用于候选人评估的方法和装置的制作方法

专利名称：用于候选人评估的方法和装置的制作方法
技术领域：
本发明涉及用于评估工作候选人、升职或培训候选人和商业合伙人的计算机化的装置和方法。更具体而言，本发明涉及用于收集和处理关于个人(或企业)的数据以便评估他们对于由雇佣方指定的特定工作或对于升职、培训或商业合伙而言的适宜性。
背景技术：
可能难以对要雇佣的个人进行评估。候选人的人数在其特征之间通常非常不同。雇佣方对特定职别的最佳资格可能不具有相同的观点。如果涉及到多个面试官，他们各自可能在头脑中有不同的一组准则、从候选人中得出信息的不同方式以及评估候选人提供的信息的不同方式。某些面试官或简历评估者不具有良好判断的足够经验。因此，组织或雇佣顾问难以拥有系统且一致的方法来收集候选人信息并对其进行评估。当存在大量候选人时，这尤其困难，使得难以比较。
存在协助人事搜索的基于计算机的系统。一种已知的方法使用允许建立申请人特征表的、以从自动面试或其它类似来源获得的简介信息填充的传统数据库。使用SQL查询来从保存在数据库中的申请人池中选择特定的申请人。系统可使用最初的“必须有”准则来选择申请人的子集。这是使用传统数据库命令来完成的。在该点除去没有完全满足所有的“必须有”准则的任何申请人。潜在的雇佣方然后可应用带有加权因子的一组“较好有”准则。对该子集中的申请人中的每一个测试“较好有”准则中的每一个。如果他们满足一准则，则向他们分配该准则的加权分值。如果他们未完全或精确地满足准则，则不向他们分配来自该准则的任何分值。这样的系统无法确定申请人离所请求的准则有多远。
当检查了所有的子集申请人之后，可向雇佣方报告收到超过某一阈值的申请人。可能一个也没有(如果准则太具有限制性)或过多(如果准则太宽松)。这完全取决于雇佣方来确定产生有用选择的准则。所选择的申请人是那些收到最高分值的，但未必在总体意义上是“最佳的”。实际上是良好候选人的某些人可能会被过于限制性的准则去除。也可能没有足够好地校准的计分方案来反映候选人的特征相对于雇佣方认为理想的特征的真实值。
因此，存在对协助雇佣方找到最佳候选人的改进的工作候选人评估系统和方法的需求。对升职或对专门培训评估大量候选人或对诸如分销关系等某些商业合伙评估企业，提出了与雇佣评估相同的问题。此处，该评估系统和方法也需要改进。

发明内容
在一个实施例中，本发明是用于协助评估候选人的计算机实现的系统，包括定义多个选择简介因素的程序组件，每一因素具有与候选人相关联的一组两个或多个回答特征；定义与每一组两个或多个回答特征相关联的计分方案的程序组件，每一回答特征具有基于固有知识的相关联的计分值Sij；用于定义包含对多个选择简介因素中的一个或多个的加权值Wi的加权向量的程序组件；用于访问表示一个或多个候选人对多个选择简介因素的回答特征的数据的程序组件；以及用于形成与选择简介因素有关的每一候选人的回答特征的评估的程序组件，所述评估包括确定与候选人回答特征相关联的计分值，并对所确定的计分值应用对应于该选择简介因素的加权值，然后为每一候选人聚集这样的候选人的每一回答特征的结果加权计分值。另一实施例包含由前述系统执行的方法。
在又一实施例中，本发明是一种带有可实现前述系统和方法的计算机程序的计算机可读介质。
尽管公开了多个实施例，但通过阅读示出和描述了本发明的说明性实施例的以下详细描述，本发明的其它实施例对本领域的技术人员是显而易见的。可以理解，本发明能够在各个方面进行修改，而不背离本发明的精神和范围。从而，附图及详细描述应被认为在本质上是说明性而非限制性的。


图1是用于为雇佣评估候选人的系统的示意性框图。
图2是特定工作的选择简介因素或准则以及对这样的因素可用的候选人回答的示例清单。
图3是示出图2的示例性选择简介因素的表，该表带有包含固有知识的相关联的通用计分方案和权重。
图4是示出用于使用本系统来为特定工作评估候选人池的步骤的流程图。
图5是示出示例计分方案的一部分的表。
图6是在计分和加权方案下进行候选人评估之后的输出的示例。
图7是示出对可用于多个工作的一组给定雇主要求如何输入和组织固有知识的屏幕截图。
图8是示出用于选择或校正评估参数的控制面板的部分屏幕截图。
具体实施例方式
概观。本发明使用依赖于底层推理机和启发式规则的专家系统方法来为工作、升职或培训或为诸如分销商或渠道合伙人等某种形式的商业合伙从候选人池中作出选择。以下描述集中于工作候选人选择，但示出了可用于其它的、具有可比性的多因素选择活动的系统。
本系统的方法与传统数据库方法大不相同。首先由对特定雇佣类别(例如，电信产品的销售)选择雇员和/或关于公司的雇佣政策的知识的领域中的专家建立系统逻辑和规则。该逻辑是使用“如果/则”规则和专家系统开发工具所需的其它逻辑图来定义的。结果是具有允许确定申请人与特定的目标准则有多紧密匹配的固有知识和规则的专家系统。作为一个简单的例子，如果一条准则是申请人居住在办公室半径30英里内，而候选人实际居住在31英里外，则系统被配置成具有知识和能力来识别31是非常接近于30的。(在硬性的评估中，如果未满足30英里的准则，则不论实际值如何轻微地超过30，申请人都将被去除或被惩罚。)同样，在本系统中，如果雇主指定特定期望类型的经验、培训或认证，则专家系统能够检查该申请人的经验、培训或认证数据来找出与该准则相关的特征，并根据它们有多么紧密地匹配理想候选人特征来对其分级。
该专家系统被设计成具体化对特定工作类型的申请人选择过程的广泛知识。它不限于特定的工作选择，且由对其提供的特定职位具有不同准则的众多不同的雇主使用，只要这些准则处于由专家系统的规则和知识覆盖的范围之内。它向雇主提供了选择对特定工作的雇主而言至关重要的特定准则和权重的界面。如此处所使用的，“工作”可意味着所聘请的(或与其签订合同的)个人或企业的特征足够重要来以合理的关注从申请人中选出的任何形式的聘用。这包括专职或兼职雇佣职位、咨询聘用、分销商或其它商业合伙、志愿者委托、以及其中雇佣或选择方需要对工作要求的良好或可能的最佳匹配的其它关系。
一旦定义了工作范围的准则或选择因素之后，雇佣方然后可使用专家系统来找出最佳的申请人。雇佣方定义了“理想”申请人的简介。(这可以是非常精确的，因为系统规则中的知识将自动测量“最佳符合”而不是具有基于失败的匹配去除的过度限制性的准则。)本系统然后采用雇主的“理想”简介，并将它与数据库中每一个申请人的特征进行比较。这是使用传统的专家系统技术来完成的，它利用了使用系统中的知识和规则来对每一申请人如何良好地匹配理想简介进行分级的底层推理机。对简介中的每一准则，系统中的知识和规则提供基于专家针对候选人自身的特征或属性相对于期望(理想)的特征或属性的值的意见的分值。对此的一种观点是按照对理想特征的“接近程度”考虑。对每一准则的接近程度的测量是由计分方案形式的存储领域(或固有)知识定义的。然后将对特定候选人和特征确定的“接近程度”分值乘以(一般而言)由雇主提供的指示该特定准则在此选择中有多重要的加权因子。这种组合允许雇主指示偏好，但这由规则、计分方案中包含的专家知识来平衡。
当检查了所有申请人时，系统将产生最佳满足简介的顶尖申请人的列表。系统设计者(或雇佣方)通过指定可调整报告限度来控制在评估候选人池之后呈现的申请人的精确个数。假定是足够大的池，则系统总是会报告所选的个数。这与以往的方法不同，在后者中，稀疏数据库或限制性准则将可能产生少量甚至不产生选择。在本方法中，即使没有申请人精确地满足全部(或甚至任何)理想准则，但仍旧会选择和显示“最佳”匹配。此外，本系统可提供关于每一所选申请人的申请人专用报告，该报告详细描述他/她有多匹配(或不匹配)所指定的“理想”。
系统的基本元素。图1是用于实现以上原理的系统200的示意性框图。该系统是建立在通用计算机上的，后者具有处理器硬件170以及各种存储器形式的软件组件，包括操作系统160和用于存储评估系统中使用的候选人数据和其它数据的数据库管理器150。存在用于实现该系统的各种其它的软件组件。存在用于接收描述雇佣方希望雇佣的个人的简介的信息的雇佣方界面210，这些信息包括对选择简介因素(或准则)的数据输入110、因素权重120和其它用命令122。也存在可从面试222(这可在线交互式地完成)、之前存储的人事记录224或职业介绍源226(诸如代表候选人行动的就业指导办公室或其它代理)中接收数据的候选人数据界面和数据文件220。
其它的软件组件实现了系统200的其它专门的功能。使用专家系统190作为构造评估逻辑的平台。例如，新墨西哥州阿尔伯克基市的Exsys有限公司所产的Exsys知识自动化专家系统是一个合适的平台，可对其加载关于工作/职位领域以及关于公司政策上的领域知识或用于候选人评估的其它知识。使用专家领域输入界面242，系统创建了可由评估和报告软件组件230访问的固有知识的数据结构或数据库文件240。除控制评估以外，这些组件还产生反映评估处理的结果。例如，它们可输出经分级的候选人列表250和/或候选人评论252。
评估规则/固有知识。为开始候选人评估过程，雇佣方首选必须形成选择简介因素(或准则)的列表。图2示出了可用作对系统的输入的这样的列表的示例。图2的图表在前6行示出了某些串数据的字段。在第一列(“名称”)的这些行下面显示了雇佣方观点中与特定工作有关的因素。这些包括调动的意愿；候选人可接受的最大通勤路程；当前雇佣状况；候选人可接受的出差量；最近的年薪；最近的工作职能；电信行业中的经验；忠诚调查(security clearance)；最高学位；一个或多个认证等。
第二列中是数据“类型”。第三列中是可由候选人响应于关于因素中的每一个的查询选择的两个或多个可能的候选人回答特征(属性)(或在可访问的记录中预先存在)。如上所述，系统200使用了一种专家系统，对该专家系统加载允许其确定申请人如何紧密地匹配特定的选择简介因素的固有知识和规则。设置接近程度测量的一个方面是，在可用于选择的一组回答特征(或属性)中不仅定义精确的期望简介准则，还定义表示候选人可能具有的备选特征的某些回答。为可能的选择定义的该组回答被设计成提供可在其上测量对(对该工作定义的)理想特征的接近程度的尺度。因此，某些回答可表示相对于理想特征接近和有用的备选，而其它回答可表示距离较远和/或无用的备选。使用专家意见来定义对分类区分特征/属性有用的回答备选是允许在候选人中进行有效的接近程度测量的一部分。
表示任何特定候选人的特征的这些回答能以各种方式从候选人中接收。对此的一种方式是向候选人提供交互式屏幕，该屏幕呈现各种因素，并提示对每一因素使用下拉式菜单来查看和选择作为候选人的回答且最终将用于接近程度测量的备选。因此，参考图2，响应于“最大通勤路程”，候选人将选择列在第三列中的六个备选之一，并且，例如，响应于“当前雇佣”可选择是或者非，如该行中所列出的。图2示出了一组大约20个选择简介因素。如可以理解的，该组选择简介因素可以如需要的一般长，且仅受从候选人中收集回答的实际考虑限制。同样，对一因素的一组回答可具有2个、3个、4个、8个等选择，且可如需要的一般多来制订可能的候选人特征，尽管对制成用于得出候选人回答的可用工具也存在实际限制。
候选人回答特征也可从熟悉候选人背景的就业指导代理处获得，或者在内部或之前已了解的候选人的情况下，可从组织对雇员、前雇员以及顾问保存的记录中获得。因此，回答特征指的是对选择简介因素的回答，无论候选人是否是自己直接向系统提供了回答。
图3在前两列示出了与图2中的前两行相同的选择简介因素和回答。此处，每一因素具有一组相关联的回答Rij。例如，因素0(愿意调动)具有回答集R01＝是、R02＝否，而因素1(最大通勤路程)具有R11＝0-5英里、R12＝5-10英里等。然后，图3也引入了以上讨论的灵活计分方案和加权。如在第三列中可见，系统使选择因素编号1的每一回答与计分值S1j相关联，其中j的范围是1到6，每一R1j具有相关联的计分值S1j。对“最大通勤路程”因素，可选择值集合{S11，S12，S13，S14，S15，S16}使得它基本上是线性的，对示出的越大的灵活性给出递增的分值，例如{S11＝1，S12＝2，S13＝3，S14＝4，S15＝5，S16＝6}。这可以基于具体化成可在与该组可能的回答同时准备的来自界面242的专家输入的判断。然而，可见，如果研究(或不同的专家的判断)确定，较大的灵活性仅在某点以下有递增的价值，则从专家输入输入或得到的一组值可以是{S11＝1，S12＝2，S13＝3，S14＝3，S15＝3，S16＝3}。因此，此类固有知识可以对为此因素的接近程度测量形成计分方案。
最近年薪因素可利用带有负计分值的某些候选人回答的关联。例如，当一份工作年薪$50,000时，专家可断定最近挣明显更多的钱的个人可能接受该工作，但一般会继续寻找更高薪的职位，因此对所提供的职位提供了较差的稳定性。因此，对年薪$30,000到$45,000的给定工作，回答位于最高两个薪水等级的候选人可能得到带有一组相关联回答值的负分值，诸如{S41＝1，S42＝2，S42＝3，S44＝4，S45＝(-2)，S46＝(-5)}。因此，特定类型的固有知识也可为该因素形成计分方案。
“最近工作职能”是其中固有或专家知识有用的一个因素，因为对理想的最近工作职能的接近程度可能是难以判断或测量的。此处，有经验的人事判断和/或研究可为没有纯粹数学或逻辑模式的计分方案定义一组回答以及相应的一组计分值。可能存在与不同回答相关联的同一计分值；可能存在负的分值；在该计分方案上可能存在非常非线性的一组值，例如{S51＝2，S52＝2，S53＝3，S54＝(-4)，S55＝(-2)，S56＝5，S57＝4，S58＝7}(假定有8个可能的回答)。尽管本示例仅示出工作职能的一个等级，但也有可能通过关注于不同的行业子类别和任何给定工作的多个、更具体的职能使得该询问粒度更细。然后可经由多个因素评估该准则，每一因素具有其自己的计分方案。
因此，计分方案可被设计成对其特征在每一因素上都精确符合理想候选人的简介的个人在每一因素上产生最高的分值。其它候选人特征将得到较少的分值，这些分值被校准来反应可应用于计分方案的尽可能多的固有知识。某些回答可与负分值相关联，这将导致有效的惩罚，降低其它因素上良好分值的值。
作为示例，图7示出了允许在选择简介因素“最近工作职能”上收集固有知识的矩阵的屏幕截图。图7中，最左的一列列出了可能雇佣方的要求，即可能选择为对某些电信行业工作的理想的特征(此处为工作职能)。最上方的一行列出了与对询问的可能候选人回答相同的这些特征。因此，矩阵的对角线表示精确匹配，这些匹配总是被评估为可用尺度上的最高等级(此处，范围为“非常好(Very Good)”到“无意义(No Significance)到“非常差(Very Bad)”)。为该评估方案提供(经由图1的专家领域界面242)专家/固有知识的个人将选择由下拉式菜单(见图7，列3)所呈现的7个可能的类别之一。对选择的这种判断进行了关于候选人基于该选择因素的合适程度的重要的接近程度或值判断。例如，如理想为“电信产品的顾客服务代表(Customer Service Representative for telcom products)”，则“电信产品的外部销售(outside sales fortelecom products)”和“电话销售(电信产品)(telephone sales(telecom products))”均可分级为“良好(good)”。其它可能的候选人回答(特征)分级为“可以(fair)”、“较差(poor)”或“差(bad)”。
图7中这样的矩阵是自动将固有知识的文档转化为成为执行评估的软件组件的逻辑的所存储的数据结构的一个步骤。可见，矩阵捕捉与列在最左一列的职位中的每一个有关的固有知识。因此，这对多个工作选择而言是有用的。
使用图7的矩阵中所捕捉的定性分级，系统构造器现在可关联任何合适的定性分值Sij。如上所述，它们可以是正的或是负的，且线性或非线性地从最高到最低。所选的特定数值反应了其它固有知识。
图5是示意性描述了图3中概括示出的计分方案中的一组简化的因素和回答特征的表。在图5的表中可见，该计分方案允许在范围{-7，+7}上的分值。对表{因素0，…因素6}中的每一因素，可能回答{Ri1，Ri2，Ri3，…}中的每一个被置于与尺度{-7，+7}上的分值相关联的单元中。各种因素演示了基于特定工作领域中的因素的固有知识的若干可能的计分方案。因素0简单的是/否备选，仅其中之一向候选人提供了任何计分值；因素1回答范围上的分值的简单线性增长，除非两个回答的中的任何一个都可产生最高可能分值4；因素2简单的是/否备选，但所计分的值与因素0相比可以相反；因素3范围为0到正值的一般线性计分范围；因素4高度非线性计分范围，带有负或正值；因素5另一高度非线性计分范围，带有正或负值，且两个回答与同一分值相关联。
在一种可能的计分方案中，与特定特征相关联的计分值不是从范围{-7，+7}中取出的常数，而是可使之成为另一候选人特征的函数。即，例如，如果注意图3中的一个或多个回答，因素1(最大通勤路程)应链接至因素行4(最近年薪)中的一个或多个回答，值S4j可响应于或是值S1j的函数。在图3的表中可见该方法，其中S46被记录为取决于为S1j所选的特征而计分不同。例如，S46可减少(或增加)值S1j。
另一个示例可以是一种形式的心理测量调整，其中与候选人的回答相关联的值可被调整来考虑可辨别的报告偏差。由系统评估的候选人特征必然是由候选人或另一信息源向系统报告的那些。使用对候选人和源的合适的心理测量分析，可发现，由于某些回答数据可能被候选人或源“夸大”，因此需要折扣，这些回答数据可从另一回答或回答模式中检测出。相反，过分的谦虚也可从一个或多个回答中辨别出。作为反应，尺度上的一个或多个分值由于暗示谦虚偏差的另一尺度上的回答而受到向上调整。图5的因素6示出了可如何使用计分表中的单元来引起对条件基础的这一校正。此处，三个单元以1分的条件应用调整来注释。对两个单元，未指示调整。这是可在计分方案中实现围绕一个特定工作或多个工作的固有知识以及领域内申请过程的知识的另一方法。使用复杂的专家系统允许通过计分方案中操作的合适的“如果/则”或其它逻辑来实现这样的依存关系。图5仅是可如何组织和实现计分方案的一个示例。它给予用于实现供比较特定候选人特征使用的有用度量的固有知识的相当的灵活性和复杂性。
也可能允许对任何给定因素有两个或多个回答，并对某些回答中的每一个应用一个分值。例如，在一个基于教育(不仅是最高学位)的因素中，候选人可能回答他/她既有大专学位(associate degree)又有学士学位。可由适当的计分方案逻辑为这两个回答向该候选人奖励分数。
尽管使雇佣方参与对计分方案的设计可能有用，但计分方案的复杂设计可仅牵涉最复杂的人力资源部分的可用专家。因此，在众多情况中，计分方案中的固有知识可完全来自领域专家，且用户将信任这些方案是良好构造的。然而，雇佣方仍需要具有在评估过程中包含其偏好的机会。
从而，再次参考图3，除用于指导回答计分的固有知识以外，该系统允许雇佣方在评估中相比其它因素更强调某些因素。因此，“最近工作职能”可视为远重要于“最大通勤路程”。该系统允许雇佣方对一行或多行分配加权因子Wi(在图3的第四列示出)。对某些因素，将加权值固定为单位元素(“1”)可能是有用的，使得不分配特殊权重。在其它应用中，所有的行/因素可具有可选择的权重。如在第五列可见，然后将从计分方案中得到的所计分的值使用应用于由应用计分方案所形成的分值的加权因子来加权。例如，权重可应用为简单的乘数，Wi×Sij，尽管对值加权的其它数学方法也是可能的，且可从理论或从经验工作中得到。使用加权的示例性乘数形式，候选人的一组回答的总分值可如下计算分级分值＝加权的单个因素分值的总和＝(S1j×W1)+(S2j×W2)+…+(Sij×Wi)…，其中S1j、S2j等是根据候选人的特征和包含固有知识的计分方案对每一简介选择因素分配的分值。统计员已知的聚集加权分值的其它方法也是可能的。
图8示出了用于对给定的一组选择简介因素选择和设定理想简介特征的“仪表板”或控制面板的一部分的屏幕截图。该面板作为允许输入选择简介因素110、因素权重和其它用户命令122的用户界面(图1，210)的一部分向用户呈现。如图8中所见，首先，用户标识职位和薪水，然后对每一简介选择因素从下拉式列表选择理想特征/属性。接着，对每一简介因素，用户可选择分值的低、中或高权重。可对加权因数分配任何合适的值，诸如低＝0.5、中＝1.0、高＝2.0或低＝0.25、中＝1.0、高＝3.0。为作出权重选择，用户仅需理解一个因素将具有另一因素的权重的倍数。
方法和相互作用。设置特定工作职位的候选人的评估的过程一般遵循图4中所示的步骤。首先，雇佣方和/或个人协助系统构件为至少一个工作领域收集固有知识410，包括特定的候选人选择简介因素、每一因素一般会遇到的候选人特征的范围、以及其在会发生候选人评估的一个或多个工作中的值。为设置工作领域中特定工作的候选人评估，雇佣方/系统构造者定义了一组选择简介因素412。对每一特定的选择简介因素，雇佣方/系统构造者定义了包括理想和非理想的、接近的特征的一组回答414。对特定的一组回答，然后必须定义将计分值与理想和接近特征相关联的计分方案416。注意到，这之中的许多都可由专家在任何特定工作定义和向候选人提供工作之前完成。对每一特定的选择简介因素，也必须定义加权因数418。然后，对特定工作，雇佣方从最高分级的候选人往下到报告限度确定要查看的候选人结果的个数420。报告限度(可作为图8的控制面板上的选择提供)可以如3个或4个那样少，或如果候选人池较大且审阅者有时间和资源来审阅众多候选人，则可包括10个或15个或甚至更多。
在此基础之上，可以开始招揽候选人(或访问已经接收的一列候选人)。为提供作为有用输入的数据，候选人必须提交对应于所定义的评估方案的数据。使用所定义的一组可能的回答，包括理想和接近特征，雇佣方收集候选人数据422。对回答的电子招揽是高效的，且可使用适当的候选人数据界面220(图1)实现。(例如，可使用经由在线形式的面试。)电子数据立即可供分析；然而也可使用纸件工具(通过扫描或其它合适的输入手段捕捉的数据)来收集候选人信息用于评估。一旦充分填充了候选人池(可关闭)之后，对每一候选人，系统访问候选人数据，并对候选人回答特征应用计分方案，并应用加权值来获得候选人总分424。这可被表达为原始数字或作为对理想候选人的最大可能分值的百分比。当计算出多个候选人总分值时，系统可按照总分值对候选人分级，并应用报告限度来选择要审阅的那些候选人。系统然后以堆栈列表或有序列表输出这些候选人，以及分值和任何评论426。报告限度可以是可调整的参数，可由用户在查看任何输出之前或之后选择。
如果用户感到结果不令人满意428，则用户可考虑是否可重置选择简介中的参数和/或权重来产生更好的结果。如果结果令人满意，则评估结束430。如果否，则用户返回至控制面板(图8)来重置期望的参数432(包括理想特征、权重)，并启动对候选人数据的经修改的计分方案的新应用424。这可以重复直到获得满意的结果。
数据结构。对本发明的系统和方法的使用引起对某些数据结构的构造来捕捉确定评估的固有知识。使用如图7中的选择矩阵，这些可由专家领域输入界面242来简化。对本系统的使用也引起对具体化图3和5的计分方案的数据结构的构造。这些归档了固有知识，并提供了对候选人数据的数学和逻辑评估以及计分的基础。
输出。评估过程的典型输出在图6中示出。这种形式的输出显示了带有百分值的经分级的候选人列表250(图1)，这些值是基于在选择简介因素的每一元素上得到最高分的候选人将获得的分值的百分比来计算的。所示的报告的特定形式也包括简要的文本候选人评论252(图1)，这有助于解释可能最重要的接近程度度量。例如，报告可对其中候选人的回答匹配计分方案中理想回答的那些情况作出注释。它也可提及值得面试官在与候选人的任何随后接触中了解的因素。该报告也可提供实际回答的概述。
其它应用。以上的系统和方法也可应用于评估其它候选人池，诸如已经雇佣的雇员的池，来自该池的雇佣雇员希望选择个人来调动或升职到新的职位或选择将对其提供额外培训的个人。在这种情况中，人事记录可提供候选人数据220(图1)的许多相关候选人属性/特征，进行任何在线面试来收集不必要或简略的其它属性/特征。此处，包含嵌入计分方案内部的固有知识的选择简介因素和相应的特征的焦点可更多地集中于来自工作评估的数据，或可能由内部管理的评定工具产生。评定结果可就团队工作倾向或与评估和最终选择有关的现有技术的度量进行报告。选择简介因素和计分方案被配置成选择最佳候选人来升职或培训。
以上的系统和方法也可应用于评估其它候选人池，其中候选人不是个人而是诸如可能的分销商、销售代表或其它商业合伙人等企业。此处，包含嵌入计分方案内部的固有知识的选择简介因素和相应的特征的焦点将是组织特征，诸如规模、位置、生产线经验、技术人员的认证、与可能有竞争性或补充产品的牵连。再一次，由于这样的实体的评估的多维本质，本系统可提供好处。
尽管参考较佳实施例描述了本发明，但本领域的技术人员可以认识，可在形式或细节上进行改变，而不背离本发明的精神和范围。
权利要求
1.一种用于协助评估候选人的计算机实现的系统，包括定义多个选择简介因素的程序组件，每一因素具有可适用于候选人的一组两个或多个回答特征；定义与每一组两个或多个回答特征相关联的计分方案的程序组件，每一回答特征具有基于固有知识的相关联的计分值Sij；用于定义包含对所述多个选择简介因素的一个或多个的加权值Wi的加权向量的程序组件；用于访问表示一个或多个候选人对所述多个选择简介因素的回答特征的数据的程序组件；以及用于形成每一候选人与所述选择简介因素有关的回答特征的评估的程序组件，所述评估包括确定与所述候选人回答特征相关联的计分值，并对所确定的计分值应用对应于所述选择简介因素的加权值，然后为每一候选人聚集这一候选人的回答特征的所得的加权计分值。
2.如权利要求1所述的系统，其特征在于，所述用于为候选人聚集所得的加权计分值的程序组件包括，用于计算这样的加权计分值的总和的程序组件，并且还包括，用于基于对每一候选人所得的加权分值的总和对所述一个或多个候选人分级的程序组件。
3.如权利要求1所述的系统，其特征在于，所述用于定义加权向量的程序组件基于用户的权重选择定义加权值。
4.如权利要求1所述的系统，其特征在于，与至少一个选择简介因素相关联的计分方案具有非线性的值范围。
5.如权利要求1所述的系统，其特征在于，与至少一个选择简介因素相关联的计分方案包含响应于另一选择简介因素的所选回答的依存关系。
6.如权利要求1所述的系统，其特征在于，所述定义计分方案的程序组件具有用于接收专家输入来确定所述计分方案中的计分值的相关联的专家领域输入界面。
7.如权利要求1所述的系统，其特征在于，还包括，用于从一个或多个候选人中招揽回答的程序组件，所述候选人选择与所述选择简介因素有关的回答特征。
8.如权利要求1所述的系统，其特征在于，所述候选人是从由工作候选人、升职候选人、培训候选人和商业合伙人候选人构成的组中选择的候选人。
9.如权利要求1所述的系统，其特征在于，所述固有知识具体化为定义相对于理想的回答特征的接近程度度量的矩阵的形式。
10.如权利要求1所述的系统，其特征在于，还包括，用于在计分方案中选择和再次选择元素的程序组件，所述计分方案由所述程序组件为形成评估而应用。
11.一种用于协助评估候选人的计算机实现的方法，包括定义多个选择简介因素，每一因素具有适用于候选人的一组两个或多个回答特征；定义与每一组两个或多个回答特征相关联的计分方案，每一回答特征具有基于固有知识的相关联的计分值Sij；定义包含对所述多个选择简介因素的一个或多个的加权值Wi的加权向量；访问表示一个或多个候选人对所述多个选择简介因素的回答特征的数据；以及形成每一候选人与选择简介因素有关的回答特征的评估，所述评估包括确定与候选人回答特征相关联的计分值，并对所确定的计分值应用对应于该选择简介因素的加权值，然后为每一候选人聚集这一候选人的每一回答特征的所得的加权计分值。
12.如权利要求11所述的方法，其特征在于，所述为候选人聚集所得的加权计分值的步骤包括，计算这样的加权计分值的总和，并且还包括，基于对每一候选人所得的加权分值的总和对所述一个或多个候选人分级。
13.如权利要求11所述的方法，其特征在于，所述定义加权向量的步骤基于用户的权重选择定义加权值。
14.如权利要求11所述的方法，其特征在于，与至少一个选择简介因素相关联的计分方案具有非线性的值范围。
15.如权利要求11所述的方法，其特征在于，与至少一个选择简介因素相关联的计分方案包含响应于另一选择简介因素的所选回答的依存关系。
16.如权利要求11所述的方法，其特征在于，所述定义计分方案的步骤具有用于接收专家输入来确定所述计分方案中的计分值的相关联的专家领域输入界面。
17.如权利要求11所述的方法，其特征在于，还包括，从一个或多个候选人中招揽回答，所述候选人选择与所述选择简介因素有关的回答特征。
18.如权利要求11所述的方法，其特征在于，所述候选人是从由工作候选人、升职候选人、培训候选人和商业合伙人候选人构成的组中选择的候选人。
19.如权利要求11所述的方法，其特征在于，所述固有知识具体化为定义相对于理想的回答特征的接近程度度量的矩阵的形式。
20.如权利要求11所述的方法，其特征在于，还包括，在计分方案中选择和再次选择元素，所述计分方案由所述程序组件为形成评估而应用。
21.一种其中存储用于协助评估候选人的计算机程序的计算机可读介质，所述计算机程序包括定义多个选择简介因素的程序组件，每一因素具有可适用于候选人的一组两个或多个回答特征；定义与每一组两个或多个回答特征相关联的计分方案的程序组件，每一回答特征具有基于固有知识的相关联的计分值Sij；用于定义包含对所述多个选择简介因素的一个或多个的加权值Wi的加权向量的程序组件；用于访问表示一个或多个候选人对所述多个选择简介因素的回答特征的数据的程序组件；以及用于形成每一候选人与所述选择简介因素有关的回答特征的评估的程序组件，所述评估包括确定与所述候选人回答特征相关联的计分值，并对所确定的计分值应用对应于所述选择简介因素的加权值，然后为每一候选人聚集这一候选人的每一回答特征的所得的加权计分值。
22.如权利要求21所述的介质，其特征在于，所述用于为候选人聚集所得的加权计分值的程序组件包括，用于计算这样的加权计分值的总和的程序组件，并且还包括，用于为基于对每一候选人所得的加权分值的总和对所述一个或多个候选人分级的程序组件。
23.如权利要求21所述的介质，其特征在于，所述用于定义加权向量的程序组件基于用户的权重选择定义加权值。
24.如权利要求21所述的介质，其特征在于，与至少一个选择简介因素相关联的计分方案具有非线性的值范围。
25.如权利要求21所述的介质，其特征在于，与至少一个选择简介因素相关联的计分方案包含响应于另一选择简介因素的所选回答的依存关系。
26.如权利要求21所述的介质，其特征在于，所述定义计分方案的程序组件具有用于接收专家输入来确定所述计分方案中的计分值的相关联的专家领域输入界面。
27.如权利要求21所述的介质，其特征在于，还包括，用于从一个或多个候选人中招揽回答的程序组件，所述候选人选择与所述选择简介因素有关的回答特征。
28.如权利要求21所述的介质，其特征在于，所述候选人是从由工作候选人、升职候选人、培训候选人和商业合伙人候选人构成的组中选择的候选人。
29.如权利要求21所述的介质，其特征在于，所述固有知识是以定义相对于理想的回答特征的接近程度度量的矩阵的形式捕捉的。
30.如权利要求21所述的介质，其特征在于，还包括，用于在计分方案中选择和再次选择元素的程序组件，所述计分方案由所述程序组件为形成评估而应用。
全文摘要
在一个实施例中，本发明是一种用于协助评估工作、升职、培训或其它商业合伙的候选人的系统。该系统具有定义多个选择简介因素的程序组件，每一因素具有与候选人相关联的一组两个或多个回答特征；以及定义与每一组两个或多个回答特征相关联的计分方案的程序组件，每一回答特征具有基于固有知识的相关联的计分值Sij。该系统还具有用于定义包含对多个选择简介因素的一个或多个的加权值Wi的加权向量的程序组件和用于访问表示一个或多个候选人对多个选择简介因素的回答特征的数据的程序组件。此外，还存在用于形成每一候选人与选择简介因素有关的回答特征的评估的程序组件，所述评估包括确定与候选人回答特征相关联的计分值，并对所确定的计分值应用对应于该选择简介因素的加权值，然后为每一候选人聚集这一候选人的每一回答特征的所得的加权计分值。
文档编号G06Q10/00GK1873678SQ20061009153
公开日2006年12月6日 申请日期2006年6月5日 优先权日2005年6月3日
发明者O·R·布洛博格 申请人:依康特能有限公司