회사의 특정한 직책에 대해 이상적인 직원이 보유할 가능성이 높은 특징을 포함한다. 따라서, 직원 모델은 신경 과학 기반의 테스트를 받고 있는(게임을 하고 있는) 모든 직원 중 상위 직원의 목표 그룹(target group)에 기초할 수도 있다. 직원 모델은 적절한 기준 그룹에 대해 대조될 수도 있다. 기준 그룹은, 성별, 연령, 인종(ethnicity), 교육적 배경(educational background)과 같은 인구 통계학적 요인의 관점에서 신경 과학 기반의 테스트를 받고 있는 직원의 목표 그룹과 유사할 수도 있는, 그러나 직원의 목표 그룹과 동일한 분야에서 일하고 있지 않은, 다른 분야의 직원으로 구성되는 데이터베이스로부터 선택될 수도 있다. 모델 분석 엔진은, 직원의 게임플레이 데이터를 기준 그룹과 대조하는 것에 의해, 신경 과학 기반의 테스트를 받고 있는 직원이 그룹 내에 있는 것으로 분류되는지 또는 그룹 밖에 있는 것으로 분류되는지 여부를 결정할 수 있다.
몇몇 실시형태에서, 모델 분석 엔진은, 머신 러닝 알고리즘을 사용하여 직원의 행동 출력 및 직무 성과 평점을 분석하는 것에 의해, 소정의 특성을 체계적으로(methodically) 식별할 수 있고 직원의 직무 성과 평점과의 그들의 관계를 확립할 수 있다. 머신 러닝 알고리즘은 지원 벡터 머신(Support Vector Machine; SVM)을 활용할 수도 있지만 그러나 그것으로 제한되는 것은 아니다. 몇몇 실시형태에서, 임의의 포레스트 및 다른 분석 기술이 사용될 수도 있다. 머신 러닝 알고리즘은 통계적 추론에 기초할 수도 있다. 모델 분석 엔진은, 직원의 게임플레이 성과 데이터 및 직무 성과 평점으로부터 소정의 특성 및 그들의 상관 관계를 자동으로 식별하도록 구성될 수도 있다. 몇몇 실시형태에서, 모델 분석 엔진은 하나 이상의 데이터베이스에 저장되어 있는 실세계 신경 과학 기반의 게임플레이 데이터의 큰 집성본을 분석하는 것에 의해, 회사 또는 특정한 직무에서 성공에 기여하는 새로운 특성을 학습하도록 구성될 수도 있다. 모델 분석 엔진은, 각각의 특성에 실수 값의 가중치를 부여하는 것에 기초하는 소프트한, 확률론적 결정을 내릴 수 있는 통계 모델을 포함할 수도 있다. 몇몇 실시형태에서, 후보자의 및/또는 직원의 이력서 및 인구 통계학적 데이터를 파싱하기 위해, 자연 언어 프로세싱(language processing; LP)이 사용될 수도 있다.
몇몇 실시형태에서, 모델 분석 엔진은 직원의 게임플레이 데이터 및 직무 성과 평점으로부터 주목하는 특징을, 이들 특징 사이의 기저의 확률 분포의 지식을 필요로 하지 않고도, 식별할 수 있고, 관찰된 변수 사이의 특정한 관계를 결정할 수 있다. 머신 러닝의 이점은, 게임플레이 데이터 및 직무 성과 평점의 분석에 기초한 복잡한 패턴의 자동적 인식 및 지능적 결정이다. 몇몇 실시형태에서, 모델 분석 엔진은, 작은 트레이닝 데이터세트를 갖는 많은 속성을 구비하는 데이터 세트에서 종래의 패턴 분류 알고리즘보다 더 잘 수행할 수 있는 비선형의 비 파라메트릭(non-parametric) 분류 기술을 사용할 수 있다.
모델 분석 엔진이 상기에서 설명된 데이터를 사용하여 충분하게 '트레이닝된' 이후, 직원 모델은, 회사 내의 특정한 직위에서의 후보자의 성공의 가능성을 예측하기 위해 최종 유저(예를 들면, 리크루터 또는 회사의 인사 담당자)에 의해 사용될 수 있다. (직원 모델을 생성하기 위해 직원에 의해 이전에 플레이되었던) 신경 과학 기반의 게임은, 이제, 하나 이상의 후보자에게 제공될 수도 있다. 선별 시스템은, 신경 과학 기반의 게임에 대한 후보자의 성과로부터 후보자의 행동 출력을 획득하도록 구성될 수도 있다. 예를 들면, 특성 추출 엔진은, 각각의 후보자의 게임플레이 데이터에 기초하여, 각각의 후보자에 대한 정서적 및 인지적 특성을 추출하도록 구성될 수도 있다. 몇몇 실시형태에서, 프로파일은 각각의 후보자에 대해 생성될 수도 있다. 프로파일은 후보자에게 고유한 또는 특유한 특성의 목록을 포함할 수도 있다.
다음으로, 특성 추출 엔진은 후보자 특성을 모델 분석 엔진에 입력할 수도 있다. 모델 분석 엔진은, 각각의 후보자에 대한 적합 스코어를 생성하기 위해, 후보자 특성을 직원 모델에 대해 비교하는 것에 의해 후보자 특성을 분석하도록 구성될 수도 있다. 적합 스코어는, 각각의 후보자가 회사의 특정한 역할에서 성공할 가능성을 결정하기 위해 사용될 수 있다. 직원 모델을 사용한 후보자의 채점(scoring)은, 특정한 직위에서의 성공과 관련되는 각각의 후보자의 정서 또는 인지력(cognition)의 정량적 평가를 제공할 수 있다. 후보자의 특성을 회사 내의 직원(예를 들면, 상위 직원)의 특성과 비교하는 것에 의해, 최종 유저(예를 들면, 리크루터 또는 인사 담당자)는, 특정한 직위를 채우기 위한 고용에 후보자가 적합한지의 여부를 결정할 수 있다. 몇몇 실시형태에서, 후보자에 대해, 만약 있다면, 어떤 직책(들)이 적합한지를 하나 이상의 직원 모델에 기초하여 결정하기 위해, 후보자 특성이 다수의 직책에 걸쳐 비교될 수도 있다.
후보자에 대한 적합 스코어는 신경 과학 기반의 과제에 대한 후보자의 스코어의 집계일 수도 있다. 적합 스코어는 0 내지 100 %의 범위에 이를 수 있으며, 후보자가 특정한 직책 또는 직업 업계에 대해 적합할 가능성을 예측하기 위해 사용될 수 있다. 적합 스코어는, 예를 들면, 약 0 %, 약 1 %, 약 2 %, 약 3 %, 약 4 %, 약 5 %, 약 6 %, 약 7 %, 약 8 %, 약 9 % 약 10 %, 약 15 %, 약 20 %, 약 25 %, 약 30 %, 약 35 %, 약 40 %, 약 45 %, 약 50 %, 약 60 %, 약 70 %, 약 80 %, 약 90 %, 또는 약 100 %일 수 있다.
다음으로, 보고 엔진은 모델 분석 엔진으로부터 각각의 후보자에 대한 적합 스코어를 수신할 수도 있고, 적합 스코어 및 추천을 최종 유저에게 제공할 수 있다. 추천은, 특정한 후보자가 특정한 직위를 채우기 위한 고용에 대해 적합한지의 여부, 및 그 직책에서의 후보자의 성공의 가능성을 포함할 수도 있다.
따라서, 상기에서 설명된 선별 시스템 및 방법을 사용하는 것에 의해, 후보자에 관한 관련 정보가 추출 및 분석되어, 회사에 중요한 요인을 예측/식별할 수 있다. 선별 시스템은, 신경 과학 기반의 게임플레이 데이터 및 직원의 직무 성과 평점으로부터 도출되는 객관적인 데이터를 수집하기 위해, 그리고 회사의 특정한 직위에 대한 성공에 기여하는 상이한 특성을 식별할 수 있는 동적 모델을 생성하기 위해, 사용될 수 있다. 모델의 동적 성질은, 일회성 정적 스코어를 사용하여 행동을 검사하는 대신, 시간 경과에 따라 직원/후보자 행동이 검사되는 것을 허용한다. 선별 시스템은 또한, 상이한 특성과 관련되는 성과 메트릭, 예를 들면, 직원/후보자가 게임을 하는 동안 이루어진 오류로부터 학습하는 방법, 및 보상이 그들의 학습 및 성과에 영향을 끼치는 방식을 확인할 수 있다. 학습의 이들 메트릭은 인적 자본 분석에서 종종 무시되지만, 그러나 성공과 관련되는 직원 특징을 결정함에 있어서 중요할 수 있다.
비즈니스 엔티티는 재능 있는 후보자를 식별 및 채용하기 위해 도 2의 선별 시스템을 사용할 수 있다. 비즈니스 엔티티의 비제한적인 예는, 법인(corporation), 협동 조합(cooperative), 파트너십, 회사(company), 공개 유한 회사(public limited company), 비공개 회사(private company), 공개 회사(public company), 유한 책임 회사(limited liability company), 유한 책임 파트너쉽(limited liability partnership), 전세 회사(charter corporation), 조합(organization), 비영리 조합(non-profit organization), 인력 파견 기관(staffing agency), 교육 기관(academic institution), 정부 시설(government facility), 정부 기관(government agency), 군사 부문(military department), 또는 자선 단체(charitable organization)를 포함할 수도 있다. 선별 시스템의 최종 유저는, 예를 들면, 리크루터, 인사 담당자, 매니저, 감독관, 고용 임원, 경력 조언자, 경력 배치 전문가, 또는 고용 기관을 포함할 수도 있다.
비즈니스 엔티티를 대신하여 작업할 수 있는 대상자의 비제한적인 예는, 직원, 풀 타임 직원, 파트 타임 직원, 법정 직원(statutory employee), 임시 직원, 계약자, 독립 계약자, 외주 업체(subcontractor), 명예 직원, 컨설턴트, 및 조언자를 포함한다.
본 발명의 시스템은 또한 대상자의 경력 경향을 결정하기 위해 대상자에 의해 사용될 수 있다. 본 발명을 사용할 수 있는 대상자는, 예를 들면, 학생, 졸업생, 구직자, 및 경력 계획에 관하여 지원을 구하고 있는 개인을 포함한다. 대상자는 시스템의 과제를 완료할 수 있고, 그 이후, 시스템은 대상자의 식별된 특성에 기초하여 대상자에 대한 프로파일을 생성할 수 있다. 유저는 컴퓨터 시스템으로부터 본 발명의 시스템에 액세스할 수 있다. 그 다음, 유저는, 예를 들면, 컴퓨터, 랩탑, 모바일 디바이스, 또는 태블릿을 사용하여 시스템의 컴퓨터화된 과제를 완료할 수 있다.
대상자를 채점하고 기준 모델(reference model)에 기초하여 대상자에 대한 모델을 생성하기 위해, 대상자의 프로파일이 테스트 대상자의 데이터베이스에 비교될 수 있다. 테스트 대상자는, 예를 들면, 비즈니스 엔티티에 근무할 수 있다. 시스템은, 비즈니스 엔티티에 근무하는 테스트 대상자 및 비즈니스 엔티티에서의 테스트 대상자의 특정한 직책에 기초하여 대상자에 대한 적합 스코어를 추가적으로 생성할 수 있다. 본 발명의 시스템은, 대상자의 결정된 경력 경향에 기초하여, 다양한 업계를 대상자에게 추천할 수 있다. 시스템에 의해 추천될 수 있는 업계의 비제한적인 예는, 컨설팅, 교육, 건강 관리, 마케팅, 소매업, 엔터테인먼트, 소비자 제품, 기업가, 기술, 헤지 펀드, 투자 관리, 투자 금융, 사모 펀드(private equity), 제품 개발, 및 제품 관리를 포함한다.
몇몇 실시형태에서, 모델 분석 엔진은, 대상자의 특성을 복수의 모델에 대해 비교하는 것에 의해, 대상자의 경력 경향을 식별할 수 있다. 대상자는, 구직자, 상이한 분야로 전환하고자 하는 사람, 최근 대학 졸업자, 대학원생, 학생, 또는 경력 계획에 관한 지원을 구하고 있는 개인일 수도 있다. 모델은 상이한 비즈니스 엔티티에 근무하는 직원과 관련될 수도 있다. 모델은 상이한 분야(예를 들면, 뱅킹, 경영 컨설팅, 엔지니어링, 등등)와 관련될 수도 있다. 대안적으로, 모델은 동일한 분야(예를 들면, 소프트웨어 엔지니어, 프로세스 엔지니어, 하드웨어 엔지니어, 영업 또는 마케팅 엔지니어, 등등) 내의 상이한 직무 직능과 관련될 수도 있다. 최종 유저(예를 들면, 리크루터 또는 경력 조언자)는 하나 이상의 적절한 직업을 대상자에게 추천하기 위해 특성 비교의 결과를 사용할 수도 있다.
대상자는 하나 이상의 신경 과학 기반의 게임을 완료하도록 요청받을 수도 있는데, 그 이후, 선별 시스템은 대상자의 식별된 특성에 기초하여 대상자에 대한 프로파일을 생성할 수 있다. 게임은 유저 디바이스 상에서 대상자에게 제공될 수도 있고, 대상자는 유저 디바이스 상에서 게임을 플레이할 수도 있다. 게임의 완료시, 유저 디바이스는 분석을 위해 대상자의 게임플레이 데이터를 선별 시스템으로 송신할 수도 있다. 선별 시스템은, 대상자의 특성을 복수의 모델에 대해 비교하는 것에 의해, 대상자에 대한 적합 스코어를 생성할 수 있다. 선별 시스템은, 대상자의 경력 경향을 결정하고 적합한 직업 분야(career field)를 대상자에게 추천하기 위해, 적합 스코어를 사용할 수 있다. 선별 시스템에 의해 추천될 수 있는 분야(또는 업계)의 비제한적인 예는, 컨설팅, 교육, 건강 관리, 마케팅, 소매업, 엔터테인먼트, 소비자 제품, 기업가, 기술, 헤지 펀드, 투자 관리, 투자 금융, 사모 펀드, 제품 개발, 또는 제품 관리를 포함할 수도 있다.
상기에서 설명되는 바와 같이, 선별 시스템은, 특정한 직위에서 성공하는 후보자의 확률뿐만 아니라, 상이한 분야에서의 대상자의 경력 경향을 결정하기 위해, 후보자 또는 대상자의 신경 과학 기반의 게임플레이 데이터로부터 정서적 및 인지적 특성을 추출할 수 있다.
정서적 특성은, 후보자 또는 대상자가 회사에 대해, 그리고 회사 내에서 특정한 역할을 수행하기에 적합한지의 여부를 결정함에 있어서 중요한 요인일 수 있다. 선별 시스템은, 고용 결정을 행함에 있어서 시스템의 최종 유저를 지원하기 위해 다양한 정서적 특성을 평가할 수 있다. 시스템에 의해 추출 또는 측정될 수 있는 정서적 특성은, 예를 들면, 신뢰, 이타주의(altruism), 인내력, 위험성 프로파일(risk profile), 피드백으로부터의 학습, 실수로부터의 학습, 창의성, 모호함에 대한 관용도, 만족을 늦추는 능력, 보상 민감도, 정서적 민감도, 또는 정서적 식별을 포함할 수도 있고, 하기에서 설명된다.
신뢰는 다른 사람의 액션의 지식 없이 다른 사람의 액션에 의존하는 의지로서 평가될 수 있다. 신뢰는, 대상자가 그룹 환경에서 효과적으로 작업할 수 있고, 다른 사람의 의견 및 액션에 의존하는지의 여부를 설명할 수 있다.
이타주의는 사심이 없는 것으로 평가될 수 있거나, 또는 다른 사람의 복지를 위한 액션을 수행하는 의지로 평가될 수 있다. 이타주의는, 대상자가 자기 자신의 필요성보다는 회사의 필요성에 더 기꺼이 봉사할 수 있다는 것을 설명할 수 있다.
인내력은, 낙담에 관계 없이, 액션의 과정을 지속하는 것으로 설명될 수 있다. 인내력은, 심지어 실패 또는 반대의 때에도, 대상자가 해결책을 찾고 할당된 과제에 집중할 수 있다는 것을 설명할 수 있다.
창의성은, 대상자가 문제를 해결하고 과제를 수행하기 위한 비전통적인 접근법을 가질 수 있다는 것을 설명할 수 있다.
후보자에 대한 위험성 프로파일은, 위험을 감수하는 대상자의 의지를 식별할 수 있다. 위험을 더욱 기꺼이 감수하려는 대상자는, 고위험의 스트레스가 많은(high-pressure) 상황을 다루는 회사에 대해 더욱 유리할 수 있다.
피드백으로부터의 학습은, 대상자가 직무의 직능을 수행하는 동안 행동 또는 액션을 수정하기 위해 다른 사람으로부터의 제안을 사용할 수 있는지의 여부를 측정할 수 있다. 실수로부터의 학습은, 동일한 과제를 수행할 미래의 행동을 수정하기 위해, 대상자가 과제에 대해 행한 실수를 사용할 수 있는지의 여부를 평가할 수 있다.
모호성에 대한 관용도는, 불확실하거나 또는 불완전한 상황, 및 자극에서의 대상자의 편안함의 레벨, 및 이들에 대한 대상자의 반응을 평가할 수 있다. 모호성에 대한 관용도를 갖는 대상자는, 불완전하거나 또는 의문의 여지가 있는 데이터에 직면했을 때 더욱 창의적이고 기략이 풍부할 수 있다.
지연된 만족감에 대한 경향을 갖는 대상자가 회사에 어필할 수 있는데, 그 이유는, 대상자가, 임금 인상 또는 보너스를 기대하면서 더 오랜 기간의 시간 동안 더 열심히 일할 수 있기 때문이다.
보상의 약속에 의해 대상자가 얼마나 동기 부여되는지를 보상 민감도가 측정할 수 있다는 점에서, 보상 민감도는 지연된 만족에 관련된다. 회사는, 내재적으로 동기 부여를 받을 뿐만 아니라, 임금 인상 및 보너스와 같은 보상에 민감한 대상자를 또한 원할 수 있다.
정서적 민감도 및 식별은, 대상자가 다른 사람의 정서에 적절한 방식으로 응답할 수 있는지의 여부, 및 대상자가 다른 사람의 정서를 정확하게 식별할 수 있는지의 여부를 설명할 수 있다. 더 높은 정서적 민감도 및 식별 능력을 갖는 대상자는 더 우수한 팀 플레이어 및 리더일 수 있다.
상기 설명된 정서적 특성 외에, 대상자가 고용에 대해 적합한지의 여부를 결정하기 위해, 비즈니스 엔티티에 의해 인지적 특성이 또한 평가 및 사용될 수 있다. 선별 시스템에 의해 추출 또는 측정될 수 있는 인지적 특성은, 예를 들면, 프로세싱 속도, 패턴 인식, 지속적인 주의력, 주의 산만을 피하는 능력, 충동성, 인지 제어, 작업 기억(working memory), 계획(planning), 기억 범위(memory span), 시퀀스화(sequencing), 인지 유연성, 또는 학습을 포함할 수도 있고, 하기에서 설명된다.
프로세싱 속도는, 의도적인 생각에 대한 필요 없이, 정보를 완전하고 신속하게 프로세싱하는 능력에 관련이 있다. 더 높은 프로세싱 속도를 갖는 대상자는, 대상자가 상황을 빠르게 생각하고 반응할 수 있기 때문에, 회사에게 바람직할 수 있다.
패턴 인식은, 자극의 세트의 특징인 소정의 방식으로 배열되는 그 자극의 세트를 인식하는 능력을 지칭할 수 있다. 더 높은 패턴 인식 기술을 갖는 대상자는, 더 나은 비판적 사고 능력을 설명할 수 있고 데이터에서의 추세를 식별할 수 있다.
더 높은 지속적인 주의력 스코어를 갖는 대상자는, 단일의 과제에 대한 주의력을 유지하는 더 높은 능력을 설명할 수 있다. 대상자는 또한 주의 산만을 피하고, 특정한 과제에 집중하는 능력에 대해 평가될 수 있다.
충동성은, 결과의 예측, 반영 또는 고려 없이 액션을 수행하는 것으로 평가될 수 있다. 충동적인 대상자는 잠재적인 고용주가 우호적이지 않게 볼 수 있는데, 대상자가 회사에 대해 불리하게 될 수 있는 성급한 결정을 내릴 수 있기 때문이다. 더욱 기꺼이 위험을 감수하고, 창의적으로 사고하고, 그리고 신속하게 행동하고자 하는 대상자를 회사에서 원하는 경우, 충동적인 대상자는 또한 우호적으로 보일 수 있다.
인지 제어는, 작업 기억, 학습, 인지 유연성, 및 계획을 포함하는 다양한 인지 프로세스를 설명할 수 있다. 작업 기억은 기억 시스템의 활성 부분이며 단기 기억과 주의력 둘 모두를 포함할 수 있다. 높은 작업 기억을 갖는 대상자는 과제에 대한 더욱 집중된 주의력 및 다중 과제에 대한 능력을 나타낼 수 있다.
인지 유연성은, 상이한 과제로부터 전환하여 다수의 과제를 동시에 그리고 효과적으로 생각할 수 있는 능력으로서 설명될 수 있다. 인지 유연성을 가진 대상자는 많은 과제의 균형을 효율적으로 조정할 수 있다.
계획은 목표를 달성하기 위한 액션을 조직화하는 능력을 나타내며, 과제의 실행에서의 예측을 설명할 수 있다.
기억 범위는 단기 기억의 척도이며, 대상자가 이전에 제시된 일련의 수 또는 단어를 암기하게 하는 것에 의해 평가될 수 있다. 더 큰 기억 범위를 갖는 대상자는, 짧은 기억 범위를 갖는 사람보다 더 잘 지시를 기억하고 특정한 과제를 수행할 수 있다.
시퀀스 학습은, 그러한 시퀀스화가 발생하고 있다는 의식적인 인식 없이, 액션 및 생각을 시퀀스화하는 능력이다. 시퀀스 학습은 네 개의 시퀀스화 문제를 포함할 수 있다. 첫째, 시퀀스 예측은, 선행 요소에 기초하여 시퀀스의 요소를 예측하려고 시도할 수 있다. 둘째, 시퀀스 생성은, 요소가 자연스럽게 발생함에 따라 시퀀스의 요소를 하나씩 단편화하려고(piece) 시도할 수 있다. 셋째, 시퀀스 인식은, 시퀀스가 미리 결정된 기준에 기초하여 정당한지의 여부를 확인하려고 시도할 수 있다. 마지막으로, 시퀀스 의사 결정은, 목표를 달성하기 위한, 궤적을 따르기 위한, 또는 비용 함수를 최대화 또는 최소화하기 위한 액션의 시퀀스를 선택하는 것을 수반할 수 있다.
본 발명의 시스템은, 전문가적 또는 개인적 영역 내에서의 적합성을 추천하는 목적을 위해, 개인 또는 개인의 그룹을 다른 개인 또는 개인의 그룹에 매치시키기 위해 사용될 수 있다.
신경 과학 기반의 게임의 사용, 및 한 명 이상의 직원 모델에 대한 이들 게임으로부터의 결과의 분석은, 회사가 회사의 채용 및 후보자 소싱 프로세스를 최적화하는 것을 도울 수 있다. 회사에 대한 유용한 채용 툴인 것 외에도, 본원에서 개시되는 시스템 및 방법은, 경력 계획 및 재능 식별에서 개인을 보조할 수 있다. 다수의 정서적 및 인지적 특성을 측정하는 테스트를 사용하는 것에 의해, 시스템 및 방법은 대상자의 강점과 약점을 확인할 수 있고, 대상자에게 어떤 분야(들)가 적합한지를 추천하기 위해 그 정보를 적용할 수 있다.
몇몇 실시형태에서, 선별 시스템은 선별 시스템을 위한 중앙 통신 허브로서 기능하는 데이터 허브를 포함할 수도 있다. 데이터 허브는 직원용 게임 포털, 후보자용 게임 포털, 대상자용 게임 포털, 하나 이상의 데이터베이스, 특성 추출 엔진, 모델 분석 엔진, 및 보고 엔진 사이의 통신을 제어 및 지시하도록 구성될 수도 있다. 몇몇 경우에, 데이터 허브는 한 명 이상의 유저(예를 들면, 직원, 후보자, 등등)에게 하나 이상의 신경 과학 기반의 게임을 제공하도록 구성될 수도 있다. 게임을 데이터 허브 및 하나 이상의 유저 디바이스와 연결하기 위해, 애플리케이션 인터페이스(application programming interface; API)가 사용될 수 있다. 게임은 유저 디바이스 상에서 실행 가능한 소프트웨어일 수도 있다. 몇몇 실시형태에서, 게임은 웹 기반일 수도 있고, 유저 디바이스 상에서 웹 브라우저를 사용하여 디스플레이될 수 있는 복수의 대화형 웹페이지를 포함할 수도 있다. 몇몇 실시형태에서, 게임은, 유저 디바이스 상에서(예를 들면, 모바일 디바이스 상에서) 실행 가능한 모바일 애플리케이션일 수도 있다.
게임은 직원 및 후보자의 정서적 또는 인지적 특징을 측정하도록 설계될 수도 있다. 게임은, 게임 개발자, 심리학자, 리크루터, 인사 담당자, 매니저, 감독관, 및/또는 그러한 게임을 설계함에 있어서 전문성을 갖춘 엔티티에 의해 설계될 수도 있다. 게임은 유저 디바이스 상에 디스플레이 되도록 구성되는 가상 환경에서 제공될 수도 있다. 몇몇 실시형태에서, 가상 환경은 유저에 의해 조작될 수 있는 복수의 객체를 포함할 수도 있다. 유저는 가상 환경에서 여러 가지 상이한 액션을 통해 객체를 조작할 수 있다. 이들 액션의 예는, 하나 이상의 객체를 선택하는 것, 드래그 앤 드랍, 직동(translate), 회전, 스핀, 밀기, 당기기, 줌인, 줌아웃, 등등을 포함할 수도 있다. 가상 공간에서의 객체의 임의의 타입의 이동 액션이 고려될 수도 있다. 객체의 유저 조작은, 소정의 정서적 또는 인지적 특성을 나타낼 수도 있다.
몇몇 실시형태에서, 게임 포털은 유저가 게임을 할 때 유저 디바이스로부터 각각의 유저(예를 들면, 직원 및/또는 후보자)의 실시간 게임플레이 데이터를 수신하도록, 그리고 게임플레이 데이터를 데이터 허브로 송신하도록 구성될 수도 있다. 게임플레이 데이터는 다양한 신경 과학 기반의 과제에서의 유저의 성과를 나타낼 수도 있다. 가상 환경에서 유저가 수행하는 액션은, 게임 포털을 통해 데이터 허브로 제공되는 타임스탬핑된 신호(time-stamped signal)에 인코딩될 수도 있다. 앞서 설명되는 바와 같이, 이들 액션은, 게임에 의해 요구되는 특정한 과제를 완료하기 위해 가상 환경에서 하나 이상의 객체를 조작하는 것을 포함할 수도 있다. 데이터 허브는, 게임 포털을 통해, 각각의 게임을 플레이하면서 유저가 소비하는 시간의 길이, 각각의 게임을 완료하기 위해 유저가 취하는 시도의 횟수, 게임 동안 어떤 액션을 수행함에 있어서의 유저의 정확도, 등등에 관련이 있는 게임플레이 데이터를 수집하도록 구성될 수도 있다.
특성 추출 엔진은 적어도 다음을 결정하기 위해 게임플레이 데이터를 프로세싱 및 분석하도록 구성될 수도 있다. 예를 들면, 특성 추출 엔진은, 요구되는 신경 과학 기반의 과제를 완료하기 위해 유저가 게임에서 상이한 객체를 올바르게 선택, 배치 및/또는 사용했는지의 여부를 결정할 수 있다. 특성 추출 엔진은 또한, 유저의 학습, 인지 기술, 및 이전의 실수로부터 학습하는 능력을 평가할 수 있다.
몇몇 실시형태에서, 선별 시스템은, 최종 유저가 선별 시스템에 제공되는 게임플레이 데이터에 액세스하는 것을 허용하는 유저 포털을 포함할 수도 있다. 상이한 최종 유저는 상이한 도메인에서 데이터의 상이한 세트에 액세스할 수도 있다. 예를 들면, 인사 담당자는 제1 도메인에서 직원의 그룹에 대한 게임 결과/성과에 액세스할 수 있을 수도 있고, 리크루터는 제2 도메인에서 후보자 그룹에 대한 게임 결과/성과에 액세스할 수 있을 수도 있다. 몇몇 경우에, 회사의 인사 담당자는 다른 회사 직원의 게임 결과/성과에 액세스하지 못할 수도 있다. 몇몇 경우에, 리크루터는 상이한 회사의 직원에 대한 게임 결과/성과에 액세스할 수 있을 수도 있다. 상이한 유저 및 엔티티에 대해, 상이한 형태의 권리 또는 데이터 특권이 고려될 수도 있다.
유저 포털은, 최종 유저가 데이터를 평가하는 것을 허용하기 이전에, 최종 유저를 인증하도록 구성될 수도 있다. 몇몇 실시형태에서, 유저 포털은, 최종 유저가 데이터에 액세스할 수 있기 이전에, 인증 자격정보(예를 들면, 유저명 및 패스워드)를 기입할 것을 최종 유저에게 촉구하는 로그인 윈도우를 생성할 수도 있다. 유저 포털은, 최종 유저의 로그인 데이터를 수신하여 최종 유저 데이터베이스에 저장되어 있는 기존의 유저 데이터와 비교하도록 구성될 수도 있다. 최종 유저 데이터는, 이름, 인증 정보, 유저 권한/특권, 유저의 타입, 등등을 포함할 수도 있다. 유저 권한/특권은 유저 타입에 의존하여 정의될 수도 있다. 최종 유저의 예는, 리크루터, 인사 담당자, 매니저, 감독관, 교사, 강사, 관리자, 게임 개발자, 등등을 포함할 수도 있다. 몇몇 경우에, 시스템 관리자 및 게임 개발자는, 그들이 데이터 및 신경 과학 기반의 게임을 수정하는 것을 허용하는 소정의 권한/특권을 소유할 수도 있다.
몇몇 실시형태에서, 데이터 허브가 게임플레이 데이터를 수신한 이후, 데이터 허브는 게임플레이 데이터를 게임플레이 데이터베이스에 저장할 수도 있다. 게임플레이 데이터는 전통적인 관계형 테이블에 저장될 수 있다. 게임플레이 데이터는 또한, 단일의 게임에 고유한 데이터에 대한 비 관계형 이름 값 쌍(non-relational name-value pair)에 저장될 수 있다. 몇몇 실시형태에서, 데이터 허브는 게임플레이 데이터를 식별 해제하고(de-identify), 식별 해제된 게임플레이 데이터를 게임플레이 데이터베이스에 저장하도록 구성될 수도 있다. 게임플레이 데이터는, 직원 1, 직원 2, 후보자 1, 후보자 2, 및 등등과 같은 디스크립터를 사용하여, 게임을 플레이하는 직원 및 후보자의 신원을 마스킹하는 것에 의해 식별 해제될 수도 있다. 따라서, 리크루터 또는 인사 담당자는, 그들의 리뷰에 영향을 끼치는 외재적 요인(extrinsic factor) 및/또는 외적 편향성(external bias) 없이, 보고 엔진을 통해 제공되는 분석 및 추천에만 기초하여 게임플레이 데이터를 리뷰할 수 있다. 몇몇 실시형태에서, 식별 해제된 게임플레이 데이터는, 소정의 이해 관계자(stakeholder)(예를 들면, 관리자, 매니저, 감독관, 등등)에 의해 생성될 수도 있는 공유 키를 사용하여 마스킹 해제될(unmasked)(잠금 해제될(unlocked)) 수도 있다.
모델 분석 엔진은, 후보자의 특성을 후보자 모델에서의 특성과 비교하도록, 그리고 비교의 결과를 보고 엔진으로 제공하도록 구성될 수도 있다. 보고 엔진은, 직원 모델에 대한 후보자의 특성의 평가에 기초하여, 특정한 직위에 대한 각각의 후보자의 적합성의 개요를 생성하도록 구성될 수도 있다. 보고 엔진은, 신경 과학 기반의 게임에서의 각각의 후보자의 성과에 기초하여 그들에 대한 소정의 특성 및 적합 스코어를 식별하는 시각적 표시자(visual indicator)를 생성할 수 있다. 몇몇 실시형태에서, 보고 엔진은, 리크루터 또는 인사 담당자가 특정한 직위에서 성공할 후보자의 가능성을 한 눈에 식별하는 것을 허용하는 시각적 표시자를 포함하는 하나 이상의 윈도우를 생성하도록 구성될 수도 있다. 그 다음, 표시자에 기초하여, 리크루터 또는 인사 담당자는 상위 후보자에게 연락할 수 있다.
몇몇 실시형태에서, 보고 엔진은, 후보자의 성과 비교를 제공하기 위해, 식별된 또는 식별 해제된 게임플레이 데이터 중 어느 하나를 사용할 수 있다. 예를 들면, 후보자의 성과는 한 명 이상의 다른 후보자의 성과에 대해 비교될 수도 있다. 리크루터 또는 인사 담당자는, 각각의 후보자의 성과가 다른 후보자와 비교되는 방법을 결정하기 위해, 이들 비교를 사용할 수 있다.
보고 엔진은 유저 디바이스 상에 데이터를 디스플레이하기 위한 복수의 그래픽 유저 인터페이스(graphical user interface; GUI)를 생성하도록 구성될 수도 있다. 이러한 GUI의 예가 도 3 내지 도 31에서 예시된다. 앞서 설명되는 바와 같이, 유저 디바이스는 하나 이상의 웹페이지를 디스플레이할 수 있는 컴퓨팅 디바이스일 수도 있다. 유저 디바이스는, 다른 것들 중에서도, 데스크탑 컴퓨터, 랩탑 또는 노트북 컴퓨터, 모바일 디바이스(예를 들면, 스마트 폰, 이동 전화, 개인 휴대형 정보 단말(PDA), 및 태블릿), 또는 웨어러블 디바이스(예를 들면, 스마트워치)를 포함할 수 있다. 유저 디바이스는 또한, 임의의 다른 미디어 콘텐츠 플레이어, 예를 들면, 셋톱 박스, 텔레비전 세트, 비디오 게임 시스템, 또는 데이터를 제공 또는 렌더링할 수 있는 임의의 전자 디바이스를 포함할 수 있다. 유저 디바이스는 공지의 컴퓨팅 컴포넌트, 예컨대 하나 이상의 프로세서, 및 프로세서(들)에 의해 실행되는 소프트웨어 명령어 및 데이터를 저장하는 하나 이상의 메모리 디바이스를 포함할 수도 있다. GUI는, 유저가, 텍스트 기반의 인터페이스, 입력된 커맨드 라벨 또는 텍스트 내비게이션과는 달리, 이차 표기법(secondary notation)과 같은 시각적 표시자 및 그래픽 아이콘을 통해 전자 디바이스와 상호 작용하는 것을 허용하는 인터페이스의 한 타입이다. GUI에서의 액션은 일반적으로 그래픽 엘리먼트의 직접 조작을 통해 수행된다. 컴퓨터 외에도, GUI는 MP3 플레이어, 휴대용 미디어 플레이어, 게임용 디바이스 및 더 작은 가정용, 사무실 및 산업 기기와 같은 핸드헬드형 디바이스에서 발견될 수 있다. GUI는 소프트웨어, 소프트웨어 애플리케이션, 웹 브라우저, 등등에서 제공될 수도 있다. 소프트웨어 애플리케이션을 작성하기 위한 루틴, 프로토콜 및 툴의 세트인 애플리케이션 프로그래밍 인터페이스(API)를 통해 링크가 생성될 수도 있다.
도 3은, 몇몇 실시형태에 따른, 예시적인 가입 윈도우 및 로그인 윈도우를 예시한다. 도 3의 부분 A는 가입 윈도우(300)를 예시하고, 도 3의 부분 B는 로그인 윈도우(310)를 예시한다.
유저는 계정에 가입하도록 또는 선별 시스템에 의해 관리되는 계정에 로그인하도록 요청받을 수도 있다. 유저는 리크루터 또는 회사의 인사 담당자와 같은 최종 유저일 수도 있다. 유저는, 관련 정보(예를 들면, 이름, 성, 이메일, 패스워드, 확인 패스워드, 전화 번호, 고용주 또는 회사, 및 국가)(302)를 기입하고, 서비스 약관 및 개인 정보 취급 방침(304)에 동의하고, 등록 버튼(306)을 선택하는 것에 의해 계정에 가입할 수도 있다. 유저가 계정에 가입한 이후, 윈도우(310)가 생성될 수도 있다. 유저는 계정(312)과 관련되는 유저의 이메일 주소 및 패스워드를 입력하는 것에 의해 계정에 로그인할 수도 있다. 몇몇 실시형태에서, 유저가 로그인 버튼(314)을 선택한 이후, 도 4의 윈도우(400)가 디스플레이될 수도 있다. 몇몇 실시형태에서, 윈도우(400)는 유저가 그의/그녀의 계정에 로그인할 때 유저가 보는 랜딩 페이지(landing page)(또는 홈 페이지)일 수도 있다. 그러나, 본 발명은 이것으로 한정되는 것은 아니다. 임의의 타입의 랜딩 페이지(또는 홈 페이지)가 고려될 수도 있다.
도 4를 참조하면, 윈도우(400)는 선별 시스템에 의해 제공되는 상이한 애플리케이션/기능에 대한 복수의 링크를 포함할 수도 있다. 예를 들면, 윈도우(400)는 소싱 모델에 대한 링크(402), 선별 모델에 대한 링크(404), 내부 이동성 모델에 대한 링크(406), 다운로드에 대한 링크(408), 메일 박스에 대한 링크(410), 유저의 계정 설정에 대한 링크(412), 및 자주 묻는 질문(frequently asked question; FAQ) 섹션에 대한 링크(414)를 포함할 수도 있다.
도 4는, 몇몇 실시형태에 따른, 예시적인 소싱 모델 윈도우를 예시한다. 유저는 소싱 모델 윈도우를 사용하여 하나 이상의 소싱 모델에 액세스할 수도 있다. 유저는, 개인(즉, 직원 모델에 밀접하게 매치하는 후보자)의 목표 그룹에 가장 유사한 후보자를 식별하기 위해 소싱 모델을 사용할 수도 있다. 따라서, 소싱 모델은 인재를 '소싱하기(source)' 위해 회사 및 리크루터에 의해 사용될 수 있다. 유저는, 컷오프 임계치를 충족하는 후보자를 식별하고, 회사의 고용 필요성에 대해 그들 후보자를 회사에 소개하기 위해, 소싱 모델을 사용할 수도 있다.
소싱 모델은 하나 이상의 직원 모델을 사용할 수도 있다. 앞서 설명되는 바와 같이, 직원 모델은, 이상적인 직원이 회사의 특정한 직위에 대해 보유할 가능성이 있는 특징을 포함할 수도 있다. 직원 모델은 회사의 상위 직원의 목표 그룹을 대표할 수도 있다. 직원 모델은 기준 그룹에 대해 대조될 수도 있다. 기준 그룹은, 성별, 연령, 인종, 교육적 배경과 같은 인구 통계학적 요인의 관점에서 신경 과학 기반의 테스트를 받고 있는 직원의 목표 그룹과 유사할 수도 있는, 그러나 직원의 목표 그룹과 동일한 분야에서 일하고 있지 않은, 다른 분야의 직원으로 구성되는 데이터베이스로부터 선택될 수도 있다. 회사의 특정한 직위에 대한 후보자의 매치/적합성을 결정하기 위해, 후보자는 직원 모델에 비교될 수도 있다.
도 4에서 도시되는 바와 같이, 회사의 상위 직원의 목표 그룹(416)은 여덟 명의 직원을 포함할 수도 있고, 목표 그룹의 직원 모델은 기준 그룹(418)에 대해 대조될 수도 있다. 후보자가 직원 모델에 얼마나 잘 맞는지 또는 매치하는지를 결정하기 위해, 다수의 후보자(예를 들면, 네 명)(420)가 직원 모델에 대해 비교될 수도 있다.
윈도우(400)의 우측에서 도시되는 바와 같이, 그룹 기능(422)이 활성화될 수도 있다. 그룹은 회사 또는 회사의 그룹, 직업 분야, 등등과 관련될 수도 있다. 유저는 상이한 그룹과 관련될 수도 있다. 예를 들면, 유저는, 상이한 직책을 채울 후보자를 식별하기 위해 상이한 회사와 계약한 써드파티 리크루터일 수도 있다. 대안적으로, 유저는, 회사 내의 상이한 그룹과 관련되는 인사 담당자일 수도 있다. 옵션적으로, 유저는, 복수의 이분야(interdisciplinary field)에서 상위 인재를 찾는 리크루터일 수도 있다. 따라서, 유저가 다수의 그룹의 멤버인 경우, 유저는 상이한 모델/데이터에 액세스하기 위해 상이한 그룹 사이에서 토글(toggle)할 수 있다(424).
유저는 그룹 기능(422)과 설정 기능(426) 사이에서 토글할 수도 있다. 설정 기능은 도 26, 도 27 및 도 28을 참조하여 본 명세서에서 나중에 상세하게 설명될 것이다.
몇몇 경우에, 채팅 윈도우(428)가 윈도우(400)에서 제공될 수도 있다. 유저는 채팅 윈도우를 사용하여 도움말 담당자(help representative)와 실시간으로 통신할 수도 있다. 도움말 담당자는 선별 시스템을 제공하는 엔티티와 관련될 수도 있다. 대안적으로, 유저는 채팅 윈도우에서 도움말 담당자에게 메시지를 남길 수도 있다. 유저가 윈도우(400)에서 후보자(420)를 선택하는 경우, 도 5의 윈도우(500)가 생성될 수도 있다. 윈도우(500)는, 몇몇 실시형태에 따른, 예시적인 후보자 윈도우를 예시한다. 각각의 후보자의 일반 프로파일(502)이 후보자 윈도우에서 디스플레이될 수도 있다. 예를 들면, 각각의 후보자 A, B, C 및 D의 일반 프로파일(502-1, 502-2, 502-3 및 502-4)이 윈도우(500)에서 디스플레이될 수도 있다. 각각의 일반적인 프로파일은 후보자의 사진(504)(예를 들면, 504-1, 504-2, 504-3, 및 504-4), 후보자의 교육적 배경(506)(예를 들면, 506-1, 506-2, 506-3, 및 506-4), 후보자의 이력서(예를 들면, 508-1, 508-2, 및 508-4)에 대한 링크를 포함할 수도 있고, 회사에 의해 게시되는 특정한 직책에 후보자가 관심을 표명했는지의 여부(예를 들면, 510-1 및 510-2)를 나타낼 수도 있다. 유저(예를 들면, 리크루터)는, 각각의 프로파일에서 하나 이상의 버튼을 선택하는 것에 의해, 후보자 프로파일을 저장할 수도 있거나(512), 후보자와 연락할 수도 있거나(514), 또는 후보자 프로파일을 보관할 수 있다(512). 윈도우(500)에서 도시되는 바와 같이, 후보자 A 및 B는 특정한 직위(510-1 및 510-2)에 관심을 나타냈지만, 후보자 C 및 D는 아직 직위에 관심을 표명하지 않았다. 후보자 A, B 및 D는 그들의 이력서(508-1, 508-2 및 508-4)를 업로드했지만, 후보자 C는 아직 그의 이력서를 업로드하지 않았다. 후보자 C 및 D의 프로파일은 유저(512-3 및 513-4)에 의해 저장되었지만, 후보자 A 및 B의 프로파일은 아직 저장되지 않았다.
도 4의 예에서, 윈도우(400)가 후보자 윈도우에 대응하기 때문에, 후보자 링크(520)가 활성화된다. 윈도우(400)는 직원 링크(522), 참가 링크(524), 모델 특성 링크(526), 모델 정확도 링크(528), 및 모델 편향성 링크(model bias link)(530)를 더 포함할 수도 있다. 링크의 각각은 본 명세서의 다른 부분에서 상세히 설명될 것이다.
몇몇 실시형태에서, 유저는 한 세트의 기준에 기초하여 후보자를 필터링할 수도 있다. 도 6은, 몇몇 실시형태에 따른, 도 5의 후보자 윈도우 내의 예시적인 필터링 윈도우를 예시한다. 유저는, 지리적 위치(예를 들면, 도시)(602), 후보자가 다녔던 학교(604), 후보자에 의해 획득된 학위(606), 및/또는 후보자가 졸업한 년도(608)에 기초하여 후보자를 필터링하기 위해 필터링 윈도우(600)를 사용할 수 있다. 필터는, 후보자가 시스템에 새로 추가되었는지의 여부(610), 후보자가 직위에 관심이 있는지의 여부(612), 후보자가 이력서를 업로드했는지의 여부(614), 후보자가 시스템에서 아바타(마스킹된 신원)를 사용하고 있는지의 여부(616), 리크루터에 의해 프로파일이 저장되었는지의 여부(618) 및/또는 보관되었는지의 여부(620), 그리고 후보자가 리크루터에 의해 연락 받았는지의 여부(622)를 더 포함할 수도 있다. 필터는 상기의 것으로 제한되지 않으며, 유저가 후보자의 목록을 필터링하는 것을 도울 수 있는 추가적인 필터를 포함할 수도 있다는 것을 유의해야 한다.
도 5를 다시 참조하면, 유저가 후보자 A의 일반 프로파일(502-1)을 클릭하면, 도 7의 윈도우(700)가 생성될 수도 있다. 윈도우(700)는 후보자 A의 특정한 프로파일(702)에 대응할 수도 있다. 유저가 윈도우(700)를 스크롤 다운하면, 도 8의 윈도우(800)가 생성될 수도 있다. 도 7 및 도 8에서 도시되는 바와 같이, 후보자 A의 직업 경험 및 교육 경험이 연대기 순으로 상세히 나열될 수도 있다. 앞서 언급되는 바와 같이, 후보자 A는 특정한 직위에 관심을 표명하였고 이력서를 업로드했을 수도 있다. 이 예에서, 후보자 A는 유저에 의해 아직 연락 받지 않았으며, 그녀의 프로파일은 아직 유저에 의해 저장 또는 보관되지 않았다. 윈도우(700)는 (예를 들면, LinkedIn™, Github™, Twitter™, 등등을 통한) 후보자 A의 웹 프레즌스(web presence)(704)에 대한 링크를 더 포함할 수도 있다. 도 8에서 도시되는 바와 같이, 링크(802)는 유저(리크루터일 수도 있음)가 후보자 A와 연락하도록 제공될 수도 있다.
유저가 윈도우(700)에서 연락(Contact) 버튼(706)을 클릭하면, 도 9의 윈도우(900)가 생성될 수도 있다. 윈도우(900)는 특정한 직위에 관한 유저와 후보자 A 사이의 통신 내용(correspondence)(902)을 디스플레이할 수도 있다. 유저가 윈도우(700)에서 이력서 버튼(708)을 클릭하면, 후보자 A의 이력서의 사본이 윈도우에 디스플레이될 수도 있다.
도 4를 다시 참조하면, 유저가 윈도우(400)에서 직원(416)을 선택하는 경우, 도 10의 윈도우(1000)가 생성될 수도 있다. 대안적으로, 유저는 도 5의 윈도우(500)에서 직원 링크(522)를 클릭하는 것에 의해 윈도우(1000)에 액세스할 수도 있다. 도 10은, 몇몇 실시형태에 따른, 예시적인 직원 대시보드 윈도우를 예시한다. 윈도우(1000)는 신경 과학 기반의 게임을 완료함에 있어서의 각각의 직원(1004)의 진척도(1002), 및 직원의 게임플레이 데이터에 기초하여 각각의 직원이 '그룹 내'에 있는지 또는 '그룹 밖'에 있는지의 여부(1006)를 예시할 수도 있다. 도 10의 예에서, 1002의 진척도 바(progress bar)에 의해 나타내어지는 바와 같이, 직원 # 4를 제외한 모든 직원이 게임을 완료했을 수도 있다. 추가적으로, 모든 직원은 그들의 게임플레이 데이터에 기초하여 그룹 내에 있는 것으로 결정될 수도 있다(1006). 몇몇 실시형태에서, 유저는 검색 입력(1008)을 입력하는 것에 의해 유저가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 검색할 수도 있다.
유저가 윈도우(500)에서 참가 링크(524)를 선택하는 경우, 도 11의 윈도우(1100)가 생성될 수도 있다. 도 11에서 도시되는 바와 같이, 신경 과학 기반의 게임은 열 명의 직원(총 참가자(1102))에게 제공될 수도 있다. 아홉 명의 직원은 게임(1104)을 완료하였고, 아무 것도 진행 중이지 않으며(1106), 한 명의 직원은 게임을 시작하지 않았다(1108). 참가 스냅샷(1110)은 윈도우(1100)의 좌측 부분에 나타내어질 수도 있다. 참가 스냅샷은, 직원의 게임 참가율의 파이차트(piechart)(1112) 시각적 표현을 포함할 수도 있다. 윈도우(1100)의 우측 부분은, 상이한 시간 기간(1116)(예를 들면, 1 개월, 3 개월, 6 개월, 연초부터 지금까지, 1 년, 등등)에 걸친 직원의 게임 완료 진척도의 그래프(1114)를 디스플레이할 수도 있다.
유저가 참가율의 파이차트(1112) 시각적 표현 위로 커서를 이동하면, 상이한 정보가 디스플레이될 수도 있다. 예를 들면, 도 12의 파트 A는 한 명의 직원이 게임을 시작하지 않았다는 것(1202)을 나타내고, 도 12의 파트 B는 아홉 명의 직원이 게임을 완료했다는 것(1204)을 나타낸다. 직원의 게임플레이 데이터의 차트는, 도 12의 파트 C에서 도시되는 바와 같이, 상이한 포맷(예를 들면, PNG, JPEG, PDF, SVG 벡터 이미지, CSV, 또는 XLS)으로 다운로드될 수도 있다(1206).
유저는 시간적으로 상이한 시점에서의 직원의 게임 완료 진척도를 보기 위해 윈도우(1100)에서 그래프(1114)를 조작할 수도 있다. 예를 들면, 도 13의 파트 A에서 도시되는 바와 같이, 어떠한 직원도 게임을 완료하지 않았으며, 제1 시간 인스턴스(1304)에서 진행 중인 게임은 없다(1302). 도 13의 파트 B는, 두 명의 직원이 게임을 완료하였고 두 명의 직원이 제2 시간 인스턴스(1308)에서 현재 진행 중이다는 것(1306)을 나타낸다. 도 13의 파트 C는 여섯 명의 직원이 게임을 완료하였고 두 명의 직원이 제3 시간 인스턴스(1312)에서 현재 진행 중이다는 것(1310)을 나타낸다. 도 13의 파트 D는 일곱 명의 직원이 게임을 완료하였고 제4 시간 인스턴스(1316)에서 두 명의 직원이 현재 진행 중이다는 것(1314)을 나타낸다.
유저가 도 5의 윈도우(500)에서 모델 특성 링크(526)를 선택하는 경우, 도 14의 윈도우(1400)가 생성될 수도 있다. 윈도우(1400)는 직원의 특성의 스냅샷(1402)을 포함할 수도 있다. 특성 스냅샷은 상이한 특성 카테고리(1406)의 파이차트(1404) 시각적 표현을 포함할 수도 있다. 앞서 설명되는 바와 같이, 특성은, 예를 들면, 선별 시스템 내의 특성 추출 엔진을 사용하여 직원의 게임플레이 데이터(신경 과학 행동 데이터)로부터 추출될 수도 있다. 특성 스냅샷에서 도시되는 바와 같이, 특성 카테고리에는 계획, 학습, 주의력, 노력, 위험성, 및 유연성 변경 속도를 포함할 수도 있다. 유저가 윈도우(1400)를 스크롤 다운하면, 도 15의 윈도우(1500)가 생성될 수도 있다.
각각의 특성 카테고리 및 관련된 특성 특징(trait characteristic)(들)의 설명이 특성 스냅샷(1402) 아래에 위치되는 특성 테이블(1502)에서 제공될 수도 있다. 각각의 특성 카테고리(1406)는 하나 이상의 특성 특징(1408)을 포함할 수도 있다. 예를 들면, 위험성 카테고리(1410)는 통제된 위험 상황에서의 대상자의 응답 속도, 신중한 위험 회피의 표시, 및 고위험 상태 및 중등도 위험 상태 하에서 잘 학습하는 대상자의 능력과 같은 복수의 특성 특징을 포함할 수도 있다. 학습 카테고리(1412)는 학습 좌절(learning setback)로부터 쉽게 회복하는 대상자의 능력, 및 대상자가 절차적 학습에서 더 빠른지의 여부와 같은 복수의 특성 특징을 포함할 수도 있다. 노력 카테고리(1414)는 또한, 빠르게 노력을 기울이는 대상자의 능력, 및 목표를 달성하기 위해 열심히 노력하는 능력과 같은 복수의 특성 특징을 포함할 수도 있다.
파이차트(1404)의 섹션을 서로 구별하기 위해 상이한 컬러 및 음영(shading)이 사용될 수도 있다. 몇몇 실시형태에서, 각각의 특성 카테고리에 대해 상이한 컬러 스킴(scheme)이 사용될 수도 있다. 임의의 컬러 스킴 또는 임의의 다른 시각적 차별화 스킴(예컨대 형상, 폰트 사이즈, 음영, 등등)이 고려될 수도 있다.
본원에서 설명되는 신경 과학 기반의 테스트(게임)는 정서적 및 인지적 특성의 측정의 그들의 정밀도에 대해 평가될 수 있다. 테스트의 정밀도는, 신경 과학 기반의 테스트가 이들 특성의 정확한 예측자인지의 여부를 결정하는 데 중요할 수 있다. 신경 과학 기반의 테스트의 정밀도를 확인하기 위해, 신뢰도 평가가 수행될 수 있다. 테스트 신뢰도에 대해 측정될 수 있는 하나의 출력은 피어슨(Pearson) 상관 계수(r)이다. 피어슨 상관 계수는, 두 결과 사이의 선형 관계를 설명할 수 있으며 -1과 +1 사이에 있다. 샘플에 대한 상관 계수 r은 다음 공식을 사용하여 계산될 수 있는데:
여기서 n은 샘플 사이즈이고; i =1, 2, n이고; X 및 Y는 변수이고, 
및 
는 변수의 평균이다. 피어슨 상관 계수의 제곱은 결정 계수로 알려져 있으며, 간단한 선형 회귀에서 Y에서의 분산의 비율을 X의 함수로서 설명하기 위해 사용될 수 있다. 피어슨 상관 계수는, 두 그룹 사이의 관계의 크기로 정의될 수 있는 효과 사이즈(effect size)를 설명하기 위해 또한 사용될 수 있다. 피어슨의 상관 계수가 효과 사이즈의 척도로서 사용되는 경우, 결과의 제곱은 실험 모델에 의해 설명되는 실험 내에서의 분산의 양을 추정할 수 있다.
도 15의 윈도우(1500)에서 도시되는 바와 같이, 각각의 특성 카테고리 및 대응하는 특성 특징은 r 값(1416) 및 R2 값(1418)을 가질 수도 있다. 각각의 특성 특징에 대한 r 값은, 각각의 특성 특징과 직원 모델에서의 예측 수학식 사이의 상관 관계를 나타낼 수도 있다. 각각의 특성 특징에 대한 R2 값은 각각의 특성 특징에 의해 나타내어지는 바와 같은 직원 모델에서의 분산을 나타낼 수도 있다.
각각의 특성 카테고리에서의 특성 특징(들)에 대한 R2 값은 합산될 수도 있고, 특성 스냅샷에서 파이차트를 생성하도록 사용될 수도 있다. 유저는 파이차트 상의 각각의 특성 카테고리 위로 커서를 이동시키는 것에 의해 각각의 특성 카테고리에 대한 R2 값을 볼 수 있다. 예를 들면, 유저가 커서를 파이차트 상의 '유연성 변경 속도' 카테고리 위로 이동시키는 경우, (도 16의 파트 A에서 도시되는 바와 같이) 그 카테고리에 대한 총 R2 값이 0.114이다는 것을 나타내는 팝업 윈도우(1602)가 생성될 수도 있다. 마찬가지로, 유저가 커서를 파이차트 상의 위험성 카테고리 위로 이동시키면, (도 16의 파트 B에서 도시되는 바와 같이) 그 카테고리에 대한 총 R2 값이 0.356이다는 것을 나타내는 팝업 윈도우(1604)가 생성될 수도 있다. 위험성 카테고리에 대한 총 R2 값은, 특성 특징 '통제된 위험 상황에서 더 느리게 반응함'(0.101), '신중한 위험 회피를 나타냄'(0.095), '고위험 상태 하에서 잘 학습함'(0.085), 및 '중등도 위험 상태 하에서 잘 학습하지 못함'(0.075)에 대한 R2 값을 합산하는 것에 의해 획득될 수도 있다.
신뢰도는 시간의 경과에 따라 측정치가 일정하고 랜덤 오차가 없는 정도의 표시자일 수 있다. 신뢰도는, 테스트 결과가 안정적이고 내부적으로 일관성이 있는지의 여부를 측정할 수 있다. 테스트-재테스트(test-retest) 방법은 신뢰도를 테스트하기 위해 또한 사용될 수 있는 하나의 척도이다. 테스트-재테스트 신뢰도 테스트는, 대상자가 동일한 테스트를 두 개의 상이한 시간에 받을 때 샘플 결과에서의 변화를 측정할 수 있다. 두 개의 상이한 시간에 주어지는 테스트로부터의 결과가 유사하면, 그러면, 테스트는 신뢰 가능한 것으로 간주될 수 있다. 두 결과 사이의 관계는 피어슨 상관 계수를 사용하여 설명될 수 있다: 상관 계수 값이 높을수록 테스트의 신뢰도가 높다.
테스트-재테스트 신뢰도에 대한 상관 계수의 값은, 예를 들면, 약 -1.0, 약 -0.95, 약 -0.9, 약 -0.85, 약 -0.8, 약 -0.75, 약 -0.7, 약 -0.65, 약 -0.6, 약 -0.55, 약 -0.5, 약 -0.45, 약 -0.4, 약 -0.35, 약 -0.3, 약 -0.25, 약 -0.2, 약 -0.15, 약 -0.1, 약 -0.05, 약 0.05, 약 0.1, 약 0.15, 약 0.2, 약 0.25, 약 0.3, 약 0.35, 약 0.4, 약 0.45, 약 0.5, 약 0.55, 약 0.6, 약 0.65, 약 0.7, 약 0.75, 약 0.8, 약 0.85, 약 0.9, 약 0.95, 또는 약 1.0일 수 있다.
테스트의 신뢰도를 측정하기 위해 사용될 수 있는 다른 테스트는 반분 신뢰도 테스트(split-half reliability test)이다. 반분 신뢰도 테스트는, 만약 두 부분이 유사한 주제를 포함하고, 테스트가 대상자에게 시행되면, 테스트를 두 부분으로 나눈다. 그 다음, 샘플로부터의 테스트의 각각의 절반의 스코어가 서로 비교된다. 테스트의 두 절반으로부터의 스코어 사이의 상관 관계, 또는 유사도는 피어슨의 상관 계수를 사용하여 설명될 수 있는데, 여기서 상관 관계가 높으면, 테스트는 신뢰 가능하다.
반분 신뢰도에 대한 상관 계수의 값은, 예를 들면, 약 -1.0, 약 -0.95, 약 -0.9, 약 -0.85, 약 -0.8, 약 -0.75, 약 -0.7, 약 -0.65, 약 -0.6, 약 -0.55, 약 -0.5, 약 -0.45, 약 -0.4, 약 -0.35, 약 -0.3, 약 -0.25, 약 -0.2, 약 -0.15, 약 -0.1, 약 -0.05, 약 0.05, 약 0.1, 약 0.15, 약 0.2, 약 0.25, 약 0.3, 약 0.35, 약 0.4, 약 0.45, 약 0.5, 약 0.55, 약 0.6, 약 0.65, 약 0.7, 약 0.75, 약 0.8, 약 0.85, 약 0.9, 약 0.95, 또는 약 1.0일 수 있다.
유효성은 테스트가 의도된 것을 측정하는 정도이다. 유효하게 되는 테스트의 경우, 테스트의 결과가 상황에 맞게 지원된다는 것을 테스트가 입증할 수 있다. 구체적으로, 테스트 유효성에 대한 증거는, 테스트 내용, 응답 프로세스, 내부 구조, 다른 변수에 대한 관계, 및 테스트의 결과를 통해 제시될 수 있다.
호텔링의 T 제곱(Hotelling's T-squared) 테스트는, 시스템을 사용하는 대상자의 상이한 모집단의 결과의 평균에서의 차이를 결정하기 위해 선별 시스템에 의해 활용될 수 있는 다변량 테스트이다. T 제곱 테스트에 대한 테스트 통계량(T2)은 아래의 식을 사용하여 계산되는데:
여기서 
는 샘플 평균이고, Sp는 샘플의 통합 분산-공분산(pooled variance-covariance)이며, n은 샘플 사이즈이다.
F 통계량(F-statistic)을 계산하기 위해, 다음의 식이 사용되는데:
여기서 p는 분석되고 있는 변수의 수이고, F 통계량은 p 및 n1+n2-p 자유도를 갖는 F 분포이다. 명시된 α, 또는 유의도(significance) 레벨에서 결과의 유의도를 결정하기 위해, F 테이블(F-table)이 사용될 수 있다. 관찰된 F 통계량이 정확한 자유도에서 테이블에서 발견되는 F 통계량보다 더 크면, 그러면, 테스트는 정의된 α 레벨에서 유의미하다. 예를 들면, α 레벨이 0.05로 정의되었다면, 결과는 0.05 미만의 p 값에서 유의미할 수 있다.
분산의 분석(Analysis of variance; ANOVA)은, 데이터의 두 개 이상의 그룹의 평균 사이의 통계적으로 유의미한 차이를 결정하기 위해, 선별 시스템에 의해 사용될 수 있는 통계적 테스트이다. ANOVA에 대한 F 통계량은 다음과 같이 계산될 수 있는데:
여기서 
는 샘플 평균이고, n은 샘플 사이즈이고, s는 샘플의 표준 편차이고, I는 그룹의 총 수이고, N은 전체 샘플 사이즈이다. 그 다음, 명시된 α 레벨에서 결과의 유의도를 결정하기 위해, F 테이블이 사용될 수 있다. 관찰된 F 통계량이 명시된 자유도에서 테이블에서 발견되는 F 통계량보다 더 크면, 그러면, 테스트는 정의된 α 레벨에서 유의미하다. 예를 들면, α 레벨이 0.05로 정의되었다면, 결과는 0.05 미만의 p 값에서 유의미할 수 있다.
호텔링의 T 제곱 테스트 또는 ANOVA에 대한 α 레벨은, 예를 들면, 약 0.5, 약 0.45, 약 0.4, 약 0.35, 약 0.3, 약 0.25, 약 0.2, 약 0.15, 약 0.1, 약 0.05, 약 0.04, 약 0.03, 약 0.02, 약 0.01, 약 0.009, 약 0.008, 약 0.007, 약 0.006, 약 0.005, 약 0.004, 약 0.003, 약 0.002 또는 약 0.001에서 설정될 수 있다.
도 5의 윈도우(500)를 다시 참조하면, 유저가 모델 정확도 링크(528)를 선택하는 경우, 도 17a의 윈도우(1700)가 생성될 수도 있다. 윈도우(1700)는 직원 모델의 정확도 리포트 스냅샷(1702)을 포함할 수도 있다. 정확도 리포트 스냅샷은, 그룹 내에 있는 또는 그룹 밖에 있는 직원 비율을 나타내는 그래프(1704)를 포함할 수도 있다. 그래프는, 그룹 밖 직원에 대응하는 제1 밀도 플롯(1706) 및 그룹 내 직원에 대응하는 제2 밀도 플롯(1708)을 포함할 수도 있다. 유저는, 제1 및 제2 밀도 플롯에 대한 곡선이 중첩하는 영역에서 결정 경계(1710)를 묘화할 수도 있다. 예를 들면, 결정 경계 좌측에 속하는 직원은 그룹 밖에 있는 것으로 분류될 수도 있고, 결정 경계 우측에 속하는 직원은 그룹 내에 있는 것으로 분류될 수도 있다. 결정 경계의 멀리 좌측에 속하는 직원은, 결정 경계 약간 좌측에 속하는 직원과 대비하여, 그룹 밖으로서 정확하게 분류되는 더 높을 확률을 가질 수도 있다. 반대로, 결정 경계의 멀리 우측에 속하는 직원은, 결정 경계 약간 우측에 속하는 직원과 대비하여, 그룹 내로서 정확하게 분류되는 더 높은 확률을 갖는다. 중첩 영역 내에 속하는 직원은, 그룹 내 또는 그룹 밖 중 어느 하나에 있는 것으로 분류될 수도 있고, 몇몇 경우에, 신경 과학 기반의 테스트를 받고 있는 직원의 전체 수의 작은 소수(small minority)를 나타낼 수도 있다.
유저는 후보자의 게임플레이 성과를 평가하기 위한 임계치로서 결정 경계(1710)를 사용할 수 있다. 예를 들면, 도 17b는, 몇몇 실시형태에 따른, 후보자의 그룹의 특성을 도 17a의 직원 모델에 비교하는 결과를 예시한다. 도 17b의 윈도우(1750)에서 도시되는 바와 같이, 비교 결과는 하나 이상의 밀도 플롯에서 묘사될 수도 있다. 예를 들면, 비교 결과는, 그룹 내 직원에 더욱 밀접하게 매치하는 후보자에 대응하는 제3 밀도 플롯(1720)을 포함할 수도 있다. 추가적으로, 비교 결과는 또한, 그룹 밖 직원에 더욱 밀접하게 매치하는 후보자에 대응하는 제4 밀도 플롯(1722)을 포함할 수도 있다. 유저는, 결정 경계의 우측에 속하는 후보자가 그룹 내 직원과 더 밀접하게 매치하기 때문에 그들이 특정한 직위에서 성공할 가능성이 높다는 것을 결정할 수도 있다. 마찬가지로, 유저는, 결정 경계의 좌측에 속하는 후보자가 그룹 밖 직원과 더 밀접하게 매치하기 때문에 그들이 특정한 직위에서 성공할 가능성이 낮다는 것을 결정할 수도 있다.
몇몇 실시형태에서, 결정 경계는 제1 및 제2 밀도 플롯에 대한 곡선이 중첩하는 영역에 있을 필요는 없다. 유저는, 유저가 더욱 포괄적이기를(즉, 더 큰 후보자의 풀(pool)을 포함하기를) 원하는지 또는 더욱 엄격하기를(즉, 후보자의 풀을 좁게 하기를) 원하는지의 여부에 의존하여, 결정 경계의 위치를 조정할 수도 있다. 예를 들면, 유저가 결정 경계를 중첩 영역의 좌측으로 그룹 밖 밀도 플롯 안으로 이동시키는 경우(1710-1), 더 많은 후보자가 결정 경계 임계치(1710-1)를 충족할 수 있을 수도 있다. 반대로, 유저가 결정 경계를 중첩 영역의 우측으로 그룹 내 밀도 플롯 안으로 이동시키는 경우(1710-2), 더 적은 후보자가 결정 경계 임계치(1710-2)를 충족할 수 있을 수도 있다. 따라서, 유저는 회사의 선별 및 고용 필요성에 의존하여(예를 들면, 회사가 후보자의 더 큰 풀을 기꺼이 수용할지, 또는 엄선된 수의 후보자만을 필요로 하는지의 여부에 의존하여) 결정 경계를 조정할 수 있다.
유저는 결정 경계에 대해 그룹 내에 있는 또는 그룹 밖에 있는 직원의 백분율을 보기 위해 윈도우(1700)에서 밀도 플롯 위로 커서를 이동시킬 수 있다. 예를 들면, 도 18의 파트 A는 제1 밀도 플롯 상의 선택된 지점(1802)에서 직원의 37.9 %가 그룹 밖에 있을 수도 있다는 것을 도시한다. 도 18의 파트 B는 제2 밀도 플롯 상의 선택된 지점(1804)에서 직원의 8.33 %가 그룹 내에 있을 수도 있다는 것을 도시한다.
다시 윈도우(1700)를 참조하면, 모델 정확도 리포트는 적중(hit)(1712), 틀림(miss)(1714), 오경보(false alarm)(1716), 및 정기각(correct rejection)(1718)을 포함할 수도 있다. 상기의 파라미터의 세부 사항은 도 19의 윈도우(1900)에서 예시된다. 적중(1712)은, 그룹 내로 라벨링되며, 모델 분석 엔진에 의해 그룹 내로 예측되고 정확하게 분류되는 직원에 대응할 수도 있다. 틀림(1714)은, 그룹 밖으로 라벨링되고, 모델 분석 엔진에 의해 그룹 밖으로 잘못 분류되지만, 그러나 그룹 내로 분류되어야 하는 직원에 대응할 수도 있다. 오경보(1716)는, 그룹 내로 라벨링되고, 모델 분석 엔진에 의해 그룹 밖으로 정확하게 분류되는 직원에 대응할 수도 있다. 정기각(1718)은, 그룹 밖으로 라벨링되고, 모델 분석 엔진에 의해 그룹 밖으로 예측되고 정확하게 분류되는 직원에 대응할 수도 있다.
윈도우(1900)는 적중, 틀림, 오경보 및 정기각의 결과를 요약하는 분류 테이블(1902)을 포함할 수도 있다. 도 19의 예에서, 모델 분석 엔진은 12개의 적중과 29개의 정기각을 결정하였으며, 모델에서 100 % 정확도를 나타내었다. 분류 테이블(1902)은 직원의 그룹의 게임플레이 데이터에 기초하여 생성되는 단일 직원 모델에 기초할 수도 있다.
몇몇 실시형태에서, 윈도우(1900)는 교차 검증 테이블(1904)을 더 포함할 수도 있다. 교차 검증 테이블의 경우, 모델은 각각의 직원에 대해 생성될 수도 있고, 복수의 모델은, 각각의 직원의 그룹 내 또는 그룹 밖 상태를 예측하기 위해, 서로에 대해 교차 검증될 수도 있다. 분류 테이블(1902)과는 달리, 교차 검증 테이블(1904)은, 직원이 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부의 사전 라벨링을 요구할 필요가 없다. 따라서, 교차 검증 테이블은 분류 테이블과 비교하여 모델의 더욱 정확한 분석을 제공할 수도 있고, 분류 테이블의 정확도를 검증하기 위해 사용될 수도 있다.
도 17a를 다시 참조하면, 유저가 윈도우(500)에서 모델 편향성 링크(530)를 클릭하면, 도 20의 윈도우(2000)가 생성될 수도 있다. 윈도우(2000)는, 직원의 상이하고 고유한 특징에 기초하여 모델이 편향되는지(또는 비뚤어지는지)의 여부에 대한 정보를 제공할 수도 있다. 예를 들면, 윈도우(2000)는 성별 편향성 리포트 스냅샷(2002) 및 인종 편향성 리포트 스냅샷(2004)을 포함할 수도 있다. 성별 편향성 리포트는 성별(남성과 여성)에 의해 분류될 수도 있고, 인종 편향성 리포트는 인종(예를 들면, 백인, 흑인, 아시아인, 히스패닉계/라틴계, 및 기타)에 의해 분류될 수도 있다. 각각의 리포트는, 각각의 성별 또는 인종 그룹 내에서의 적합 스코어의 바차트(barchart)(2006 및 2008)를 도시할 수도 있다. 유저가 윈도우(2000)를 스크롤 다운하면, 도 21의 윈도우(2100)가 생성될 수도 있다. 윈도우(2100)는 성별 편향성 테스트의 결과를 요약하는 성별 편향성 테이블(2102), 및 인종 편향성 테스트의 결과를 요약하는 인종 편향성 테이블(2104)을 포함할 수도 있다. 유저는, 예를 들면, 도 22에서 도시되는 바와 같이, 상이한 그룹에 대한 평균 적합 스코어를 보기 위해, 바차트 위로 커서를 이동시킬 수도 있다. 도 22의 파트 A에서, 팝업 윈도우(2202)는 남성 직원에 대한 평균 적합 스코어가 45.49이다는 것을 나타낼 수도 있다. 도 22의 파트 B에서, 팝업 윈도우(2204)는 아시아 직원에 대한 평균 적합 스코어가 42.55이다는 것을 나타낼 수도 있다.
적합 스코어는 직원의 개개의 신경 과학 기반의 평가의 스코어의 집계일 수도 있다. 스코어에 대한 인구 통계학적 요인의 영향을 평가하기 위해, 적합 스코어의 다변량 통계 분석이 수행될 수도 있다. 성별 그룹 사이의 통계적으로 (만약 있다면) 유의미한 차이를 평가하기 위해, 예를 들면, 호텔링의 T 제곱 테스트가 사용될 수도 있다. 상이한 인종 그룹 사이의 통계적으로 (만약 있다면) 유의미한 차이를 평가하기 위해, 다변량 ANOVA 테스트가 사용될 수도 있다. 도 20의 예에서, 다변량 통계 분석은, 성별 또는 인종 어느 것도 적합 스코어에 통계적으로 유의미하게 관련되지 않는다는 것을 나타내었다.
도 4를 다시 참조하면, 유저가 윈도우(400)의 좌측 상의 선별 링크(404)를 선택하는 경우, 도 23의 윈도우(2300)가 생성될 수도 있다. 도 23은, 몇몇 실시형태에 따른, 예시적인 선별 모델 윈도우를 예시한다. 유저는 선별 모델 윈도우를 사용하여 하나 이상의 선별 모델에 액세스할 수도 있다. 선별 모델과 소싱 모델 사이의 차이는, 직원 모델 자체에 있는 것이 아니라, 후보자의 소스 및 직원 모델의 사용에 있다. 선별 및 소싱을 지원하기 위한 모델은 동일할 수도 있다. 소싱의 경우, 유저(예를 들면, 리크루터)는, 개인의 목표 그룹에 가장 유사한 후보자를 식별하기 위해(즉, 직원 모델에 밀접하게 매치하는 후보자를 식별하기 위해), 그리고 회사의 고용 필요성에 대해 그들 후보자를 회사에 소개하기 위해, 소싱 모델을 사용할 수도 있다. 선별의 경우, 회사는, 회사가 이미 선택한 후보자의 풀을 선별하기 위해 선별 모델을 사용할 수도 있다. 소싱에서, 리크루터는, 회사에 대한 임계치 컷오프를 통과한 후보자만을 소개할 수도 있고, 임계치 컷오프를 통과하지 못한 후보자에 대한 데이터를 공유할 필요가 없다. 대조적으로, 회사는, 각각의 후보자가 임계치 컷오프를 통과하는지의 여부에 무관하게, 선별에서 후보자 모두에 대한 데이터를 수신할 수도 있다.
앞서 설명되는 바와 같이, 직원 모델은 회사의 상위 직원의 목표 그룹을 대표할 수도 있고, 직원 모델은 기준 그룹에 대해 대조될 수도 있다. 기준 그룹은, 성별, 연령, 인종, 교육적 배경과 같은 인구 통계학적 요인의 관점에서 신경 과학 기반의 테스트를 받고 있는 직원의 목표 그룹과 유사할 수도 있는, 그러나 직원의 목표 그룹과 동일한 분야에서 일하고 있지 않은, 다른 분야의 직원으로 구성되는 데이터베이스로부터 선택될 수도 있다. 회사에서의 특정한 직위에 대한 후보자의 매치/적합성을 결정하기 위해, 후보자는 직원 모델에 비교될 수도 있다.
도 23의 윈도우(2300)를 참조하면, 회사의 상위 직원의 목표 그룹(2316)은 여덟 명의 직원을 포함할 수도 있고, 목표 그룹의 직원 모델은 기준 그룹(2318)에 대해 매치될 수도 있다. 후보자가 직원 모델에 얼마나 잘 맞는지/매치하는지를 결정하기 위해, 다수의 후보자(2320)(예를 들면, 다섯 명)가 직원 모델에 대해 비교될 수도 있다.
유저가 윈도우(2300)의 좌측 상의 내부 이동성 링크(406)를 선택하는 경우, 도 24의 윈도우(2400)가 생성될 수도 있다. 도 24는, 몇몇 실시형태에 따른, 예시적인 내부 이동성 모델 윈도우를 예시한다. 유저는 내부 이동성 모델 윈도우를 사용하여 하나 이상의 내부 이동성 모델에 액세스할 수도 있다. 내부 이동성 모델 윈도우와 선별 모델 및 소싱 모델 사이의 차이는, 직원 모델 자체에 있는 것이 아니라, 후보자의 소스 및 직원 모델의 사용에 있다. 선별, 소싱, 및 내부 이동성을 지원하기 위한 모델은 동일할 수도 있다. 회사는 회사 내에서 후보자(2420)를 소싱하기 위해 내부 이동성 모델을 사용할 수도 있고, 그 결과, 그들 후보자는 회사 내에서 이동성을 가질 수 있고 그들의 잠재성을 극대화하는 상이한 임무/역할을 떠맡을 수 있다. 몇몇 실시형태에서, 후보자는 회사의 인트라넷 웹사이트 상에서 호스팅될 수도 있는 신경 과학 기반의 게임을 플레이할 수도 있다. 후보자의 게임플레이 성과에 기초하여, 내부 이동성 모델은 회사 내의 적합한 직책에 대한 후보자에게 어울리는 자리를 추천할 수도 있다. 소싱 모델 및 선별 모델과 마찬가지로, 후보자(2420)는 상위 직원의 목표 그룹(2416)의 직원 모델에 대해 또한 매칭된다.
유저가 도 23의 윈도우(2300)의 좌측 상의 메일 박스 링크(410)를 선택하는 경우, 도 25의 윈도우(2500)가 생성될 수도 있다. 윈도우(2500)는 유저와 특정한 직위에 관한 상이한 후보자(예를 들면, 후보자 A 및 B) 사이의 통신(메시지)(2502)을 포함할 수도 있다.
유저가 도 23의 윈도우(2300)에서 계정 링크(412)를 선택하는 경우, 윈도우(2600)가 생성될 수도 있다. 윈도우(2600)는 유저가 관련될 수도 있는 그룹에 대한 그룹 설정(2602)을 유저가 관리하는 것을 허용할 수도 있다. 예를 들면, 유저는 특정한 그룹에 대해 회사의 이름(2604), 회사 사이즈(2606), 및 회사 로고(2608)를 업데이트할 수 있다.
유저가 윈도우(2600)에서 커스텀화(Customization) 링크(2610)를 선택하는 경우, 도 27의 윈도우(2700)가 생성될 수도 있다. 유저는, 그들의 이메일 주소(2704)를 윈도우(2700)에 제공하는 것에 의해, 그의/그녀의 계정에 액세스하도록 다른 유저를 초대할 수도 있고 퍼미션(2702)을 허여할 수도 있다. 유저는 또한 다른 유저가 볼 수 있도록 소정의 피쳐(2706)를 활성화 또는 비활성화할 수도 있다. 예를 들면, 도 27 및 28의 윈도우(2700 및 2800)에서 도시되는 바와 같이, 유저는 다른 유저가 계정에서 어떤 피쳐를 볼 수도 있는지를 선택할 수도 있다. 그들 피쳐는 특성 리포트(2706-1), 경력 리포트(2706-2), 회사 리포트(2706-3), 채용 리포트(2706-4), 후보자 또는 직원의 개인 프로파일(2706-5), 연결(2706-6), 대시보드(2706-7), 등등을 포함할 수도 있다.
유저가 윈도우(2300)에서 FAQ 링크(414)를 선택하는 경우, 도 29 및 도 30의 윈도우(2900 및 3000)가 생성될 수도 있다. 윈도우(2900 및 3000)는 상이한 모델이 작동하는 방식, 후보자 소싱/선별, 등등에 대한 자주 묻는 질문에 대답하는 링크(2902)를 제공할 수도 있다. 유저가 질문에 대한 대답을 찾지 못하면, 유저는 도 31의 윈도우(3100)를 사용하여 질문을 입력할 수도 있다.
도 32는, 잠재적인 고용이 직원으로서 성공할 가능성이 얼마나 있는지를 예측하려고 시도하는 비즈니스 엔티티에 대한 예측 모델로서 시스템의 분석 엔진이 어떻게 사용될 수 있는지에 대한 개요이다. 제1 단계에서는 현재 직원이 시스템의 테스트를 완료할 수 있다. 테스트의 완료시, 시스템은 테스트에 대한 직원의 성과에 기초하여 인지적 및 정서적 특성 데이터를 추출할 수 있다. 다음으로, 시스템은, 비즈니스 엔티티에서의 특정한 직책에 대해 이상적인 직원이 어떤 특징을 소유해야 하는지를 결정하도록 분석 엔진을 트레이닝시키기 위해, 직원의 평점 데이터 및 테스트 데이터를 사용할 수 있다.
일단 분석 엔진이 충분하게 트레이닝되면, 모델은 예측 분석 및 예측을 위해 제2 단계에서 사용될 수 있다. 먼저, 후보자는 시스템의 테스트를 완료할 수 있다. 완료시, 시스템은 테스트에 대한 후보자의 성과에 기초하여 후보자에 대한 특성을 추출할 수 있다. 그 다음, 테스트로부터의 데이터는 ,후보자에 대한 적합 스코어를 생성하도록, 트레이닝된 분석 엔진에 적용될 수 있다. 이들 예측 모델은, 예를 들면, 잠재적인 고용이 회사에서의 특정 역할에서 성공할 가능성이 얼마나 있는지를 포함하는 요인을 평가하기 위해 사용될 수 있다. 정확한 예측 모델은, 고용주가 그들의 인적 자본을 최적화하도록 안내하기 위해, 미묘한 데이터 패턴을 검출하여 직원의 미래 성과에 관한 질문에 대답할 수 있다.
본 발명의 시스템은 컴퓨터화된 과제를 대상자에 제공하는 방법을 제공할 수 있다. 과제는 정서 또는 인지력의 신경 과학 기반의 평가일 수 있다. 과제의 완료시, 시스템은 과제에 대한 대상자의 성과에 기초하여 대상자의 성과 값을 측정할 수 있다. 그 다음, 성과 값에 기초하여 특정한 특성이 평가될 수 있는데, 평가된 특성은 대상자에 대한 프로파일을 생성하기 위해 사용될 수 있다. 그 다음, 특성은 컴퓨터 시스템의 프로세서에 의해 테스트 대상자의 데이터베이스와 비교될 수 있다. 테스트 대상자의 데이터베이스와의 대상자의 특성의 비교는, 테스트된 대상자에 고유한 모델을 생성하기 위해 사용될 수 있다. 그 다음, 그 모델은 대상자를 채점하기 위해 사용될 수 있는데, 이것은 대상자의 정서 또는 인지력의 정량적 평가를 생성함에 있어서 지원할 수 있다. 테스트 대상자는 비즈니스 엔티티에 근무할 수 있다. 테스트 대상자의 데이터베이스와의 대상자의 특성의 비교는, 대상자가 고용에 대해 적합한지의 여부를 결정하기 위해 사용될 수 있다.
본 발명의 시스템은 컴퓨터화된 과제를 대상자에 제공하는 방법을 제공할 수 있다. 과제는 정서 또는 인지력의 신경 과학 기반의 평가일 수 있다. 과제의 완료시, 시스템은 과제에 대한 대상자의 성과에 기초하여 대상자의 성과 값을 측정할 수 있다. 그 다음, 성과 값에 기초하여 특정한 특성이 평가될 수 있는데, 평가된 특성은 대상자에 대한 프로파일을 생성하기 위해 사용될 수 있다. 평가된 특성은 또한, 대상자의 하나보다 많은 특성의 평가 및 대상자의 모델과 기준 모델의 비교에 기초하여 대상자의 모델을 생성하기 위해 사용될 수 있다. 그 다음, 테스트 대상자 데이터베이스와의 대상자의 특성의 비교에 기초하여 대상자의 경력 경향을 식별하기 위해, 컴퓨터 시스템의 프로세서가 사용될 수 있다. 테스트 대상자의 데이터베이스와의 대상자의 특성의 비교는, 대상자의 모델을 생성하기 위해 또한 사용될 수 있다. 비교의 결과는 고용 임원에게 출력될 수 있다. 비교의 결과는 또한 그 대상자에 대한 직업을 추천하기 위해 사용될 수 있다.
다음의 내용은, 직원, 후보자, 및 대상자에 제공될 수도 있는 게임에서의 신경 과학 기반의 과제의 예 및 이들 과제를 완료하는 것으로부터 획득되는 결과이다.
예 1: 유추 추론(Analogical Reasoning).
유추 추론 과제는, 겉보기에 관련되지 않는 개념 또는 이벤트 사이의 연결성을 식별하는 대상자의 능력을 측정할 수 있다. 유추 추론은 또한, 표면 상 유사하지 않은 것처럼 보이는 상황 또는 표현 사이의 신규의 연결성을 모델링하기 위해 유추를 사용하는 과제를 가리킬 수 있다. 유추 추론은 종종 창의적 문제 해결에 관련되는데, 둘 모두가 개인이 특정한 과제의 제약 내에서 혁신적인 아이디어를 생성하는 것을 요구하기 때문이다. 두 상황이 더욱 상이하게 보일수록, 유추 추론 프로세스는 더 창조적일 수 있다. 두 상황, 개념, 이벤트, 또는 표현 사이의 유사성은, 의미론적 거리에 의해 설명될 수 있다. 의미론적 거리가 클수록, 제시된 두 상황 사이의 유사성은 더 적다. 유추 추론 과제에서, 의미론적 거리는 독립적인 평가자의 창조성 평가와 높은 상관 관계가 있을 수 있는데, 아주 다르게 보이는 상황 사이에서 대상자가 연결성을 형성할 때 대상자가 더욱 창조적인 것으로 인식될 수 있기 때문이다. 유추 추론 과제 동안의 뇌 활동을 측정하기 위해 기능적 자기 공명 영상(functional magnetic resonance imaging; fMRI)이 사용될 수 있고, 유추에서의 아이템 사이의 의미론적 거리는 파라미터에 의해 변할 수 있다. 비판적으로, 응답 시간, 정확도 및 평가된 난이도에 의해 검정될(assayed) 때, 과제 어려움이 아닌 유추 매핑의 의미론적 거리가 뇌 활동을 조정할 수 있다.
본 발명에서, 대상자는 두 세트의 단어 쌍을 제시 받았고, 그 다음, 제2 세트가 제1 세트 사이의 관계와 유사한지의 여부를 결정하도록 요청 받았다. 본 발명의 시스템은, 테스트 세션 사이에 2 주 간격을 가지고 학부생 샘플(undergraduate sample)(N = 38)을 사용하여 테스트-재테스트 연구를 수행하였다. 유추 추론 과제의 테스트-테스트 재시도 신뢰도는 약 r = 0.63에서 수용 가능한 것으로 확인되었다.
예 2: 풍선 유사 위험 과제(Balloon Analogue Risk Task; BART).
BART에서, 대상자는, 만화 펌프를 클릭할 때마다, 시뮬레이팅된 풍선이 팽창되고 적은 금액이 임시 은행 계좌에 적립되는 컴퓨터 게임에서 돈을 벌었다. 대상자는 언제든지 돈을 모으도록 허용되었다. 그러나, 풍선이 터지면, 임시 은행 계좌에 돈이 없어지게 되고, 시도는 종료되었다. 대상자에 의한 클릭 수는 위험을 감수하는 척도로 기능했으며, 과제는 약 80 회의 시도 동안 지속되었다.
BART에 대한 성과는, 바렛 충동성 척도(Barratt Impulsivity Scale), 감각 추구 척도(Sensation Seeking Scale) 및 행동 제약 척도(Behavioral Constraint scale)를 포함하는 여러 가지 다른 위험 관련 구성개념과 상관될 수 있다.
BART의 유효성은, BART에 대한 성과가 테스트 대상자에 의해 완료되는 자기 보고 척도(self-report measure)에 어떻게 상관되는지를 살펴 보는 것에 의해 결정될 수 있다. 위험 행동을 예측함에 있어서 BART의 점증적 유효성을 나타내기 위해, 단계 1에서 연령, 성별, 충동, 및 감각 추구를 사용하고, 단계 2에서 BART 결과를 고려하는 단계별 회귀 분석이 행해질 수 있다. 단계 1 및 2의 회귀 분석은, 심지어 다른 요인을 제어하는 동안에도, 더 높은 BART 스코어가 위험한 행동에 대한 더 높은 경향에 연결될 수 있다는 것을 나타낼 수 있다. BART는, 충동성, 감각 추구, 및 위험 스코어에 유의미하게 상관될 수 있고, 다른 인구 통계학적 요인과는 유의미한 상관 관계를 갖지 않을 수도 있다.
테스트 세션 사이에 2 주 간격을 가지고 학부생 샘플(N = 40)을 사용하여 본 발명의 시스템에 의해 테스트-재테스트 연구가 수행되었다. 테스트-재테스트 신뢰도는 위험의 레벨에 따라 약 0.65의 r에서부터 약 0.88의 r까지의 범위에 이르는 것으로 확인되었다. 커뮤니티 샘플(community sample)(N = 24)에 대해 행해진 다른 연구는, 위험 레벨에 따라, 약 0.88의 r에서부터 약 0.96의 r까지의 범위에 이르는 반분 신뢰도를 나타내었다.
예 3: 선택 과제(Choice Task).
선택 과제는 대상자의 위험 감수 성향의 척도로서 사용될 수 있다. 선택 과제는, 일련의 선택 세트에 기초하여 대상자가 평가할 것을 요청 받는 시나리오의 세트를 포함할 수 있다. 선택 세트는, 상호 배타적이며 독립적인 대안을 포함할 수 있고, 일반적으로, 하나의 대안은 두 가지 옵션 중 더 위험한 것으로 간주될 수 있다. 성격 및 행동 위험 척도를 측정하는 다양한 테스트를 완료할 것을 대상자가 요청 받는 연구가 수행될 수 있다. 대상자가 완료할 수 있는 테스트는, 주커만(Zuckerman)의 감각 추구 척도, 아이젱크(Eysenck)의 충동성 척도, 역행 행동 자기 통제 척도(Retrospective Behavioral Self-Control Scale), 영역별 위험 감수 척도, 선택 과제, 풍선 유사 위험 과제, 변화 선호 과제(Variance Preference Task), 미래 할인 I, 및 미래 할인 II를 포함할 수 있다. 어떤 주요 성분이 위험의 기저의 척도인지를 결정하기 위해, 기본 성분 분석이 행해질 수 있다. 예를 들면, 분산 우선(variance preference)은 선택 과제와 상관될 수 있다. 분산 우선은 위험에 대한 강력한 척도일 수 있으며, 흥분과 외향성에 대한 성격 경향으로서 설명될 수 있다.
본 발명의 시스템에서, 대상자는, 그들이 설정된 금액을 받을 것인지 또는 더 많은 금액을 받는 기회에 베팅할 것인지를 질문 받았다. 금액과 돈을 받을 기회는, 옵션을 다소 위험하게 만들도록 변동되었다. 선택 과제의 테스트-재테스트 신뢰도를 확립하기 위해, 시스템에 의해 두 개의 연구가 수행되었다. 하나의 연구는, 테스트 세션 사이에 2 주 간격을 가지고 학부생 샘플(N = 40)을 사용하여 수행되었다. 측정된 테스트-재테스트 신뢰도는 약 r = 0.62인 것으로 확인되었다. 제2 연구는 커뮤니티 샘플(N = 24)을 사용한 반분 신뢰도 연구였다. 반분 신뢰도 약 r = 0.82인 것으로 확인되었다.
예 4: 독재자 과제(Dictator Task).
독재자 과제는 관용 및 이타주의의 척도로서 행동 경제학에서 사용될 수 있다. 이 게임의 유효성을 결정하기 위해, 대상자는 지난 1년 동안의 그들의 자선 활동에 대해 보고할 것으로 요청 받을 수 있다. 예를 들면, 과제 동안 자신의 허구의 소득(fictional earnings)을 기부한 대상자는, 과제 동안 그들의 허구의 소득을 기부하지 않은 대상자보다, 현실에서, 지난 해 자선 단체(philanthropic causes)에 더 많이 기부한 것이 확인될 수 있다.
본 발명에서, 대상자는 랜덤 참가자와 짝을 이루었는데, 여기서, 대상자와 랜덤 참가자 둘 모두는 최초 동일한 금액을 받았다. 후속하여, 대상자는 추가 금액을 받고 랜덤 참가자에게 돈의 일부 또는 전부를 제공하도록 또는 전혀 제공하지 않도록 지시 받았다. 랜덤 참가자에게 기부된 금액은 이타주의의 척도로 사용되었다. 테스트 세션 사이에 2 주 간격을 가지고 학부생 샘플(N = 40)을 사용하여 본 발명의 시스템에 의해 테스트-재테스트 연구가 수행되었다. 테스트-재테스트 신뢰도는 약 r = 0.62에서 수용 가능한 것으로 확인되었다. 커뮤니티 샘플(N = 24)을 사용하여 반분 신뢰도도 또한 측정되었으며, 신뢰도는 약 r = 0.65에서 수용 가능한 것으로 확인되었다.
예 5: 숫자 범위(Digit Span).
숫자 범위 과제는 대상자의 작업 기억 번호 저장 용량을 측정하기 위해 사용될 수 있다. 본 발명의 시스템에서, 대상자는 일련의 숫자를 제시 받았고, 프롬프트되면, 키보드 상에서 숫자를 입력하는 것에 의해 숫자의 시퀀스를 반복하도록 요청 받았다. 대상자가 숫자를 성공적으로 암송했다면, 그러면, 대상자는 기억하고 암송할 더 긴 시퀀스를 제공 받았다. 대상자가 기억할 수 있는 가장 긴 목록의 길이는 대상자의 숫자 범위이다.
숫자 범위는, 용량 및 프로세싱을 나타내기 위해 사용되는 척도를 비롯한, 작업 기억의 모든 척도와 양으로(positively) 상관될 수 있고, 숫자 범위는 나이와 음으로(negatively) 상관될 수 있다. 숫자 범위 과제는 한 달 간격에 걸쳐 건강한 성인에 대한 충분한 신뢰도를 가질 수 있다.
숫자 범위 테스트가 수행되었다. 커뮤니티 샘플(N = 23)에서, 숫자 범위 과제에 대한 반분 신뢰도는 r = 0.63에서 수용 가능한 것으로 확인되었다. 학부생 샘플(N = 39)에 대한 테스트 세션 사이에 2 주 간격을 갖는 테스트-재테스트 연구는 r = 0.68에서 수용 가능한 신뢰도를 또한 나타내었다.
예 6: EEfRT(쉬움 또는 어려움).
보상 과제에 대한 노력 지출(Effort-Expenditure for Rewards Task; EEfRT)은, 인간의 노력 기반 의사 결정을 탐구하기 위해 사용될 수 있다. EEfRT는 보상을 위해 사람이 얼마나 많은 노력을 기꺼이 기울일지를 측정할 수 있다. 다수의 분석에 걸쳐, 보상에 대해 노력을 지출할 의지(willingness)와 쾌감 상실(anhedonia) 사이에서 유의미한 반비례 관계가 관찰될 수 있다. 증가된 특성 쾌감 상실은 보상을 위해 노력을 지출하는 전반적인 감소된 가능성을 유의미하게 예측할 수 있는데, EEfRT 과제가 동기 부여 및 노력 기반의 의사 결정에 대한 효과적인 대용물일 수 있다는 것을 나타낸다.
본 발명의 시스템에서, 대상자는 쉬운 과제 또는 어려운 관제를 완료하기 위한 선택을 제시 받았다. 쉬운 과제는, 어려운 과제보다 키보드의 스페이스 바를 누르는 횟수가 적었다. 쉬운 과제의 완료는 매번 동일한 보상이 보장되었고, 반면 어려운 과제의 완료는 훨씬 더 많은 보상을 받는 기회가 제공되었다. 더 어려운 과제를 고르는 경향이 더 많은 대상자는, 심지어 더 많은 노력이 요구되는 경우에도, 보상에 의해 더욱 동기 부여되는 것으로 평가되었다.
시스템은 EEfRT에 대한 신뢰도에 대해 테스트를 수행하였다. 커뮤니티 샘플(N = 24)에서, EEfRT에 대한 반분 신뢰도는 r = 0.76에서 평균을 넘는 것으로 확인되었다. 테스트 세션 사이에 2 주 간격을 가지고 학부생 샘플(N = 40)을 사용하여 제2 연구가 수행되었다. 테스트-재테스트 신뢰도는 약 r = 0.68에서 수용 가능한 것으로 확인되었다.
예 7: 얼굴 감정 테스트(Facial Affect Test).
관련이 있는, 그러나 불분명한 정보를 얼굴 표정(facial expression)이 제공하는 경우, 상황적 요인은 대상자에 의한 감정 표현의 해석에 강한 영향을 끼칠 수 있다. 이 제한된 맥락에서, 대부분의 대상자는 표정을 짓는 자(expresser)를, 그들의 실제 얼굴 표정보다는, 상황에 매치하는 감정을 느끼는 것으로 판단할 수 있다. 상황 정보는, 비 기본적인 감정을 나타낼 때, 특히 영향을 줄 수 있는데, 예를 들면, 사람은 고통스러운 상황에 처해 있을 수 있지만, 그러나 공포의 표정을 나타낼 수 있다. 종종, 사람의 표정을 판단하는 대상자는, 사람의 표정이, 두려움의 표정이 아니라, 고통의 표정이라고 결론을 내린다.
본 발명의 시스템에서, 대상자는 상이한 감정을 나타내는 남성 및 여성의 사진으로 제시 받았다. 몇몇 경우에, 사진은 상황을 설명하는 이야기와 함께 제시되었고, 한편 다른 사진은 단독으로 제시되었다. 대상자는, 네 가지 감정의 세트 중에서 사진 속의 사람의 표정을 가장 잘 설명한 것을 선택하도록 지시 받았다. 이야기를 제시 받지 않고 감정을 정확하게 식별할 수 있는 대상자는 얼굴 표정을 읽는 명민한 능력을 갖는 것으로 설명되었다.
시스템은 얼굴 감정 과제에 대한 신뢰도 테스트를 수행하였다. 얼굴 감정 과제의 반분 신뢰도는 커뮤니티 샘플(N = 24)을 사용하여 측정되었다. 반분 신뢰도는, 약 0.73-0.79 범위에 있는 r 값에서 평균을 넘는 것으로 확인되었다. 세션 사이에 2 주 간격을 가지고, 학부생 샘플(N = 40)이 두 번 측정되었다. 테스트-재테스트 신뢰도는 약 0.57-0.61의 r 값에서 수용 가능한 것으로 확인되었다.
예 8: 핑거 탭핑(Finger Tapping)(키누름).
핑거 탭핑 테스트(Finger-Tapping test; FTT)는, 신경근 시스템(neuromuscular system)의 무결성을 평가하고 운동 제어(motor control)를 검사할 수 있는 심리 테스트이다. 과제는 한 달의 간격에 걸쳐 양호한 신뢰도를 가질 수 있다.
건강한 대상자에 대해 단순한 운동 탭핑 과제(motor tapping task)가 수행될 수 있다. 대상자는 60 초 동안 가능한 한 빨리 그들의 주된 손(dominant hand)의 검지 손가락으로 터치스크린 모니터 상의 고정 원을 탭하도록(tap) 요구 받을 수 있다. 테스트-재테스트 간격은 약 4 주일 수 있고, 상당히 높은 신뢰도 상관 관계를 가질 수 있다.
본 발명의 시스템에서, 대상자는 지정된 양의 시간 동안 주된 손을 사용하여 반복적으로 키보드의 스페이스 바를 누르도록 요청 받았다. FTT의 반분 신뢰도는 커뮤니티 샘플(V = 24)을 사용하여 평가되었다. 약 0.68-0.96의 r 값에서 주요 척도는 신뢰 가능한 것으로 확인되었다. 테스트-재테스트 연구는 테스트 세션 사이에 2 주 간격을 가지고 학부생 샘플(V = 40)을 사용하였다. 관련된 척도에 대한 신뢰도는 약 0.58-0.77 사이의 r 값에서 수용 가능한 것으로 확인되었다.
예 9: 미래 할인(Future Discounting).
시간적 미래 할인은, 미래의 그러나 상당한 보상보다는, 지금 당장의 그러나 적절한 보상을 개인이 선호하는 정도를 가리킬 수 있다. 시간적 할인은, 시간 지연이 증가함에 따라 선호도가 단조 감소하는 것으로 이어지는 지수 함수로서 모델링될 수 있는데, 여기서 개인은, 보상의 지연과 함께 증가하는 인자만큼 미래의 값을 할인한다. 쌍곡선 할인이 미래 할인의 시간 불일치 모델(time-inconsistent model)을 나타낼 수 있다. 미래 할인을 모델링하기 위해 쌍곡선 모델이 사용되는 경우, 그 모델은, 작은 지연 기간 동안 가치가 매우 빠르게 하락하지만, 그러나, 그 다음, 더 긴 지연 기간 동안 천천히 하락하는 것을 제안할 수 있다. 쌍곡선은 다른 모델보다 더 나은 적합성을 나타낼 수 있는데, 개인이 지연된 보상을 할인한다는 증거를 제공한다.
본 발명의 시스템에서, 대상자는, 대상자가 지금 소정의 금액의 수령하는 것, 또는 미래의 지정된 시간에 더 많은 돈을 받는 것 사이에서 선택해야만 한다는 질문을 제시 받았다. 금액과 돈이 대상자에게 주어질 시간은, 지연 및 보상의 사이즈를 증가 또는 감소시키도록 변경되었다.
시스템은 미래의 할인 과제의 신뢰도 테스트를 수행하였다. 미래 할인 과제의 반분 신뢰도는 커뮤니티 샘플(N = 24)을 사용하여 평가되었다. 로그 변환된 데이터에 대한 반분 신뢰도는 약 r = 0.65에서 수용 가능한 것으로 확인되었다. 테스트-재테스트 연구는, 테스트 세션 사이에 2 주 간격을 가지고 학부생의 샘플(N = 40)을 사용하여 미래 할인 과제의 신뢰도를 평가하였다. 로그 변환된 데이터의 신뢰도는 약 r = 0.72에서 수용 가능한 것으로 확인되었다.
예 10: 수반자극 과제(Flanker Task).
수반자극 과제는 대상자의 과제 전환 능력을 검사하기 위해 사용될 수 있다. 수반자극 과제는 특정 상황에서 부적절한 응답을 억제하는 능력을 평가하기 위해 사용되는 응답 억제 테스트의 세트를 가리킬 수 있다. 수반자극 과제는 선택적 주의력(selective attention) 및 정보 프로세싱 능력을 평가하기 위해 사용될 수 있다. 목표는, 목표와 동일한 방향성 응답(적합 자극), 반대 응답(부적합 자극), 또는 둘 중 어느 것도 아닌 응답(중립 자극) 중 어느 하나에 대응하는 비 목표 자극에 의해 지원 받을 수 있다. 대상자가 그들이 보는 것에 대해 어떻게 반응해야 하는지에 관한 상이한 규칙이 대상자에게 주어진다.
대상자가 과제를 반복하는 것과 대비하여 과제를 전환하도록 요청 받는 경우 일관되게 나쁜 성과가 관찰될 수 있는데, 수반자극 과제의 과제 전환 효과에 대한 유효성을 나타낸다. 적합 자극에 비해 부적합 자극에 응답하여 더 활동적일 수 있는 전대상피질(anterior cingulate cortex; ACC)은, 수반자극 과제 동안 활성화될 수 있고 과제에서의 충돌의 양을 모니터링할 수 있다. ACC에 의해 측정되는 충돌의 레벨은 다음 번 시도에서 대상자에게 더 많은 제어를 제공할 수 있는데, 시도 n에서 더 많은 충돌이 제시되면, 시도 n+1에서 대상자에 의해 더 많은 제어가 제시될 수 있다는 것을 나타낸다.
오류 사후 속도 저하(post-error slowing, PES)로 이어지는 오류 사후 조정(post-error adjustment)의 시간 경과를 찾기 위해, 수반자극 과제 및 경두개 자기 기능(transcranial magnetic function: TMS)이 사용될 수 있다. 몇몇 결과는 잘못된 반응 이후에 활성 운동 피질의 흥분성이 감소할 수 있다는 것을 나타낼 수 있다.
본 발명의 시스템에서, 대상자는 다섯 개의 제시된 화살표의 컬러 및 방향에 의존하여 키보드 상의 특정한 화살표 키를 누르도록 지시 받았다. 적색 화살표가 다섯 개의 적색 화살표 중의 중앙 화살표이면, 중앙 적색 화살표 방향은 어떤 키를 눌러야 하는지를 지시한다. 적색 화살표가, 모두 같은 방향을 가리키는 네 개의 청색 화살표 중의 중앙 화살표이면, 청색 화살표의 방향은 대상자가 어떤 키를 눌러야 하는지를 지시한다. 예를 들면, 우측을 가리키는 다섯 개의 적색 화살표의 시퀀스를 대상자가 봤다면, 그 다음, 대상자는 오른쪽 화살표 키를 눌러야 한다. 다음 번 이미지가 우측을 가리키는 적색의 중앙 화살표이지만, 나머지 적색 화살표가 좌측을 가리켰다면, 대상자는 오른쪽 화살표 키를 다시 눌러야 한다. 그러나, 다음 번 이미지가, 좌측을 가리키는 청색 화살표에 의해 둘러싸이는 우측을 가리키는 적색의 중앙 화살표를 나타내었다면, 대상자는 왼쪽 화살표 키를 눌러야 한다. 중앙 화살표를 둘러싸는 있는 "측면에 위치한 것(flanker)", 또는 화살표에 기초하여 올바른 화살표 키를 누르는 능력은, 대상자의 과제 전환 능력을 측정하기 위해 사용되었다.
시스템은 수반자극 과제에 대한 신뢰도 테스트를 수행하였다. 수반자극 과제의 반분 신뢰도는 커뮤니티 샘플(N = 14)을 사용하여 평가되었다. 주요 척도는, 약 0.70-0.76의 r 값에서 신뢰 가능한 것으로 확인되었다. 제2 연구에서, 테스트-재테스트 신뢰도를 평가하기 위해 학부생 샘플(N = 34)이 사용되었다. 관련된 척도에 대한 결과는, 약 0.51-0.69의 r 값에서 수용 가능한 것으로 확인되었다.
예 11: 진행/정지(Go/No-Go).
대상자의 주의력 범위 및 응답 제어를 평가하기 위해, 진행/정지 테스트가 사용될 수 있다. 진행/정지 테스트의 예는, 특정한 자극이 존재할 때 대상자가 버튼을 누르게 하는 것("진행"), 및 상이한 자극이 제시될 때 동일한 버튼을 누르지 않는 것("정지")을 포함할 수 있다. 특히 억제 시도에 대한 진행/정지 과제에 대한 성과는, 위스콘신 카드 분류 과제(Wisconsin Card Sorting Task), 스트룹 컬러 단어 테스트(Stroop Color-Word Test) 및 선 추적 테스트(Trail Making Test)에 의해 측정되는 복잡한 실행 기능에 관련될 수도 있다.
본 발명의 시스템에서, 대상자는 적색 원 또는 녹색 원을 제시 받았고, 적색 원을 보게 되었을 때 스페이스 바를 누르도록, 그러나 녹색 원을 보게 되었을 때 아무것도 하지 않도록 지시 받았다. 진행/정지 과제의 반분 신뢰도는 커뮤니티 샘플(N = 23)을 사용하여 연구되었다. 관련된 척도에 대한 반분 신뢰도는, 약 0.56의 r 값에서 수용 가능한 것으로 확인되었다. 세션 사이에 2 주 간격을 가지고 학부생의 샘플(N = 33)에 대해 테스트-재테스트 연구도 또한 수행되었다. 약 r = 0.82의 주요 척도에 대한 신뢰도는 강한 것으로 확인되었다.
예 12: 눈 속의 마음(Mind in the Eyes).
눈 속의 마음 테스트는, 눈 주위의 표정만을 사용하여 다른 사람의 정신 상태를 인식하는 대상자의 능력을 평가하는 것에 의해 대상자의 사회적 인지력(social cognition)을 평가할 수 있다. 대상자가 기본 및 복잡한 감정을 어떻게 인지하는지를 결정하기 위해, 감정의 타입, 자극으로서 사용되는 얼굴의 양, 및 자극의 성별을 변경시키는 일련의 실험이 수행될 수 있다. 건전한 통제(healthy control)는 기본 얼굴과 복잡한 감정 둘 모두를 전체 얼굴로부터 잘 인식할 수 있지만, 그러나 복잡한 정신 상태의 경우, 단지 눈을 바라보는 대상자의 스코어는 더 높을 수 있다. 이 발견은 눈이 전체 얼굴보다 더 많은 정보를 유지할 수 있다는 것을 시사한다.
본 발명의 시스템에서, 대상자는, 사진 속의 개인의 눈만을 드러내는 일련의 사진을 제시 받았다. 그 다음, 대상자는, 눈에 의해 가장 잘 표현된 그들이 느낀 감정을 선택하도록 지시 받았다. 감정의 선택은, 기본적인 것, 예를 들면, 슬픔, 행복, 분노, 및 놀람으로부터 복잡한 것, 예를 들면, 오만함, 후회, 비판적임, 및 신경질적임까지의 범위에 이른다. 눈으로부터 정확하게 감정을 읽을 수 있었던 대상자는 감정적으로 더 통찰력이 있는 것으로 설명되었다.
시스템은 눈 속의 마음 과제에 대한 신뢰도 테스트를 수행하였다. 눈 속의 마음 과제의 반분 신뢰도는 커뮤니티 샘플(N = 23)에서 평가되었으며, 약 r = 0.74의 반분 신뢰도는 평균을 넘는 상관 관계를 가졌다. 테스트 세션 사이에 2 주 간격을 갖는 학부생 샘플(N = 38)에 대한 테스트-재테스트 연구는 약 r = 0.67의 수용 가능한 신뢰도를 가졌다.
예 13: N 백(N-Back)(문자).
N 백 과제는 대상자의 작업 기억을 측정하기 위해 사용될 수 있는 연속 수행 과제(continuous performance task)이다. 예를 들면, 대상자는 자극의 시퀀스를 제시 받을 수 있고, 대상자는 현재 자극이 시퀀스에서의 n 단계 이전의 자극과 매치하는 때를 나타내어야 한다. n 값은 과제를 다소 어렵게 만들도록 조정될 수 있다. 복잡성의 두 개의 레벨에서의 N 백 과제가, 수정된 웩슬러 성인용 지능 검사(Wechsler Adult Intelligence Scale Revised; WAIS-R)에 대한 숫자 범위 테스트에 대한 성과에 비교될 수 있다. N 백 과제에 대한 정확도 스코어는 WAIS-R의 숫자 범위 하위 테스트에 대한 성과와 양으로 상관될 수 있다. WAIS-R의 숫자 범위 서브스케일은, N 백 과제에 대한 정확도 스코어가 작업 기억 용량에서의 개개의 차이와 관련될 수 있다는 것을 나타내는, 작업 기억 용량과 중첩할 수 있는 소정의 인지 프로세스를 반영할 수 있다.
본 발명의 시스템에서, 대상자는 문자를 제시 받고, 두 프레임 이전과 동일한 문자가 보여지는 경우, 스페이스 바를 누르도록 지시 받았다. 문자의 제2 인스턴스를 정확하게 식별할 수 있었던 대상자는 높은 작업 기억을 갖는 것으로 평가되었다.
시스템은 N 백 과제에 대한 신뢰도 테스트를 수행하였다. N 백 테스트의 반분 신뢰도는 커뮤니티 샘플(N = 24)에서 평가되었으며 약 r = 0.83에서 평균을 넘는 신뢰도를 갖는 것으로 확인되었다. 테스트-재테스트 연구는 테스트 세션 사이에 2 주 간격을 가지고 학부생 샘플(N = 38)을 사용하였다. 약 r = 0.73의 신뢰도는 수용 가능한 것으로 확인되었다.
예 14: 패턴 인식(Pattern Recognition).
패턴 인식 과제는, 자극 또는 객체의 시퀀스로부터 패턴 및 유사성을 식별하는 대상자의 능력을 측정할 수 있다.
레이븐의 누진 매트릭스(Raven's Progressive Matrices; RPM) 테스트는 패턴 인식 과제와 유사하다. 레이븐의 누진 매트릭스 테스트의 한 형태인 고급 누진 매트릭스(Advanced Progressive Matrices; APM) 테스트는 아주 양호한 테스트-재테스트의 신뢰도를 가질 수 있다. 신뢰도 계수는 약 0.76에서부터 약 0.91까지의 범위에 이를 수 있다.
본 발명의 시스템에서, 대상자는 하나의 코너가 없는 채색된 사각형의 그리드를 제시 받았다. 대상자는 그리드의 패턴을 정확하게 완성할 이미지를 여섯 개의 이미지로부터 선택해야 했고, 이미지를 정확하게 식별할 수 있었던 대상자는 높은 패턴 인식 능력을 가진 것으로 평가되었다.
시스템은 패턴 인식 과제에 대한 신뢰도 테스트를 수행하였다. 테스트-재테스트 신뢰도를 평가하기 위해, 세션 사이에 2 주 간격을 가지고 학부생의 샘플(N = 36)에게 과제가 제공되었다. 신뢰도는 약 r = 0.55에서 수용 가능한 것으로 확인되었다.
예 15: 보상 학습 과제(Reward Learning Task).
보상의 함수로서 행동을 조정하는 대상자의 능력 사이의 관계를 평가하기 위해, 차별 강화 스케줄에 의해 결정되는 금액을 대상자가 획득하는 보상 학습 과제가 개발될 수 있다. 대상자는 한 선택을 제시 받을 수 있는데, 여기서 하나의 선택은 보상과 관련될 수 있지만, 그러나 보상의 수령은 올바른 선택을 고르는 것에 달려 있다. 대상자가 어떤 선택이 올바른지 알게 됨에 따라, 보상은 증가할 수 있다.
본 발명의 시스템에서, 대상자는 짧은 입 또는 긴 입 중 어느 하나를 갖는 디지털 얼굴을 제시 받는다. 입의 길이에서의 차이는 최소한이었지만, 그러나 인간의 눈에 의해 인식 가능하였다. 대상자는, 긴 입을 갖는 얼굴을 제시 받는 경우 오른쪽 화살표 키를, 그리고 짧은 입을 갖는 얼굴을 제시 받는 경우 왼쪽 화살표 키를 누르도록 요청 받았다. 대상자에게는, 그들이 올바른 선택을 하는 경우 그들이 돈을 받을 수 있다는 것을 추가적으로 이야기 하였다. 보상 학습 과제는, 대상자가 보상의 수령에 기초하여 어떤 자극이 정확했는지를 학습할 수 있었는지의 여부를 결정하기 위해 사용되었다.
시스템은 보상 학습 과제에 대한 신뢰도 테스트를 수행하였다. 보상 과제의 반분 신뢰도는 커뮤니티 샘플(N = 24)에서 평가되었으며, r = 0.78인 경우에 주요 척도에 대해 평균을 넘는 신뢰도를 갖는 것으로 확인되었다. 학부생 샘플(N = 40)은 세션 사이에 2 주 간격을 가지고 테스트-재테스트 연구에서 사용되었다. 주요 척도의 테스트-재테스트 신뢰도는 약 r = 0.66에서 평균을 넘는 것이 확인되었다.
예 16: 런던 탑(Tower of London; TOL).
TOL 과제는 실행 기능 및 계획 능력을 평가하기 위해 사용될 수 있다. 평균 이동 횟수 및 평균 초기 사고 시간(initial thinking time; ITT)은 과제의 상이한 난이도(difficulty level)에 대해 계산될 수 있다. ITT는 퍼즐의 제시와 대상자가 퍼즐을 풀기 시작하는 순간 사이의 경과 시간에 대응할 수 있다. 총 평균 ITT 스코어와 총 평균 이동 스코어 사이에 부정적인 상관 관계가 존재할 수 있는데, 더 긴 ITT 스코어가 이동 횟수를 감소시키는 것을 도울 수 있다는 것을 암시한다, 다시 말하면, ITT는 계획을 반영할 수 있다는 것을 암시한다. 이동 횟수, 정확한 수행, 및 런던 탑 과제에 대한 제1 이동을 행하기 이전의 시간을 측정하는 변수는 0.61과 1.43 사이의 효과 사이즈(effect size)를 가질 수 있다.
연구 및 임상 설정에서 사용하기 위한 일련의 TOL 과제는, 최소 이동에 걸친 과제 어려움의 명확하고 거의 완벽한 선형 증가를 나타내기 위해 평가될 수 있다. 다시 말하면, 저 성과의, 중간 성과의, 고 성과의 대상자는, 문제에서, 각각, 낮은, 중간, 높은 최소 이동의 레벨까지의, 그러나 그 위로의 레벨까지는 아닌 정확한 해결책을 얻을 수 있다. 과제의 정확도는 최소 이동 횟수에 의해 달라질 수 있다.
본 발명의 시스템에서, 대상자는 세 개의 페그의 두 개의 세트를 제시 받았다. 페그의 목표 세트는 하나의 페그 주변에 다섯 개의 채색된 디스크를 가지고 있었지만, 그러나 페그의 실험 세트는 세 개의 페그에 걸쳐 다섯 개의 채색된 디스크를 분포시켰다. 과제의 목적은 실험 세트의 채색된 디스크의 배열을, 목표 세트의 것과 매치시키는 것이었다. 최소 이동 횟수로 지정된 시간 기간 내에 과제를 완료할 수 있었던 대상자는 높은 계획 능력을 가진 것으로 평가되었다.
시스템은 TOL 과제에 대한 신뢰도 테스트를 수행하였다. TOL 과제의 반분 신뢰도는 커뮤니티 샘플(N = 24)에서 평가되었고, TOL 과제는, 주요 척도인 시간에 대해, 약 r = 0.77의 양호한 신뢰도를 갖는 것으로 확인되었다. 학부생의 샘플(N = 39)을 사용하는 테스트-재테스트 연구가 테스트 세션 사이에 2 주 간격을 가지고 수행되었다. 이 방법을 사용한 시간에 대한 신뢰도는 약 r = 0.69에서 평균을 넘는 것으로 확인되었다.
예 17: 신뢰 과제(Trust Task).
신뢰 과제는 명성, 계약 의무, 또는 처벌을 제어하면서 신뢰 및 호혜성(reciprocity)을 연구하기 위해 사용될 수 있다. 신뢰 과제는 두 단계를 가질 수 있다. 첫째, 대상자는 돈을 받을 수 있고, 그 다음, 대상자는 상이한 위치에 있는 미지의 사람에게, 만약 있다면, 얼마나 많은 돈을 그들이 보낼 것인지를 결정할 수 있다. 대상자는, 그들이 전송하는 금액이, 그것이 다른 사람에게 도달하는 시간까지, 두 배가 될 것이다는 것을 들을 수 있다. 그 때, 다른 사람은 그 돈을 대상자에게 되전송하는 옵션을 갖는다.
신뢰 과제에 대한 성과는 마키아벨리즘(Machiavellianism), 및 관계형 동기(relational motive), 예를 들면, 다른 사람들에 대한 높은 관심 및 자아에 대한 낮은 관심을 포함하는 성격 척도(personality measure)와 관련될 수 있다. 신뢰 과제에서의 참가는, 신경 생리학 반응, 예를 들면, 옥시토신의 생성에 영향을 줄 수 있고, 신뢰 및 사회적 관계에 관련이 있는 뇌의 영역에서 신경 반응의 위치, 크기 및 타이밍과 관련될 수 있다.
본 발명의 시스템에서, 대상자는 랜덤 참가자와 짝을 이룬다. 대상자는 돈을 받았고 한편 랜덤 참가자는 돈을 받지 않았다. 대상자는, 돈이 다른 사람에게 도달하는 시간까지 돈이 세 배가 될 것이다는 것을 알면서, 랜덤 참가자에게 그들의 돈의 일부, 또는 전부를 보내도록 지시 받았다. 그 때, 다른 사람은 그 돈의 일부 또는 전부를 대상자에게 되돌려 줄 수도 있었거나 또는 전혀 돌려주지 않았을 수도 있다. 그 다음, 대상자는 랜덤 참가자가 되돌려 보낸 금액에 기초하여 랜덤 참가자의 공평성을 평가할 수 있다. 더 많은 돈을 보낸 대상자는, 랜덤 참가자에게 더 적은 돈을 보낸 사람보다 더 많이 신뢰성이 있는 것으로 인식되었다.
시스템은 신뢰 과제에 대한 신뢰도 테스트를 수행하였다. 반분 신뢰도 연구는 신뢰 과제에 대해 커뮤니티 샘플(N = 24)을 사용하여 수행되었다. 반분 신뢰도는 약 r = 0.60에서 합리적인 것으로 확인되었다. 테스트-재테스트 신뢰도는 학부생의 샘플(N = 40)에서 측정되었다. 약 r = 0.59에서 주요 척도는 수용 가능한 것으로 확인되었다.
표 1은 본 발명의 시스템에 의해 사용될 수 있는 예시적인 과제에 대한 이전 예에서 계산되는 신뢰도 척도의 요약을 나타낸다.
예 18: 직원을 분류하기 위한 본 발명의 시스템의 사용.
회사 A는 22 명의 직원을 가진 컨설팅 회사였다. 회사는 이 그룹 내의 그들의 직원 중 네 명을 상위 성과자(top performer)로 식별하였고, 한편 나머지 18 명은 상위 성과자로 식별되지 않았다. 시스템은 통합 알고리즘을 사용하여 본원에서 설명되는 신경 과학 테스트에 대한 직원의 성과로부터의 행동 데이터를 사용하여 직원을 하위(bottom) 또는 상위(top) 성과자로 분류할 수 있었다. 시스템의 알고리즘은 각각의 직원의 행동 데이터의 세트를 0 내지 100 범위에 이르는 적합 스코어로 변환하였다. 적합 스코어는 하나의 그룹 또는 다른 그룹에 속한 직원의 가능성을 나타내었다. 50 % 적합 스코어를 갖는 개인은 하위 성과자 또는 상위 성과자로 분류될 가능성이 동일할 수 있지만, 반면 90 % 적합 스코어를 갖는 직원은 실제 상위 성과자가 될 훨씬 높은 가능성을 가질 수 있고, 10 % 적합 스코어를 갖는 직원은 하위 성과자가 될 가능성이 훨씬 높을 수 있다. 시스템은 모델 정확도를 극대화하면서 이진 바이너리 분류를 수행하였으며, 위양성(false positive) 및 위음성(false negative)의 최소화를 보장하도록 결정 경계가 조정되었다.
시스템은 네 명의 상위 성과자를 정확하게 식별한 모델을 구축하였다. 모델은 또한 두 명의 하위 성과자를 상위 성과자로 분류하였는데, 이것은 16 명의 직원이 하위 성과자로 올바르게 식별되었다는 것을 의미한다. 시스템은, 위양성 및 위음성 둘 모두를 최소화하기 위해, 60 %의 결정 경계를 사용하였다. 표 2는 이 분석의 결과를 나타내며, 시스템의 분류가 회사의 분류와 얼마나 매치하는지를 나타낸다. 예를 들면, 시스템은 2 명의 직원을, 실제로, 회사가 그들 직원을 하위 성과자로 분류하였을 때, 상위 성과자로 분류하였다. 따라서, 22 명의 개인 샘플을 사용하여, 시스템은 91 %의 정확도를 가지고 직원을 분류한 모델을 구축하였다.
예 19: 잠재적인 직무 성과를 결정하기 위한 본 발명의 시스템의 사용.
채용 노력 동안, 회사 A는 235 명의 개인이 지원하였다. 지원자 풀은 큰 대학에 학적을 둔 학부생으로 구성되었다. 모든 지원자는 회사 A의 표준 이력서 리뷰 프로세스 및 시스템의 일련의 테스트 둘 모두에 의해 평가되었다. 시스템은 이력서 리뷰의 효율성을 증가시키기 위해 그리고 누락된 인재의 가능성을 줄이기 위해 사용되었다.
예 18에서 구축된 예측 모델을 활용하여, 시스템은 일자리 제의(job offer)를 받을 가능성이 가장 높은 지원자를 식별하려고 시도하였다. 시스템의 알고리즘이 제안된 일자리(extended offer)의 수율(yield)을 증가시킬 수 있는지의 여부를 이해하기 위해, 시스템은 먼저, 회사 A의 표준 이력서 리뷰 프로세스에 기초하여 얼마나 많은 후보자가 초대되었는지와 대비하여, 회사 A가 일자리를 제안한 후보자의 수를 비교하였다. 후속하여, 시스템은, 회사 A의 표준 이력서 리뷰 프로세스와 연계한 시스템의 알고리즘에 기초하여, 제안된 일자리 대 인터뷰의 유사한 비율을 계산하였다(표 3). 본원에서 회사 A의 표준 이력서 리뷰 프로세스와 결합하여 알고리즘을 활용하는 것에 의해, 시스템은 제안된 일자리의 수율을 5.3 %로부터 22.5 %로 증가시켰다.
회사 A는 또한 지원자들 사이에서 놓친 인재를 감소시키는 것을 돕기 위해 시스템을 사용하였다. 회사는, 회사 A의 표준 이력서 리뷰 프로세스에 의해 거절당한 141 명의 지원자로부터 10 명의 지원자를 추천할 것을 시스템에 요청하였다. 시스템은, 시스템이 추천한 10 명의 후보자 중에서 제안을 받을 가치가 있었던 한 명의 후보를 식별하는 것에 의해 회사가 거절한 후보자를 평가할 때 회사의 표준 이력서 리뷰 프로세스의 수율에 매치할 수 있었고, 약간 초과할 수 있었다(표 4).
회사 A는 또한 시스템을 이력서 리뷰를 대체하기 위한 서비스로서 사용하였다. 시스템의 알고리즘은 235 명의 지원자 중 28 명을 인터뷰의 가치가 있는 것으로 식별하였다. 회사는 28 명의 개인을 인터뷰하였고 그들 중 5 명에게 일자리를 제안하였다(표 5). 따라서, 이 시스템, 일자리를 제안 받았던 지원자의 수율을 8.5 %에서부터 17.9 %로 증가시킬 수 있었다.
시스템은 세 가지 별개의 목적을 위해 활용될 수 있다. 시스템은, 일자리가 제안되는 지원자의 수율을 증가시키는 것에 의해 이력서 리뷰의 효율성을 증가시킬 수 있다. 시스템은, 회사의 이력서 리뷰 프로세스가 달리 고려하지 않았던 후보자를 평가하는 것에 의해 누락된 인재를 감소킬 수 있다. 마지막으로, 시스템은, 회사가 채용 팀을 지원할 예산이 없는 상황에서, 이력서 리뷰를 대신하기 위해 사용될 수 있다.
예 20: 경력 피드백을 제공하기 위한 본 발명의 시스템의 사용.
회사 B는, 시스템에게, 일정 범위의 판매 직책에 걸친 직원을, 한 달에 걸쳐 측정된 782 명의 직원의 그룹으로부터 일련의 신경 과학 기반의 테스트에 대한 그들의 성과로부터의 데이터를 사용하여, 상위 성과자로서 분류할 것을 요청하였다. 분석의 목표는 경력 개발 피드백 및, 필요한 경우, 재배치 조언(re-staffing advice)을 제공하는 것이었다.
시스템은 직원 직책의 각각 내의 직원을, 상위 성과자 또는 하위 성과자 중 어느 하나로 분류하기 위한 알고리즘을 사용하여 모델을 구축하였다. 이들 모델은 시스템이 하위 성과자로부터 상위 성과자를 묘사하는 특색을 보고하는 것을 허용하였다. 시스템의 특색 식별 피쳐는, 개개의 직원의 프로파일을, 회사의 직책에 대한 모델 직원 프로파일에 정량적으로 비교하고, 그 다음, 직원의 강점 및 향상을 필요로 하는 영역에 대해 보고하는 것에 의해, 시스템이 경력 개발을 제공하는 것을 허용하였다.
엄선된 간격에서 시간에 걸쳐 참가한 직원의 수에 관한 세부 사항은 표 6에서 열거되며 도 33에서 나타내어졌다. 네 개의 직원 직책의 각각으로부터의 상위 성과자에 대한 최종 그룹 사이즈가 표 7에서 상세히 설명된다.
모델 정확도는 다음과 같이 결정되었다: 정확한 분류/총 N, 여기서 N은 그룹 사이즈이고, 직원의 정확한 분류는, 시스템과 회사 사이의 그룹 분류의 중첩에 의해 결정되었다.
검사된 네 개 직책에 대한, 트레이닝 데이터에 기초한 모델 정확도 결과는, 도 34에서 도시되는 바와 같이, 모두 95 %보다 더 높았다. 도 34는, 모델링되는 각각의 직책에 대해 하나씩의, 4 개의 히스토그램의 세트를 묘사하며, 각각의 히스토그램은, Y 축 상에서 직원의 수를 그리고 X 축 상에서 적합 스코어를 디스플레이한다. 적합 스코어가 0.8 미만이었던 짙은 회색의 직원은 본 발명의 메트릭에 따라 상위 성과자가 아닌 것으로 정확하게 분류되었다. 적합 스코어가 0.8 이상인 밝은 회색으로 묘사되는 직원은 본 발명에 의해 최상위 성과자인 것으로 정확하게 분류되었다. 적합 스코어가 0.8 이상인 짙은 회색으로 묘사된 직원은 상위 성과자로 잘못 분류되었고(위양성), 한편, 스코어가 0.8 미만인 밝은 회색으로 묘사된 직원은 상위 성과자가 아닌 것으로 잘못 분류되었다(위음성). 위양성 및 위음성은 섹션 [00115]에서 설명되었고 표 2에서 묘사되었다. 회사 B는 시스템에 의해 구축된 네 개의 모델의 각각에 대한 특성별 프로파일 분석을 수신하였다. 이들 프로파일은 특정한 직책에 대한 모델 직원의 특성 특징을 제안하였다.
시스템은 또한 회사 B의 직원에게 경력 개발 피드백을 제공하였다. 시스템은 특히 각각의 직원에게, 직원을 그들의 직책에 대한 이상적인 적합자로 만드는 상위 세 개의 특성의 목록, 및 직원이 향상시킬 수 있는 상위 세 개의 특성의 목록을 제공하였다. 또한, 시스템은, 직원이 각각의 특성에 대해 향상될 수 있는 방법에 관한 추천 사항을 제공하였다.
시스템은, 직원을 네 개의 상이한 판매 직책에 걸쳐 상위 또는 하위 성과자로, 95 %보다 더 높은 정확도로 분류하였다. 시스템은 회사 B에서 재배치에 이용 가능하였는데, 그 이유는, 필요한 경우, 회사 B가 직원을 부서 사이에서 이적시키는 것을 돕기 위해 시스템으로부터의 결과를 활용하는 것에 관심이 있었기 때문이다. 또한, 직원은 평가에 직접적으로 기초하여 경력 개발 피드백을 수신하였다. 시스템의 평가는 회사의 직책에서 성공한 직원의 특성을 구체적으로 식별하였다. 그 다음, 시스템은 하위 성과의 직원(bottom-performing employee)에게, 모델 직원에 대해 그 직원이 어떻게 비교되는지에 관한 피드백, 및 하위 성과의 직원이 성과를 향상시킬 수 있는 방식을 제공하였다.
예 21: 임시 직원의 전환율을 증가시키기 위한 본 발명의 시스템의 사용.
회사 C 및 회사 D는 여름 인턴(summer associates) 동안 주요 경영 대학원으로부터 대량으로 모집한 컨설팅 회사였다. 2012년과 2013년에, 회사 C는 57 명의 MBA 여름 인턴을 고용하였고, 한편, 회사 D는 106 명의 학생 여름 인턴을 고용하였다. 본 발명의 시스템은, 두 번의 여름 동안 회사가 인터뷰했던 학생을 평가하였고, 컨설팅 분야에 계속 있을 학생을, 회사가 그들 학생을 식별할 수 있는 것보다 더 잘 정확하게 시스템의 알고리즘이 식별할 수 있었는지의 여부를 결정하였다. 시스템은, 유지되는 직책과 무관하게, 회사 C 및 회사 D에서 근무한 학생으로부터 조직 문화 적합 모델(culture fit model)을 구축하였다. 연구의 목표는, 여름 인턴의 풀 타임 직원(full-time employee)으로의 전환율을 증가시키는 것이었다.
여름 인턴 프로그램에 후속하여, 회사 C는 8 개의 일자리를 제안하였으며, 그들 개개인 중 여섯 명은 학교를 마친 이후 컨설팅 업계에서 계속해서 일하였다. 회사 D는 16 건의 일자리를 제안하였으며, 그들 개개인 중 11 명은 학교가 끝난 이후 컨설팅 업계에서 계속 근무하였다. 시스템은 회사 C 및 회사 D 둘 모두에 대한 모델을 구축하였고, 회사가 누구에게 일자리를 제안해야 하는지를 예측하는 적합 스코어를 생성하였다. 이 시스템은 회사 C가 11 명의 학생에게 일자리를 제안했으며, 그 중 10 명은 컨설팅 업계에서 계속 근무하였다. 시스템은 또한 회사 D가 10 명의 개인에게 일자리를 제안했으며, 그 중 9 명은 컨설팅 업계에서 계속 근무하였다(표 8).
예 22: 지원자가 제안을 수락하는 수율을 증가시키기 위한 본 발명의 시스템의 사용.
회사 C는 2012년 및 2013년에 걸쳐 57 명의 여름 인턴과 일하였다. 회사 C는 인턴 중 13 명에게 일자리를 제안하였다. 13 명의 인턴 중 열 명은 회사 C로부터의 제안을 수락하였다. 회사 C는, 회사로부터의 제안을 누가 수락할 가능성이 높은지를 알고리즘이 예측할 수 있는지의 여부를 테스트할 것을 시스템에게 요청하였다. 예 21에서 회사 C에 대해 이전에 구축된 모델을 사용하여, 시스템은, 회사로부터의 제안을 수락한 개인에 대한 평균 적합 스코어를, 회사로부터의 제안을 거부한 개인의 적합 스코어에 비교하였다.
회사 C로부터의 풀 타임 제안을 수락한 열 명의 여름 인턴의 평균 적합 스코어는 69 %였다. 회사 C로부터의 제안을 수락하지 않은 세 명의 개인의 평균 적합 스코어는 35 %였다. 따라서, 시스템의 적합 스코어는 회사로부터의 제안을 받아들일 가능성이 높은 개인을 추적할 수 있다. 회사 C의 경우, 회사 C의 제안을 수락한 개인은, 회사 C의 제안을 거부한 개인보다 조직 문화 적합 스코어가 더 높았다.
예 23: 본 발명의 시스템에서의 악영향의 평가.
본 발명의 시스템에 의해 생성된 적합 스코어는, 시스템의 일부인 개개의 평가의 스코어의 집계일 수 있다. 스코어에 대한 인구 통계학적 요인의 영향을 평가하기 위해, 적합 스코어의 다변량 통계 분석이 수행되었다. 시스템의 스코어에 대한 연령의 영향을 조사하기 위해, 모집단(N = 179)으로부터의 두 연령 그룹, 39 세 이하 및 40 세 이상이 분석되었다. 호텔링의 T 제곱 테스트는 연령 그룹 사이의 임의의 통계적으로 유의미한 차이를 평가하기 위해 사용되었다. 연령에 기초한 그룹에서의 차이는 관찰되지 않았다. 연령의 영향은, 모집단을, a) 29 세 이하, b) 30 내지 34 세, c) 35 내지 39 세, d) 40 세 이상의 네 개의 연령 그룹으로 나누는 것에 의해 추가로 분석되었다. 다변량 일원 ANOVA 테스트(multivariate one-way ANOVA test)가 활용되었으며, 역시, 연령 그룹 사이에서 어떠한 차이도 보이지 않았다(p > 0.05). 동일한 데이터세트 및 호텔링의 T 제곱 테스트를 사용하여, 여성과 남성 사이의 변화는 통계적으로 유의미하지 않았다(p > 0.05). 다변량 ANOVA 테스트에서, 아시아인, 흑인, 히스패닉계, 중동인, 북미 원주민(Native American), 백인, 기타, 및 혼합 인종을 포함한 인종 카테고리에 걸쳐 어떠한 유의미한 차이도 관찰되지 않았다(p >> 0.1).
다변량 통계 분석은, 연령, 성별, 및 인종 중 어느 것도 적합 스코어와 통계적으로 유의미하게 관련되지 않았다는 것을 입증하였다.
시스템은, 연령, 인종, 또는 성별에 기초한 결과에서의 차이에 대한 각각의 개개의 테스트에서 편향성에 대해 테스트하는 것에 의해, 악영향에 대한 테스트를 검사할 수 있다. 시스템의 테스트에 대한 결과는 개개의 평가 레벨에서 조사되었다. 시스템은 연령, 성별 또는 인종 그룹에 의한 차이에 대해 각각의 과제를 검사하였고, 분석은 각각의 과제에 대해 하나의 척도와 열 개의 별개의 척도 사이를 포함하였다. 통계 분석으로부터의 유의미한 결과는 표 9에서 주어진다. 어떤 과제도 인종에 의한 차이를 나타내지 않았으며, 과제의 서브세트는 연령 및 성별에 기초한 차이를 나타내었다. 그룹 사이의 유의미한 차이를 나타낸 과제의 경우, 그들 차이의 효과 사이즈는 보고되었다. 0.1의 효과 사이즈에 대한 상관 계수(r)는 작은 것으로 간주될 수 있다; 0.3은 적절한 것으로 간주될 수 있다; 0.5는 큰 것으로 간주될 수 있다. 17 개의 유의미한 결과 중 열 여섯 개가 작은 범위 내지 적절한 범위 내에 속했으며, 런던 탑 과제로부터의 단일의 척도(올바른 이동당 시간)는 중간 범위에서 0.32의 r을 달성하였다.
풍선 유사 위험 과제(BART)
BART의 하나의 척도는 성별 사이에서 유의미한 차이를 보였다; 특히 여성은 남성보다 위험을 더 많이 싫어하였다. 이 차이는 성별에 의해 설명되는 관찰된 분산의 3 %를 나타내었다.
선택 과제
결과는 선택 과제의 경우 연령 및 성별 둘 모두에 의해 달라졌다. 더 젊은 참가자는 40 세를 넘는 참가자보다 더 높은 백분율 갬블 스코어(percentage gamble score)를 가졌다. 이 차이는 샘플에 대한 분산의 2.6 %를 나타내었다. 성별에 의한 백분율 갬블의 검사는, 남성이 여성보다 더 높은 스코어를 가졌다는 것을 나타내었으며, 이 차이는 샘플의 분산의 1.96 %를 나타내었다.
독재자 과제
랜덤 참가자에게 주어진 금액은 성별에 의해 달라졌으며, 여성은 남성보다 과제에서 더 많은 돈을 주었다. 이 차이는 샘플에 대한 분산의 1.2 %를 나타내었다.
EEfRT
변곡점 - 변곡점 이후 더 어려운 과제가 더욱 빈번하게 선택됨 - 은 성별에 의해 달라졌고, 남성은 여성보다 더 높은 스코어를 가졌다. 성별 차이는 데이터에서의 분산의 1.96 %를 설명하였다.
얼굴 감정 테스트
얼굴 감정 테스트에 대한 결과는, 표정으로부터 감정을 식별함에 있어서 나이가 더 많은 참가자가 나이가 더 어린 참가자보다 더 정확했다는 점에서, 연령에 의해 달라졌다. 연령 차이는 데이터에서의 분산의 3.61 %를 설명하였다.
손가락 탭핑 과제
손가락 탭핑 과제에 대한 반응 시간은 연령 및 성별 둘 모두에 의해 달라졌다. 나이가 더 많은 참가자는 나이가 더 어린 참가자보다 반응 시간 척도에 대해 더 느렸고, 여성이 남성보다 더 느렸다. 이들 효과는 데이터에서의 분산의 4 % 및 6.25 %를 각각 설명하였다.
수반자극 과제
수반자극 과제의 하나의 척도는 남성과 여성 사이에서 유의미한 차이를 보였다. 남성 스코어는 스위칭 정확도에서 더 높았고, 이 차이는 데이터에서의 분산의 2.25 %를 설명하였다.
미래 할인
시스템은 미래 할인 과제에서 연령 및 성별 둘 모두에 의한 차이를 식별하였다. 나이가 더 많은 참가자는 나이가 더 어린 참가자보다 미래의 기회를 기다릴 확률이 더 높았다. 이 효과는 데이터의 1.96 %의 분산을 설명하였다. 할인율은, 남성보다 여성이 미래의 기회를 기다릴 가능성이 더 높았다는 점에서, 성별에 의해 또한 달라졌다.
N 백 테스트
N 백 테스트에서의 정확도의 척도는 성별에 의해 달라졌다. 남성은 여성보다 더 높은 정확도 스코어를 가졌으며, 그 결과는 데이터에서의 분산의 2.89 %를 설명하였다.
신뢰 과제
시스템은 성별에 의해 금액 및 공평성 둘 모두에서 차이를 식별하였다. 남성은 여성보다 더 많은 돈을 주었고, 효과는 데이터에서의 분산의 2.89 %를 설명하였다. 여성은 더 높은 공평성 평점을 부여했는데, 효과는 데이터에서의 분산의 2.25 %를 설명하였다.
패턴 인식
시스템은 패턴 인식 과제에서 성별에 기초하여 유의미한 차이를 식별하였다. 남성은 여성보다 패턴 인식 스코어가 더 높았으며, 효과는 데이터에서의 분산의 2.56 %를 설명하였다.
런던 탑
시스템은 런던 탑 과제에서 연령의 유의미한 영향을 식별하였다. 나이가 더 많은 참가자는 나이가 더 어린 참가자보다 올바른 움직임마다 더 많은 시간이 걸렸고, 효과는 분산의 10.24 %를 설명하였다.
예 24: 적합 스코어 검사.
시스템은 회사 B로부터의 샘플에 대해 시스템이 생성한 적합 스코어 내에 존재하는 악영향의 증거에 대해 샘플 데이터를 검사하였다. 표 10은 직책별 샘플의 분해를 비롯한, 샘플 인구 통계학을 보고한다.
시스템은 각각의 직책에 대한 총 샘플(N = 464)에 대해 악영향을 테스트하였다. 4 개의 직책에 걸친 회사 B로부터의 514 명의 직원이 일련의 테스트를 완료하였다. 개개의 모델은 538 명의 직원의 총 샘플로부터 각각의 직책에 대해 시스템에 의해 구축되었다. 시스템은 538 명의 직원 중 464 명에 대한 성별 데이터가 가지고 있었다. 한 직책 내에서, 또는 직책에 걸쳐, 성별 사이에서 적합 스코어에서의 어떠한 차이도 확인되지 않았다.
시스템은 상기에서 보고된 회사 B의 직원에 대한 인종 데이터에 액세스할 수 없었다. 그러나, 시스템은 상기에서 생성된 모델을 사용하여 인종에서의 편향성에 대해 내부 데이터베이스로부터의 샘플을 테스트하였다. 시스템은 내부 데이터베이스로부터 962 명의 개인의 샘플에 대해 적합 스코어를 생성하였다(표 11). 모집단은 학부생, MBA 학생, 및 업계 전문가 혼합되어 구성되었다.
표 12에서 보고된 샘플에 대해 인종 사이의 적합 스코어에서의 차이는 관찰되지 않았다(표 12).
a: 일원 ANOVA.
예 25: 적합 스코어 검사: 산업 적합 모델.
시스템은 성별 및 인종 편향성에 대한 시스템의 산업 모델 모두를 추가로 검사하였다. 시스템은 내부 데이터베이스로부터 962 명 개인의 샘플에 대해 적합 스코어를 생성하였다(표 11 및 표 13) 모집단은 학부생, MBA 학생, 및 업계 전문가 혼합되어 구성되었다. 성별 또는 인종에서의 편향성은, 시스템이 안정하다고 간주하는 산업 모델 중 어떤 것에서도 관찰되지 않았다(표 14).
임의의 툴, 인터페이스, 엔진, 애플리케이션, 프로그램, 서비스, 커맨드, 또는 다른 실행 가능 항목이, 컴퓨터 실행 가능 코드로 컴퓨터 판독 가능 매체 상에 인코딩되는 모듈로서 제공될 수 있다. 몇몇 실시형태에서, 본 발명은 본원에서 설명되는 임의의 액션을 수행하기 위한 방법을 인코딩하는 컴퓨터 실행 가능 코드를 내부에 인코딩한 컴퓨터 판독 가능 매체를 제공하는데, 여기서 그 방법은, 본원에서 설명되는 임의의 수의 모듈을 포함하는 시스템을 제공하는 것을 포함하고, 각각의 모듈은 결과, 예컨대 출력을 유저에게 제공하기 위해 본원에서 설명되는 임의의 기능을 수행한다.
예 26: 컴퓨터 아키텍쳐.
다양한 컴퓨터 아키텍쳐가 본 발명과 함께 사용하기에 적합하다. 도 35는 본 발명의 예시적인 실시형태와 관련하여 사용될 수 있는 컴퓨터 시스템(3500)의 제1 예시적인 아키텍쳐를 예시하는 블록도이다. 도 35에서 묘사되는 바와 같이, 예시적인 컴퓨터 시스템은 명령어를 프로세싱하기 위한 프로세서(3502)를 포함할 수 있다. 프로세서의 비제한적인 예는 다음의 것을 포함한다: 인텔 코어 i7TM 프로세서, 인텔(Intel) 코어 i5TM 프로세서, 인텔 코어 i3TM 프로세서, 인텔 제온TM 프로세서, AMD OpteronTM 프로세서, 삼성 32 비트 RISC ARM 1176JZ(F)-S v1.0TM 프로세서, ARM Cortex-A8 삼성 S5PC100TM 프로세서, ARM Cortex-A8 애플(Apple) A4TM 프로세서, Marvell PXA 930TM 프로세서, 또는 기능적으로 등가의 프로세서. 실행파일의 다수의 스레드가 병렬 프로세싱을 위해 사용될 수 있다. 몇몇 실시형태에서, 단일 컴퓨터 시스템에서든, 클러스터에서든, 또는 복수의 컴퓨터, 이동 전화, 및/또는 개인 휴대형 정보 단말 디바이스를 포함하는 네트워크를 통해 시스템에 걸쳐 분산되든 간에, 다수의 프로세서 또는 다수의 코어를 갖는 프로세서가 사용될 수 있다.
데이터 획득, 프로세싱 및 저장.
도 35에서 예시되는 바와 같이, 프로세서(3502)에 의해 최근 사용된, 또는 프로세서(3502)에 의해 빈번하게 사용되는 명령어 또는 데이터에 대한 고속 메모리를 제공하기 위해, 고속 캐시(3501)가 프로세서(3502)에 연결될 수 있거나, 또는 그 안에 통합될 수 있다. 프로세서(3502)는 프로세서 버스(3505)에 의해 노스 브리지(3506)에 연결된다. 노스 브리지(3506)는 메모리 버스(3504)에 의해 랜덤 액세스 메모리(random access memory; RAM)(3503)에 연결되고, 프로세서(3502)에 의한 RAM(3503)에 대한 액세스를 관리한다. 노스 브리지(3506)는 또한 칩셋 버스(3507)에 의해 사우스 브리지(3508)에 연결된다. 사우스 브리지(3508)는, 이어서, 주변장치 버스(3509)에 연결된다. 주변장치 버스는, 예를 들면, PCI, PCI-X, PCI Express, 또는 다른 주변장치 버스일 수 있다. 노스 브리지 및 사우스 브리지는 종종 프로세서 칩셋으로 칭해지며, 프로세서, RAM, 및 주변장치 버스(3509) 상의 주변장치 컴포넌트 사이의 데이터 전송을 관리한다. 몇몇 아키텍쳐에서, 별도의 노스 브리지 칩을 사용하는 대신, 노스 브리지의 기능성이 프로세서 안으로 통합될 수 있다.
몇몇 실시형태에서, 시스템(3500)은 주변장치 버스(3509)에 부착되는 가속기 카드(3512)를 포함할 수 있다. 가속기는, 필드 프로그래머블 게이트 어레이(Field Programmable Gate Array; FPGA) 또는 소정의 프로세싱을 가속화하기 위한 다른 하드웨어를 포함할 수 있다.
소프트웨어 인터페이스(들).
소프트웨어 및 데이터는 외부 스토리지 디바이스(3513)에 저장되고 프로세서에 의한 사용을 위해 RAM(3503) 및/또는 캐시(3501)에 로딩될 수 있다. 시스템(3500)은 시스템 리소스를 관리하기 위한 오퍼레이팅 시스템을 포함하고; 오퍼레이팅 시스템의 비제한적인 예는 다음의 것을 포함한다: Linux, WindowsTM, MAC OSTM, BlackBerry OSTM, iOSTM, 및 다른 기능적으로 등가의 오퍼레이팅 시스템뿐만 아니라, 오퍼레이팅 시스템 상에서 실행하는 애플리케이션 소프트웨어.
이 예에서, 시스템(3500)은 또한, 분산 병렬 프로세싱을 위해 사용될 수 있는 다른 컴퓨터 시스템 및 네트워크 결합 스토리지(Network Attached Storage; NAS)와 같은 외부 스토리지에 네트워크 인터페이스를 제공하기 위한 주변장치 버스에 연결되는 네트워크 인터페이스 카드(network interface card; NIC)(3510 및 3511)를 포함한다.
컴퓨터 시스템.
도 36은, 복수의 컴퓨터 시스템(3602a 및 3602b), 복수의 이동 전화 및 개인 휴대형 정보 단말(3602c), 및 네트워크 결합 스토리지(NAS)(3601a 및 3601b)를 갖는 네트워크(3600)를 도시하는 도면이다. 몇몇 실시형태에서, 시스템(3602a, 3602b 및 3602c)은 네트워크 결합 스토리지(NAS)(3601a 및 3602b)에 저장되는 데이터에 대한 데이터 저장을 관리하고 데이터 액세스를 최적화할 수 있다. 수학적 모델이 데이터에 대해 사용될 수 있고, 컴퓨터 시스템(3602a, 3602b), 및 이동 전화 및 개인 휴대형 정보 단말 시스템(3602c)에 걸친 분산 병렬 프로세싱을 사용하여 평가될 수 있다. 컴퓨터 시스템(3602a 및 3602b), 및 이동 전화 및 개인 휴대형 정보 단말 시스템(3602c)은 또한, 네트워크 결합 스토리지(NAS)(3601a 및 3601b)에 저장되는 데이터의 적응형 데이터 재구성을 위해 병렬 프로세싱을 제공할 수 있다. 도 36은 단지 예를 예시하며, 아주 다양한 다른 컴퓨터 아키텍쳐 및 시스템이 본 발명의 다양한 실시형태와 연계하여 사용될 수 있다. 예를 들면, 병렬 프로세싱을 제공하기 위해, 블레이드 서버가 사용될 수 있다. 프로세서 블레이드는 백플레인을 통해 연결되어 병렬 프로세싱을 제공할 수 있다. 스토리지는 또한, 백플레인에 연결될 수 있거나 또는 별도의 네트워크 인터페이스를 통해 네트워크 결합 스토리지(NAS)로서 연결될 수 있다.
몇몇 실시형태에서, 프로세서는 별도의 메모리 공간을 유지할 수 있고 네트워크 인터페이스, 백플레인, 또는 다른 프로세서에 의한 병렬 프로세싱을 위한 다른 커넥터를 통해 데이터를 송신할 수 있다. 몇몇 실시형태에서, 프로세서의 일부 또는 전부는 공유 가상 어드레스 메모리 공간을 사용할 수 있다.
가상 시스템.
도 37은 공유 가상 어드레스 메모리 공간을 사용하는 멀티프로세서 컴퓨터 시스템의 블록도이다. 시스템은 공유 메모리 서브시스템(3702)에 액세스할 수 있는 복수의 프로세서(3701a-f)를 포함한다. 시스템은 복수의 프로그래머블 하드웨어 메모리 알고리즘 프로세서(memory algorithm processor; MAP)(3703a-f)를 메모리 서브시스템(3702)에 통합한다. 각각의 MAP(3703a-f)는 메모리(3704a-f) 및 하나 이상의 필드 프로그래머블 게이트 어레이(FPGA)(3705a-f)를 포함할 수 있다. MAP는 구성 가능한 기능 유닛을 제공하고, 각각의 프로세서와 긴밀히 협력하여 프로세싱하기 위해 특정한 알고리즘 또는 알고리즘의 일부가 FPGA(3705a-f)에 제공될 수 있다. 이 예에서, 각각의 MAP는 이들 목적을 위해 모든 프로세서에 의해 전역적으로 액세스 가능하다. 하나의 구성에서, 각각의 MAP는 직접 메모리 액세스(Direct Memory Access; DMA)를 사용하여 관련된 메모리(3704a-f)에 액세스할 수 있어서, 각각의 MAP가, 각각의 마이크로프로세서(3701a-f)와 독립적으로 그리고 비동기적으로, 과제를 실행하는 것을 허용할 수 있다. 이 구성에서, MAP는 알고리즘의 병렬 실행 및 파이프라이닝을 위해 결과를 다른 MAP에 직접적으로 공급할 수 있다.
상기 컴퓨터 아키텍쳐 및 시스템은 예에 불과하며, 일반적인 프로세서, 코프로세서, FPGA 및 다른 프로그래머블 로직 디바이스, 시스템 온 칩(System on Chip; SOC), 주문형 반도체(Application Specific Integrated Circuit; ASIC), 및 다른 프로세싱 및 로직 엘리먼트의 임의의 조합을 사용하는 시스템을 비롯한, 아주 다양한 다른 컴퓨터, 이동 전화, 및 개인 휴대형 정보 단말 아키텍쳐 및 시스템이 예시적인 실시형태와 관련하여 사용될 수 있다. 랜덤 액세스 메모리, 하드 드라이브, 플래시 메모리, 테이프 드라이브, 디스크 어레이, 네트워크 결합 스토리지(NAS) 및 다른 로컬 또는 분산 데이터 스토리지 디바이스 및 시스템을 비롯한, 임의의 다양한 데이터 저장 매체가 예시적인 실시형태와 관련하여 사용될 수 있다.
예시적인 실시형태에서, 컴퓨터 시스템은 상기의 또는 다른 컴퓨터 아키텍쳐 및 시스템 중 임의의 것 상에서 실행하는 소프트웨어 모듈을 사용하여 구현될 수 있다. 다른 실시형태에서, 시스템의 기능은, 펌웨어, 도 37에서 참조되는 바와 같은 필드 프로그래머블 게이트 어레이(FPGA)와 같은 프로그래머블 로직 디바이스, 시스템 온 칩(SOC), 주문형 반도체(ASIC), 또는 다른 프로세싱 및 로직 엘리먼트에서, 부분적으로 또는 완전히 구현될 수 있다. 예를 들면, 도 35에 예시되는 가속기 카드(3512)와 같은 하드웨어 가속기 카드의 사용을 통한 하드웨어 가속을 사용하여 세트 프로세서 및 옵티마이저(Set Processor and Optimizer)가 구현될 수 있다.
본원에서 설명되는 본 발명의 임의의 실시형태는, 예를 들면, 동일한 지리적 위치 내의 유저에 의해 생산 및 전달될 수 있다. 본 발명의 제품은, 예를 들면, 하나의 국가의 지리적 위치로부터 생산 및/또는 전달될 수 있고, 본 발명의 유저는 상이한 나라에 존재할 수 있다. 몇몇 실시형태에서, 본 발명의 시스템에 의해 액세스되는 데이터는, 복수의 지리적 위치(3801) 중 하나로부터 유저(3802)(도 8)로 송신될 수 있는 컴퓨터 프로그램 제품이다. 본 발명의 컴퓨터 프로그램 제품에 의해 생성되는 데이터는, 예를 들면, 네트워크, 보안 네트워크, 비보안 네트워크, 인터넷, 또는 인트라넷에 의해 복수의 지리적 위치 사이에서 이리저리 송신될 수 있다. 몇몇 실시형태에서, 본 발명에 의해 제공되는 존재론적 계층 구조(ontological hierarchy)는 물리적이고 유형의 제품 상에 인코딩된다.
도 39는, 몇몇 실시형태에 따른, 직원 통계 모델을 생성하기 위한 예시적인 방법의 플로우차트를 예시한다. 도 39를 참조하면, 방법(3900)은 다음 단계 중 하나 이상을 포함할 수도 있다. 본 발명은 이들로 제한되는 것은 아니다는 것, 및 추가적인 단계가 추가될 수도 있다는 것을 유의해야 한다. 대안적으로, 하나 이상의 단계가 생략될 수도 있다.
먼저, 복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어가 제공될 수도 있다(3902). 대화형 미디어는, 예를 들면, 도 1에 설명되는 선별 시스템(110) 및/또는 서버(104)에 의해 제공될 수도 있다. 대화형 미디어는 하나 이상의 데이터베이스(108)에 저장될 수도 있다. 복수의 컴퓨팅 디바이스는 도 1에서 도시되는 유저 디바이스(102)에 대응할 수도 있다. 대화형 미디어는, 참가자의 복수의 정서적 및 인지적 특성을 측정하도록 설계되는 선택된 신경 과학 기반의 과제의 세트로 생성되는 적어도 하나의 채용 게임을 포함할 수도 있다. 채용 게임은, 본원의 본 명세서의 다른 부분에서 설명되는 바와 같이, 선택된 신경 과학 기반의 과제의 세트와 관련되는 비주얼 객체의 미리 정의된 세트를 포함할 수도 있다. 비주얼 객체의 미리 정의된 세트는 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 제시될 수도 있다.
다음으로, 참가자가 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 채용 게임을 플레이할 때, 컴퓨팅 디바이스로부터 입력 데이터가 수신될 수도 있다(3904). 입력 데이터는, 예를 들면, 선별 시스템(110)에 의해 수신될 수도 있다. 몇몇 경우에, 입력 데이터는 도 2에 도시되는 특성 추출 엔진(112)에 의해 수신될 수도 있다. 몇몇 경우에, 입력 데이터는 또한 하나 이상의 데이터베이스(108)에 저장될 수도 있다. 참가자는, 본 명세서의 다른 곳에서 설명되는 바와 같이, 선택된 신경 과학 기반의 과제의 세트를 완료하기 위해 비주얼 객체의 미리 정의된 세트와 상호 작용하는 것에 의해 채용 게임을 플레이할 수도 있다.
다음으로, 채용 게임 내의 비주얼 객체의 미리 정의된 세트와의 참가자의 상호 작용으로부터 도출되는 입력 데이터가 분석될 수도 있다(3906). 입력 데이터는, 예를 들면, 선별 시스템(110)을 사용하여 분석될 수도 있다. 예를 들면, 특성 추출 엔진(112)은 참가자의 정서적 및 인지적 특성의 측정치를 추출할 수도 있다. 모델 분석 엔진(114)은 참가자의 정서적 및 인지적 특성의 측정치에 기초하여 통계 모델을 생성할 수도 있다. 통계 모델은 참가자의 엄선된 그룹을 대표할 수도 있다. 몇몇 경우에, 참가자의 엄선된 그룹은 회사의 상위 직원의 그룹에 대응할 수도 있다. 다음으로, 선별 시스템(110)은, 참가자의 정서적 및 인지적 특성의 측정치를 통계 모델과 비교하는 것에 의해, 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류할 수도 있다.
다음으로, 분석된 입력 데이터는, 복수의 밀도 함수 플롯으로서 그래픽 디스플레이 상에 시각적으로 디스플레이될 수도 있다(3908). 복수의 밀도 함수 플롯은 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯 및 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯을 포함할 수도 있다. 결정 경계는, 예를 들면, 도 17a에서 도시되는 바와 같이, 제1 밀도 함수 플롯과 제2 밀도 함수 플롯 사이의 중첩 영역에서 정의된다.
도 40은, 몇몇 실시형태에 따른, 후보자를, 도 39의 직원 통계 모델에 비교하기 위한 예시적인 방법의 플로우차트를 예시한다. 도 40을 참조하면, 방법(4000)은 다음 단계 중 하나 이상을 포함할 수도 있다. 본 발명은 이들로 제한되는 것은 아니다는 것, 및 추가적인 단계가 추가될 수도 있다는 것을 유의해야 한다. 대안적으로, 하나 이상의 단계가 생략될 수도 있다.
도 40에서 도시되는 바와 같이, 후보자의 정서적 및 인지적 특성의 측정치가 통계 모델과 비교될 수도 있고, 스코어가, 비교에 기초하여 후보자에 대해 생성될 수도 있다(4002). 후보자의 정서적 및 인지적 특성은, 후보자의 특성이 회사의 그룹 내 직원의 특성과 매치하는지의 여부를 결정하기 위해 측정될 수도 있다. 다음으로, 스코어를 나타내는 포인트가 그래픽 디스플레이 상에서 복수의 밀도 함수 플롯 위에 디스플레이될 수도 있다(4004). 몇몇 실시형태에서, 복수의 후보자가 통계 모델과 비교될 수도 있고, 따라서, 복수의 포인트가 생성될 수도 있다. 복수의 포인트는, 예를 들면, 도 17b에 도시되는 1720 및 1722에 의해 나타내어지는 밀도 함수 플롯의 형태로 제공될 수도 있다. 다음으로, 후보자는: (1) 포인트가 결정 경계와 관련하여 제1 영역 내에 놓이는 경우 그룹 내에 있는 것으로, 또는 (2) 포인트가 결정 경계와 관련하여 제2 영역 내에 놓이는 경우 그룹 밖에 있는 것으로 분류될 수도 있다(4006). 예를 들면, 도 17b를 참조하면, 후보자에 대한 포인트가 결정 경계의 좌측에 놓이는 경우, 후보자는 그룹 밖에 있는 것으로 분류될 수도 있다. 반대로, 후보자가 결정 경계의 우측에 놓이는 경우, 후보자는 그룹 내에 있는 것으로 분류될 수도 있다. 따라서, 최종 유저(예를 들면, 리크루터 또는 인사 담당자)는 상이한 후보자와 관련되는 포인트를 볼 수 있고, 각각의 후보자가 그룹 내 직원에 더 밀접하게 매치하는지 또는 그룹 밖 직원에 더 밀접하게 매치하는지의 여부를 결정할 수 있다. 이 결정은, 후보자에 대한 포인트가 결정 경계와 관련하여 놓이는 곳을 (한 눈에) 보는 것에 의해 신속하게 수행될 수도 있다. 추가적으로, 각각의 그룹(그룹 내 또는 그룹 밖)에 속하는 후보자의 경우, 최종 유저는 각각의 후보자의 포인트가 결정 경계와 관련하여 어디에 놓이는지를 볼 수 있다. 예를 들면, 결정 경계의 단지 약간 우측으로 놓이는 다른 후보자에 대한 포인트와 비교하여, 후보자에 대한 포인트가 결정 경계의 멀리 우측에 놓이는 경우, 후보자는 그룹 내 직원에 매우 밀접하게 매치하는 것으로 결정될 수도 있다.
실시형태
다음의 비제한적인 실시형태는 본 발명의 예시적인 예를 제공하지만, 그러나 본 발명의 범위를 제한하는 것은 아니다.
실시형태 1. 컴퓨터 실행 가능 코드가 내부에 인코딩된 컴퓨터 판독 가능 매체를 포함하는 컴퓨터 프로그램 제품으로서, 컴퓨터 실행 가능 코드는 다음의 것을 포함하는 방법을 구현하기 위해 실행되도록 적응될 수도 있는, 컴퓨터 프로그램 제품: a) 채용 시스템 - 채용 시스템은: i) 과제 모듈; ii) 측정 모듈; iii) 평가 모듈; 및 iv) 식별 모듈을 포함함 - 을 제공하는 것; b) 컴퓨터화된 과제를 과제 모듈에 의해 대상자에게 제공하는 것; c) 과제의 수행에서 대상자에 의해 나타내어지는 성과 값을 측정 모듈에 의해 측정하는 것; d) 측정된 성과 값에 기초하여 대상자의 특성을 평가 모듈에 의해 평가하는 것; 및 e) 평가된 특성에 기초하여, 대상자가 엔티티에 의한 고용에 대해 적합하다는 것을 식별 모듈에 의해 고용 임원에게 식별시키는 것.
실시형태 2. 채용 시스템은 프로파일 모듈을 더 포함하고, 그 방법은, 대상자의 특성의 평가에 기초하여 대상자에 대한 프로파일을 프로파일 모듈에 의해 생성하는 것을 더 포함하는, 실시형태 1의 컴퓨터 프로그램 제품.
실시형태 3. 채용 시스템은 모델 모듈, 기준 모델 및, 비교 모듈을 더 포함하고, 그 방법은, 대상자의 하나보다 많은 특성의 평가에 기초하여 대상자의 모델을 모델 모듈에 의해 생성하는 것을 더 포함하고, 그 방법은 대상자의 모델 및 기준 모델을 비교 모듈에 의해 비교하는 것을 더 포함하는, 실시형태 1 내지 2 중 어느 하나의 컴퓨터 프로그램 제품.
실시형태 4. 채용 시스템은 모델 모듈 및 비교 모듈을 더 포함하고, 그 방법은, 대상자의 하나보다 많은 특성의 평가에 기초하여 대상자의 모델을 모델 모듈에 의해 생성하는 것을 더 포함하고, 그 방법은 대상자의 모델 및 테스트 대상자의 데이터베이스를 비교 모듈에 의해 비교하는 것을 더 포함하는, 실시형태 1 내지 2 중 어느 하나의 컴퓨터 프로그램 제품.
실시형태 5. 테스트 대상자는 엔티티에 근무하는, 실시형태 4의 컴퓨터 프로그램 제품.
실시형태 6. 고용 임원은 엔티티에 근무하는, 실시형태 1 내지 5 중 어느 하나의 컴퓨터 프로그램 제품.
실시형태 7. 채용 시스템은 집성 모듈(aggregation module)을 더 포함하고, 그 방법은 집성 모듈에 의해 대상자로부터의 데이터를 수집하는 것 및 대상자로부터의 데이터를 테스트 대상자의 데이터베이스 안으로 집성시키는 것을 더 포함하는, 실시형태 4의 컴퓨터 프로그램 제품.
실시형태 8. 채용 시스템은 채점 모듈을 더 포함하고, 그 방법은 대상자의 모델 및 기준 모델의 비교에 기초하여 대상자를 채점 모듈에 의해 채점하는 것을 더 포함하는, 실시형태 3의 컴퓨터 프로그램 제품.
실시형태 9. 채용 시스템은 채점 모듈을 더 포함하고, 그 방법은 테스트 대상자의 데이터베이스와의 대상자의 모델의 비교에 기초하여 대상자를 채점 모듈에 의해 채점하는 것을 더 포함하는, 실시형태 4의 컴퓨터 프로그램 제품.
실시형태 10. 내부에 컴퓨터 실행 가능 코드가 인코딩된 컴퓨터 판독 가능 매체를 포함하는 컴퓨터 프로그램 제품으로서, 컴퓨터 실행 가능 코드는 다음의 것을 포함하는 방법을 구현하기 위해 실행되도록 적응될 수도 있는, 컴퓨터 판독 가능 매체를 포함하는 컴퓨터 프로그램 제품: a) 인재 식별 시스템 - 인재 식별 시스템은: i) 과제 모듈; ii) 측정 모듈; iii) 평가 모듈; iv) 식별 모듈; 및 v) 출력 모듈을 포함함 - 을 제공하는 것; b) 컴퓨터화된 과제를 과제 모듈에 의해 대상자에게 제공하는 것; c) 과제의 수행에서 대상자에 의해 나타내어지는 성과 값을 측정 모듈에 의해 측정하는 것; d) 측정된 성과 값에 기초하여 대상자의 특성을 평가 모듈에 의해 평가하는 것; 및 e) 대상자의 특성의 평가에 기초하여 식별 모듈에 의해 경력 경향을 식별하는 것; 및 f) 식별된 경력 경향을 고용 임원에게 출력 모듈에 의해 출력하는 것.
실시형태 11. 인재 식별 시스템은 추천 모듈을 더 포함하고, 그 방법은 대상자의 경력 경향에 기초하여 추천 모듈에 의해 직업을 추천하는 것을 더 포함하는, 실시형태 10의 컴퓨터 프로그램 제품.
실시형태 12. 인재 식별 시스템은 모델 모듈, 기준 모델, 및 비교 모듈을 더 포함하고, 그 방법은, 대상자의 하나보다 많은 특성의 평가에 기초하여 대상자의 모델을 모델 모듈에 의해 생성하는 것을 더 포함하고, 그 방법은, 대상자의 모델 및 기준 모델을 비교 모듈에 의해 비교하는 것을 더 포함하는, 실시형태 10 내지 11 중 어느 하나의 컴퓨터 프로그램 제품.
실시형태 13. 인재 식별 시스템은 모델 모듈 및 비교 모듈을 더 포함하고, 그 방법은, 대상자의 하나보다 많은 특성의 평가에 기초하여 대상자의 모델을 모델 모듈에 의해 생성하는 것을 더 포함하고, 그 방법은 대상자의 모델 및 테스트 대상자의 데이터베이스를 비교 모듈에 의해 비교하는 것을 더 포함하는, 실시형태 10 내지 11 중 어느 하나의 컴퓨터 프로그램 제품.
실시형태 14. a) 컴퓨터화된 과제를 대상자에게 제공하는 것; b) 과제의 수행에서 대상자에 의해 나타내어지는 성과 값을 측정하는 것; c) 성과 값에 기초하여 대상자의 특성을 평가하는 것; d) 컴퓨터 시스템의 프로세서에 의해 대상자의 특성을 테스트 대상자의 데이터베이스와 비교하는 것; e) 비교에 기초하여, 대상자가 엔티티에 의한 고용에 대해 적합하다는 것을 결정하는 것; 및 f) 대상자가 고용에 대해 적합하다는 것을 엔티티의 고용 임원에게 보고하는 것을 포함하는, 방법.
실시형태 15. 대상자의 특성의 평가에 기초하여 대상자에 대한 프로파일을 생성하는 것을 더 포함하는, 실시형태 14의 방법.
실시형태 16. 테스트 대상자의 데이터베이스와의 대상자의 하나보다 많은 특성의 비교에 기초하여 대상자의 모델을 생성하는 것을 더 포함하는, 실시형태 14 내지 15 중 어느 하나의 방법.
실시형태 17. 대상자의 모델에 기초하여 대상자를 채점하는 것을 더 포함하는, 실시형태 16의 방법.
실시형태 18. 평가된 특성은 인지적 특성인, 실시형태 14 내지 17 중 어느 하나의 방법.
실시형태 19. 평가된 특성은 정서적 특성인, 실시형태 14 내지 18 중 어느 하나의 방법.
실시형태 20. 테스트 대상자는 엔티티에 근무하는, 실시형태 14 내지 19 중 어느 하나의 방법.
실시형태 21. 컴퓨터화된 과제는 테스트-재테스트 평가에 의해 결정되는 바와 같은 수용 가능한 레벨의 신뢰도를 갖는, 실시형태 14 내지 20 중 어느 하나의 방법.
실시형태 22. 컴퓨터화된 과제는 반분 신뢰도 평가에 의해 결정되는 바와 같은 수용 가능한 레벨의 신뢰도를 갖는, 실시형태 14 내지 21 중 어느 하나의 방법.
실시형태 23. a) 컴퓨터화된 과제를 대상자에게 제공하는 것; b) 과제의 수행에서 대상자에 의해 나타내어지는 성과 값을 측정하는 것; c) 성과 값에 기초하여 대상자의 특성을 평가하는 것; d) 테스트 대상자의 데이터베이스와의 대상자의 평가된 특성의 비교에 기초하여 대상자의 경력 경향을 컴퓨터 시스템의 프로세서에 의해 식별하는 것; 및 e) 비교의 결과를 고용 임원에게 출력하는 것을 포함하는, 방법.
실시형태 24. 대상자의 특성의 평가에 기초하여 대상자에 대한 프로파일을 생성하는 것을 더 포함하는, 실시형태 23의 방법.
실시형태 25. 테스트 대상자의 데이터베이스와의 대상자의 하나보다 많은 특성의 비교에 기초하여 대상자에 대한 모델을 생성하는 것을 더 포함하는, 실시형태 23 내지 24 중 어느 하나의 방법.
실시형태 26. 대상자의 경력 경향에 기초하여 대상자에게 직업을 추천하는 것을 더 포함하는, 실시형태 23 내지 25 중 어느 하나의 방법.
실시형태 27. 컴퓨터화된 과제는 테스트-재테스트 평가에 의해 결정되는 바와 같은 수용 가능한 레벨의 신뢰도를 갖는, 실시형태 23 내지 26 중 어느 하나의 방법.
실시형태 28. 컴퓨터화된 과제는 반분 신뢰도 평가에 의해 결정되는 바와 같은 수용 가능한 레벨의 신뢰도를 갖는, 실시형태 23 내지 27 중 어느 하나의 방법.
실시형태 29. 평가된 특성은 인지적 특성인, 실시형태 23 내지 28 중 어느 하나의 방법.
실시형태 30. 평가된 특성은 정서적 특성인, 실시형태 23 내지 29 중 어느 하나의 방법.
본 개시는 2015년 6월 26일자로 출원된 발명의 명칭이 "Systems and Methods for Data-Driven Identification of Talent"인 미국 특허 출원 제14/751,943호를 참조에 의해 통합한다.
본 개시의 바람직한 실시형태가 본원에서 도시되고 설명되지만, 기술 분야의 숙련된 자에게는, 이러한 실시형태가 단지 예로서 제공된다는 것이 명백할 것이다. 본 개시로부터 벗어나지 않으면서, 기술 분야의 숙련된 자는, 이제, 다양한 변형예, 변경예 및 대체예를 떠올릴 것이다. 본원에서 설명되는 본 개시의 실시형태에 대한 다양한 대안예가 본 개시를 실시함에 있어서 활용될 수도 있다는 것이 이해되어야 한다. 다음의 청구범위는 본 개시의 범위를 정의한다는 것, 및 이들 청구범위의 범위 내에 있는 방법 및 구조체 및 그 등가물은 청구범위에 의해 포괄된다는 것이 의도된다.
Claims (28)
- 게임 기반의 직원 채용 방법(game-based personnel recruitment method)을 구현하기 위한 시스템에 있어서,
복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스와 통신하는 서버 - 상기 서버는 대화형 미디어(interactive media) 및 소프트웨어 명령어의 제1 세트를 저장하기 위한 메모리, 및 소프트웨어 명령어의 상기 제1 세트를 실행하도록 구성되는 하나 이상의 프로세서를 포함하고, 소프트웨어 명령어의 상기 제1 세트는:
복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어를 제공하고, 상기 대화형 미디어는 상기 참가자의 하나 이상의 정서적 및 인지적 특성을 측정하도록 설계되는 적어도 하나의 채용 게임(recruiting game)을 포함하고, 상기 채용 게임은 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제(neuroscience-based computerized task)와 연관되는 그래픽 비주얼 객체의 복수의 미리 정의된 세트를 포함하고, 비주얼 객체의 상기 복수의 미리 정의된 세트는 상기 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 상기 참가자에게 디스플레이되고;
상기 참가자가 상기 컴퓨팅 디바이스의 상기 그래픽 디스플레이 상에서 상기 채용 게임을 플레이할 때, 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 하나 이상의 입력 디바이스를 사용하여 상기 그래픽 디스플레이 상의 상기 그래픽 비주얼 객체 중 하나 이상을 조작하는(manipulating) 것에 의해 상기 컴퓨팅 디바이스로부터 입력 데이터를 수신하고; 그리고
(1) 상기 참가자에 의한 그래픽 비주얼 객체(들)의 조작의 정도에 기초하여 상기 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 상기 참가자의 정서적 및 인지적 특성의 상기 측정치에 기초하여 통계 모델 - 상기 통계 모델은 참가자의 엄선된(select) 그룹을 대표함 - 을 생성하기 위해, 그리고 (3) 상기 참가자의 정서적 및 인지적 특성의 상기 측정치를 상기 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 상기 채용 게임 내의 상기 하나 이상의 그래픽 비주얼 객체의 상기 참가자의 조작으로부터 도출되는 상기 입력 데이터를 분석함 - ; 및
소프트웨어 명령어의 제2 세트를 저장하기 위한 메모리, 및 소프트웨어 명령어의 상기 제2 세트를 실행하도록 구성되는 하나 이상의 프로세서를 포함하는 적어도 하나의 컴퓨팅 디바이스 - 상기 소프트웨어 명령어의 상기 제2 세트는:
상기 서버로부터 상기 분석된 입력 데이터를 수신하고; 그리고
상기 분석된 입력 데이터를 상기 적어도 하나의 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 그래픽 비주얼 객체의 세트로서 시각적으로 디스플레이하고, 그래픽 비주얼 객체의 상기 세트는: (i) 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯, (ii) 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯, 및 (iii) 상기 제1 밀도 함수 플롯 및 상기 제2 밀도 함수 플롯의 각각에 관련하여 정의되는 결정 경계를 포함하고, 상기 결정 경계는, 상기 채용 게임에서의 상기 후보자의 측정된 성과(performance)에 기초하여 목표 직책(target position)으로의 채용에 대한 후보자의 적합성을 결정하기 위해 엔티티에 의해 사용 가능함 - 를 포함하는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 하나 이상의 프로세서는, 상기 후보자의 정서적 및 인지적 특성의 측정치를 상기 통계 모델에 비교하는 것에 의해 상기 채용 게임에서의 상기 후보자의 성과를 측정하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 하나 이상의 프로세서는:
상기 통계 모델에 대한 상기 후보자의 정서적 및 인지적 특성의 측정치의 상기 비교에 기초하여 상기 후보자에 대한 적합 스코어 - 상기 적합 스코어는 상기 참가자의 엄선된 그룹과의 상기 후보자의 매치의 레벨을 나타냄 - 를 생성하도록;
적어도 하나의 컴퓨팅 디바이스의 그래픽 디스플레이 상에 상기 적합 스코어를 나타내는 포인트 - 상기 포인트는 상기 그래픽 디스플레이 상에서 상기 제1 및 제2 밀도 함수 플롯 위에 상기 포인트를 중첩시키는 것에 의해 디스플레이됨 - 를 디스플레이하도록; 그리고
상기 후보자를: (1) 상기 포인트가 상기 결정 경계와 관련하여 제1 영역 내에 놓이는 경우 그룹 밖에 있는 것으로, 또는 (2) 상기 포인트가 상기 결정 경계와 관련하여 제2 영역 내에 놓이는 경우 그룹 내에 있는 것으로 분류하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제3항에 있어서,
상기 결정 경계는 상기 제1 밀도 함수 플롯과 제2 밀도 함수 플롯 사이의 중첩 영역에서 정의되고, 상기 제1 영역은 상기 제1 밀도 함수 플롯과 중첩하고, 상기 제2 영역은 상기 제2 밀도 함수 플롯과 중첩하는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제3항에 있어서,
상기 후보자는, 상기 포인트가 상기 제1 영역 내에 놓이는 경우, 그룹 밖에 있는 것으로 분류되는 상기 참가자와 더 유사한 것으로, 그리고 그룹 내에 있는 것으로 분류되는 상기 참가자와 덜 유사한 것으로 결정되고; 그리고
상기 후보자는, 상기 포인트가 상기 제2 영역 내에 놓이는 경우, 그룹 내에 있는 것으로 분류되는 상기 참가자와 더 유사한 것으로, 그리고 그룹 밖에 있는 것으로 분류되는 상기 참가자와 덜 유사한 것으로 결정되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제3항에 있어서,
상기 후보자가 그룹 밖에 있는 것으로 정확하게 분류되는 확률은, 상기 결정 경계로부터 상기 제1 영역 안으로의 상기 포인트의 거리가 증가함에 따라 증가하고, 상기 후보자가 그룹 내에 있는 것으로 정확하게 분류되는 확률은, 상기 결정 경계로부터 상기 제2 영역 안으로의 상기 포인트의 거리가 증가함에 따라 증가하는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제3항에 있어서,
상기 후보자는, 상기 포인트가 상기 제1 영역 내에 놓이는 경우, 상기 목표 직책에 대해 덜 적합한 것으로 결정되고, 상기 후보자는, 상기 포인트가 상기 제2 영역 내에 놓이는 경우, 상기 목표 직책에 대해 더 적합한 것으로 결정되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제7항에 있어서,
상기 목표 직책에 대한 상기 후보자의 적합성은, 상기 결정 경계로부터 상기 제1 영역 안으로의 상기 포인트의 거리가 증가함에 따라 감소하도록 결정되고, 상기 목표 직책에 대한 상기 후보자의 적합성은, 상기 결정 경계로부터 상기 제2 영역 안으로의 상기 포인트의 거리가 증가함에 따라 증가하도록 결정되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제3항에 있어서,
상기 그래픽 디스플레이 상의 상기 제1 및 제2 밀도 플롯에 대한 상기 결정 경계의 위치는 상기 엔티티에 의해 조정 가능하고, 그룹 내에 또는 그룹 밖에 있는 것으로 분류되는 참가자의 수는, 상기 결정 경계의 상기 위치가 조정되는 경우에 변하는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제9항에 있어서,
상기 결정 경계의 상기 위치는, 더 많은 수의 참가자가 그룹 밖에 있는 것으로 분류되고 더 적은 수의 참가자가 그룹 내에 있는 것으로 분류되도록, 상기 그래픽 디스플레이 상에서 제1 방향으로 조정 가능하고,
상기 결정 경계의 상기 위치는, 더 많은 수의 참가자가 그룹 내에 있는 것으로 분류되고 더 적은 수의 참가자가 그룹 밖에 있는 것으로 분류되도록, 상기 그래픽 디스플레이 상에서 제2 방향으로 조정 가능하고,
상기 제2 방향은 상기 제1 방향에 반대인, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제10항에 있어서,
상기 하나 이상의 프로세서는:
상기 통계 모델에 대한 상기 후보자의 정서적 및 인지적 특성의 측정치의 비교에 기초하여 복수의 후보자에 대한 복수의 적합 스코어 - 상기 적합 스코어는 상기 참가자의 상기 엄선된 그룹과의 상기 후보자의 매치의 레벨을 나타냄 - 를 생성하도록; 그리고
상기 그래픽 디스플레이 상에 상기 복수의 적합 스코어를 나타내는 복수의 포인트 - 상기 복수의 포인트는 상기 제1 및 제2 밀도 함수 플롯 위에 상기 포인트를 중첩시키는 것에 의해 디스플레이됨 - 의 디스플레이를 실행하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제11항에 있어서,
상기 결정 경계의 위치가 상기 제1 방향으로 조정되는 경우, 더 많은 수의 후보자가 그룹 밖에 있는 것으로 분류되고 더 적은 수의 후보자가 그룹 내에 있는 것으로 분류되며, 그리고
상기 결정 경계의 위치가 상기 제2 방향으로 조정되는 경우, 더 많은 수의 후보자가 그룹 내에 있는 것으로 분류되고 더 적은 수의 후보자가 그룹 밖에 있는 것으로 분류되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 복수의 컴퓨팅 디바이스 상에서 상기 복수의 참가자에 의해 상기 채용 게임이 플레이되고 있을 때, 상기 복수의 컴퓨팅 디바이스는 서로 통신하고, 또 상기 대화형 미디어를 제공하도록 구성되는 상기 서버와 통신하는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 입력 데이터는 상기 서버의 상기 메모리에 저장되고, 상기 입력 데이터는 상기 채용 게임에서 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 수행함에 있어서 각각의 참가자의 과거(historical)와 현재 중 적어도 하나의 성과 데이터를 포함하는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제14항에 있어서,
상기 하나 이상의 프로세서는, 각각의 참가자의 과거와 현재 중 적어도 하나의 성과 데이터에 기초하여, 상기 채용 게임에서 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 수행함에 있어서의 각각의 참가자의 미래의 성과를 예측하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제14항에 있어서,
상기 과거와는 현재 중 적어도 하나의 성과 데이터는: (1) 상기 선택된 신경 과학 기반의 컴퓨터화된 과제 중 하나 이상에 대해 각각의 참가자가 소비하는 시간의 양, (2) 상기 선택된 신경 과학 기반의 컴퓨터화된 과제 중 하나 이상을 완료하기 위해 각각의 참가자가 취하는 시도의 횟수, (3) 상기 선택된 신경 과학 기반의 컴퓨터화된 과제 중 하나 이상을 완료하기 위해 각각의 참가자가 취하는 상이한 액션, (4) 상기 상이한 액션 중 하나 이상을 수행하기 위해 각각의 참가자가 이용하는 시간의 양, (5) 상기 상이한 액션 중 하나 이상을 수행함에 있어서의 각각의 참가자의 정확도, 및/또는 (6) 상기 선택된 신경 과학 기반의 컴퓨터화된 과제 중 하나 이상을 완료하기 위해 어떠한 결정 또는 판단을 행할 때 각각의 참가자가 적용하는 가중치를 포함하는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 하나 이상의 프로세서는, 상기 입력 데이터를 분석하여, 상기 채용 게임에서 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 각각의 참가자가 상이한 비주얼 객체를 정확하게 선택, 배치 및/또는 사용했는지의 여부를 결정하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제17항에 있어서,
상기 하나 이상의 프로세서는, 각각의 참가자의 학습, 인지 기술, 및 상기 채용 게임을 플레이함에 있어서 행한 이전의 실수로부터 학습하는 능력을 평가하기 위해 상기 입력 데이터를 분석하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 하나 이상의 프로세서는, 각각의 참가자가 다른 짝을 이룬 참가자(들)의 신원(identity)을 알지 못하도록 상기 채용 게임에서 랜덤 방식으로 상기 복수의 참가자 중 두 명 이상의 참가자를 짝을 짓도록(pair) 구성되고, 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제 중 적어도 하나는, 짝을 이룬 참가자들 사이의 신뢰 레벨과 관용 레벨(generosity level) 중 적어도 하나를 테스트하도록 설계되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 통계 모델은, 상기 복수의 참가자가 동일한 채용 게임의 다수의 라운드를 플레이할 때와, 상기 복수의 참가자가 복수의 상이한 채용 게임을 플레이할 때 중 적어도 하나의 경우에, 상기 참가자의 정서적 및 인지적 특성의 상기 측정치에서의 변화를 동적으로 고려하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 하나 이상의 프로세서는:
상기 채용 게임을 플레이하고 있는 상기 참가자의 신원을 마스킹하는 것에 의해 상기 입력 데이터를 식별 해제하도록(de-identify); 그리고
상기 입력 데이터를 분석하기 이전에 상기 식별 해제된 입력 데이터를 상기 서버의 상기 메모리에 저장하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 복수의 참가자는 상기 엔티티에 의해 고용되고, 참가자의 상기 엄선된 그룹은 상기 엔티티에 의해 미리 정의되는 업무 성과 메트릭(job-performance metric)의 세트를 적어도 충족하는 상기 엔티티의 직원의 그룹에 대응하고, 상기 통계 모델은 업무 성과 메트릭의 상기 세트와 상관되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 하나 이상의 그래픽 비주얼 객체의 상기 조작은, 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 상기 참가자가 하나 이상의 입력 디바이스를 사용하여 상기 그래픽 디스플레이 상의 상기 하나 이상의 그래픽 비주얼 객체를 선택하는 것과 공간적으로 조작하는 것 중 적어도 하나에 의해 실행되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 참가자의 상기 복수의 정서적 및 인지적 특성은, 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료함에 있어서의 상기 참가자의 속도, 정확도, 및/또는 판단에 기초하여 측정되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
상기 채용 게임은, 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해, 상기 그래픽 디스플레이 상의 상기 하나 이상의 그래픽 비주얼 객체를 통해 상기 복수의 참가자가 서로 상호 작용하는 것을 허용하도록 구성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 제1항에 있어서,
복수의 상이한 분야, 임무(function), 산업 및/또는 엔티티에 대해 상이한 통계 모델이 생성되는, 게임 기반의 직원 채용 방법을 구현하기 위한 시스템. - 컴퓨터 구현 게임 기반의 직원 채용 방법에 있어서,
복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어 - 상기 대화형 미디어는 상기 참가자의 하나 이상의 정서적 및 인지적 특성을 측정하도록 설계되는 적어도 하나의 채용 게임을 포함하고, 상기 채용 게임은 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제와 연관되는 그래픽 비주얼 객체의 복수의 미리 정의된 세트를 포함하고, 비주얼 객체의 상기 복수의 미리 정의된 세트는 상기 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 상기 참가자에게 디스플레이됨 - 를 제공하는 단계;
상기 참가자가 상기 컴퓨팅 디바이스의 상기 그래픽 디스플레이 상에서 상기 채용 게임을 플레이할 때, 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 상기 그래픽 디스플레이 상의 상기 그래픽 비주얼 객체 중 하나 이상을 조작하는 것에 의해 상기 컴퓨팅 디바이스로부터 입력 데이터를 수신하는 단계;
(1) 상기 참가자에 의한 상기 그래픽 비주얼 객체(들)의 조작의 정도에 기초하여 상기 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 상기 참가자의 정서적 및 인지적 특성의 상기 측정치에 기초하여 통계 모델 - 상기 통계 모델은 참가자의 엄선된 그룹을 대표함 - 을 생성하기 위해, 그리고 (3) 상기 참가자의 정서적 및 인지적 특성의 측정치를 상기 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 상기 채용 게임 내의 상기 하나 이상의 그래픽 비주얼 객체의 상기 참가자의 조작으로부터 도출되는 상기 입력 데이터를 분석하는 단계; 및
상기 분석된 입력 데이터를, (i) 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯, (ii) 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯, 및 (iii) 상기 제1 밀도 함수 플롯 및 상기 제2 밀도 함수 플롯의 각각에 관련하여 정의되는 결정 경계 - 상기 결정 경계는, 상기 채용 게임에서의 상기 후보자의 측정된 성과에 기초하여 목표 직책으로의 채용에 대한 후보자의 적합성을 결정하기 위해 엔티티에 의해 사용 가능함 - :를 포함하는 그래픽 비주얼 객체의 세트로서 시각적으로 디스플레이하는 단계를 포함하는, 컴퓨터 구현 게임 기반의 직원 채용 방법. - 하나 이상의 서버에 의한 실행시, 상기 하나 이상의 서버로 하여금 컴퓨터 구현 신경 과학 기반의 직원 채용 방법을 수행하게 하는 명령어를 저장하는 유형의(tangible) 컴퓨터 판독 가능 매체에 있어서,
상기 방법은:
복수의 참가자와 연관되는 복수의 컴퓨팅 디바이스에 대화형 미디어 - 상기 대화형 미디어는 상기 참가자의 하나 이상의 정서적 및 인지적 특성을 측정하도록 설계되는 적어도 하나의 채용 게임을 포함하고, 상기 채용 게임은 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제와 연관되는 그래픽 비주얼 객체의 복수의 미리 정의된 세트를 포함하고, 비주얼 객체의 상기 복수의 미리 정의된 세트는 상기 컴퓨팅 디바이스의 그래픽 디스플레이 상에서 상기 참가자에게 디스플레이됨 - 를 제공하는 단계;
상기 참가자가 상기 컴퓨팅 디바이스의 상기 그래픽 디스플레이 상에서 상기 채용 게임을 플레이할 때, 상기 복수의 선택된 신경 과학 기반의 컴퓨터화된 과제를 완료하기 위해 하나 이상의 입력 디바이스를 사용하여 상기 그래픽 디스플레이 상의 상기 그래픽 비주얼 객체 중 하나 이상을 조작하는 것에 의해 상기 컴퓨팅 디바이스로부터 입력 데이터를 수신하는 단계; 및
(1) 상기 참가자에 의한 상기 그래픽 비주얼 객체(들)의 조작의 정도에 기초하여 상기 참가자의 정서적 및 인지적 특성의 측정치를 추출하기 위해, (2) 상기 참가자의 정서적 및 인지적 특성의 상기 측정치에 기초하여 통계 모델 - 상기 통계 모델은 참가자의 엄선된 그룹을 대표함 - 을 생성하기 위해, 그리고 (3) 상기 참가자의 정서적 및 인지적 특성의 측정치를 상기 통계 모델에 비교하는 것에 의해 각각의 참가자가 그룹 내에 있는지 또는 그룹 밖에 있는지의 여부를 분류하기 위해, 상기 채용 게임 내의 상기 하나 이상의 그래픽 비주얼 객체의 상기 참가자의 조작으로부터 도출되는 상기 입력 데이터를 분석하는 단계; 및
엔티티에 의한 사용을 위해 상기 분석된 입력 데이터 - 상기 분석된 입력 데이터는 적어도 하나의 컴퓨팅 디바이스의 그래픽 디스플레이 상에 시각적으로 디스플레이되도록 구성되는 그래픽 비주얼 객체의 세트를 포함하고, 그래픽 비주얼 객체의 상기 세트는: (i) 그룹 밖에 있는 것으로 분류되는 참가자에 대응하는 제1 밀도 함수 플롯, (ii) 그룹 내에 있는 것으로 분류되는 참가자에 대응하는 제2 밀도 함수 플롯, 및 (iii) 상기 제1 밀도 함수 플롯 및 상기 제2 밀도 함수 플롯 사이의 중첩 영역에서 정의되는 결정 경계를 포함하고, 상기 결정 경계는, 상기 채용 게임에서의 상기 후보자의 측정된 성과에 기초하여 목표 직책으로의 채용에 대한 후보자의 적합성을 결정하기 위해 상기 엔티티에 의해 사용 가능함 - 를 저장하는 단계를 포함하는, 명령어를 저장하는 유형의 컴퓨터 판독 가능 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562387440P | 2015-12-23 | 2015-12-23 | |
| US62/387,440 | 2015-12-23 | ||
| PCT/US2016/068454 WO2017112914A2 (en) | 2015-12-23 | 2016-12-22 | Systems and methods for data-driven identification of talent |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180118611A true KR20180118611A (ko) | 2018-10-31 |
Family
ID=59091280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187020903A KR20180118611A (ko) | 2015-12-23 | 2016-12-22 | 인재의 데이터 기반 식별을 위한 시스템 및 방법 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US11030554B2 (ko) |
| EP (1) | EP3394808A4 (ko) |
| JP (2) | JP6700396B2 (ko) |
| KR (1) | KR20180118611A (ko) |
| CN (1) | CN108701293A (ko) |
| AU (1) | AU2016379422A1 (ko) |
| CA (1) | CA3006640A1 (ko) |
| WO (1) | WO2017112914A2 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102383371B1 (ko) * | 2021-07-22 | 2022-04-08 | 주식회사 에이치엠씨네트웍스 | 하드웨어 리소스 프로비저닝 최적화 방법 및 그 방법이 적용된 온라인 서비스 제공 방법 |
Families Citing this family (51)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015200880A1 (en) | 2014-06-27 | 2015-12-30 | Pymetrics, Inc. | Systems and methods for data-driven identification of talent |
| AU2016379422A1 (en) | 2015-12-23 | 2018-06-14 | Pymetrics, Inc. | Systems and methods for data-driven identification of talent |
| US20180011978A1 (en) * | 2016-07-06 | 2018-01-11 | Cisco Technology, Inc. | Wellness tracking system |
| US20190014070A1 (en) * | 2017-07-10 | 2019-01-10 | Findo, Inc. | Personal automated task assistant |
| US11853397B1 (en) * | 2017-10-02 | 2023-12-26 | Entelo, Inc. | Methods for determining entity status, and related systems and apparatus |
| US11860960B1 (en) | 2018-04-15 | 2024-01-02 | Entelo, Inc. | Methods for dynamic contextualization of third-party data in a web browser, and related systems and apparatus |
| US11463441B2 (en) | 2018-05-24 | 2022-10-04 | People.ai, Inc. | Systems and methods for managing the generation or deletion of record objects based on electronic activities and communication policies |
| US11924297B2 (en) | 2018-05-24 | 2024-03-05 | People.ai, Inc. | Systems and methods for generating a filtered data set |
| US10565229B2 (en) | 2018-05-24 | 2020-02-18 | People.ai, Inc. | Systems and methods for matching electronic activities directly to record objects of systems of record |
| US20200005217A1 (en) * | 2018-06-29 | 2020-01-02 | Microsoft Technology Licensing, Llc | Personalized candidate search results ranking |
| US11410111B1 (en) * | 2018-08-08 | 2022-08-09 | Wells Fargo Bank, N.A. | Generating predicted values based on data analysis using machine learning |
| CN110969184A (zh) | 2018-09-28 | 2020-04-07 | 甲骨文国际公司 | 使用迭代人工智能通过通信决策树的有向轨迹 |
| TWI696966B (zh) * | 2018-10-03 | 2020-06-21 | 一零四資訊科技股份有限公司 | 推薦伺服器及其推薦方法 |
| TWI696929B (zh) * | 2018-11-07 | 2020-06-21 | 遊戲橘子數位科技股份有限公司 | 遊戲行為的資料庫建立及其分析方法 |
| US11144880B2 (en) * | 2018-12-06 | 2021-10-12 | At&T Intellectual Property I, L.P. | Document analysis using machine learning and neural networks |
| US11010941B1 (en) | 2018-12-19 | 2021-05-18 | EffectiveTalent Office LLC | Matched array general talent architecture system and method |
| US11016988B1 (en) | 2018-12-19 | 2021-05-25 | Airspeed Systems LLC | Matched array flight alignment system and method |
| US10896529B1 (en) * | 2018-12-19 | 2021-01-19 | EffectiveTalent Office LLC | Matched array talent architecture system and method |
| JP7333404B2 (ja) * | 2019-01-07 | 2023-08-24 | ジェネシス ラボ インコーポレイテッド | 面接映像自動評価モデルを管理する方法、システム、及びコンピュータ読取り可能な媒体 |
| CN109507876B (zh) * | 2019-01-25 | 2021-12-28 | 杭州电子科技大学 | 一种基于信度推理的电推船舶电机pid参数整定方法 |
| JP6796668B2 (ja) * | 2019-02-22 | 2020-12-09 | 株式会社三菱総合研究所 | 情報処理装置、情報処理方法及びプログラム |
| US20200302296A1 (en) * | 2019-03-21 | 2020-09-24 | D. Douglas Miller | Systems and method for optimizing educational outcomes using artificial intelligence |
| WO2020197601A1 (en) * | 2019-03-26 | 2020-10-01 | Hrl Laboratories, Llc | Systems and methods for forecast alerts with programmable human-machine hybrid ensemble learning |
| US10705861B1 (en) | 2019-03-28 | 2020-07-07 | Tableau Software, LLC | Providing user interfaces based on data source semantics |
| JP2020190859A (ja) * | 2019-05-21 | 2020-11-26 | 株式会社Ｐｏｎｔｅｌｙ | ペットの性格情報出力システム及びペットの性格情報出力方法 |
| AU2020297445A1 (en) | 2019-06-17 | 2022-01-20 | Tableau Software, LLC | Analyzing marks in visualizations based on dataset characteristics |
| CN110298580A (zh) * | 2019-06-26 | 2019-10-01 | 刘玉静 | 一种基于人力资源开发的职业潜能测评系统 |
| WO2021033621A1 (ja) * | 2019-08-21 | 2021-02-25 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| US11089112B2 (en) * | 2019-08-21 | 2021-08-10 | Facebook, Inc. | Low latency interactive media distribution using shared user hardware |
| US11783266B2 (en) | 2019-09-18 | 2023-10-10 | Tableau Software, LLC | Surfacing visualization mirages |
| CN111159043B (zh) * | 2019-12-31 | 2024-02-27 | 中国银行股份有限公司 | 一种测试风险的自动识别方法及系统 |
| US11990057B2 (en) * | 2020-02-14 | 2024-05-21 | ARH Technologies, LLC | Electronic infrastructure for digital content delivery and/or online assessment management |
| SE2030053A1 (en) * | 2020-02-18 | 2021-08-19 | El Zouki Elias | Integrated automation in matchmaking for business platform |
| US20210264371A1 (en) * | 2020-02-21 | 2021-08-26 | Pymetrics, Inc. | Systems and methods for data-driven identification of talent and pipeline matching to role |
| JP2021157609A (ja) * | 2020-03-27 | 2021-10-07 | 日本電気株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| EP3910574A1 (en) | 2020-05-14 | 2021-11-17 | Game Time Project Sp. z o.o. | Method for assessing personality profile of player and computer program product implementing same |
| US11550815B2 (en) | 2020-07-30 | 2023-01-10 | Tableau Software, LLC | Providing and surfacing metrics for visualizations |
| US11397746B2 (en) | 2020-07-30 | 2022-07-26 | Tableau Software, LLC | Interactive interface for data analysis and report generation |
| US11579760B2 (en) | 2020-09-08 | 2023-02-14 | Tableau Software, LLC | Automatic data model generation |
| US20220101270A1 (en) * | 2020-09-30 | 2022-03-31 | Amazon Technologies, Inc. | Prognostics and health management service |
| CN112418706A (zh) * | 2020-12-07 | 2021-02-26 | 绿瘦健康产业集团有限公司 | 一种员工能力评估方法及装置 |
| CN112558965B (zh) * | 2020-12-10 | 2023-12-26 | 广州市网星信息技术有限公司 | 游戏地图数据适配方法、装置、设备和存储介质 |
| CN112785247A (zh) * | 2020-12-30 | 2021-05-11 | 南京博尔英科技有限公司 | 一种数字智能化招聘管理系统 |
| CN113011711B (zh) * | 2021-02-24 | 2023-08-22 | 湖南汽车工程职业学院 | 一种差异规划人力资源管理系统 |
| JPWO2022230050A1 (ko) * | 2021-04-27 | 2022-11-03 | ||
| WO2022230049A1 (ja) * | 2021-04-27 | 2022-11-03 | 株式会社I’mbesideyou | 動画像分析システム |
| JPWO2022230065A1 (ko) * | 2021-04-27 | 2022-11-03 | ||
| WO2022230155A1 (ja) * | 2021-04-29 | 2022-11-03 | 株式会社I’mbesideyou | 動画像分析システム |
| US11741651B2 (en) | 2022-01-24 | 2023-08-29 | My Job Matcher, Inc. | Apparatus, system, and method for generating a video avatar |
| WO2024019917A1 (en) * | 2022-07-19 | 2024-01-25 | React Neuro Inc. | Systems and methods for assessment and training of perceptual-motor efficiency using motion |
| CN117112116B (zh) * | 2023-10-16 | 2024-02-02 | 成都市蓉通数智信息技术有限公司 | 基于数字政务的用户管理系统 |
Family Cites Families (67)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6093119A (en) | 1998-07-31 | 2000-07-25 | Tipton; Steven M. | Football training and evaluation apparatus |
| US7792773B2 (en) | 2002-10-23 | 2010-09-07 | Genesys Telecommunications Laboratories, Inc. | Method and system for enabling automated and real-time discovery of skills available to agents and systems in a multimedia communications network |
| US7502748B1 (en) | 1999-08-31 | 2009-03-10 | Careerious Inc. | Job matching system and method |
| US7457764B1 (en) | 2000-02-04 | 2008-11-25 | Iq Navigator | System and method for matching human resources to human resource needs |
| WO2002013095A2 (en) | 2000-08-03 | 2002-02-14 | Unicru, Inc. | Electronic employee selection systems and methods |
| JP3986739B2 (ja) | 2000-08-31 | 2007-10-03 | 富士通株式会社 | 最適研修推奨装置、最適研修推奨方法および最適研修推奨プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| JP2002140558A (ja) | 2000-11-02 | 2002-05-17 | Taiyo Yuden Co Ltd | ネットワークサービス方法、ネットワークサービス装置およびネットワークサービスプログラムを格納した記録媒体 |
| WO2002075698A1 (en) | 2001-03-19 | 2002-09-26 | Techmicro, Inc. | Application of multi-media technology to computer administered vocational personnel assessment |
| US20030050816A1 (en) | 2001-08-09 | 2003-03-13 | Givens George R. | Systems and methods for network-based employment decisioning |
| JP2003076886A (ja) * | 2001-09-03 | 2003-03-14 | Human Bank Ltd | 求職・求人情報システム及びこれを実現するためのプログラムを記録した記録媒体 |
| US6996806B2 (en) | 2001-09-21 | 2006-02-07 | International Business Machines Corporation | Graphical view of program structure during debugging session |
| US7424438B2 (en) | 2002-03-19 | 2008-09-09 | Marc Vianello | Apparatus and methods for providing career and employment services |
| JP4255314B2 (ja) | 2003-05-23 | 2009-04-15 | 財団法人鉄道総合技術研究所 | ヒューマンエラー診断システム |
| JP2005018274A (ja) * | 2003-06-24 | 2005-01-20 | Saint Media:Kk | 人材マッチング方法及び人材マッチングシステム |
| US20050114203A1 (en) | 2003-11-24 | 2005-05-26 | Terrance Savitsky | Career planning tool |
| JP2005258519A (ja) * | 2004-03-09 | 2005-09-22 | First Career Trading Co Ltd | 採用内定率を利用した求人システム及びその運用方法 |
| WO2005086591A2 (en) | 2004-03-17 | 2005-09-22 | Hrvision Ltd. | Method of candidate selection using an organization-specific job profile |
| EP1758714A4 (en) | 2004-06-14 | 2009-03-11 | Cephos Corp | QUESTION AND CONTROL PARADIGMS FOR THE DETECTION OF MISSING BY MEASURING BRAIN ACTIVITY |
| JP2006092109A (ja) * | 2004-09-22 | 2006-04-06 | Fujitsu Ltd | 合否決定支援装置、合否決定支援方法、合否決定支援プログラム、合否決定支援プログラムを格納したコンピュータ読み取り可能な記録媒体 |
| JP4009632B2 (ja) | 2004-11-01 | 2007-11-21 | 有限会社 上野ビジネスコンサルタンツ | 検査方法、検査システム、検査システム用プログラム及び検査システムサーバー装置 |
| US7751878B1 (en) | 2004-11-10 | 2010-07-06 | Sandia Corporation | Real-time human collaboration monitoring and intervention |
| JP2007041878A (ja) | 2005-08-03 | 2007-02-15 | Railway Technical Res Inst | 適性検査評価システム |
| US20070185757A1 (en) | 2006-02-09 | 2007-08-09 | Sap | Talent relationship management with E-recruiting |
| US20080003553A1 (en) | 2006-06-14 | 2008-01-03 | Roger Stark | Cognitive learning video game |
| US20130164713A1 (en) | 2011-12-23 | 2013-06-27 | Zonar Systems, Inc. | Method and apparatus for gps based slope determination, real-time vehicle mass determination, and vehicle efficiency analysis |
| US8204778B2 (en) * | 2007-06-29 | 2012-06-19 | Peopleanswers, Inc. | Behavioral profiles in sourcing and recruiting as part of a hiring process |
| US8353749B2 (en) | 2007-09-04 | 2013-01-15 | Dean Sanders | Vehicle tracking system, method and game |
| US8615479B2 (en) | 2007-12-13 | 2013-12-24 | The Invention Science Fund I, Llc | Methods and systems for indicating behavior in a population cohort |
| CN101952851A (zh) * | 2008-02-26 | 2011-01-19 | 汤姆斯股份有限公司 | 产业人才的持续能力开发系统 |
| US20100010317A1 (en) | 2008-07-09 | 2010-01-14 | De Lemos Jakob | Self-contained data collection system for emotional response testing |
| US20100082356A1 (en) | 2008-09-30 | 2010-04-01 | Yahoo! Inc. | System and method for recommending personalized career paths |
| US9558499B2 (en) * | 2009-02-27 | 2017-01-31 | The Forbes Consulting Group, Llc | Methods and systems for assessing psychological characteristics |
| IL201810A (en) | 2009-10-29 | 2015-06-30 | Greenroad Driving Technologies Ltd | METHOD AND DEVICE FOR ASSESSING EFFECTIVE FUEL CONSUMPTION IN CAR |
| WO2011084470A1 (en) * | 2009-12-15 | 2011-07-14 | Mycare,Llc | Health care device and systems and methods for using the same |
| US8628331B1 (en) | 2010-04-06 | 2014-01-14 | Beth Ann Wright | Learning model for competency based performance |
| WO2012012791A2 (en) | 2010-07-23 | 2012-01-26 | Anne Galya | Business matching system and methods thereof for the creative arts industries |
| US8928498B2 (en) | 2010-09-27 | 2015-01-06 | Honeywell International Inc | Workload management system and method |
| US20130185218A1 (en) | 2010-10-28 | 2013-07-18 | Talentcircles, Inc. | Methods and apparatus for a social recruiting network |
| ES2831648T3 (es) | 2010-11-24 | 2021-06-09 | Digital Artefacts Llc | Sistemas y métodos para evaluar la función cognitiva |
| US8655793B2 (en) | 2011-01-03 | 2014-02-18 | Pugazendhi Asaimuthu | Web-based recruitment system |
| US20140107429A1 (en) | 2011-04-01 | 2014-04-17 | Charles A. Simkovich | Computer-executed method, system, and computer readable medium for testing neuromechanical function |
| US20120258436A1 (en) | 2011-04-08 | 2012-10-11 | Case Western Reserve University | Automated assessment of cognitive, fine-motor, and memory skills |
| US20120271675A1 (en) | 2011-04-19 | 2012-10-25 | Alpine Access, Inc. | Dynamic candidate organization system |
| US20130066769A1 (en) | 2011-09-13 | 2013-03-14 | William TRENCHARD | Methods of distributed interviewing |
| US9014614B2 (en) | 2011-10-20 | 2015-04-21 | Cogcubed Corporation | Cognitive assessment and treatment platform utilizing a distributed tangible-graphical user interface device |
| US20130216986A1 (en) * | 2012-02-20 | 2013-08-22 | Athletic Intelligence Measures, Llc | Cognitive aptitude assessment tool |
| US20130260357A1 (en) * | 2012-03-27 | 2013-10-03 | Lauren Reinerman-Jones | Skill Screening |
| US20130290207A1 (en) * | 2012-04-30 | 2013-10-31 | Gild, Inc. | Method, apparatus and computer program product to generate psychological, emotional, and personality information for electronic job recruiting |
| US20130311416A1 (en) | 2012-05-16 | 2013-11-21 | Xerox Corporation | Recommending training programs |
| US20140015749A1 (en) * | 2012-07-10 | 2014-01-16 | University Of Rochester, Office Of Technology Transfer | Closed-loop crowd control of existing interface |
| US20150079578A1 (en) | 2012-08-10 | 2015-03-19 | Dario Nardi | Neurological performance quotient |
| US20140195310A1 (en) | 2012-10-04 | 2014-07-10 | Zonar Systems, Inc. | Virtual trainer for in vehicle driver coaching and to collect metrics to improve driver performance |
| WO2014071307A1 (en) * | 2012-11-05 | 2014-05-08 | Velvet Ape, Inc. | Methods for targeted advertising |
| US20140129462A1 (en) | 2012-11-07 | 2014-05-08 | International Business Machines Corporation | Multifaceted candidate screening |
| US20140214709A1 (en) | 2013-01-07 | 2014-07-31 | Assessment Innovation, Inc. | Occupational performance assessment apparatuses, methods and systems |
| US20140278633A1 (en) | 2013-03-12 | 2014-09-18 | Kevin M. Daly | Skill-based candidate matching |
| US20140279635A1 (en) | 2013-03-13 | 2014-09-18 | Profiles International, Inc. | System and method for utilizing assessments |
| US20140279636A1 (en) * | 2013-03-13 | 2014-09-18 | Profiles International, Inc. | System and method for using three dimensional graphical figures in an assessment |
| EA201300375A1 (ru) | 2013-04-18 | 2014-10-30 | Общество С Ограниченной Ответственностью "Умный Рекрутинг" | Способ организации поисковой базы данных с использованием нечетких критериев |
| US9996822B2 (en) | 2013-05-01 | 2018-06-12 | Mercer (US) Inc. | Systems and methods for identifying hidden talent |
| US20140351156A1 (en) | 2013-05-24 | 2014-11-27 | mySOAP PH Limited | Method and system of personal assessment and profiling |
| US20150046357A1 (en) | 2013-08-09 | 2015-02-12 | Mattersight Corporation | Systems and methods for evaluating job candidates |
| US20150154564A1 (en) * | 2013-12-02 | 2015-06-04 | Hirevue, Inc. | Weighted evaluation comparison |
| KR101495672B1 (ko) * | 2014-03-21 | 2015-02-27 | (주)한국브릿지개발원 | 피팅률 산출에 의한 직업 피팅 시스템 |
| WO2015200880A1 (en) | 2014-06-27 | 2015-12-30 | Pymetrics, Inc. | Systems and methods for data-driven identification of talent |
| US20160275431A1 (en) * | 2015-03-18 | 2016-09-22 | Adp, Llc | Employee Evaluation System |
| AU2016379422A1 (en) * | 2015-12-23 | 2018-06-14 | Pymetrics, Inc. | Systems and methods for data-driven identification of talent |
-
2016
- 2016-12-22 AU AU2016379422A patent/AU2016379422A1/en not_active Abandoned
- 2016-12-22 KR KR1020187020903A patent/KR20180118611A/ko not_active Application Discontinuation
- 2016-12-22 CA CA3006640A patent/CA3006640A1/en active Pending
- 2016-12-22 JP JP2018532380A patent/JP6700396B2/ja active Active
- 2016-12-22 CN CN201680082459.8A patent/CN108701293A/zh active Pending
- 2016-12-22 EP EP16880131.4A patent/EP3394808A4/en not_active Ceased
- 2016-12-22 WO PCT/US2016/068454 patent/WO2017112914A2/en active Application Filing
-
2018
- 2018-06-20 US US16/013,784 patent/US11030554B2/en active Active
-
2020
- 2020-04-30 JP JP2020080544A patent/JP2020126684A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102383371B1 (ko) * | 2021-07-22 | 2022-04-08 | 주식회사 에이치엠씨네트웍스 | 하드웨어 리소스 프로비저닝 최적화 방법 및 그 방법이 적용된 온라인 서비스 제공 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190026681A1 (en) | 2019-01-24 |
| JP2019508776A (ja) | 2019-03-28 |
| EP3394808A4 (en) | 2019-05-15 |
| WO2017112914A3 (en) | 2017-08-10 |
| CA3006640A1 (en) | 2017-06-29 |
| WO2017112914A2 (en) | 2017-06-29 |
| CN108701293A (zh) | 2018-10-23 |
| JP2020126684A (ja) | 2020-08-20 |
| AU2016379422A1 (en) | 2018-06-14 |
| EP3394808A2 (en) | 2018-10-31 |
| JP6700396B2 (ja) | 2020-05-27 |
| US11030554B2 (en) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11030554B2 (en) | Systems and methods for data-driven identification of talent | |
| US11514401B2 (en) | Systems and methods for data-driven identification of talent | |
| Slanger et al. | A longitudinal cohort study of student motivational factors related to academic success and retention using the college student inventory | |
| EP3616619A1 (en) | Method of preparing recommendations for taking decisions on the basis of a computerized assessment of the capabilities of users | |
| Bernardino et al. | Financing social ventures by crowdfunding: The influence of entrepreneurs’ personality traits | |
| US20130344968A1 (en) | System and method for extracting value from game play data | |
| Bray et al. | Disentangling the effects of self leader perceptions and ideal leader prototypes on leader judgments using loglinear modeling with latent variables | |
| US20210264371A1 (en) | Systems and methods for data-driven identification of talent and pipeline matching to role | |
| Tucker et al. | Assessing the validity of college success indicators for the at-risk student: Toward developing a best-practice model | |
| Shaffer et al. | A moderated mediation model of personality, self-monitoring, and OCB | |
| AU2015280327A1 (en) | Simulation system and method for integrating client behavioral preferences within decision-based simulation scenarios | |
| Shekarian et al. | Do entrepreneurship skills improve project performance? A project-based learning perspective | |
| Shore et al. | Performance management and the audited self | |
| Fitzpatrick et al. | An Exploratory Study of Engineering Graduate Student Persistence: Self-Efficacy and Contextual Influences | |
| Hopp et al. | Understanding citizen attendance to poll aggregation websites through an extended application of the theory of planned behavior | |
| Belfguira | Quantitative Correlational Analysis of Artificial Intelligence Integration Into the Banking Industry’s Customer Relationship Management System | |
| Langabeer et al. | Essentials of Healthcare Strategy and Performance Management: A Practical Guide for Executives and Emerging Leaders | |
| von Schrader et al. | Perceptions of Federal Workplace Attributes: Interactions Among Disability, Sex, and Military Experience | |
| Voda | When Artificial Intelligence Is Part of the Process: Global Leaders’ Beliefs and Algorithmic Decision-Making | |
| Tyaliti | Effects of Rapid Technology Advancement (RTA) on IT-audit skills and competencies within the financial services sector in South | |
| Slabbert | The influence of employee engagement on customer experience in a customer centric climate and culture | |
| Molnar | Assessment strategies for servant leadership practice in the virtual organization | |
| Narayanamurthy | Leveraging Machine Learning in the Age of Digital Transformation: Strategies for Employee Retention in IT-Tech-Case Study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |