2021年5月30日上午，我院在线上举办了第162次求是学术讲座。美国奥本大学心理学系范津砚教授作了主题为“通过交互式的AI聊天机器人来测量个性——兼谈机器学习方法在人事测评中的应用“的专题讲座。本次讲座由公共管理学院刘颖教授主持，线上共150余讲师生参加。

范教授以人才测评的冰山模型和大五人格模型为起点，介绍了个性在人才测评中的重要性。他以两个有关机器学习的经典研究和自己最近的一个AI聊天机器人研究为例，呈现了当前关于机器学习方法在人事测评中的代表性研究和结论，向大家充分展示了机器学习方法在人格测评中的应用，包括测量思路、策略和效度等内容。

讲座主要围绕以下四个方面展开：

（1）个性在人才测评中的重要性；

（2）以两篇研究为例，介绍机器学习方法是如何测量个性的；

（3）机器学习方法用于人才测评的两种策略；

（4）报告最近开展的实证研究。

01 个性在人才测评中的重要性

首先，范教授从胜任力的冰山模型开始，阐述了个性在人才测评中的重要性，并介绍了心理学领域最主流的个性理论——“大五”人格模型，指出当前个性测量主要以自我报告和面试考察两种方式为主。鉴于个体选拔情景下的“伪装”倾向、测量者对个性结果解读的差异化、测量题多耗时等缺点，机器学习方法应运而生，通过建模的方式来间接测量个性。

02 机器学习方法是如何测量个性的

然后，以Yarkoni（2010）和Youyou et al. （2015）的研究为例，范教授介绍了当前机器学习对个性的测量方式，指出可以通过文本、声音、图像、点赞等电子痕迹建立预测模型，间接测量个性。一旦模型的参数确定，就可以计算出个体在个性、价值观、工作绩效等多方面的差异分数。

03 机器学习方法用于人才测评的两种策略

范教授随后介绍了机器学习方法测评人才的三个步骤：首先是获取个体的文本内容、声音品质、个性分数、价值观分数、工作绩效等变量信息；然后建立预测模型；最后将模型应用到候选人估算其结果分数，进而对人事决策进行一定的指导。同时，当前机器学习方法测评人才以两种策略为主：一是直接预测工作绩效、离职率等组织关心的结果变量；二是预测个性、价值观等稳定的个人特征。范教授指出，前者在推广性上存在一定问题，后者所测的个性分数不能保证有效预测工作绩效。

04 实证研究

在现有文献背景下，一方面，机器测的人格分数的内在因素结构、其与自我报告方法的因素结构差异并不清晰；另一方面，并没有过硬的实证研究证明机器算法的人格分数可以预测企业最为关注的结果变量。基于此，范教授和他的团队开始对机器算法测量的个性分数与自我报告的个性分数的内在结构一致性、以及机器测算的个性分数是否能够有效预测大学生的GPA和其大学适应性等问题进行研究。基于1000多名奥本大学本科生的数据，他们发现，机器测算的个性分数和自我报告的个性分数内在结构高度一致，且机器分数可以预测大学生的GPA和适应性，但是效度上总体低于自我报告。

05 未来研究方向

最后，范教授为未来研究指明了五点方向，包括考察机器分数的重测信度、提升机器方法的校标效度、证明机器方法在防止“伪装好”方面的有效性、在选拔情境下进一步研究、候选人对此种选拔方式的感受等。

范教授的讲座内容丰富且生动，相信每一位参与者都受益匪浅。在提问互动环节，范教授就不同测量情景、变量信息的获取、变量的确定、如何克服测量中的“伪装”现象等问题，同与会师生进行了深入的交流与讨论。

06 刘颖教授总结

刘颖教授对范教授的精彩分享表示感谢，并对本次讲座进行总结。她指出，人才测评对于每个组织而言都十分重要，探索准确高效的测评方式有助于组织甄选出合适的人才，并将合适的人放在合适的岗位，进而发挥个体的潜能实现组织的目标。对于机器学习而言，想要超越传统的个性测量方法就必须发展出更为智慧的算法，超越文本和语音信息的表面特征，理解文本内容及其情景，并探索它们的心理学意义。