公共管理学院心理系于2021年5月28日上午9点40分邀请范津砚教授开展一场线上学术讲座。
范津砚教授是美国奥本大学心理系终身教授，获得美国工业与组织心理学会(SIOP)和美国管理学会(AOM)的一系列奖项和基金资助,担任 Journal of Vocational Behavior杂志的副主编。
范教授在人事选拔中提出胜任力模型（competence model），该模型是对特定职位表现优异要求组合起来的胜任力结构，是一系列人力资源管理与开发实践（如工作分析、招聘、选拔、培训与开发、绩效管理等）的重要基础。对于传统个性测量方法，即自我报告的个性测试和面试考察，自我报告的个性测试存在“伪装好”倾向且不同受测者对同一题目的理解不同的问题；而面试考察存在耗时长，面试官之间差异很难统一等问题。基于传统个性测量方法的弱点以及现代社会发展的趋势，范教授提出了机器学习的测量方法，这类方法通过建模来间接地测量个性。
范教授yarkoni(2010)在考察人格分数和书面语言用词特征之间关系研究中，发现人格分数跟文本特征(用词特点)有关联。虽然某一个词的关联性不大,但是叠加后关联性会大大增强，因此可以建立一个预测模型，即用文本分析产生的一系列特征分数去预测自我报告的人格分数，一旦模型的参数确定,那么对于“新人”,只要获取他们足够量的文本内容就可以算出个性分数。
基于上述研究的启发，范教授提出了将机器学习方法用于人才测评的两种思路。思路一：首先是建立样本，主要是搜集包括预测变量和结果变量。用搜集到的样本建立模型，通过回归方程获得模型参数，建立一个或多个预测模型，之后根据候选人预测变量来推测结果变量，就可进行人才选拔了。
思路二：让受测者和聊天机器人聊天，获得文本数据，通过分析文本可以预测其个性。这种思路相较思路一能预测更稳定的人格特征，不需要像思路一针对不同企业和岗位重新建模，但实证证据不足，个性分数和工作绩效之间的关系尚无过硬的证据证明。
为证明思路二的有效性，范教授用实际研究对比了传统测量方法与机器学习测量方法之间的优劣。研究中，范教授搜集了1000多名本科生与聊天机器人聊天的文本和其个性测试量表得分，其结果对比传统测量方法的结果与机器学习测量方法的结果，发现传统方法赢了7次，机器学习方法赢了3次。虽然目前机器学习方法略逊一筹，但随着机器学习算法的发展，电脑算力提高和数据量的增大，机器学习可行性以及未来发展潜力巨大。
最后，范教授对于机器学习未来在人事选拔和个性测评中的作用进行了展望，认为心理学应积极拥抱人工智能机器学习，勇敢迎接时代潮流。
两个小时的讲座落下了帷幕。范教授精彩的讲座给在场师生在机器学习与心理学结合领域营造了无限的遐想。
出品/公道传媒全媒体运营中心
供稿/马鸣 刘林欣
摄影/马鸣 刘林欣
责编/黄子萱 田佳
排版/罗西子
审稿/陈骞
