本申请要求提交于2015年1月9日的美国临时专利申请号62/101,524以及提交于2014年6月27日的美国临时专利申请号62/018,459的权益,其每一个的内容通过引用全文并入于此。
背景技术:
为某一职位招聘合适的候选人对于公司而言可能是一项挑战性任务。通常而言,公司可以依赖于招聘人员和面试来确定申请人对于他们的团队而言是否将是理想的适合者。然而,寻找新员工可能是耗时的、昂贵的,并且在一些情况下是徒劳的过程,在申请人池庞大的情况下尤为如此。相反,确定合适的职业道路对于新求职者而言可能是艰巨的任务,并且现有的求职资源常常并非是为个体而定制的。基于期望的特点简档来寻找理想员工或工作的平台仍然不可用。
技术实现要素:
在一些实施方式中,本发明了提供了一种包括具有编码于其中的计算机可执行代码的计算机可读介质的计算机程序产品,所述计算机可执行代码适于被执行用于实现包括以下各项的方法:a)提供招聘系统,其中所述招聘系统包括:i)任务模块;ii)测量模块;iii)评估模块;以及iv)辨识模块;b)由所述任务模块向主体提供计算机化任务;c)由所述测量模块测量所述主体在所述任务的执行中所展示出的表现值;d)由所述评估模块基于所测量的表现值来评估所述主体的特质;以及e)由所述辨识模块基于所评估的特质来为招聘官辨识所述主体适合于被实体雇用。
在一些实施方式中,本发明了提供了一种包括具有编码于其中的计算机可执行代码的计算机可读介质的计算机程序产品,所述计算机可执行代码适于被执行用于实现包括以下各项的方法:a)提供人才辨识系统,其中所述人才辨识系统包括:i)任务模块;ii)测量模块;iii)评估模块;iv)辨识模块;以及v)输出模块;b)由所述任务模块向主体提供计算机化任务;c)由所述测量模块测量所述主体在任务的执行中所展示出的表现值;d)由所述评估模块基于所测量的表现值来评估所述主体的特质;e)由所述辨识模块基于对主体的所述特质的评估来辨识职业倾向;以及f)由所述输出模块向招聘官输出所辨识的职业倾向。
在一些实施方式中,本发明提供了一种方法,该方法包括:a)向主体提供计算机化任务;b)测量所述主体在所述任务的执行中所展示出的表现值;c)基于所述表现值来评估所述主体的特质;d)由计算机系统的处理器对所述主体的所述特质与测试主体的数据库进行比较;e)基于所述比较来确定所述主体适合于被实体雇用;以及f)向所述实体处的招聘官报告所述主体适合于雇用。
在一些实施方式中,本发明提供了一种方法,该方法包括:a)向主体提供计算机化任务;b)测量所述主体在所述任务的执行中所展示出的表现值;c)基于所述表现值来评估所述主体的特质;d)由计算机系统的处理器基于所评估的所述主体的特质与测试主体的数据库的比较来辨识所述主体的职业倾向;以及e)向招聘官输出所述比较的结果。
附图说明
图1描绘了本发明的建模系统的概况。
图2是本发明的示例中的员工参与的图形化表示。
图3示出了由本发明的系统生成的模型的准确度。
图4是图示可与本发明的示例实施方式结合使用的计算机系统的第一示例架构的框图。
图5是图示可与本发明的示例实施方式结合使用的计算机网络的示图。
图6是图示可与本发明的示例实施方式结合使用的计算机系统的第二示例架构的框图。
图7图示了可以传输本发明的产品的全球网络。
具体实施方式
公司常常依赖于低效的招聘实践,这可能导致雇用不佳的申请人,并最终降低员工留用率。进一步地,由于招聘过程可能很昂贵,因此员工可能不愿意学得新的才能。这种不愿意可能导致公司停滞不前并且导致高层员工离开以追求更好的机会。因此,公司面临着成本效益好而准确的雇用的艰巨任务。相反,新毕业生或求职者面临着寻找最适合于其才能和意向的职业的挑战,这不仅是因为就业市场不可预测,而且还因为最初确定要追求什么职业道路很困难。
本发明的系统可由公司使用来辨识适应该公司具体职位的需求的人才。该系统可以使用基于神经科学的任务来优化公司的招聘和候选人供应过程。除了作为公司有用的招聘工具之外,该系统还可以辅助个体进行职业规划和才能辨识。通过使用测量一系列广泛的情感特质和认知特质的测试,该系统可以探明用户的优势和不足并且应用该信息来确定什么行业最匹配于该用户。
本发明的系统可以使用基于表现的游戏来收集关于个人的认知特质和情感特质的信息。系统可以通过评价在神经科学测试上当前员工的表现来为具体公司创建员工简档(profile)。可以使用与来自公司的员工的表现数据相结合的神经科学测试的结果来创建理想的员工模型。可继而要求候选人完成相同的任务,并且可以将候选人的结果与当前员工的那些结果进行比较以确定对具体职位的适合性。还可以跨多个职位来比较候选人以基于由系统创建的简档来探明哪个职位(如果有的话)是合适的。
本发明的系统的方法
本发明的系统可以使用大量的严密方法以发现用于预测关于公司感兴趣的主体的因素的恰当信息。系统的评估可以包括使用系统的评估模块来收集客观数据,并继而对学习行为动态进行建模。对学习行为动态进行建模的优势是,系统不用利用例如平均分数等静态分数来检查行为,而是相反可以随时间推移来检查行为。该方法可以允许系统探明学习度量(metrics of learning),例如,测试者如何从错误中学习或者奖励如何影响测试者的学习。这些学习度量在人力资本分析中经常被忽略,但在确定重要的员工特点方面可能是有价值的。
系统可以使用由系统内的个体评估所生成的分数来创建主体的适配分数。适配分数可以是个体任务的分数的聚合。适配分数的范围可以从0-100%变化并且预测主体将适合于具体职位或职业行业的似然度。适配分数可例如为约0%、约1%、约2%、约3%、约4%、约5%、约6%、约7%、约8%、约9%、约10%、约15%、约20%、约25%、约30%、约35%、约40%、约45%、约50%、约60%、约70%、约80%、约90%或约100%。
在执行预测分析之前,系统可以量化现有数据中的关系,并且该量化可以辨识该数据的主要特征并且提供该数据的概要。例如,在系统能够预测特定候选人在具体公司是否能够成为一名成功的管理咨询员之前,该系统可以构建当前员工的特质与其作为成功的管理咨询员之间关系的描述性模型。系统的分析引擎可以实施用于非监督分类的各种数据挖掘和聚类算法以生成这些描述性模型。为了创建描述性模型,系统可以获取来自当前员工的评估数据并且使该数据与由公司提供给系统的员工评级相关联。这些评级可以是客观的度量,诸如在绩效考核中所使用的并且公司特别感兴趣的那些度量。
图1是系统的分析引擎可如何用作商业实体的预测模型的概况,该商业实体试图预测潜在雇佣将会是成功的员工的可能性。在第一步骤中,当前员工可以完成系统的测试。在完成测试之后,系统可以基于员工在测试中的表现来提取认知特质数据和情感特质数据。接着,系统可以使用员工的评级数据和测试数据来训练分析引擎以确定对于商业实体中的具体职位理想的员工应当具备什么特点。
一旦充分训练了分析引擎,就可以在第二步骤中使用模型进行预测分析和预报。首先,候选人可以完成系统的测试。在完成之后,系统可以基于候选人在测试上的表现来提取关于该候选人的特质。可以继而将来自测试的数据应用到经训练的分析引擎以创建候选人的适配分数。这些预测模型可以用于对因素进行评估,所述因素例如包括潜在雇佣在公司的特定角色中将成功的可能性。准确的预测模型能够检测微妙的数据模式以回答关于员工未来表现的问题,以便指导员工优化其人力资本。
本发明的系统可以提供一种向主体提供计算机化任务的方法。任务可以是基于神经科学的对情感或认知的评估。在完成任务之后,系统可以基于主体在任务上的表现来测量该主体的表现值。可以继而基于表现值来评估具体特质,其中所评估的特质可以用于创建主体的简档。可以继而由计算机系统的处理器将该特质与测试主体的数据库进行比较。主体的特质与测试主体的数据库的比较可以用来创建特定于被测试主体的模型。该模型可继而用来对主体进行评分,这可以辅助创建主体的情感或认知的定量评估。测试主体可以为商业实体工作。主体的特质与测试主体的数据库的比较可以用来确定该主体是否适合于雇用。
本发明的系统可以提供一种向主体提供计算机化任务的方法。任务可以是基于神经科学的对情感或认知的评估。在完成任务之后,系统可以基于主体在任务上的表现来测量该主体的表现值。可以继而基于表现值来评估具体特质,其中所评估的特质可以用来创建主体的简档。所评估的特质还可以用来基于主体的不止一个特质的评估以及主体的模型与参考模型的比较来生成该主体的模型。计算机系统的处理器可继而用来基于主体的特质与测试主体的数据库的比较来辨识该主体的职业倾向。主体的特质与测试主体的数据库的比较还可以用于生成主体的模型。可以将比较的结果输出给招聘官。比较的结果还可以用于为主体推荐职业。
可作为系统的一部分的任务的非限制性示例包括类比推理(Analogical Reasoning)、气球模拟风险任务(Balloon Analogue Risk Task)、选择任务(Choice Task)、独裁者任务(Dictator Task)、数字广度(Digit Span)、EEfRT、面部表情任务(Facial Affect Task)、手指敲击(Finger Tapping)、未来折现(Future Discounting)、侧抑制任务(Flanker Task)、Go/No-Go、眼神读心(Mind in the Eyes)、N-Back、图案识别(Pattern Recognition)、奖励学习任务(Reward Learning Task)、伦敦塔(Tower of London)以及信任任务(Trust Task)。
系统可以实施广泛的机器学习技术以便构建提供最准确预测的模型。由系统生成的模型可以学习从训练数据中捕捉感兴趣的特点,而无需知道基础的概率分布。训练数据可被视为图示了所观察的变量之间的具体关系的示例。机器学习的优点是基于示例数据来自动识别复杂模式和智能决策。系统例如可以使用非线性的非参数的分类技术,所述分类技术在小的训练数据集的情况下与传统的图案分类算法相比较在具有许多属性的数据集中可以执行得更好。
本发明的系统的应用
本发明的系统可以由商业实体使用以寻找代表该实体工作的主体。商业实体的非限制性示例包括企业、合作社、合伙企业、公司、股份有限公司、私人公司、上市公司、有限责任公司、有限责任合伙企业、租赁企业、组织、非营利性组织、人事机构、学术机构,政府设施、政府机构、军事部门以及慈善组织。本发明的系统的用户例如还可以包括招聘人员、人力资源人员、管理者、监督者、招聘官以及职业介绍所。
可代表企业实体工作的主体的非限制性示例包括员工、全职员工、兼职员工、法定员工、临时员工、承包商、独立承包商、分包商、退休员工、咨询员以及顾问。
本发明的系统还可以由主体使用来确定该主体的职业倾向。可以使用本发明的主体例如包括学生、研究生、求职者以及寻求关于职业规划的辅助的个体。主体可以完成系统的任务,在这之后,系统可以基于所辨识的主体特质来创建该主体的简档。用户可以从计算机系统访问本发明的系统。用户可继而使用例如计算机、膝上型计算机、移动设备或平板计算机来完成系统的计算机化任务。
可以将主体的简档与测试主体的数据库进行比较以对该主体进行评分并且基于参考模型而生成针对该主体的模型。测试主体例如可以为商业实体工作。系统可以基于为商业实体工作的测试主体以及测试主体在该商业实体的具体职位而附加地生成针对该主体的适配分数。本发明的系统还可以基于主体的确定职业倾向而向该主体推荐各种行业。可由系统推荐的行业的非限制性示例包括咨询、教育、医疗保健、营销、零售、娱乐、消费品、创业、技术、对冲资金、投资管理、投资银行、私募股权、产品开发以及产品管理。
本发明的系统可以使用一系列情感特质和认知特质来确定主体对于不同职业领域的才能和倾向。可由本发明的系统测量的情感特质例如包括信任、利他主义、毅力、风险简况、从反馈中学习、从错误中学习、创造性、模糊耐受性、延迟满足的能力、奖励敏感度、情感敏感度以及情感辨识。可由本发明的系统测量的认知特质例如包括处理速度、图案识别、持续性注意力、避免分心的能力、冲动性、认知控制、工作记忆、规划、记忆广度、排序、认知灵活性以及学习。
情感特质可以是确定主体是否将适合公司以及公司内的具体角色的重要因素。本发明的系统可以评估多种情感特质以辅助系统的用户作出决策。
信任可被评价为在不知晓其他人的行动的情况下依赖另一人的行动的意愿。信任可以表明主体是否能够在团体环境中有效地工作并且依赖其他人的意见和行动。
利他主义可被评估为无私,或者为其他人的福利而进行行动的意愿。利他主义可以表明,主体可能更愿意为公司的需求而不是自我的需求服务。
毅力可被描述为继续行动进程而不顾挫折。毅力可以表明,即使在失败或反对的时候,主体也可以寻找到解决方案并且致力于所分派的任务。
创造力可以表明,主体可以具有用于解决问题和执行任务的非常规途径。
候选人的风险简况可以辨识主体承担风险的意愿。更愿意承担风险的主体可能更有利于处理高风险、高压情况的公司。
从反馈中学习可以测量主体是否能够在执行工作职能时使用来自他人的建议来修改行为或行动。从错误中学习可以评估主体是否能够使用任务中所犯的错误来修改执行同一任务的未来行为。
模糊耐受性可以评估在不确定或不完全的情境和刺激的情况下主体的舒适水平,以及主体对不确定或不完全的情境和刺激的反应。当面临不完全或有问题的数据时,具有模糊耐受性的主体可能更具创造性且更有智慧。
倾向于延迟满足的主体可能对公司有吸引力,这是因为该主体能够更努力地工作,并且能够工作达较长的时间段期望有加薪或奖金。
奖励敏感度与延迟满足的关系在于奖励敏感度可以测量主体受奖励承诺激励的程度。公司可能期望一个不仅会内在激励,而且还对诸如加薪和奖金等奖励敏感的主体。
情感敏感度和情感辨识可以描述主体是否能够以适当的方式回应另一人的情感,以及主体是否能够正确地辨识另一人的情感。具有较高情感敏感度和情感辨识能力的主体能够是更好的团队合作者和领导者。
除了可由本发明的系统测量的情感特质之外,还可以由商业实体评估和使用认知特质以确定主体是否适合于聘用。
处理速度与在无需有意的思考的情况下彻底且快速地处理信息的能力有关。具有较高处理速度的主体对于公司而言可能是期望的在于该主体能够迅速思考并对情况作出反应。
图案识别可以是指识别以一定方式布置的一组刺激的能力,所述一定方式是该组刺激的特点。具有较高图案识别技巧的主体可以展示出更好的批判性思考技巧并且辨识出数据的趋势。
具有较高持续性注意力分数的主体可以展示出较高的将注意力维持于单一任务上的能力。还可以评估主体避免分心的能力以及集中于具体任务的能力。
冲动性可被评价为在没有远见、反思或考虑后果的情况下进行行动。冲动的主体可被潜在雇主看作是不适宜的,这是因为该主体可能作出可证明对公司不利的鲁莽决策。如果公司期望主体更愿意冒险、创造性地思考并且迅速地行动,则冲动型主体也可被看作是适宜的。
认知控制可以描述多种认知过程,包括工作记忆、学习、认知灵活性以及规划。工作记忆是记忆系统的活动部分并且可以涉及短期记忆和短期注意力二者。具有高工作记忆的主体可以显示出对任务更为集中的注意力以及针对多任务的能力。
认知灵活性可被描述为从不同任务切换以及同时地且有效地考虑多个任务的能力。具有认知灵活性的主体可以有效地平衡许多任务。
规划展示出组织行动以实现目标的能力,并且可以展示出任务执行中的远见。
记忆广度是短期记忆的测度并且可以通过使主体背诵先前呈现的一系列数字或字来评估。具有较大记忆广度的主体可以记住指令并且与具有短记忆广度的某人相比执行具体任务更好。
序列学习是对行动和思考进行排序而非自发意识到这样的排序正在发生的能力。序列学习可以包括四种排序问题。第一,序列预测可以试图基于先前的元素来预测序列元素。第二,序列生成可以试图在序列元素自然发生时将各元素一个接一个地拼接在一起。第三,序列识别可以试图基于预定准则来探明序列是否合法。最后,序列决策可以涉及选择行动序列来实现目标、遵循轨迹或者使成本函数最大化或最小化。
本发明的系统可以用于使个体或个体组与另一个体或另一个体组相匹配,以便在专业领域或个人领域内推荐兼容性。
在本发明的系统中使用的统计函数
可以对本发明的系统中所使用的测试进行评估以获得其测量精度。测试的精度对于确定所述测试是否是人类情绪与认知的准确预测指标而言可能是重要的。为了探明测试的精度,可以执行信度评估。对于测试信度可以测量的一个输出是皮尔森相关系数(r)。皮尔森的相关系数(Pearson’s correlation coefficient)可以描述两个结果之间的线性关系并且介于-1与+1之间。样本的相关系数r可以使用以下公式计算得到:
其中n是样本大小;i=1,2,...,n;X和Y是变量,以及和是变量的均值。皮尔森相关系数的平方r2称为确定系数,并且可以用于在简单线性回归中解释作为X的函数的Y的方差分数(fraction of variance)。
皮尔森相关系数还可以用于描述效应大小,效应大小可被定义为两个组之间的关系的量级。当皮尔森相关系数用作效应大小的测度时,结果的平方可以估计由实验模型解释的实验内的方差量。
信度可以是测量随时间推移一致并且没有随机误差的程度的指标。信度可以测量测试结果是否稳定且内部一致。测试-重测方法是可用于信度的一种测量。当在两个不同时间对样本实施相同测试时,测试-重测信度测试可以测量样本结果的变化。如果在两个不同时间给出的测试结果相似,则该测试可被认为是可信的。这两个结果之间的关系可以使用皮尔森相关系数来描述;相关系数的值越高,则测试的信度就越高。
测试-重测信度的相关系数的值例如可以为约-1.0、约-0.95、约-0.9、约-0.85、约-0.8、约-0.75、约-0.7、约-0.65、约-0.6、约-0.55、约-0.5、约-0.45、约-0.4、约-0.35、约-0.3、约-0.25、约-0.2、约-0.15、约-0.1、约-0.05、约0.05、约0.1、约0.15、约0.2、约0.25、约0.3、约0.35、约0.4、约0.45、约0.5、约0.55、约0.6、约0.65、约0.7、约0.75、约0.8、约0.85、约0.9、约0.95或约1.0。
可用于测量测试的信度的另一测试是分半信度测试(split-half reliability assessment)。分半信度测试将测试分为两个部分,假设这两个部分包含相似的主题,并且对样本实施测试。继而,将来自样本的每一半测试的分数彼此进行比较。来自测试的两半的分数之间的相关性和相似程度可以使用皮尔森相关系数来描述,其中如果相关性高,则测试是可信的。
分半信度的相关系数的值例如可以为约-1.0、约-0.95、约-0.9、约-0.85、约-0.8、约-0.75、约-0.7、约-0.65、约-0.6、约-0.55、约-0.5、约-0.45、约-0.4、约-0.35、约-0.3、约-0.25、约-0.2、约-0.15、约-0.1、约-0.05、约0.05、约0.1、约0.15、约0.2、约0.25、约0.3、约0.35、约0.4、约0.45、约0.5、约0.55、约0.6、约0.65、约0.7、约0.75、约0.8、约0.85、约0.9、约0.95或约1.0。
有效性是测试测量目的是什么的程度。对于要作为有效的测试,测试能够展示出该测试的结果被上下文支持。具体而言,关于测试有效性的证据可以经由测试内容、响应过程、内部结构、与其他变量的关系以及测试后果来呈现。
Hotelling的T方测试是多变量测试,其可由本发明的系统采用来确定使用该系统的不同主体群体的结果的均值的差异。T方测试的测试统计量(T2)是使用以下公式计算得到的:
其中是样本均值,Sp是样本的合并方差-协方差,以及n为样本大小。
为了计算F-统计量,使用以下公式:
其中p是被分析的变量的数目,并且F-统计量是以自由度p和n1+n2–p的F-分布。F-表可以用于确定在指定α水平或显著性水平下的结果的显著性。如果观察到的F-统计量大于在表中以正确自由度找到的F-统计量,那么测试在所定义的α水平下显著。例如,如果α水平被定义为0.05,则结果可能在小于0.05的p-值处显著。
方差分析(ANOVA)是统计测试,其可由本发明的系统使用来确定两个或更多个数据组的均值之间的统计上的显著差异。ANOVA的F-统计量可以计算如下:
其中是样本均值,n是样本大小,s是样本的标准偏差,I是组的总数,以及N是总的样本大小。F-表继而用于确定在指定α水平下结果的显著性。如果观察到的F-统计量大于在表中以指定自由度找到的F-统计量,那么测试在所定义的α水平下显著。例如,如果α水平被定义为0.05,则结果可能在小于0.05的p-值处显著。
Hotelling的T方测试或ANOVA的α水平例如可以设置在约0.5、约0.45、约0.4、约0.35、约0.3、约0.25、约0.2、约0.15、约0.1、约0.05、约0.04、约0.03、约0.02、约0.01、约0.009、约0.008、约0.007、约0.006、约0.005、约0.004、约0.003、约0.002或约0.001处。
任何工具、接口、引擎、应用、程序、服务、命令或其他可执行项可被提供为以计算机可执行代码编码在计算机可读介质上的模块。在一些实施方式中,本发明提供在其中以计算机可执行代码进行编码的计算机可读介质,所述计算机可执行代码对用于执行本文描述的任何行动的方法进行编码,其中所述方法包括提供包括本文所描述的任何数目的模块的系统,每个模块执行本文所描述的任何功能以向用户提供结果,诸如输出。
实施例
实施例1:类比推理(Analogical Reasoning)
类比推理任务可以测量主体辨别看起来不相关的概念或事件之间的联系的能力。类比推理可以进一步是指这样的任务:其使用类比来对表面上看起来不相似的情境或表示之间的新颖联系进行建模。类比推理通常与创造性的问题解决相连结,这是因为两者都需要个体在特定任务的约束内产生创新的想法。两种情境显得越不相干,类比推理过程就能越有创造性。两种情境、概念、事件或表示之间的相似度可以通过语义距离来描述。语义距离越大,所呈现的这两个情境之间存在的相似性就越小。在类比推理任务中,语义距离可以与独立评级者对创造性的评价高度相关,这是因为当主体在看起来非常不相似的情境之间形成联系时,该主体可被认为是更具创造性。功能性磁共振成像(fMRI,functional magnetic resonance imaging)可以用于测量类比推理任务期间的大脑活动,并且类比项之间的语义距离可以参数化地变化。关键是,类比映射的语义距离而非由响应时间、正确性和评级难度所测定的任务难度可以调节大脑活动。
在本发明中,向主体呈现两组词对并继而要求主体确定第二组是否与第一组之间的关系类似。本发明的系统使用本科生样本(N=38)进行了测试-重测研究,其中在测试期之间有两周间隔。发现类比推理任务的测试-重测信度在约r=0.63处是可接受的。
实施例2:气球模拟风险任务(BART,Balloon Analogue Risk Task)
在BART中,主体在计算机游戏中挣了钱,其中随着每次点击卡通泵,就向临时银行账户中存放充气的模拟气球和少量的钱。允许主体在任何点处收集钱。然而,如果气球弹出,则临时银行账户不累积钱并且试验结束。主体的点击数用作对冒险的测度,并且该任务持续达约80次试验。
在BART上的表现可以与若干其他风险相关构思有关,所述构思包括Barratt冲动量表、感觉寻求量表以及行为约束量表。
BART的有效性可以通过察看BART上的表现如何与测试主体完成的自我报告测度相关来确定。为了展示出BART在预测风险性行为中有效性递增,可以使用年龄、性别、冲动性以及步骤一中的感觉寻求和步骤二中的将BART结果作为因素计入来完成逐步回归分析。步骤一和步骤二中的回归分析可以示出,即使在控制其他因素时,较高的BART分数也可以与较高的风险性行为的倾向相连结。BART可以与冲动性、感觉寻求以及风险分数显著相关,而与其他人口统计因素不具有显著相关性。
测试-重测研究是由本发明的系统使用本科生样本(N=40)进行的,其中在测试期之间有两周间隔。发现测试-重测信度的范围从r为约0.65至约0.88变化,这取决于风险水平。对社区样本(N=24)进行的另一研究示出分半信度的范围从r为约0.88至约0.96变化,这取决于风险水平。
实施例3:选择任务(Choice Task)
选择任务可以用作主体的冒险倾向的测度。选择任务可以包括一组场景,其中要求主体基于一系列选择集来进行评价。所述选择集可以包括相互排斥且相互独立的备选项,并且通常而言,一个备选项可被认为是这两个选项中更具风险性的那个。可以进行研究,其中要求主体完成测量个性和行为风险测度的多种测试。主体可以完成的测试包括Zuckerman感觉寻求量表(Zuckerman’s Sensation Seeking Scale)、Eysenck冲动量表(Eysenck’s Impulsivity Scale)、回顾性行为自我控制量表(Retrospective Behavioral Self-Control Scale)、域特定冒险量表(Domain Specific Risk Taking Scale)、选择任务、气球模拟风险任务、方差偏好任务、未来折现I以及未来折现II。可以进行主成分分析以确定哪些主成分是基础的风险测度。例如,方差偏好可以与选择任务有关。方差偏好可以是针对风险的有力测度,并且可被描述为兴奋和外向的个性倾向。
在本发明的系统中,询问主体他们是否将收到固定数量的钱或者对收到更高数量的钱的机会上下注。可以改变钱的数量以及收到钱的机会,以使选项看起来更有风险或不那么有风险。系统进行了两个研究来建立选择任务的测试-重测信度。一个研究是利用本科生样本(N=40)进行的,其中在测试期之间有两周间隔。发现测得的测试-重测信度约为r=0.62。第二个研究是使用社区样本(N=24)的分半信度研究。发现分半信度约为r=0.82。
实施例4:独裁者任务(Dictator Task)
独裁者任务可以在行为经济学中使用,作为对慷慨和利他主义的测度。为了确定该游戏的有效性,可以要求主体报告其在过去一年的慈善事业。例如,能够发现在任务期间捐赠其虚构收入的主体在过去一年中实际上比在该任务期间没有捐赠其虚构收入的那些主体向慈善事业捐赠得更多。
在本发明中,主体与随机参与者配对,其中该主体和随机参与者最初都收到相同数量的钱。随后,给予主体额外数量的钱并且指示主体不将该钱给予随机参与者或者将该钱中的一些或全部给予随机参与者。捐赠给随机参与者的钱的数量用作对利他主义的测度。测试-重测研究是由本发明的系统使用本科生样本(N=40)的,其中在测试期之间有两周间隔。发现测试-重测信度在约r=0.62处是可接受的。分半信度还可以使用社区样本(N=24)测量得到,并且发现信度在约r=0.65处是可接受的。
实施例5:数字广度(Digit Span)
数字广度任务可以用于测量主体的工作记忆数存储容量。在本发明的系统中,向主体呈现一系列数字并且在提示时要求主体通过在键盘上输入数字来重复数字的序列。如果主体成功地背诵出所述数,那么给予该主体更长的要记住和背诵的序列。主体可以记住的最长列表的长度是该主体的数字广度。
数字广度会与工作记忆的所有测度(包括用于表示容量和处理的测度)正相关,并且数字广度会与年龄负相关。对于健康成人而言数字广度任务在一个月的间隔内能够具有足够的信度。
进行数字广度测试。在社区样本(N=23)中,发现针对数字广度任务的分半信度在r=0.63处是可接受的。在测试期之间有两周间隔的情况下对本科生样本(N=39)进行的测试-重测研究还示出了可接受信度,其中r=0.68。
实施例6:EEfRT(简单或困难)
付出努力以获得奖励任务(EEfRT,Effort-Expenditure for Rewards Task)可用于探索人类基于努力的决策。EEfRT可以测量个人愿意付出多少努力来获得奖励。在多个分析中,在快感缺乏与为奖励愿意付出努力之间可以观察到显著的相反关系。特质快感缺乏增加可以显著地预测出为奖励付出努力的总体似然度减小,这指示出EEfRT任务可以是激励和基于努力的决策的有效代用指标(proxy)。
在本发明的系统中,向主体呈现完成简单任务或困难任务的选择。相比于困难任务,简单任务涉及更少次地按键盘的空格键。简单任务的完成保证每次有相同的奖励,而困难任务的完成提供了收到高得多的奖励的机会。将更倾向于挑选较困难任务的主体评估为更多地受到奖励激励,即使需要更多的努力亦如此。
系统进行了对EEfRT的信度测试。在社区样本(N=24)中,发现EEfRT的分半信度在r=0.76处在平均值以上。第二个研究是使用本科生样本(N=40)进行的,其中在测试期之间有两周间隔。发现测试-重测信度在r=0.68处是可接受的。
实施例7:面部表情测试(Facial Affect Task)
如果面部表情提供了相关但不清楚的信息,则情境因素可能对主体对情绪表情的解读具有强烈的影响。在有限的背景下,大多数主体可以判断表达者感觉到与情境相匹配的情绪,而非其实际的面部表情。当暗示非基本情绪时,情境信息可能尤其有影响力,例如,一个人可能处于痛苦的情境中,却显示出恐惧的表情。判断该人表情的主体常常推断出该人的表情是痛苦而非恐惧的表情。
在本发明的系统中,向主体呈现显示不同情绪的男人和女人的照片。在一些情况下,一些照片与描述情境的故事一起呈现,而其他照片则单独呈现。指示主体从一组四种情绪中选择最佳地描述了照片中的人的表情的情绪。把在未呈现有故事的情况下会正确地辨识出情绪的主体描述为具有敏锐的读取面部表情的能力。
系统对面部表情任务进行信度测试。使用社区样本(N=24)来测量面部表情任务的分半信度。发现分半信度在平均值以上,其中r值范围从约0.73-0.79。测量两次本科生样本(N=40),其中在测试期之间有两周间隔。发现测试-重测信度是可接受的,其中r值约为0.57-0.61。
实施例8:手指敲击(按键)
手指敲击测试(FTT,Finger-Tapping test)是一种心理测试,其可以评估神经肌肉系统的完整性并检查运动控制。该任务可以在一个月的间隔内具有良好的信度。
可以对健康主体进行简单的运动敲击任务。可以要求主体在60秒内尽可能快地用其惯用手的食指敲击触屏监视器上的静止圆圈。测试-重测间隔可以约为四周,并且可以具有相当高的信度相关性。
在本发明的系统中,要求主体在指定时间量内使用惯用手重复点击键盘的空格键。使用社区样本(N=24)来评估FTT的分半信度。发现关键测度在r值约为0.68-0.96时是可信的。测试-重测研究使用了本科生样本(N=40),其中在测试期之间有两周间隔。发现相关测度的信度在r值介于约0.58-0.77之间时是可接受的。
实施例9:未来折现(Future Discounting)
时间上的未来折现可以是指相比于未来但可观的奖励,个体更喜欢当前但适度的奖励的程度。可以将时间贴现建模为指数函数,从而导致偏好随时间延迟的增加而单调减小,其中个体通过随奖励延迟而增加的因子来对未来奖励值进行贴现。双曲线贴现可以是指时间不一致的未来折现的模型。当双曲线模型用于对未来折现进行建模时,模型可以表明,对于小的延迟周期,估值下降得很快,但是对于较长的延迟周期,则下降得缓慢。双曲线可以显示比其他模型更好的适配,从而提供个体对延迟的奖励进行贴现的证据。
在本发明的系统中,向主体呈现问题,其中主体必须在现在接收一定数量的钱或者在未来的指定时间接收更多的钱之间进行选择。改变钱的数量以及将钱给予主体的时间以增加或减小奖励的延迟和大小。
系统对未来折现任务进行了信度测试。使用社区样本(N=24)来评估未来折现任务的分半信度。发现经对数变换的数据的分半信度在约r=0.65处是可接受的。测试-重测研究使用本科生的样本(N=40)对未来折现任务的信度进行了评估,其中在测试期之间有两周间隔。发现经对数变换的数据的信度在约r=0.72处是可接受的。
实施例10:侧抑制任务(Flanker Task)
侧抑制任务可以用于检查主体的任务切换能力。侧抑制任务可以是指一组反应抑制测试,反应抑制测试用于评估遏制在特定背景下不适当的反应的能力。侧抑制任务可以用于评估选择性注意和信息处理能力。靶可由非靶刺激来侧抑制(be flanked),所述非靶刺激对应于与该靶相同的定向反应(一致刺激)、对应于相反的反应(不一致刺激),或者不对应于两者中任一种(中性刺激)。给予主体关于该主体应当如何对他们所看到的作出反应的不同规则。
当要求主体切换任务和重复任务时,可以观察到一贯不佳的表现,这显示出侧抑制任务的任务切换效果的有效性。与一致刺激相比,在侧抑制任务期间可以激活可以对不一致刺激作出更积极反应的前扣带皮层(ACC,anterior cingulate cortex),并且其可以监视任务的冲突量。在下一试验中,由ACC测量的冲突水平可以向主体提供更多的控制,这指示出在试验n中所呈现的冲突越多,在试验n+1中能够由主体呈现的控制就越多。
侧抑制任务和经颅磁函数(TMS,transcranial magnetic function)可以用于找到导致误差后减慢(PES,post-error slowing)的误差后调整的时间进程。一些结果可以显示出,活动运动皮层的兴奋度可以在错误反应之后减小。
在本发明的系统中,指示主体根据呈现的五个箭头的方向和颜色来按压键盘上的具体箭头键。如果红色箭头是五个红色箭头之中的中心箭头,那么该中心的红色箭头的方向规定了按哪个键。如果红色箭头是都指向同一方向的四个蓝色箭头中的中心箭头,那么蓝色箭头的方向规定了主体应当按哪个键。例如,如果向主体显示出指向右的五个红色箭头的序列,那么该主体应当按右箭头键。如果下一图像显示出红色,中心箭头指向右,但其余的红色箭头指向左,那么该主体应当再次按右箭头键。然而,如果下一图像显示出红色,指向右的中心箭头由指向左的蓝色箭头围绕,那么该主体应当已经按了左箭头键。推动基于“侧抑制”的正确的箭头键或围绕中心箭头的箭头的能力用于测量主体的任务切换能力。
系统对侧抑制任务进行了信度测试。使用社区样本(N=14)来评估侧抑制任务的分半信度。发现关键测度在r值约为0.70-0.76时是可信的。在第二个研究中,使用本科生样本(N=34)来评估测试-重测信度。发现相关测度的结果在r值约为0.51-0.69时是可接受的。
实施例11:Go/No-Go
Go/No-Go测试可用于评估主体的注意广度和反应控制。Go/No-Go测试的示例可以包括在呈现具体刺激时使主体按下按钮(“Go”),而在呈现不同刺激时不按下相同按钮(“No-Go”)。尤其是对于抑制试验而言,Go/No-Go测试上的表现可能与通过Wisconsin卡片分类任务(Wisconsin Card Sorting Task)、Stroop色词测试(Stroop Color-Word Test)和连线测试(Trail Making Test)所测得的复杂的执行功能相关。
在本发明的系统中,向主体呈现红色圆圈或绿色圆圈并且指示主体在示出红色圆圈时按下空格键,而在示出绿色圆圈时不按任何键。使用社区样本(N=23)来研究Go/No-Go任务的分半信度。发现相关测度的分半信度在r值约为0.56时是可接受的。测试-重测研究也是对本科生样本(N=33)进行的,其中在测试期之间有两周间隔。发现关键测度的信度很强,约为0.82。
实施例12:眼神读心(Mind in the Eyes)
眼神读心测试可以通过评估主体仅使用眼睛周围的表情来识别他人的精神状态的能力来评价该主体的社会认知。可以进行使情绪类型、用作刺激的面容数量以及刺激的性别发生改变的一系列实验来确定主体如何感知基本情绪和复杂情绪。健康控制可以从整个面部来感知基本情绪和复杂情绪二者良好,但对于复杂的精神状态,主体的分数在仅察看眼睛时可能更高。这一发现暗示出,眼睛能够比整个面部拥有更多的信息。
在本发明的系统中,向主体呈现在照片中仅展现个体的眼睛的一系列照片。继而指示该主体选择他们觉得眼睛最佳地表示出的情绪。情绪的选择范围从例如悲伤、快乐、生气和惊讶等基本情绪到例如傲慢、遗憾、判断和紧张等复杂情绪变化。将能够从眼睛正确地解读出情绪的主体描述为在情绪上更具洞察力。
系统对眼神读心任务进行了信度测试。在社区样本(N=23)中评估眼神读心任务的分半信度,并且该分半信度具有平均值之上的相关性,约为r=0.74。在测试期之间有两周间隔的情况下对本科生样本(N=38)进行的测试-重测研究具有约为r=0.67的可接受信度。
实施例13:N-Back(字母)
N-back任务是持续操作任务,其可以用于测量主体的工作记忆。例如,可以向主体呈现刺激的序列,并且该主体必须指出当前刺激何时与该序列中n步前的刺激相匹配。可以调整n的值以使任务更难或不那么难。可以将两个复杂度水平下的N-back任务与韦氏成人智力量表修订版(WAIS-R,Wechsler Adult Intelligence Scale Revised)上的数字广度测试中的表现进行比较。N-back任务的准确度分数可以与WAIS-R的数字广度子测试中的表现正相关。WAIS-R的数字广度子量表能够反映某些认知过程,所述认知过程能够与工作记忆容量重叠,从而指示出N-back任务的准确度分数可能与个体在工作记忆容量方面的差异相关联。
在本发明的系统中,向主体呈现字母并且指示主体当在两个帧之前显示相同字母时按下空格键。将能够正确地辨识第二例字母的主体评估为具有高工作记忆。
系统对N-Back任务进行了信度测试。在社区样本(N=24)中评估了N-Back测试的分半信度,并且发现该分半信度在约r=0.83处具有平均值以上的信度。测试-重测研究使用了本科生样本(N=38),其中在测试期之间有两周间隔。发现信度在约r=0.73处是可接受的。
实施例14:图案识别(Pattern Recognition)
图案识别任务可以测量主体从刺激或物体的序列中辨别图案和相似点的能力。
Raven的渐进矩阵(RPM,Raven’s Progressive Matrices)测试与图案识别任务相似。高级渐进矩阵(APM,Advanced Progressive Matrices)测试——是Raven的渐进矩阵测试的一种形式——能够具有非常好的测试-重测信度。信度系数可以从约0.76到约0.91变化。
在本发明的系统中,向主体呈现彩色正方形的网格,其中一个角缺失。主体必须从六个图像中选择一个将正确地使该网格中的图案完整的图像,并且将能够正确地辨识出该图像的主体评估为具有较高的图案识别能力。
系统对图案识别任务进行了信度测试。为了评估测试-重测信度,对本科生样本(N=36)实施了该任务,其中在测试期之间有两周间隔。发现信度在约r=0.55处是可接受的。
实施例15:奖励学习任务(Reward Learning Task)
为了评估主体根据奖励调整行为的能力之间的关系,可以开发奖励学习任务,其中主体挣得通过区别强化时间表所确定的某数量的钱。可以向主体呈现选择,其中一个选择可以与奖励相关联,但是奖励的接收取决于挑选了正确的选择。随着主体得知哪个选择是正确的,可以增加奖励。
在本发明的系统中,向主体呈现具有短嘴或长嘴的数字脸。脸长的差异是最小的,但可被人眼感知到。要求主体在呈现具有长嘴的脸时按下右箭头键并且在呈现具有短嘴的脸时按下左箭头键。另外,告诉主体如果他们挑选出了正确的选择则可以收到钱。奖励学习任务用于基于接收到奖励来确定主体是否能够得知哪个刺激是正确的。
系统对奖励学习任务进行了信度测试。在社区样本(N=24)中评估了奖励任务的分半信度,并且发现关于关键测度,该分半信度具有平均值以上的信度,其中r=0.78。在测试-重测研究中使用了本科生样本(N=40),其中在测试期之间有两周间隔。发现关键测度的测试-重测信度在约r=0.66处在平均值以上。
实施例16:伦敦塔(TOL,Tower of London)
TOL任务可以用于评估执行功能和规划能力。对于任务的不同难度水平,可以计算平均移动次数和平均初始思考时间(ITT,initial thinking time)。ITT可以对应于呈现拼图与主体开始解决拼图的时刻之间所经过的时间。负相关可以存在于总平均ITT分数与总平均移动分数之间,这暗示出较长的ITT分数有助于减少移动次数,换句话说,ITT能够反映规划。测量移动次数、准确表现以及在伦敦塔任务中作出第一次移动之前的时间的变量可以具有介于0.61与1.43之间的效应大小。
可以评估用于在搜索和临床环境中使用的一系列TOL任务以在最小移动上显示出任务难度的明显且近乎完美的线性增加。换句话说,表现不佳、表现中等以及表现良好的主体可以分别在多达但不超出低水平、中等水平以及高水平最小移动的问题上获得正确的解决方案。任务的准确度可以根据最小移动次数而不同。
在本发明的系统中,向主体呈现两组钉子,每组三个钉子。靶组钉子在一个钉子周围具有五个彩色圆盘,而实验组钉子具有跨这三个钉子分布的五个彩色圆盘。任务的目标是使实验组中的彩色圆盘的布置与靶组的彩色圆盘的布置相匹配。将可以在指定时间段内以最小移动次数完成任务的主体评估为具有高规划能力。
系统对TOL任务进行了信度测试。在社区样本(N=24)中评估了TOL任务的分半信度,并且发现该TOL任务对于时间—关键测度具有良好信度,约为r=0.77。使用本科生样本(N=39)进行了测试-重测研究,其中在测试期之间有两周间隔。发现使用这种方法的时间信度在约r=0.69处在平均值以上。
实施例17:信任任务(Trust Task)
信任任务可以用于研究信任和互惠,同时控制声誉、合同义务或惩罚。信任任务可以具有两个阶段。首先,给予主体钱,并且继而所述主体可以决定其将会向不同位置的未知人派送多少钱(如果有的话)。可以告诉主体他们派送的钱在到达其他人时数量将会加倍。继而,该其他人具有将钱派送回主体的选项。
信任任务的表现可以与个性测度相关联,所述个性测度包括马基雅维里主义(Machiavellianism)和关系动机,例如,对他人的高度关注以及对自我的较少关注。参与信任任务能够影响神经生理反应,例如,催产素的产生,并且能够与大脑区域中与信任和社会关系相关的神经反应的位置、量级和定时相关联。
在本发明的系统中,将主体与随机参与者配对。主体收到钱,而随机参与者没有收到钱。指示主体将其所有的钱或者一些钱派送给随机参与者,同时主体知道在钱到达其他人的时候钱将会增至三倍。该其他人继而能够不将该钱派送回主体,或者将该钱的一些或全部派送回主体。主体可继而基于随机参与者派送回的钱数量来评估随机参与者的公平性。与向随机参与者派送较少钱的那些主体相比,将派送较多钱的主体视为是更值得信任的。
系统对信任任务进行了信度测试。对于信任任务,利用社区样本(N=24)进行了分半信度研究。发现分半信度在约r=0.60处是合理的。在本科生的样本(N=40)中测量了测试-重测信度。发现关键信度在约r=0.59处是可接受的。
表1显示了在针对可由本发明的系统使用的说明性任务的在前实施例中所计算得到的信度测度的概要。
实施例18:使用本发明的系统来对员工进行分类
公司A是有22名员工的咨询公司。公司将其这组中的四名员工辨识为表现最佳者,而其他18名员工则不被辨识为表现最佳者。系统能够使用来自员工在本文描述的、使用集成算法的神经科学测试上的表现的行为数据来将员工分类为表现最差者或表现最佳者。系统的算法将每个员工的一组行为数据转换为范围从0-100变化的适配分数。适配分数指示出了员工属于一个组或另一组的似然性。具有50%适配分数的个体可被等可能地分类为表现最差者或表现最佳者,而具有90%适配分数的员工可能极有可能是真正的表现最佳者,并且具有10%适配分数的员工可能极有可能是表现最差者。系统在使模型准确度最大化的同时执行二进制分类,并且调整决策边界以确保误报率和漏报率最小化。
系统构建了正确辨识了四个表现最佳者的模型。该模型还将两个表现最差者分类为表现最佳者,这意味着16名员工被正确地辨识为表现最差者。系统使用60%的决策边界来使误报率和漏报率二者最小化。表2显示了这一分析的结果并且指示出系统的分类如何与公司的分类相匹配。例如,系统将两名员工分类为表现最佳者,而实际上公司将那些员工分类为表现最差者。因此,使用22名个体的样本,系统构建了以91%的准确度对员工进行分类的模型。
实施例19:使用本发明的系统来确定潜在的工作表现
在招聘工作期间,公司A有235份个人申请。申请人池包括从大型高校录取的本科生。所有申请人都由公司A的标准简历审核过程和系统的一套测试二者进行评估。该系统用于提升简历审核的效率并降低错失人才的似然性。
利用在实施例18中构建的预测模型,系统试图辨识最有可能接收工作邀请的申请人。为了了解系统的算法是否能够增加所发出邀请的产出率(yield),系统首先基于公司A的标准简历审核过程对公司A向其发出了邀请的候选人数目与被邀请面试的候选人数目进行比较。随后,系统基于该系统的算法结合公司A的标准简历审核过程来计算所发出的邀请与面试的类似比率(表3)。通过利用本文中的算法与公司A的标准简历审核过程相结合,该系统使所发出邀请的产出率从5.3%增加至22.5%。
公司A还使用了该系统来帮助减少错失申请人之中的人才。公司要求系统从被公司A的标准简历审核过程拒绝的141名申请人中推荐10名申请人。通过在系统推荐的10名候选人之中辨识出值得邀请的一名候选人,系统能够在评价公司拒绝的候选人时匹配并稍微超过公司的标准简历审核过程的产出率(表4)。
公司A还使用了该系统作为用于替代简历审核的服务。该系统的算法从235名申请人中辨识出28名值得面试的申请人。公司面试了那28名个人并向其中的五人发出邀请(表5)。因此,系统能够使被发出邀请的申请人的产出率从8.5%增加至17.9%。
系统可被用于三种不同的目的。系统可以通过增加邀请所发给的申请人的产出率来增加简历审核的效率。系统可以通过评估公司的简历审核过程原本未考虑的候选人来减少错失人才。最后,在公司没有预算来支持招聘团队的情况下,系统可以用于替代简历审核。
实施例20:使用本发明的系统来提供职业反馈
公司B要求系统构建模型以使用来自员工在一套基于神经科学的测试上的表现的数据,从一个月内测量到的一组782名员工中将一系列销售职位的员工分类为表现最佳者。分析的目的是在必要时提供职业发展反馈和人员再配备的建议。
系统使用算法构建了模型以将每一员工职位内的员工分类为表现最佳者或最差员工。这些模型允许系统报告划定表现最佳者与表现最差者的特质。系统的特质辨识特征允许该系统通过定量地对个体员工的简档与针对公司职位的模范员工简档进行比较并继而报告该员工的优势以及需要改进的方面来提供职业发展建议。
关于在选定间隔的时间内参与的员工数的详细信息在表6中列举出并在图2中表示出。表7中详述了来自四个员工职位的每一个的表现最佳者的最终组大小。
模型准确度确定如下:正确的分类/总数N,其中N为组大小,并且员工的正确分类通过系统与公司之间的组分类的重叠来确定。
对于所检查的四个职位,基于训练数据的模型准确度结果都大于95%,如图3中所示。图3描绘了一组4个直方图,每个模型化的职位一个直方图,并且每个直方图在Y轴上显示了员工数,而在X轴上显示了适配分数。适配分数小于0.8的、处于深灰色的员工根据本发明的度量被准确地分类为非表现最佳者。适配分数大于或等于0.8的、以浅灰色描绘的员工被本发明准确地分类为表现最佳者。适配分数大于或等于0.8的、以深灰色描绘的员工被不准确地分类为表现最佳者(误报),而那些分数小于0.8的、以浅灰色描绘的员工被不准确地分类为非表现最佳者(漏报)。在[00115]节中描述且在表2中描绘了误报和漏报。公司B通过针对由系统构建的四个模型中的每一个的特质来接收简档分析。这些简档暗示出对于具体职位的模范员工的特质特点。
系统还为公司B的员工提供了职业发展反馈。系统具体而言为每名员工提供了使该员工理想地适合于其职位的前三个特质的列表以及该员工可以改进的前三个特质的列表。另外,系统提供了关于对于每个特质而言员工可以如何改进的建议。
系统在四个不同的销售职位上以大于95%的准确度将员工分类为表现最佳者或表现最差者。系统对于公司B处的人员再配备而言是可用的,这是因为公司B对利用来自系统的结果来帮助在部门之间调任员工(如果必要的话)感兴趣。此外,员工收到直接基于评估的职业发展反馈。系统的评估具体辨识出在公司某一职位成功员工的特质。系统继而向表现最差的员工给予关于该员工如何与模范员工进行比较的反馈以及表现最差的员工可以改进表现的方式。
实施例21:使用本发明的系统来增加临时员工的转化率
公司C和公司D是从主要商学院大量招聘暑期实习生的咨询公司。在2012年和2013年,公司C聘用了57名MBA暑期实习生,而公司D聘用了106名学生暑期实习生。本发明的系统评估了公司在两个夏天的过程中面试的学生,并且确定与公司能够辨识出将会继续在咨询领域的学生相比,系统的算法是否能够更正确地辨识出那些学生。系统在不管所担任的职位的情况下根据在公司C和公司D工作的学生构建了文化适配模型。研究的目的是增加暑期实习生向全职员工的转化率。
在暑期实习生项目之后,公司C发出了八个邀请,并且那些人中的六人在完成学业后继续在咨询行业工作。公司D发出了16个邀请,并且那些人中的11人在学业结束后继续在咨询行业工作。系统为公司C和公司D二者构建了模型并且生成了适配分数来预测公司应当向谁发出邀请。系统建议公司C向11名学生发出邀请,其中有还10人继续在咨询行业工作。系统还建议公司D向10个人发出邀请,其中9人还继续在咨询行业工作(表8)。
实施例22:使用本发明的系统来增加申请人接受邀请的产出率
公司C在2012年和2013年与57名暑期实习生一起工作。公司C向这些实习生中的13人发出了邀请。这13名实习生中的十人接受了公司C的邀请。公司C请求系统测试算法是否可以预测谁更有可能接受公司的邀请。使用先前在实施例21中为公司C构建的模型,系统对接受公司邀请的那些人的平均适配分数与拒绝公司邀请的那些人的适配分数进行比较。
接受公司C的全职邀请的十名暑期实习生的平均适配分数为69%。未接受公司C的邀请的三个人的平均适配分数为35%。因此,系统的适配分数可以追踪更有可能接受公司邀请的个人。对于公司C,接受公司C邀请的个人比那些拒绝公司C邀请的个人具有更高的文化适配分数。
实施例23:评估本发明的系统中的不利影响
由本发明的系统创建的适配分数可以是作为系统的一部分的个人评估的分数的聚合。进行对适配分数的多变量统计分析以评价人口因素对分数的影响。为了调查年龄对系统分数的影响,分析来自人群(N=179)的两个年龄组,39岁和39岁以下以及40岁和40岁以上。使用Hotelling的T方测试来评估年龄组之间的任何统计上显著的差异。未观察到组中基于年龄的差异。通过将人群分为4个年龄组:a)29岁和29岁以下、b)30-34、c)35-39以及d)40岁或40岁以上,来进一步分析年龄的影响。采用多变量单向ANOVA测试,其还示出在年龄组间无差异(p>0.05)。使用相同的数据集和Hotelling的T方测试,女性与男性之间的变化在统计上不显著(p>0.05)。在多变量ANOVA测试中,在种族类别上未观察到显著差异(p>>0.1),所述种族类别包括亚洲人、黑人、西班牙裔、中东人、美洲原住民、白人、其他种族以及混合种族。
多变量统计分析展示出,年龄、性别和种族在统计上都不与适配分数显著相关。
系统可以通过针对基于年龄、种族或性别的结果的差异而测试每个个体测试中的偏差来检查测试的不利影响。在个人评估水平下检查了系统测试的结果。系统针对年龄组、性别组或种族组的差异检查了每个任务,以及包括在针对每个任务的一个与十个单独测度之间的分析。表9中给出了来自统计分析的显著结果。没有一个任务显示出种族的差异,并且任务的子集显示出基于年龄和性别的差异。对于多组之间显示出显著差异的那些任务,报告了那些差异的效应大小。效应大小的相关系数(r)0.1可被认为很小;0.3可被认为适中;而0.5可被认为很大。17个显著结果中的十六个落在从小到适中的范围中,并且来自伦敦塔任务的单一测度(每次正确移动的时间)实现了处于适中范围中的为0.32的r。
气球模拟风险任务(BART)
BART的一个测度显示出性别之间的显著差异;具体而言,女人比男人更会规避风险。这种差异表示了由性别解释的观察到的方差的3%。
选择任务
对于选择任务,结果根据年龄和性别二者而不同。较年轻的参与者比年龄在40以上的参与者具有更高的百分比博弈分数(percentage gamble score)。这种差异表示了2.6%的样本方差。根据性别检查百分比博弈展现出男人比女人具有更高的分数,并且这种差异表示了1.96%的样本方差。
独裁者任务
给予随机参与者钱的数量根据性别而不同,并且女人在任务中比男人给予得更多。这种差异表示了1.2%的样本方差。
EEfRT
在其之后选择更困难的任务的拐点更通常地根据性别而不同,并且男人比女人具有更高的分数。性别差异解释了1.96%的数据方差。面部表情测试
面部表情测试的结果根据年龄而不同,因为年老参与者在根据面部表情辨别情绪方面比年轻参与者更准确。年龄差异解释了3.61%的数据方差。
手指敲击任务
手指敲击任务的反应时间根据年龄和性别二者而不同。年老参与者在反应时间测度上比年轻参与者更慢,并且女人比男人更慢。这些效果分别解释了4%和6.25%的数据方差。
侧抑制任务
侧抑制任务的一个测度示出了男人与女人之间的显著差异。男人在切换准确度上得分更高,并且这种差异解释了2.25%的数据方差。未来折现
在未来折现任务中,系统辨别出因年龄和性别二者而造成的差异。年老参与者比年轻参与者更有可能等待未来的机会。这种效果解释了1.96%的数据方差。折现率还根据性别而不同在于,女人比男人更有可能等待未来的机会。
N-Back测试
在N-Back测试中的准确度的测度根据性别而不同。男人比女人具有更高的准确度分数,结果解释了2.89%的数据方差。
信任任务
系统辨识出因性别而造成的数量和公平性二者方面的差异。男人比女人给出更高的数量,效果解释了2.89%的数据方差。女人给出了更高的公平性评级,效果解释了2.25%的数据方差。
图案识别
在图案识别任务中,系统辨识出基于性别的显著差异。男人比女人具有更高的图案识别分数,效果解释了2.56%的数据方差。
伦敦塔
在伦敦塔任务中,系统辨识出年龄的显著效果。年老参与者对每次正确的移动比年轻参与者花费更多的时间,效果解释了10.24%的方差。
实施例24:适配分数检查
系统针对存在于系统针对来自公司B的样本而生成的适配分数内的不利影响的证据来检查样本数据。表10报告了样本人口统计,包括按职位对样本进行细分。
对于每个职位,系统测试对总样本(N=464)的不利影响。来自公司B的4个职位中的514名员工完成了一套测试。由系统根据538名员工的总样本为每个职位构建了个体模型。系统具有关于538名员工中的464名的性别数据。在一个职位内或者跨不同职位在性别之间未发现适配分数的差异。
系统无法获取上文报告的、针对公司B的员工的人种数据。然而,系统使用上文生成的模型测试了来自内部数据库的样本以获得人种偏见。系统为来自内部数据库的962个人的样本生成了适配分数(表11)。人群包括本科生、MBA学生以及行业专家的混合。
针对表12中报告的样本,在人种之间未观察到适配分数的差异(表12)。
a:单向ANOVA。
实施例25:适配分数检查:行业适配模型
系统还针对性别和人种偏见检查了系统的全部行业模型。系统为来自内部数据库的962个人的样本生成了适配分数(表11和表13)。人群包括本科生、MBA学生以及行业专家的混合。在系统认为是稳定的任何行业模型中,未观察到性别或人种的偏见。
实施例26:计算机架构
各种计算机架构适合于与本发明一起使用。图4是图示了可与本发明的示例实施方式结合使用的计算机系统400的第一示例架构的框图。如图4中所描绘,示例计算机系统可以包括用于处理指令的处理器402。处理器的非限制性示例包括:Intel Core i7TM处理器、Intel Core i5TM处理器、Intel Core i3TM处理器、Intel XeonTM处理器、AMD OpteronTM处理器、三星32位RISC ARM 1176JZ(F)-S v1.0TM处理器、ARM Cortex-A8三星S5PC100TM处理器、ARM Cortex-A8苹果A4TM处理器、Marvell PXA 930TM处理器或功能等效处理器。可以使用多个执行线程以进行并行处理。在一些实施方式中,多个处理器或具有多个核的处理器可以在单一计算机系统中或者在集群中使用,或者通过网络跨各个系统分布,所述网络包括多个计算机、移动电话和/或个人数据助理设备。
数据采集、处理和存储
如图4中所示,高速缓冲存储器401可以连接至处理器402或并入于其中以提供用于最近或频繁地由处理器402使用的指令或数据的高速存储器。处理器402通过处理器总线405连接至北桥406。北桥406通过存储器总线404连接至随机存取存储器(RAM)403并且通过处理器402来管理对RAM 403的访问。北桥406还通过芯片组总线407连接至南桥408。南桥408转而连接至外围总线409。外围总线例如可以为PCI、PCI-X、PCI Express或其他外围总线。北桥和南桥常常被称为处理器芯片组并且管理处理器、RAM以及外围总线409上的外围组件之间的数据转移。在一些架构中,北桥的功能可以并入到处理器中,而不是使用单独的北桥芯片。
在一些实施方式中,系统400可以包括附接至外围总线409的加速器卡412。加速器可以包括现场可编程门阵列(FPGA)或者用于加速某些处理的其他硬件。
(一个或多个)软件接口
软件和数据储存在外部存储413中并且可被加载到RAM 403和/或高速缓冲存储器401中以供处理器使用。系统400包括用于管理系统资源的操作系统;操作系统的非限制性示例包括:Linux、WindowsTM、MACOSTM、BlackBerry OSTM、iOSTM和其他功能等效操作系统,以及运行在操作系统之上的应用软件。
在该示例中,系统400还包括连接至外围总线的网络接口卡(NTC)410和411,用于向外部存储提供网络接口,所述外部存储诸如为网络附接存储(NAS)以及可用于分布式并行处理的其他计算机系统。
计算机系统
图5是示出具有多个计算机系统502a和502b、多个移动电话和个人数据助理502c以及网络附接存储(NAS)501a和501b的网络500的示图。在一些实施方式中,系统502a、502b和502c可以管理数据存储并且优化对储存于网络附接存储(NAS)501a和502b中的数据的数据存取。数学模型可用于该数据并且可使用跨计算机系统502a和502b以及移动电话和个人数据助理系统502c的分布式并行处理来评价。计算机系统502a和502b以及移动电话和个人数据助理系统502c还可以提供并行处理,以便对储存于网络附接存储(NAS)501a和501b中的数据进行自适应性数据重构。图5仅图示了示例,并且各种各样的其他计算机架构和系统可以与本发明的各个实施方式相结合地使用。例如,刀片服务器可用于提供并行处理。处理器刀片可以通过底板相连以提供并行处理。存储还可以连接至所述底板或者通过单独的网络接口而被连接为网络附接存储(NAS)。
在一些实施方式中,处理器可以保持单独的存储空间并且通过网络接口、底板或用于由其他处理器进行并行处理的其他连接器来传输数据。在一些实施方式中,一些或所有处理器可以使用共享的虚拟地址存储空间。
虚拟系统
图6是使用共享的虚拟地址存储空间的多处理器计算机系统的框图。该系统包括可以访问共享的存储器子系统602的多个处理器601a-f。系统将多个可编程硬件存储器算法处理器(MAP)603a-f并入存储器子系统602中。每个MAP 603a-f可以包括存储器604a-f以及一个或多个现场可编程门阵列(FPGA)605a-f。MAP提供了可配置的功能单元,并且可以向FPGA 605a-f提供特定的算法或算法的一部分,以便与相应处理器密切配合地进行处理。在该示例中,出于这些目的,每个MAP在全球范围内可由所有处理器访问。在一种配置中,每个MAP可以使用直接存储器访问(DMA)来访问相关联的存储器604a-f,从而允许其独立于相应微处理器601a-f且与其异步地执行任务。在该配置中,MAP可以直接向另一MAP馈送结果,以供算法的流水线化和并行执行。
上文计算机架构和系统仅仅是示例,并且各种各样的其他计算机、移动电话以及个人数据助理架构和系统可以与示例实施方式相结合地使用,其包括使用通用处理器、协处理器、FPGA和其他可编程逻辑器件、芯片上系统(SOC)、专用集成电路(ASIC)以及其他处理元件和逻辑元件的任何组合的系统。任何种类的数据存储介质可以与示例实施方式相结合地使用,其包括随机存取存储器、硬盘驱动器、闪速存储器、磁带驱动器、磁盘阵列、网络附接存储(NAS)以及其他本地或分布式数据存储设备和系统。
在示例实施方式中,计算机系统可以使用在上文或其他计算机架构和系统中的任一个上执行的软件模块来实现。在其他实施方式中,系统的功能部分地或完全地实现在固件、诸如图6中所引用的现场可编程门阵列(FPGA)等可编程逻辑器件、芯片上系统(SOC)、专用集成电路(ASIC)或其他处理元件和逻辑元件中。例如,固定处理器(Set Processor)和优化器可以利用通过使用诸如图4中所图示的加速器卡412等硬件加速器卡的硬件加速来实现。
本文所描述的本发明的任何实施方式例如可由同一地理位置内的用户产生和传输。本发明的产品例如可从一个国家中的某一地理位置产生和/或传输,并且本发明的用户可以存在于不同的国家中。在一些实施方式中,由本发明的系统访问的数据是可从多个地理位置701中的一个传输给用户702的计算机程序产品(图7)。由本发明的计算机程序产品生成的数据例如可通过网络、安全网络、不安全的网络、因特网或内联网在多个地理位置间来回传输。在一些实施方式中,由本发明提供的本体论层次结构被编码在物理且有形的产品上。
实施方式
以下非限制性实施方式提供了对本发明的说明性示例,但不限制本发明的范围。
实施方式1.一种包括具有编码于其中的计算机可执行代码的计算机可读介质的计算机程序产品,所述计算机可执行代码适于被执行用于实现包括以下各项的方法:a)提供招聘系统,其中所述招聘系统包括:i)任务模块;ii)测量模块;iii)评估模块;以及iv)辨识模块;b)由所述任务模块向主体提供计算机化任务;c)由所述测量模块测量所述主体在所述任务的执行中所展示出的表现值;d)由所述评估模块基于所测量的表现值来评估所述主体的特质;以及e)由所述辨识模块基于所评估的特质来为招聘官辨识所述主体适合于被实体雇用。
实施方式2.如实施方式1所述的计算机程序产品,其中所述招聘系统还包括简档模块,其中所述方法还包括由所述简档模块基于对所述主体的特质的评估为所述主体创建简档。
实施方式3.如实施方式1-2中任一项所述的计算机程序产品,其中所述招聘系统还包括模型模块、参考模型和比较模块,并且其中所述方法还包括由所述模型模块基于对所述主体的不止一个特质的评估生成所述主体的模型,其中所述方法还包括由所述比较模块对所述主体的模型与所述参考模型进行比较。
实施方式4.如实施方式1-2中任一项所述的计算机程序产品,其中所述招聘系统还包括模型模块和比较模块,并且其中所述方法还包括由所述模型模块基于对所述主体的不止一个特质的评估来生成所述主体的模型,其中所述方法还包括由所述比较模块对所述主体的模型与测试主体的数据库进行比较。
实施方式5.如实施方式4所述的计算机程序产品,其中所述测试主体为所述实体工作。
实施方式6.如实施方式1-5中任一项所述的计算机程序产品,其中所述招聘官为所述实体工作。
实施方式7.如实施方式4所述的计算机程序产品,其中所述招聘系统还包括聚合模块,其中所述方法还包括由所述聚合模块收集来自所述主体的数据并且将来自所述主体的数据聚合到所述测试主体的所述数据库中。
实施方式8.如实施方式3所述的计算机程序产品,其中所述招聘系统还包括评分模块,其中所述方法还包括由所述评分模块基于所述主体的所述模型与所述参考模型的比较来对所述主体进行评分。
实施方式9.如实施方式4所述的计算机程序产品,其中所述招聘系统还包括评分模块,其中所述方法还包括由所述评分模块基于所述主体的所述模型与测试主体的数据库的比较来对所述主体进行评分。
实施方式10.一种包括具有编码于其中的计算机可执行代码的计算机可读介质的计算机程序产品,所述计算机可执行代码适于被执行用于实现包括以下各项的方法:a)提供人才辨识系统,其中所述人才辨识系统包括:i)任务模块;ii)测量模块;iii)评估模块;iv)辨识模块;以及v)输出模块;b)由所述任务模块向主体提供计算机化任务;c)由所述测量模块测量所述主体在任务的执行中所展示出的表现值;d)由所述评估模块基于所测量的表现值来评估所述主体的特质;e)由所述辨识模块基于对主体的所述特质的评估来辨识职业倾向;以及f)由所述输出模块向招聘官输出所辨识的职业倾向。
实施方式11.如实施方式10所述的计算机程序产品,其中所述人才辨识系统还包括推荐模块,其中所述方法还包括由所述推荐模块基于所述主体的职业倾向来推荐职业。
实施方式12.如实施方式10-11中任一项所述的计算机程序产品,其中所述人才辨识系统还包括模型模块、参考模型和比较模块,并且其中所述方法还包括由所述模型模块基于对所述主体的不止一个特质的评估来生成所述主体的模型,其中所述方法还包括由所述比较模块对所述主体的模型与所述参考模型进行比较。
实施方式13.如实施方式10-11中任一项所述的计算机程序产品,其中所述人才辨识系统还包括模型模块和比较模块,并且其中所述方法还包括由所述模型模块基于对所述主体的不止一个特质的评估来生成所述主体的模型,其中所述方法还包括由所述比较模块对所述主体的模型与测试主体的数据库进行比较。
实施方式14.一种方法,包括:a)向主体提供计算机化任务;b)测量所述主体在所述任务的执行中所展示出的表现值;c)基于所述表现值来评估所述主体的特质;d)由计算机系统的处理器对所述主体的所述特质与测试主体的数据库进行比较;e)基于所述比较来确定所述主体适合于被实体雇用;以及f)向所述实体处的招聘官报告所述主体适合于雇用。
实施方式15.如实施方式14所述的方法,还包括基于对所述主体的所述特质的评估为所述主体创建简档。
实施方式16.如实施方式14-15中任一项所述的方法,还包括基于所述主体的不止一个特质与测试主体的数据库的比较来生成所述主体的模型。
实施方式17.如实施方式16所述的方法,还包括基于所述主体的所述模型来对所述主体进行评分。
实施方式18.如实施方式14-17中任一项所述的方法,其中所评估的特质是认知特质。
实施方式19.如实施方式14-18中任一项所述的方法,其中所评估的特质是情绪特质。
实施方式20.如实施方式14-19中任一项所述的方法,其中所述测试主体为所述实体工作。
实施方式21.如实施方式14-20中任一项所述的方法,其中所述计算机化任务具有如由测试-重测评估(test-retest assessment)所确定的可接受水平的信度。
实施方式22.如实施方式14-21中任一项所述的方法,其中所述计算机化任务具有如由分半信度评估所确定的可接受水平的信度。
实施方式23.一种方法,包括:a)向主体提供计算机化任务;b)测量所述主体在所述任务的执行中所展示出的表现值;c)基于所述表现值来评估所述主体的特质;d)由计算机系统的处理器基于所评估的所述主体的特质与测试主体的数据库的比较来辨识所述主体的职业倾向;以及e)向招聘官输出所述比较的结果。
实施方式24.如实施方式23所述的方法,还包括基于对所述主体的所述特质的评估来为所述主体创建简档。
实施方式25.如实施方式23-24中任一项所述的方法,还包括基于对所述主体的不止一个特质与测试主体的数据库进行比较来为所述主体生成模型。
实施方式26.如实施方式23-25中任一项所述的方法,还包括基于所述主体的职业倾向来向所述主体推荐职业。
实施方式27.如实施方式23-26中任一项所述的方法,其中所述计算机化任务具有如由测试-重测评估所确定的可接受水平的信度。
实施方式28.如实施方式23-27中任一项所述的方法,其中所述计算机化任务具有如由分半信度评估所确定的可接受水平的信度。
实施方式29.如实施方式23-28中任一项所述的方法,其中所评估的特质是认知特质。
实施方式30.如实施方式23-29中任一项所述的方法,其中所评估的特质是情绪特质。