用於對人才的數據驅動辨識的系統和方法與流程

2023-06-21 13:34:31

本申請要求提交於2015年1月9日的美國臨時專利申請號62/101,524以及提交於2014年6月27日的美國臨時專利申請號62/018,459的權益，其每一個的內容通過引用全文併入於此。

背景技術：

為某一職位招聘合適的候選人對於公司而言可能是一項挑戰性任務。通常而言，公司可以依賴於招聘人員和面試來確定申請人對於他們的團隊而言是否將是理想的適合者。然而，尋找新員工可能是耗時的、昂貴的，並且在一些情況下是徒勞的過程，在申請人池龐大的情況下尤為如此。相反，確定合適的職業道路對於新求職者而言可能是艱巨的任務，並且現有的求職資源常常並非是為個體而定製的。基於期望的特點簡檔來尋找理想員工或工作的平臺仍然不可用。

技術實現要素：

在一些實施方式中，本發明了提供了一種包括具有編碼於其中的計算機可執行代碼的計算機可讀介質的電腦程式產品，所述計算機可執行代碼適於被執行用於實現包括以下各項的方法：a)提供招聘系統，其中所述招聘系統包括：i)任務模塊；ii)測量模塊；iii)評估模塊；以及iv)辨識模塊；b)由所述任務模塊向主體提供計算機化任務；c)由所述測量模塊測量所述主體在所述任務的執行中所展示出的表現值；d)由所述評估模塊基於所測量的表現值來評估所述主體的特質；以及e)由所述辨識模塊基於所評估的特質來為招聘官辨識所述主體適合於被實體僱用。

在一些實施方式中，本發明了提供了一種包括具有編碼於其中的計算機可執行代碼的計算機可讀介質的電腦程式產品，所述計算機可執行代碼適於被執行用於實現包括以下各項的方法：a)提供人才辨識系統，其中所述人才辨識系統包括：i)任務模塊；ii)測量模塊；iii)評估模塊；iv)辨識模塊；以及v)輸出模塊；b)由所述任務模塊向主體提供計算機化任務；c)由所述測量模塊測量所述主體在任務的執行中所展示出的表現值；d)由所述評估模塊基於所測量的表現值來評估所述主體的特質；e)由所述辨識模塊基於對主體的所述特質的評估來辨識職業傾向；以及f)由所述輸出模塊向招聘官輸出所辨識的職業傾向。

在一些實施方式中，本發明提供了一種方法，該方法包括：a)向主體提供計算機化任務；b)測量所述主體在所述任務的執行中所展示出的表現值；c)基於所述表現值來評估所述主體的特質；d)由計算機系統的處理器對所述主體的所述特質與測試主體的資料庫進行比較；e)基於所述比較來確定所述主體適合於被實體僱用；以及f)向所述實體處的招聘官報告所述主體適合於僱用。

在一些實施方式中，本發明提供了一種方法，該方法包括：a)向主體提供計算機化任務；b)測量所述主體在所述任務的執行中所展示出的表現值；c)基於所述表現值來評估所述主體的特質；d)由計算機系統的處理器基於所評估的所述主體的特質與測試主體的資料庫的比較來辨識所述主體的職業傾向；以及e)向招聘官輸出所述比較的結果。

附圖說明

圖1描繪了本發明的建模系統的概況。

圖2是本發明的示例中的員工參與的圖形化表示。

圖3示出了由本發明的系統生成的模型的準確度。

圖4是圖示可與本發明的示例實施方式結合使用的計算機系統的第一示例架構的框圖。

圖5是圖示可與本發明的示例實施方式結合使用的計算機網絡的示圖。

圖6是圖示可與本發明的示例實施方式結合使用的計算機系統的第二示例架構的框圖。

圖7圖示了可以傳輸本發明的產品的全球網絡。

具體實施方式

公司常常依賴於低效的招聘實踐，這可能導致僱用不佳的申請人，並最終降低員工留用率。進一步地，由於招聘過程可能很昂貴，因此員工可能不願意學得新的才能。這種不願意可能導致公司停滯不前並且導致高層員工離開以追求更好的機會。因此，公司面臨著成本效益好而準確的僱用的艱巨任務。相反，新畢業生或求職者面臨著尋找最適合於其才能和意向的職業的挑戰，這不僅是因為就業市場不可預測，而且還因為最初確定要追求什麼職業道路很困難。

本發明的系統可由公司使用來辨識適應該公司具體職位的需求的人才。該系統可以使用基於神經科學的任務來優化公司的招聘和候選人供應過程。除了作為公司有用的招聘工具之外，該系統還可以輔助個體進行職業規劃和才能辨識。通過使用測量一系列廣泛的情感特質和認知特質的測試，該系統可以探明用戶的優勢和不足並且應用該信息來確定什麼行業最匹配於該用戶。

本發明的系統可以使用基於表現的遊戲來收集關於個人的認知特質和情感特質的信息。系統可以通過評價在神經科學測試上當前員工的表現來為具體公司創建員工簡檔(profile)。可以使用與來自公司的員工的表現數據相結合的神經科學測試的結果來創建理想的員工模型。可繼而要求候選人完成相同的任務，並且可以將候選人的結果與當前員工的那些結果進行比較以確定對具體職位的適合性。還可以跨多個職位來比較候選人以基於由系統創建的簡檔來探明哪個職位(如果有的話)是合適的。

本發明的系統的方法

本發明的系統可以使用大量的嚴密方法以發現用於預測關於公司感興趣的主體的因素的恰當信息。系統的評估可以包括使用系統的評估模塊來收集客觀數據，並繼而對學習行為動態進行建模。對學習行為動態進行建模的優勢是，系統不用利用例如平均分數等靜態分數來檢查行為，而是相反可以隨時間推移來檢查行為。該方法可以允許系統探明學習度量(metrics of learning)，例如，測試者如何從錯誤中學習或者獎勵如何影響測試者的學習。這些學習度量在人力資本分析中經常被忽略，但在確定重要的員工特點方面可能是有價值的。

系統可以使用由系統內的個體評估所生成的分數來創建主體的適配分數。適配分數可以是個體任務的分數的聚合。適配分數的範圍可以從0-100％變化並且預測主體將適合於具體職位或職業行業的似然度。適配分數可例如為約0％、約1％、約2％、約3％、約4％、約5％、約6％、約7％、約8％、約9％、約10％、約15％、約20％、約25％、約30％、約35％、約40％、約45％、約50％、約60％、約70％、約80％、約90％或約100％。

在執行預測分析之前，系統可以量化現有數據中的關係，並且該量化可以辨識該數據的主要特徵並且提供該數據的概要。例如，在系統能夠預測特定候選人在具體公司是否能夠成為一名成功的管理諮詢員之前，該系統可以構建當前員工的特質與其作為成功的管理諮詢員之間關係的描述性模型。系統的分析引擎可以實施用於非監督分類的各種數據挖掘和聚類算法以生成這些描述性模型。為了創建描述性模型，系統可以獲取來自當前員工的評估數據並且使該數據與由公司提供給系統的員工評級相關聯。這些評級可以是客觀的度量，諸如在績效考核中所使用的並且公司特別感興趣的那些度量。

圖1是系統的分析引擎可如何用作商業實體的預測模型的概況，該商業實體試圖預測潛在僱傭將會是成功的員工的可能性。在第一步驟中，當前員工可以完成系統的測試。在完成測試之後，系統可以基於員工在測試中的表現來提取認知特質數據和情感特質數據。接著，系統可以使用員工的評級數據和測試數據來訓練分析引擎以確定對於商業實體中的具體職位理想的員工應當具備什麼特點。

一旦充分訓練了分析引擎，就可以在第二步驟中使用模型進行預測分析和預報。首先，候選人可以完成系統的測試。在完成之後，系統可以基於候選人在測試上的表現來提取關於該候選人的特質。可以繼而將來自測試的數據應用到經訓練的分析引擎以創建候選人的適配分數。這些預測模型可以用於對因素進行評估，所述因素例如包括潛在僱傭在公司的特定角色中將成功的可能性。準確的預測模型能夠檢測微妙的數據模式以回答關於員工未來表現的問題，以便指導員工優化其人力資本。

本發明的系統可以提供一種向主體提供計算機化任務的方法。任務可以是基於神經科學的對情感或認知的評估。在完成任務之後，系統可以基於主體在任務上的表現來測量該主體的表現值。可以繼而基於表現值來評估具體特質，其中所評估的特質可以用於創建主體的簡檔。可以繼而由計算機系統的處理器將該特質與測試主體的資料庫進行比較。主體的特質與測試主體的資料庫的比較可以用來創建特定於被測試主體的模型。該模型可繼而用來對主體進行評分，這可以輔助創建主體的情感或認知的定量評估。測試主體可以為商業實體工作。主體的特質與測試主體的資料庫的比較可以用來確定該主體是否適合於僱用。

本發明的系統可以提供一種向主體提供計算機化任務的方法。任務可以是基於神經科學的對情感或認知的評估。在完成任務之後，系統可以基於主體在任務上的表現來測量該主體的表現值。可以繼而基於表現值來評估具體特質，其中所評估的特質可以用來創建主體的簡檔。所評估的特質還可以用來基於主體的不止一個特質的評估以及主體的模型與參考模型的比較來生成該主體的模型。計算機系統的處理器可繼而用來基於主體的特質與測試主體的資料庫的比較來辨識該主體的職業傾向。主體的特質與測試主體的資料庫的比較還可以用於生成主體的模型。可以將比較的結果輸出給招聘官。比較的結果還可以用於為主體推薦職業。

可作為系統的一部分的任務的非限制性示例包括類比推理(Analogical Reasoning)、氣球模擬風險任務(Balloon Analogue Risk Task)、選擇任務(Choice Task)、獨裁者任務(Dictator Task)、數字廣度(Digit Span)、EEfRT、面部表情任務(Facial Affect Task)、手指敲擊(Finger Tapping)、未來折現(Future Discounting)、側抑制任務(Flanker Task)、Go/No-Go、眼神讀心(Mind in the Eyes)、N-Back、圖案識別(Pattern Recognition)、獎勵學習任務(Reward Learning Task)、倫敦塔(Tower of London)以及信任任務(Trust Task)。

系統可以實施廣泛的機器學習技術以便構建提供最準確預測的模型。由系統生成的模型可以學習從訓練數據中捕捉感興趣的特點，而無需知道基礎的概率分布。訓練數據可被視為圖示了所觀察的變量之間的具體關係的示例。機器學習的優點是基於示例數據來自動識別複雜模式和智能決策。系統例如可以使用非線性的非參數的分類技術，所述分類技術在小的訓練數據集的情況下與傳統的圖案分類算法相比較在具有許多屬性的數據集中可以執行得更好。

本發明的系統的應用

本發明的系統可以由商業實體使用以尋找代表該實體工作的主體。商業實體的非限制性示例包括企業、合作社、合夥企業、公司、股份有限公司、私人公司、上市公司、有限責任公司、有限責任合夥企業、租賃企業、組織、非營利性組織、人事機構、學術機構，政府設施、政府機構、軍事部門以及慈善組織。本發明的系統的用戶例如還可以包括招聘人員、人力資源人員、管理者、監督者、招聘官以及職業介紹所。

可代表企業實體工作的主體的非限制性示例包括員工、全職員工、兼職員工、法定員工、臨時員工、承包商、獨立承包商、分包商、退休員工、諮詢員以及顧問。

本發明的系統還可以由主體使用來確定該主體的職業傾向。可以使用本發明的主體例如包括學生、研究生、求職者以及尋求關於職業規劃的輔助的個體。主體可以完成系統的任務，在這之後，系統可以基於所辨識的主體特質來創建該主體的簡檔。用戶可以從計算機系統訪問本發明的系統。用戶可繼而使用例如計算機、膝上型計算機、行動裝置或平板計算機來完成系統的計算機化任務。

可以將主體的簡檔與測試主體的資料庫進行比較以對該主體進行評分並且基於參考模型而生成針對該主體的模型。測試主體例如可以為商業實體工作。系統可以基於為商業實體工作的測試主體以及測試主體在該商業實體的具體職位而附加地生成針對該主體的適配分數。本發明的系統還可以基於主體的確定職業傾向而向該主體推薦各種行業。可由系統推薦的行業的非限制性示例包括諮詢、教育、醫療保健、營銷、零售、娛樂、消費品、創業、技術、對衝資金、投資管理、投資銀行、私募股權、產品開發以及產品管理。

本發明的系統可以使用一系列情感特質和認知特質來確定主體對於不同職業領域的才能和傾向。可由本發明的系統測量的情感特質例如包括信任、利他主義、毅力、風險簡況、從反饋中學習、從錯誤中學習、創造性、模糊耐受性、延遲滿足的能力、獎勵敏感度、情感敏感度以及情感辨識。可由本發明的系統測量的認知特質例如包括處理速度、圖案識別、持續性注意力、避免分心的能力、衝動性、認知控制、工作記憶、規劃、記憶廣度、排序、認知靈活性以及學習。

情感特質可以是確定主體是否將適合公司以及公司內的具體角色的重要因素。本發明的系統可以評估多種情感特質以輔助系統的用戶作出決策。

信任可被評價為在不知曉其他人的行動的情況下依賴另一人的行動的意願。信任可以表明主體是否能夠在團體環境中有效地工作並且依賴其他人的意見和行動。

利他主義可被評估為無私，或者為其他人的福利而進行行動的意願。利他主義可以表明，主體可能更願意為公司的需求而不是自我的需求服務。

毅力可被描述為繼續行動進程而不顧挫折。毅力可以表明，即使在失敗或反對的時候，主體也可以尋找到解決方案並且致力於所分派的任務。

創造力可以表明，主體可以具有用於解決問題和執行任務的非常規途徑。

候選人的風險簡況可以辨識主體承擔風險的意願。更願意承擔風險的主體可能更有利於處理高風險、高壓情況的公司。

從反饋中學習可以測量主體是否能夠在執行工作職能時使用來自他人的建議來修改行為或行動。從錯誤中學習可以評估主體是否能夠使用任務中所犯的錯誤來修改執行同一任務的未來行為。

模糊耐受性可以評估在不確定或不完全的情境和刺激的情況下主體的舒適水平，以及主體對不確定或不完全的情境和刺激的反應。當面臨不完全或有問題的數據時，具有模糊耐受性的主體可能更具創造性且更有智慧。

傾向於延遲滿足的主體可能對公司有吸引力，這是因為該主體能夠更努力地工作，並且能夠工作達較長的時間段期望有加薪或獎金。

獎勵敏感度與延遲滿足的關係在於獎勵敏感度可以測量主體受獎勵承諾激勵的程度。公司可能期望一個不僅會內在激勵，而且還對諸如加薪和獎金等獎勵敏感的主體。

情感敏感度和情感辨識可以描述主體是否能夠以適當的方式回應另一人的情感，以及主體是否能夠正確地辨識另一人的情感。具有較高情感敏感度和情感辨識能力的主體能夠是更好的團隊合作者和領導者。

除了可由本發明的系統測量的情感特質之外，還可以由商業實體評估和使用認知特質以確定主體是否適合於聘用。

處理速度與在無需有意的思考的情況下徹底且快速地處理信息的能力有關。具有較高處理速度的主體對於公司而言可能是期望的在於該主體能夠迅速思考並對情況作出反應。

圖案識別可以是指識別以一定方式布置的一組刺激的能力，所述一定方式是該組刺激的特點。具有較高圖案識別技巧的主體可以展示出更好的批判性思考技巧並且辨識出數據的趨勢。

具有較高持續性注意力分數的主體可以展示出較高的將注意力維持於單一任務上的能力。還可以評估主體避免分心的能力以及集中於具體任務的能力。

衝動性可被評價為在沒有遠見、反思或考慮後果的情況下進行行動。衝動的主體可被潛在僱主看作是不適宜的，這是因為該主體可能作出可證明對公司不利的魯莽決策。如果公司期望主體更願意冒險、創造性地思考並且迅速地行動，則衝動型主體也可被看作是適宜的。

認知控制可以描述多種認知過程，包括工作記憶、學習、認知靈活性以及規劃。工作記憶是記憶系統的活動部分並且可以涉及短期記憶和短期注意力二者。具有高工作記憶的主體可以顯示出對任務更為集中的注意力以及針對多任務的能力。

認知靈活性可被描述為從不同任務切換以及同時地且有效地考慮多個任務的能力。具有認知靈活性的主體可以有效地平衡許多任務。

規劃展示出組織行動以實現目標的能力，並且可以展示出任務執行中的遠見。

記憶廣度是短期記憶的測度並且可以通過使主體背誦先前呈現的一系列數字或字來評估。具有較大記憶廣度的主體可以記住指令並且與具有短記憶廣度的某人相比執行具體任務更好。

序列學習是對行動和思考進行排序而非自發意識到這樣的排序正在發生的能力。序列學習可以包括四種排序問題。第一，序列預測可以試圖基於先前的元素來預測序列元素。第二，序列生成可以試圖在序列元素自然發生時將各元素一個接一個地拼接在一起。第三，序列識別可以試圖基於預定準則來探明序列是否合法。最後，序列決策可以涉及選擇行動序列來實現目標、遵循軌跡或者使成本函數最大化或最小化。

本發明的系統可以用於使個體或個體組與另一個體或另一個體組相匹配，以便在專業領域或個人領域內推薦兼容性。

在本發明的系統中使用的統計函數

可以對本發明的系統中所使用的測試進行評估以獲得其測量精度。測試的精度對於確定所述測試是否是人類情緒與認知的準確預測指標而言可能是重要的。為了探明測試的精度，可以執行信度評估。對於測試信度可以測量的一個輸出是皮爾森相關係數(r)。皮爾森的相關係數(Pearson’s correlation coefficient)可以描述兩個結果之間的線性關係並且介於-1與+1之間。樣本的相關係數r可以使用以下公式計算得到：

其中n是樣本大小；i＝1,2,...,n；X和Y是變量，以及和是變量的均值。皮爾森相關係數的平方r2稱為確定係數，並且可以用於在簡單線性回歸中解釋作為X的函數的Y的方差分數(fraction of variance)。

皮爾森相關係數還可以用於描述效應大小，效應大小可被定義為兩個組之間的關係的量級。當皮爾森相關係數用作效應大小的測度時，結果的平方可以估計由實驗模型解釋的實驗內的方差量。

信度可以是測量隨時間推移一致並且沒有隨機誤差的程度的指標。信度可以測量測試結果是否穩定且內部一致。測試-重測方法是可用於信度的一種測量。當在兩個不同時間對樣本實施相同測試時，測試-重測信度測試可以測量樣本結果的變化。如果在兩個不同時間給出的測試結果相似，則該測試可被認為是可信的。這兩個結果之間的關係可以使用皮爾森相關係數來描述；相關係數的值越高，則測試的信度就越高。

測試-重測信度的相關係數的值例如可以為約-1.0、約-0.95、約-0.9、約-0.85、約-0.8、約-0.75、約-0.7、約-0.65、約-0.6、約-0.55、約-0.5、約-0.45、約-0.4、約-0.35、約-0.3、約-0.25、約-0.2、約-0.15、約-0.1、約-0.05、約0.05、約0.1、約0.15、約0.2、約0.25、約0.3、約0.35、約0.4、約0.45、約0.5、約0.55、約0.6、約0.65、約0.7、約0.75、約0.8、約0.85、約0.9、約0.95或約1.0。

可用於測量測試的信度的另一測試是分半信度測試(split-half reliability assessment)。分半信度測試將測試分為兩個部分，假設這兩個部分包含相似的主題，並且對樣本實施測試。繼而，將來自樣本的每一半測試的分數彼此進行比較。來自測試的兩半的分數之間的相關性和相似程度可以使用皮爾森相關係數來描述，其中如果相關性高，則測試是可信的。

分半信度的相關係數的值例如可以為約-1.0、約-0.95、約-0.9、約-0.85、約-0.8、約-0.75、約-0.7、約-0.65、約-0.6、約-0.55、約-0.5、約-0.45、約-0.4、約-0.35、約-0.3、約-0.25、約-0.2、約-0.15、約-0.1、約-0.05、約0.05、約0.1、約0.15、約0.2、約0.25、約0.3、約0.35、約0.4、約0.45、約0.5、約0.55、約0.6、約0.65、約0.7、約0.75、約0.8、約0.85、約0.9、約0.95或約1.0。

有效性是測試測量目的是什麼的程度。對於要作為有效的測試，測試能夠展示出該測試的結果被上下文支持。具體而言，關於測試有效性的證據可以經由測試內容、響應過程、內部結構、與其他變量的關係以及測試後果來呈現。

Hotelling的T方測試是多變量測試，其可由本發明的系統採用來確定使用該系統的不同主體群體的結果的均值的差異。T方測試的測試統計量(T2)是使用以下公式計算得到的：

其中是樣本均值，Sp是樣本的合併方差-協方差，以及n為樣本大小。

為了計算F-統計量，使用以下公式：

其中p是被分析的變量的數目，並且F-統計量是以自由度p和n1+n2–p的F-分布。F-表可以用於確定在指定α水平或顯著性水平下的結果的顯著性。如果觀察到的F-統計量大於在表中以正確自由度找到的F-統計量，那麼測試在所定義的α水平下顯著。例如，如果α水平被定義為0.05，則結果可能在小於0.05的p-值處顯著。

方差分析(ANOVA)是統計測試，其可由本發明的系統使用來確定兩個或更多個數據組的均值之間的統計上的顯著差異。ANOVA的F-統計量可以計算如下：

其中是樣本均值，n是樣本大小，s是樣本的標準偏差，I是組的總數，以及N是總的樣本大小。F-表繼而用於確定在指定α水平下結果的顯著性。如果觀察到的F-統計量大於在表中以指定自由度找到的F-統計量，那麼測試在所定義的α水平下顯著。例如，如果α水平被定義為0.05，則結果可能在小於0.05的p-值處顯著。

Hotelling的T方測試或ANOVA的α水平例如可以設置在約0.5、約0.45、約0.4、約0.35、約0.3、約0.25、約0.2、約0.15、約0.1、約0.05、約0.04、約0.03、約0.02、約0.01、約0.009、約0.008、約0.007、約0.006、約0.005、約0.004、約0.003、約0.002或約0.001處。

任何工具、接口、引擎、應用、程序、服務、命令或其他可執行項可被提供為以計算機可執行代碼編碼在計算機可讀介質上的模塊。在一些實施方式中，本發明提供在其中以計算機可執行代碼進行編碼的計算機可讀介質，所述計算機可執行代碼對用於執行本文描述的任何行動的方法進行編碼，其中所述方法包括提供包括本文所描述的任何數目的模塊的系統，每個模塊執行本文所描述的任何功能以向用戶提供結果，諸如輸出。

實施例

實施例1：類比推理(Analogical Reasoning)

類比推理任務可以測量主體辨別看起來不相關的概念或事件之間的聯繫的能力。類比推理可以進一步是指這樣的任務：其使用類比來對表面上看起來不相似的情境或表示之間的新穎聯繫進行建模。類比推理通常與創造性的問題解決相連結，這是因為兩者都需要個體在特定任務的約束內產生創新的想法。兩種情境顯得越不相干，類比推理過程就能越有創造性。兩種情境、概念、事件或表示之間的相似度可以通過語義距離來描述。語義距離越大，所呈現的這兩個情境之間存在的相似性就越小。在類比推理任務中，語義距離可以與獨立評級者對創造性的評價高度相關，這是因為當主體在看起來非常不相似的情境之間形成聯繫時，該主體可被認為是更具創造性。功能性磁共振成像(fMRI，functional magnetic resonance imaging)可以用於測量類比推理任務期間的大腦活動，並且類比項之間的語義距離可以參數化地變化。關鍵是，類比映射的語義距離而非由響應時間、正確性和評級難度所測定的任務難度可以調節大腦活動。

在本發明中，向主體呈現兩組詞對並繼而要求主體確定第二組是否與第一組之間的關係類似。本發明的系統使用本科生樣本(N＝38)進行了測試-重測研究，其中在測試期之間有兩周間隔。發現類比推理任務的測試-重測信度在約r＝0.63處是可接受的。

實施例2：氣球模擬風險任務(BART，Balloon Analogue Risk Task)

在BART中，主體在計算機遊戲中掙了錢，其中隨著每次點擊卡通泵，就向臨時銀行帳戶中存放充氣的模擬氣球和少量的錢。允許主體在任何點處收集錢。然而，如果氣球彈出，則臨時銀行帳戶不累積錢並且試驗結束。主體的點擊數用作對冒險的測度，並且該任務持續達約80次試驗。

在BART上的表現可以與若干其他風險相關構思有關，所述構思包括Barratt衝動量表、感覺尋求量表以及行為約束量表。

BART的有效性可以通過察看BART上的表現如何與測試主體完成的自我報告測度相關來確定。為了展示出BART在預測風險性行為中有效性遞增，可以使用年齡、性別、衝動性以及步驟一中的感覺尋求和步驟二中的將BART結果作為因素計入來完成逐步回歸分析。步驟一和步驟二中的回歸分析可以示出，即使在控制其他因素時，較高的BART分數也可以與較高的風險性行為的傾向相連結。BART可以與衝動性、感覺尋求以及風險分數顯著相關，而與其他人口統計因素不具有顯著相關性。

測試-重測研究是由本發明的系統使用本科生樣本(N＝40)進行的，其中在測試期之間有兩周間隔。發現測試-重測信度的範圍從r為約0.65至約0.88變化，這取決於風險水平。對社區樣本(N＝24)進行的另一研究示出分半信度的範圍從r為約0.88至約0.96變化，這取決於風險水平。

實施例3：選擇任務(Choice Task)

選擇任務可以用作主體的冒險傾向的測度。選擇任務可以包括一組場景，其中要求主體基於一系列選擇集來進行評價。所述選擇集可以包括相互排斥且相互獨立的備選項，並且通常而言，一個備選項可被認為是這兩個選項中更具風險性的那個。可以進行研究，其中要求主體完成測量個性和行為風險測度的多種測試。主體可以完成的測試包括Zuckerman感覺尋求量表(Zuckerman’s Sensation Seeking Scale)、Eysenck衝動量表(Eysenck’s Impulsivity Scale)、回顧性行為自我控制量表(Retrospective Behavioral Self-Control Scale)、域特定冒險量表(Domain Specific Risk Taking Scale)、選擇任務、氣球模擬風險任務、方差偏好任務、未來折現I以及未來折現II。可以進行主成分分析以確定哪些主成分是基礎的風險測度。例如，方差偏好可以與選擇任務有關。方差偏好可以是針對風險的有力測度，並且可被描述為興奮和外向的個性傾向。

在本發明的系統中，詢問主體他們是否將收到固定數量的錢或者對收到更高數量的錢的機會上下注。可以改變錢的數量以及收到錢的機會，以使選項看起來更有風險或不那麼有風險。系統進行了兩個研究來建立選擇任務的測試-重測信度。一個研究是利用本科生樣本(N＝40)進行的，其中在測試期之間有兩周間隔。發現測得的測試-重測信度約為r＝0.62。第二個研究是使用社區樣本(N＝24)的分半信度研究。發現分半信度約為r＝0.82。

實施例4：獨裁者任務(Dictator Task)

獨裁者任務可以在行為經濟學中使用，作為對慷慨和利他主義的測度。為了確定該遊戲的有效性，可以要求主體報告其在過去一年的慈善事業。例如，能夠發現在任務期間捐贈其虛構收入的主體在過去一年中實際上比在該任務期間沒有捐贈其虛構收入的那些主體向慈善事業捐贈得更多。

在本發明中，主體與隨機參與者配對，其中該主體和隨機參與者最初都收到相同數量的錢。隨後，給予主體額外數量的錢並且指示主體不將該錢給予隨機參與者或者將該錢中的一些或全部給予隨機參與者。捐贈給隨機參與者的錢的數量用作對利他主義的測度。測試-重測研究是由本發明的系統使用本科生樣本(N＝40)的，其中在測試期之間有兩周間隔。發現測試-重測信度在約r＝0.62處是可接受的。分半信度還可以使用社區樣本(N＝24)測量得到，並且發現信度在約r＝0.65處是可接受的。

實施例5：數字廣度(Digit Span)

數字廣度任務可以用於測量主體的工作記憶數存儲容量。在本發明的系統中，向主體呈現一系列數字並且在提示時要求主體通過在鍵盤上輸入數字來重複數字的序列。如果主體成功地背誦出所述數，那麼給予該主體更長的要記住和背誦的序列。主體可以記住的最長列表的長度是該主體的數字廣度。

數字廣度會與工作記憶的所有測度(包括用於表示容量和處理的測度)正相關，並且數字廣度會與年齡負相關。對於健康成人而言數字廣度任務在一個月的間隔內能夠具有足夠的信度。

進行數字廣度測試。在社區樣本(N＝23)中，發現針對數字廣度任務的分半信度在r＝0.63處是可接受的。在測試期之間有兩周間隔的情況下對本科生樣本(N＝39)進行的測試-重測研究還示出了可接受信度，其中r＝0.68。

實施例6：EEfRT(簡單或困難)

付出努力以獲得獎勵任務(EEfRT，Effort-Expenditure for Rewards Task)可用於探索人類基於努力的決策。EEfRT可以測量個人願意付出多少努力來獲得獎勵。在多個分析中，在快感缺乏與為獎勵願意付出努力之間可以觀察到顯著的相反關係。特質快感缺乏增加可以顯著地預測出為獎勵付出努力的總體似然度減小，這指示出EEfRT任務可以是激勵和基於努力的決策的有效代用指標(proxy)。

在本發明的系統中，向主體呈現完成簡單任務或困難任務的選擇。相比於困難任務，簡單任務涉及更少次地按鍵盤的空格鍵。簡單任務的完成保證每次有相同的獎勵，而困難任務的完成提供了收到高得多的獎勵的機會。將更傾向於挑選較困難任務的主體評估為更多地受到獎勵激勵，即使需要更多的努力亦如此。

系統進行了對EEfRT的信度測試。在社區樣本(N＝24)中，發現EEfRT的分半信度在r＝0.76處在平均值以上。第二個研究是使用本科生樣本(N＝40)進行的，其中在測試期之間有兩周間隔。發現測試-重測信度在r＝0.68處是可接受的。

實施例7：面部表情測試(Facial Affect Task)

如果面部表情提供了相關但不清楚的信息，則情境因素可能對主體對情緒表情的解讀具有強烈的影響。在有限的背景下，大多數主體可以判斷表達者感覺到與情境相匹配的情緒，而非其實際的面部表情。當暗示非基本情緒時，情境信息可能尤其有影響力，例如，一個人可能處於痛苦的情境中，卻顯示出恐懼的表情。判斷該人表情的主體常常推斷出該人的表情是痛苦而非恐懼的表情。

在本發明的系統中，向主體呈現顯示不同情緒的男人和女人的照片。在一些情況下，一些照片與描述情境的故事一起呈現，而其他照片則單獨呈現。指示主體從一組四種情緒中選擇最佳地描述了照片中的人的表情的情緒。把在未呈現有故事的情況下會正確地辨識出情緒的主體描述為具有敏銳的讀取面部表情的能力。

系統對面部表情任務進行信度測試。使用社區樣本(N＝24)來測量面部表情任務的分半信度。發現分半信度在平均值以上，其中r值範圍從約0.73-0.79。測量兩次本科生樣本(N＝40)，其中在測試期之間有兩周間隔。發現測試-重測信度是可接受的，其中r值約為0.57-0.61。

實施例8：手指敲擊(按鍵)

手指敲擊測試(FTT，Finger-Tapping test)是一種心理測試，其可以評估神經肌肉系統的完整性並檢查運動控制。該任務可以在一個月的間隔內具有良好的信度。

可以對健康主體進行簡單的運動敲擊任務。可以要求主體在60秒內儘可能快地用其慣用手的食指敲擊觸屏監視器上的靜止圓圈。測試-重測間隔可以約為四周，並且可以具有相當高的信度相關性。

在本發明的系統中，要求主體在指定時間量內使用慣用手重複點擊鍵盤的空格鍵。使用社區樣本(N＝24)來評估FTT的分半信度。發現關鍵測度在r值約為0.68-0.96時是可信的。測試-重測研究使用了本科生樣本(N＝40)，其中在測試期之間有兩周間隔。發現相關測度的信度在r值介於約0.58-0.77之間時是可接受的。

實施例9：未來折現(Future Discounting)

時間上的未來折現可以是指相比於未來但可觀的獎勵，個體更喜歡當前但適度的獎勵的程度。可以將時間貼現建模為指數函數，從而導致偏好隨時間延遲的增加而單調減小，其中個體通過隨獎勵延遲而增加的因子來對未來獎勵值進行貼現。雙曲線貼現可以是指時間不一致的未來折現的模型。當雙曲線模型用於對未來折現進行建模時，模型可以表明，對於小的延遲周期，估值下降得很快，但是對於較長的延遲周期，則下降得緩慢。雙曲線可以顯示比其他模型更好的適配，從而提供個體對延遲的獎勵進行貼現的證據。

在本發明的系統中，向主體呈現問題，其中主體必須在現在接收一定數量的錢或者在未來的指定時間接收更多的錢之間進行選擇。改變錢的數量以及將錢給予主體的時間以增加或減小獎勵的延遲和大小。

系統對未來折現任務進行了信度測試。使用社區樣本(N＝24)來評估未來折現任務的分半信度。發現經對數變換的數據的分半信度在約r＝0.65處是可接受的。測試-重測研究使用本科生的樣本(N＝40)對未來折現任務的信度進行了評估，其中在測試期之間有兩周間隔。發現經對數變換的數據的信度在約r＝0.72處是可接受的。

實施例10：側抑制任務(Flanker Task)

側抑制任務可以用於檢查主體的任務切換能力。側抑制任務可以是指一組反應抑制測試，反應抑制測試用於評估遏制在特定背景下不適當的反應的能力。側抑制任務可以用於評估選擇性注意和信息處理能力。靶可由非靶刺激來側抑制(be flanked)，所述非靶刺激對應於與該靶相同的定向反應(一致刺激)、對應於相反的反應(不一致刺激)，或者不對應於兩者中任一種(中性刺激)。給予主體關於該主體應當如何對他們所看到的作出反應的不同規則。

當要求主體切換任務和重複任務時，可以觀察到一貫不佳的表現，這顯示出側抑制任務的任務切換效果的有效性。與一致刺激相比，在側抑制任務期間可以激活可以對不一致刺激作出更積極反應的前扣帶皮層(ACC，anterior cingulate cortex)，並且其可以監視任務的衝突量。在下一試驗中，由ACC測量的衝突水平可以向主體提供更多的控制，這指示出在試驗n中所呈現的衝突越多，在試驗n+1中能夠由主體呈現的控制就越多。

側抑制任務和經顱磁函數(TMS，transcranial magnetic function)可以用於找到導致誤差後減慢(PES，post-error slowing)的誤差後調整的時間進程。一些結果可以顯示出，活動運動皮層的興奮度可以在錯誤反應之後減小。

在本發明的系統中，指示主體根據呈現的五個箭頭的方向和顏色來按壓鍵盤上的具體箭頭鍵。如果紅色箭頭是五個紅色箭頭之中的中心箭頭，那麼該中心的紅色箭頭的方向規定了按哪個鍵。如果紅色箭頭是都指向同一方向的四個藍色箭頭中的中心箭頭，那麼藍色箭頭的方向規定了主體應當按哪個鍵。例如，如果向主體顯示出指向右的五個紅色箭頭的序列，那麼該主體應當按右箭頭鍵。如果下一圖像顯示出紅色，中心箭頭指向右，但其餘的紅色箭頭指向左，那麼該主體應當再次按右箭頭鍵。然而，如果下一圖像顯示出紅色，指向右的中心箭頭由指向左的藍色箭頭圍繞，那麼該主體應當已經按了左箭頭鍵。推動基於「側抑制」的正確的箭頭鍵或圍繞中心箭頭的箭頭的能力用於測量主體的任務切換能力。

系統對側抑制任務進行了信度測試。使用社區樣本(N＝14)來評估側抑制任務的分半信度。發現關鍵測度在r值約為0.70-0.76時是可信的。在第二個研究中，使用本科生樣本(N＝34)來評估測試-重測信度。發現相關測度的結果在r值約為0.51-0.69時是可接受的。

實施例11：Go/No-Go

Go/No-Go測試可用於評估主體的注意廣度和反應控制。Go/No-Go測試的示例可以包括在呈現具體刺激時使主體按下按鈕(「Go」)，而在呈現不同刺激時不按下相同按鈕(「No-Go」)。尤其是對於抑制試驗而言，Go/No-Go測試上的表現可能與通過Wisconsin卡片分類任務(Wisconsin Card Sorting Task)、Stroop色詞測試(Stroop Color-Word Test)和連線測試(Trail Making Test)所測得的複雜的執行功能相關。

在本發明的系統中，向主體呈現紅色圓圈或綠色圓圈並且指示主體在示出紅色圓圈時按下空格鍵，而在示出綠色圓圈時不按任何鍵。使用社區樣本(N＝23)來研究Go/No-Go任務的分半信度。發現相關測度的分半信度在r值約為0.56時是可接受的。測試-重測研究也是對本科生樣本(N＝33)進行的，其中在測試期之間有兩周間隔。發現關鍵測度的信度很強，約為0.82。

實施例12：眼神讀心(Mind in the Eyes)

眼神讀心測試可以通過評估主體僅使用眼睛周圍的表情來識別他人的精神狀態的能力來評價該主體的社會認知。可以進行使情緒類型、用作刺激的面容數量以及刺激的性別發生改變的一系列實驗來確定主體如何感知基本情緒和複雜情緒。健康控制可以從整個面部來感知基本情緒和複雜情緒二者良好，但對於複雜的精神狀態，主體的分數在僅察看眼睛時可能更高。這一發現暗示出，眼睛能夠比整個面部擁有更多的信息。

在本發明的系統中，向主體呈現在照片中僅展現個體的眼睛的一系列照片。繼而指示該主體選擇他們覺得眼睛最佳地表示出的情緒。情緒的選擇範圍從例如悲傷、快樂、生氣和驚訝等基本情緒到例如傲慢、遺憾、判斷和緊張等複雜情緒變化。將能夠從眼睛正確地解讀出情緒的主體描述為在情緒上更具洞察力。

系統對眼神讀心任務進行了信度測試。在社區樣本(N＝23)中評估眼神讀心任務的分半信度，並且該分半信度具有平均值之上的相關性，約為r＝0.74。在測試期之間有兩周間隔的情況下對本科生樣本(N＝38)進行的測試-重測研究具有約為r＝0.67的可接受信度。

實施例13：N-Back(字母)

N-back任務是持續操作任務，其可以用於測量主體的工作記憶。例如，可以向主體呈現刺激的序列，並且該主體必須指出當前刺激何時與該序列中n步前的刺激相匹配。可以調整n的值以使任務更難或不那麼難。可以將兩個複雜度水平下的N-back任務與韋氏成人智力量表修訂版(WAIS-R，Wechsler Adult Intelligence Scale Revised)上的數字廣度測試中的表現進行比較。N-back任務的準確度分數可以與WAIS-R的數字廣度子測試中的表現正相關。WAIS-R的數字廣度子量表能夠反映某些認知過程，所述認知過程能夠與工作記憶容量重疊，從而指示出N-back任務的準確度分數可能與個體在工作記憶容量方面的差異相關聯。

在本發明的系統中，向主體呈現字母並且指示主體當在兩個幀之前顯示相同字母時按下空格鍵。將能夠正確地辨識第二例字母的主體評估為具有高工作記憶。

系統對N-Back任務進行了信度測試。在社區樣本(N＝24)中評估了N-Back測試的分半信度，並且發現該分半信度在約r＝0.83處具有平均值以上的信度。測試-重測研究使用了本科生樣本(N＝38)，其中在測試期之間有兩周間隔。發現信度在約r＝0.73處是可接受的。

實施例14：圖案識別(Pattern Recognition)

圖案識別任務可以測量主體從刺激或物體的序列中辨別圖案和相似點的能力。

Raven的漸進矩陣(RPM，Raven’s Progressive Matrices)測試與圖案識別任務相似。高級漸進矩陣(APM，Advanced Progressive Matrices)測試——是Raven的漸進矩陣測試的一種形式——能夠具有非常好的測試-重測信度。信度係數可以從約0.76到約0.91變化。

在本發明的系統中，向主體呈現彩色正方形的網格，其中一個角缺失。主體必須從六個圖像中選擇一個將正確地使該網格中的圖案完整的圖像，並且將能夠正確地辨識出該圖像的主體評估為具有較高的圖案識別能力。

系統對圖案識別任務進行了信度測試。為了評估測試-重測信度，對本科生樣本(N＝36)實施了該任務，其中在測試期之間有兩周間隔。發現信度在約r＝0.55處是可接受的。

實施例15：獎勵學習任務(Reward Learning Task)

為了評估主體根據獎勵調整行為的能力之間的關係，可以開發獎勵學習任務，其中主體掙得通過區別強化時間表所確定的某數量的錢。可以向主體呈現選擇，其中一個選擇可以與獎勵相關聯，但是獎勵的接收取決於挑選了正確的選擇。隨著主體得知哪個選擇是正確的，可以增加獎勵。

在本發明的系統中，向主體呈現具有短嘴或長嘴的數字臉。臉長的差異是最小的，但可被人眼感知到。要求主體在呈現具有長嘴的臉時按下右箭頭鍵並且在呈現具有短嘴的臉時按下左箭頭鍵。另外，告訴主體如果他們挑選出了正確的選擇則可以收到錢。獎勵學習任務用於基於接收到獎勵來確定主體是否能夠得知哪個刺激是正確的。

系統對獎勵學習任務進行了信度測試。在社區樣本(N＝24)中評估了獎勵任務的分半信度，並且發現關於關鍵測度，該分半信度具有平均值以上的信度，其中r＝0.78。在測試-重測研究中使用了本科生樣本(N＝40)，其中在測試期之間有兩周間隔。發現關鍵測度的測試-重測信度在約r＝0.66處在平均值以上。

實施例16：倫敦塔(TOL，Tower of London)

TOL任務可以用於評估執行功能和規劃能力。對於任務的不同難度水平，可以計算平均移動次數和平均初始思考時間(ITT，initial thinking time)。ITT可以對應於呈現拼圖與主體開始解決拼圖的時刻之間所經過的時間。負相關可以存在於總平均ITT分數與總平均移動分數之間，這暗示出較長的ITT分數有助於減少移動次數，換句話說，ITT能夠反映規劃。測量移動次數、準確表現以及在倫敦塔任務中作出第一次移動之前的時間的變量可以具有介於0.61與1.43之間的效應大小。

可以評估用於在搜索和臨床環境中使用的一系列TOL任務以在最小移動上顯示出任務難度的明顯且近乎完美的線性增加。換句話說，表現不佳、表現中等以及表現良好的主體可以分別在多達但不超出低水平、中等水平以及高水平最小移動的問題上獲得正確的解決方案。任務的準確度可以根據最小移動次數而不同。

在本發明的系統中，向主體呈現兩組釘子，每組三個釘子。靶組釘子在一個釘子周圍具有五個彩色圓盤，而實驗組釘子具有跨這三個釘子分布的五個彩色圓盤。任務的目標是使實驗組中的彩色圓盤的布置與靶組的彩色圓盤的布置相匹配。將可以在指定時間段內以最小移動次數完成任務的主體評估為具有高規劃能力。

系統對TOL任務進行了信度測試。在社區樣本(N＝24)中評估了TOL任務的分半信度，並且發現該TOL任務對於時間—關鍵測度具有良好信度，約為r＝0.77。使用本科生樣本(N＝39)進行了測試-重測研究，其中在測試期之間有兩周間隔。發現使用這種方法的時間信度在約r＝0.69處在平均值以上。

實施例17：信任任務(Trust Task)

信任任務可以用於研究信任和互惠，同時控制聲譽、合同義務或懲罰。信任任務可以具有兩個階段。首先，給予主體錢，並且繼而所述主體可以決定其將會向不同位置的未知人派送多少錢(如果有的話)。可以告訴主體他們派送的錢在到達其他人時數量將會加倍。繼而，該其他人具有將錢派送回主體的選項。

信任任務的表現可以與個性測度相關聯，所述個性測度包括馬基雅維裡主義(Machiavellianism)和關係動機，例如，對他人的高度關注以及對自我的較少關注。參與信任任務能夠影響神經生理反應，例如，催產素的產生，並且能夠與大腦區域中與信任和社會關係相關的神經反應的位置、量級和定時相關聯。

在本發明的系統中，將主體與隨機參與者配對。主體收到錢，而隨機參與者沒有收到錢。指示主體將其所有的錢或者一些錢派送給隨機參與者，同時主體知道在錢到達其他人的時候錢將會增至三倍。該其他人繼而能夠不將該錢派送回主體，或者將該錢的一些或全部派送回主體。主體可繼而基於隨機參與者派送回的錢數量來評估隨機參與者的公平性。與向隨機參與者派送較少錢的那些主體相比，將派送較多錢的主體視為是更值得信任的。

系統對信任任務進行了信度測試。對於信任任務，利用社區樣本(N＝24)進行了分半信度研究。發現分半信度在約r＝0.60處是合理的。在本科生的樣本(N＝40)中測量了測試-重測信度。發現關鍵信度在約r＝0.59處是可接受的。

表1顯示了在針對可由本發明的系統使用的說明性任務的在前實施例中所計算得到的信度測度的概要。

實施例18：使用本發明的系統來對員工進行分類

公司A是有22名員工的諮詢公司。公司將其這組中的四名員工辨識為表現最佳者，而其他18名員工則不被辨識為表現最佳者。系統能夠使用來自員工在本文描述的、使用集成算法的神經科學測試上的表現的行為數據來將員工分類為表現最差者或表現最佳者。系統的算法將每個員工的一組行為數據轉換為範圍從0-100變化的適配分數。適配分數指示出了員工屬於一個組或另一組的似然性。具有50％適配分數的個體可被等可能地分類為表現最差者或表現最佳者，而具有90％適配分數的員工可能極有可能是真正的表現最佳者，並且具有10％適配分數的員工可能極有可能是表現最差者。系統在使模型準確度最大化的同時執行二進位分類，並且調整決策邊界以確保誤報率和漏報率最小化。

系統構建了正確辨識了四個表現最佳者的模型。該模型還將兩個表現最差者分類為表現最佳者，這意味著16名員工被正確地辨識為表現最差者。系統使用60％的決策邊界來使誤報率和漏報率二者最小化。表2顯示了這一分析的結果並且指示出系統的分類如何與公司的分類相匹配。例如，系統將兩名員工分類為表現最佳者，而實際上公司將那些員工分類為表現最差者。因此，使用22名個體的樣本，系統構建了以91％的準確度對員工進行分類的模型。

實施例19：使用本發明的系統來確定潛在的工作表現

在招聘工作期間，公司A有235份個人申請。申請人池包括從大型高校錄取的本科生。所有申請人都由公司A的標準簡歷審核過程和系統的一套測試二者進行評估。該系統用於提升簡歷審核的效率並降低錯失人才的似然性。

利用在實施例18中構建的預測模型，系統試圖辨識最有可能接收工作邀請的申請人。為了了解系統的算法是否能夠增加所發出邀請的產出率(yield)，系統首先基於公司A的標準簡歷審核過程對公司A向其發出了邀請的候選人數目與被邀請面試的候選人數目進行比較。隨後，系統基於該系統的算法結合公司A的標準簡歷審核過程來計算所發出的邀請與面試的類似比率(表3)。通過利用本文中的算法與公司A的標準簡歷審核過程相結合，該系統使所發出邀請的產出率從5.3％增加至22.5％。

公司A還使用了該系統來幫助減少錯失申請人之中的人才。公司要求系統從被公司A的標準簡歷審核過程拒絕的141名申請人中推薦10名申請人。通過在系統推薦的10名候選人之中辨識出值得邀請的一名候選人，系統能夠在評價公司拒絕的候選人時匹配並稍微超過公司的標準簡歷審核過程的產出率(表4)。

公司A還使用了該系統作為用於替代簡歷審核的服務。該系統的算法從235名申請人中辨識出28名值得面試的申請人。公司面試了那28名個人並向其中的五人發出邀請(表5)。因此，系統能夠使被發出邀請的申請人的產出率從8.5％增加至17.9％。

系統可被用於三種不同的目的。系統可以通過增加邀請所發給的申請人的產出率來增加簡歷審核的效率。系統可以通過評估公司的簡歷審核過程原本未考慮的候選人來減少錯失人才。最後，在公司沒有預算來支持招聘團隊的情況下，系統可以用於替代簡歷審核。

實施例20：使用本發明的系統來提供職業反饋

公司B要求系統構建模型以使用來自員工在一套基於神經科學的測試上的表現的數據，從一個月內測量到的一組782名員工中將一系列銷售職位的員工分類為表現最佳者。分析的目的是在必要時提供職業發展反饋和人員再配備的建議。

系統使用算法構建了模型以將每一員工職位內的員工分類為表現最佳者或最差員工。這些模型允許系統報告劃定表現最佳者與表現最差者的特質。系統的特質辨識特徵允許該系統通過定量地對個體員工的簡檔與針對公司職位的模範員工簡檔進行比較並繼而報告該員工的優勢以及需要改進的方面來提供職業發展建議。

關於在選定間隔的時間內參與的員工數的詳細信息在表6中列舉出並在圖2中表示出。表7中詳述了來自四個員工職位的每一個的表現最佳者的最終組大小。

模型準確度確定如下：正確的分類/總數N，其中N為組大小，並且員工的正確分類通過系統與公司之間的組分類的重疊來確定。

對於所檢查的四個職位，基於訓練數據的模型準確度結果都大於95％，如圖3中所示。圖3描繪了一組4個直方圖，每個模型化的職位一個直方圖，並且每個直方圖在Y軸上顯示了員工數，而在X軸上顯示了適配分數。適配分數小於0.8的、處於深灰色的員工根據本發明的度量被準確地分類為非表現最佳者。適配分數大於或等於0.8的、以淺灰色描繪的員工被本發明準確地分類為表現最佳者。適配分數大於或等於0.8的、以深灰色描繪的員工被不準確地分類為表現最佳者(誤報)，而那些分數小於0.8的、以淺灰色描繪的員工被不準確地分類為非表現最佳者(漏報)。在[00115]節中描述且在表2中描繪了誤報和漏報。公司B通過針對由系統構建的四個模型中的每一個的特質來接收簡檔分析。這些簡檔暗示出對於具體職位的模範員工的特質特點。

系統還為公司B的員工提供了職業發展反饋。系統具體而言為每名員工提供了使該員工理想地適合於其職位的前三個特質的列表以及該員工可以改進的前三個特質的列表。另外，系統提供了關於對於每個特質而言員工可以如何改進的建議。

系統在四個不同的銷售職位上以大於95％的準確度將員工分類為表現最佳者或表現最差者。系統對於公司B處的人員再配備而言是可用的，這是因為公司B對利用來自系統的結果來幫助在部門之間調任員工(如果必要的話)感興趣。此外，員工收到直接基於評估的職業發展反饋。系統的評估具體辨識出在公司某一職位成功員工的特質。系統繼而向表現最差的員工給予關於該員工如何與模範員工進行比較的反饋以及表現最差的員工可以改進表現的方式。

實施例21：使用本發明的系統來增加臨時員工的轉化率

公司C和公司D是從主要商學院大量招聘暑期實習生的諮詢公司。在2012年和2013年，公司C聘用了57名MBA暑期實習生，而公司D聘用了106名學生暑期實習生。本發明的系統評估了公司在兩個夏天的過程中面試的學生，並且確定與公司能夠辨識出將會繼續在諮詢領域的學生相比，系統的算法是否能夠更正確地辨識出那些學生。系統在不管所擔任的職位的情況下根據在公司C和公司D工作的學生構建了文化適配模型。研究的目的是增加暑期實習生向全職員工的轉化率。

在暑期實習生項目之後，公司C發出了八個邀請，並且那些人中的六人在完成學業後繼續在諮詢行業工作。公司D發出了16個邀請，並且那些人中的11人在學業結束後繼續在諮詢行業工作。系統為公司C和公司D二者構建了模型並且生成了適配分數來預測公司應當向誰發出邀請。系統建議公司C向11名學生發出邀請，其中有還10人繼續在諮詢行業工作。系統還建議公司D向10個人發出邀請，其中9人還繼續在諮詢行業工作(表8)。

實施例22：使用本發明的系統來增加申請人接受邀請的產出率

公司C在2012年和2013年與57名暑期實習生一起工作。公司C向這些實習生中的13人發出了邀請。這13名實習生中的十人接受了公司C的邀請。公司C請求系統測試算法是否可以預測誰更有可能接受公司的邀請。使用先前在實施例21中為公司C構建的模型，系統對接受公司邀請的那些人的平均適配分數與拒絕公司邀請的那些人的適配分數進行比較。

接受公司C的全職邀請的十名暑期實習生的平均適配分數為69％。未接受公司C的邀請的三個人的平均適配分數為35％。因此，系統的適配分數可以追蹤更有可能接受公司邀請的個人。對於公司C，接受公司C邀請的個人比那些拒絕公司C邀請的個人具有更高的文化適配分數。

實施例23：評估本發明的系統中的不利影響

由本發明的系統創建的適配分數可以是作為系統的一部分的個人評估的分數的聚合。進行對適配分數的多變量統計分析以評價人口因素對分數的影響。為了調查年齡對系統分數的影響，分析來自人群(N＝179)的兩個年齡組，39歲和39歲以下以及40歲和40歲以上。使用Hotelling的T方測試來評估年齡組之間的任何統計上顯著的差異。未觀察到組中基於年齡的差異。通過將人群分為4個年齡組：a)29歲和29歲以下、b)30-34、c)35-39以及d)40歲或40歲以上，來進一步分析年齡的影響。採用多變量單向ANOVA測試，其還示出在年齡組間無差異(p>0.05)。使用相同的數據集和Hotelling的T方測試，女性與男性之間的變化在統計上不顯著(p>0.05)。在多變量ANOVA測試中，在種族類別上未觀察到顯著差異(p>>0.1)，所述種族類別包括亞洲人、黑人、西班牙裔、中東人、美洲原住民、白人、其他種族以及混合種族。

多變量統計分析展示出，年齡、性別和種族在統計上都不與適配分數顯著相關。

系統可以通過針對基於年齡、種族或性別的結果的差異而測試每個個體測試中的偏差來檢查測試的不利影響。在個人評估水平下檢查了系統測試的結果。系統針對年齡組、性別組或種族組的差異檢查了每個任務，以及包括在針對每個任務的一個與十個單獨測度之間的分析。表9中給出了來自統計分析的顯著結果。沒有一個任務顯示出種族的差異，並且任務的子集顯示出基於年齡和性別的差異。對於多組之間顯示出顯著差異的那些任務，報告了那些差異的效應大小。效應大小的相關係數(r)0.1可被認為很小；0.3可被認為適中；而0.5可被認為很大。17個顯著結果中的十六個落在從小到適中的範圍中，並且來自倫敦塔任務的單一測度(每次正確移動的時間)實現了處於適中範圍中的為0.32的r。

氣球模擬風險任務(BART)

BART的一個測度顯示出性別之間的顯著差異；具體而言，女人比男人更會規避風險。這種差異表示了由性別解釋的觀察到的方差的3％。

選擇任務

對於選擇任務，結果根據年齡和性別二者而不同。較年輕的參與者比年齡在40以上的參與者具有更高的百分比博弈分數(percentage gamble score)。這種差異表示了2.6％的樣本方差。根據性別檢查百分比博弈展現出男人比女人具有更高的分數，並且這種差異表示了1.96％的樣本方差。

獨裁者任務

給予隨機參與者錢的數量根據性別而不同，並且女人在任務中比男人給予得更多。這種差異表示了1.2％的樣本方差。

EEfRT

在其之後選擇更困難的任務的拐點更通常地根據性別而不同，並且男人比女人具有更高的分數。性別差異解釋了1.96％的數據方差。面部表情測試

面部表情測試的結果根據年齡而不同，因為年老參與者在根據面部表情辨別情緒方面比年輕參與者更準確。年齡差異解釋了3.61％的數據方差。

手指敲擊任務

手指敲擊任務的反應時間根據年齡和性別二者而不同。年老參與者在反應時間測度上比年輕參與者更慢，並且女人比男人更慢。這些效果分別解釋了4％和6.25％的數據方差。

側抑制任務

側抑制任務的一個測度示出了男人與女人之間的顯著差異。男人在切換準確度上得分更高，並且這種差異解釋了2.25％的數據方差。未來折現

在未來折現任務中，系統辨別出因年齡和性別二者而造成的差異。年老參與者比年輕參與者更有可能等待未來的機會。這種效果解釋了1.96％的數據方差。折現率還根據性別而不同在於，女人比男人更有可能等待未來的機會。

N-Back測試

在N-Back測試中的準確度的測度根據性別而不同。男人比女人具有更高的準確度分數，結果解釋了2.89％的數據方差。

信任任務

系統辨識出因性別而造成的數量和公平性二者方面的差異。男人比女人給出更高的數量，效果解釋了2.89％的數據方差。女人給出了更高的公平性評級，效果解釋了2.25％的數據方差。

圖案識別

在圖案識別任務中，系統辨識出基於性別的顯著差異。男人比女人具有更高的圖案識別分數，效果解釋了2.56％的數據方差。

倫敦塔

在倫敦塔任務中，系統辨識出年齡的顯著效果。年老參與者對每次正確的移動比年輕參與者花費更多的時間，效果解釋了10.24％的方差。

實施例24：適配分數檢查

系統針對存在於系統針對來自公司B的樣本而生成的適配分數內的不利影響的證據來檢查樣本數據。表10報告了樣本人口統計，包括按職位對樣本進行細分。

對於每個職位，系統測試對總樣本(N＝464)的不利影響。來自公司B的4個職位中的514名員工完成了一套測試。由系統根據538名員工的總樣本為每個職位構建了個體模型。系統具有關於538名員工中的464名的性別數據。在一個職位內或者跨不同職位在性別之間未發現適配分數的差異。

系統無法獲取上文報告的、針對公司B的員工的人種數據。然而，系統使用上文生成的模型測試了來自內部資料庫的樣本以獲得人種偏見。系統為來自內部資料庫的962個人的樣本生成了適配分數(表11)。人群包括本科生、MBA學生以及行業專家的混合。

針對表12中報告的樣本，在人種之間未觀察到適配分數的差異(表12)。

a:單向ANOVA。

實施例25：適配分數檢查：行業適配模型

系統還針對性別和人種偏見檢查了系統的全部行業模型。系統為來自內部資料庫的962個人的樣本生成了適配分數(表11和表13)。人群包括本科生、MBA學生以及行業專家的混合。在系統認為是穩定的任何行業模型中，未觀察到性別或人種的偏見。

實施例26：計算機架構

各種計算機架構適合於與本發明一起使用。圖4是圖示了可與本發明的示例實施方式結合使用的計算機系統400的第一示例架構的框圖。如圖4中所描繪，示例計算機系統可以包括用於處理指令的處理器402。處理器的非限制性示例包括：Intel Core i7TM處理器、Intel Core i5TM處理器、Intel Core i3TM處理器、Intel XeonTM處理器、AMD OpteronTM處理器、三星32位RISC ARM 1176JZ(F)-S v1.0TM處理器、ARM Cortex-A8三星S5PC100TM處理器、ARM Cortex-A8蘋果A4TM處理器、Marvell PXA 930TM處理器或功能等效處理器。可以使用多個執行線程以進行並行處理。在一些實施方式中，多個處理器或具有多個核的處理器可以在單一計算機系統中或者在集群中使用，或者通過網絡跨各個系統分布，所述網絡包括多個計算機、行動電話和/或個人數據助理設備。

數據採集、處理和存儲

如圖4中所示，高速緩衝存儲器401可以連接至處理器402或併入於其中以提供用於最近或頻繁地由處理器402使用的指令或數據的高速存儲器。處理器402通過處理器總線405連接至北橋406。北橋406通過存儲器總線404連接至隨機存取存儲器(RAM)403並且通過處理器402來管理對RAM 403的訪問。北橋406還通過晶片組總線407連接至南橋408。南橋408轉而連接至外圍總線409。外圍總線例如可以為PCI、PCI-X、PCI Express或其他外圍總線。北橋和南橋常常被稱為處理器晶片組並且管理處理器、RAM以及外圍總線409上的外圍組件之間的數據轉移。在一些架構中，北橋的功能可以併入到處理器中，而不是使用單獨的北橋晶片。

在一些實施方式中，系統400可以包括附接至外圍總線409的加速器卡412。加速器可以包括現場可編程門陣列(FPGA)或者用於加速某些處理的其他硬體。

(一個或多個)軟體接口

軟體和數據儲存在外部存儲413中並且可被加載到RAM 403和/或高速緩衝存儲器401中以供處理器使用。系統400包括用於管理系統資源的作業系統；作業系統的非限制性示例包括：Linux、WindowsTM、MACOSTM、BlackBerry OSTM、iOSTM和其他功能等效作業系統，以及運行在作業系統之上的應用軟體。

在該示例中，系統400還包括連接至外圍總線的網絡接口卡(NTC)410和411，用於向外部存儲提供網絡接口，所述外部存儲諸如為網絡附接存儲(NAS)以及可用於分布式並行處理的其他計算機系統。

計算機系統

圖5是示出具有多個計算機系統502a和502b、多個行動電話和個人數據助理502c以及網絡附接存儲(NAS)501a和501b的網絡500的示圖。在一些實施方式中，系統502a、502b和502c可以管理數據存儲並且優化對儲存於網絡附接存儲(NAS)501a和502b中的數據的數據存取。數學模型可用於該數據並且可使用跨計算機系統502a和502b以及行動電話和個人數據助理系統502c的分布式並行處理來評價。計算機系統502a和502b以及行動電話和個人數據助理系統502c還可以提供並行處理，以便對儲存於網絡附接存儲(NAS)501a和501b中的數據進行自適應性數據重構。圖5僅圖示了示例，並且各種各樣的其他計算機架構和系統可以與本發明的各個實施方式相結合地使用。例如，刀片伺服器可用於提供並行處理。處理器刀片可以通過底板相連以提供並行處理。存儲還可以連接至所述底板或者通過單獨的網絡接口而被連接為網絡附接存儲(NAS)。

在一些實施方式中，處理器可以保持單獨的存儲空間並且通過網絡接口、底板或用於由其他處理器進行並行處理的其他連接器來傳輸數據。在一些實施方式中，一些或所有處理器可以使用共享的虛擬地址存儲空間。

虛擬系統

圖6是使用共享的虛擬地址存儲空間的多處理器計算機系統的框圖。該系統包括可以訪問共享的存儲器子系統602的多個處理器601a-f。系統將多個可編程硬體存儲器算法處理器(MAP)603a-f併入存儲器子系統602中。每個MAP 603a-f可以包括存儲器604a-f以及一個或多個現場可編程門陣列(FPGA)605a-f。MAP提供了可配置的功能單元，並且可以向FPGA 605a-f提供特定的算法或算法的一部分，以便與相應處理器密切配合地進行處理。在該示例中，出於這些目的，每個MAP在全球範圍內可由所有處理器訪問。在一種配置中，每個MAP可以使用直接存儲器訪問(DMA)來訪問相關聯的存儲器604a-f，從而允許其獨立於相應微處理器601a-f且與其異步地執行任務。在該配置中，MAP可以直接向另一MAP饋送結果，以供算法的流水線化和並行執行。

上文計算機架構和系統僅僅是示例，並且各種各樣的其他計算機、行動電話以及個人數據助理架構和系統可以與示例實施方式相結合地使用，其包括使用通用處理器、協處理器、FPGA和其他可編程邏輯器件、晶片上系統(SOC)、專用集成電路(ASIC)以及其他處理元件和邏輯元件的任何組合的系統。任何種類的數據存儲介質可以與示例實施方式相結合地使用，其包括隨機存取存儲器、硬碟驅動器、閃速存儲器、磁帶驅動器、磁碟陣列、網絡附接存儲(NAS)以及其他本地或分布式數據存儲設備和系統。

在示例實施方式中，計算機系統可以使用在上文或其他計算機架構和系統中的任一個上執行的軟體模塊來實現。在其他實施方式中，系統的功能部分地或完全地實現在固件、諸如圖6中所引用的現場可編程門陣列(FPGA)等可編程邏輯器件、晶片上系統(SOC)、專用集成電路(ASIC)或其他處理元件和邏輯元件中。例如，固定處理器(Set Processor)和優化器可以利用通過使用諸如圖4中所圖示的加速器卡412等硬體加速器卡的硬體加速來實現。

本文所描述的本發明的任何實施方式例如可由同一地理位置內的用戶產生和傳輸。本發明的產品例如可從一個國家中的某一地理位置產生和/或傳輸，並且本發明的用戶可以存在於不同的國家中。在一些實施方式中，由本發明的系統訪問的數據是可從多個地理位置701中的一個傳輸給用戶702的電腦程式產品(圖7)。由本發明的電腦程式產品生成的數據例如可通過網絡、安全網絡、不安全的網絡、網際網路或內聯網在多個地理位置間來回傳輸。在一些實施方式中，由本發明提供的本體論層次結構被編碼在物理且有形的產品上。

實施方式

以下非限制性實施方式提供了對本發明的說明性示例，但不限制本發明的範圍。

實施方式1.一種包括具有編碼於其中的計算機可執行代碼的計算機可讀介質的電腦程式產品，所述計算機可執行代碼適於被執行用於實現包括以下各項的方法：a)提供招聘系統，其中所述招聘系統包括：i)任務模塊；ii)測量模塊；iii)評估模塊；以及iv)辨識模塊；b)由所述任務模塊向主體提供計算機化任務；c)由所述測量模塊測量所述主體在所述任務的執行中所展示出的表現值；d)由所述評估模塊基於所測量的表現值來評估所述主體的特質；以及e)由所述辨識模塊基於所評估的特質來為招聘官辨識所述主體適合於被實體僱用。

實施方式2.如實施方式1所述的電腦程式產品，其中所述招聘系統還包括簡檔模塊，其中所述方法還包括由所述簡檔模塊基於對所述主體的特質的評估為所述主體創建簡檔。

實施方式3.如實施方式1-2中任一項所述的電腦程式產品，其中所述招聘系統還包括模型模塊、參考模型和比較模塊，並且其中所述方法還包括由所述模型模塊基於對所述主體的不止一個特質的評估生成所述主體的模型，其中所述方法還包括由所述比較模塊對所述主體的模型與所述參考模型進行比較。

實施方式4.如實施方式1-2中任一項所述的電腦程式產品，其中所述招聘系統還包括模型模塊和比較模塊，並且其中所述方法還包括由所述模型模塊基於對所述主體的不止一個特質的評估來生成所述主體的模型，其中所述方法還包括由所述比較模塊對所述主體的模型與測試主體的資料庫進行比較。

實施方式5.如實施方式4所述的電腦程式產品，其中所述測試主體為所述實體工作。

實施方式6.如實施方式1-5中任一項所述的電腦程式產品，其中所述招聘官為所述實體工作。

實施方式7.如實施方式4所述的電腦程式產品，其中所述招聘系統還包括聚合模塊，其中所述方法還包括由所述聚合模塊收集來自所述主體的數據並且將來自所述主體的數據聚合到所述測試主體的所述資料庫中。

實施方式8.如實施方式3所述的電腦程式產品，其中所述招聘系統還包括評分模塊，其中所述方法還包括由所述評分模塊基於所述主體的所述模型與所述參考模型的比較來對所述主體進行評分。

實施方式9.如實施方式4所述的電腦程式產品，其中所述招聘系統還包括評分模塊，其中所述方法還包括由所述評分模塊基於所述主體的所述模型與測試主體的資料庫的比較來對所述主體進行評分。

實施方式10.一種包括具有編碼於其中的計算機可執行代碼的計算機可讀介質的電腦程式產品，所述計算機可執行代碼適於被執行用於實現包括以下各項的方法：a)提供人才辨識系統，其中所述人才辨識系統包括：i)任務模塊；ii)測量模塊；iii)評估模塊；iv)辨識模塊；以及v)輸出模塊；b)由所述任務模塊向主體提供計算機化任務；c)由所述測量模塊測量所述主體在任務的執行中所展示出的表現值；d)由所述評估模塊基於所測量的表現值來評估所述主體的特質；e)由所述辨識模塊基於對主體的所述特質的評估來辨識職業傾向；以及f)由所述輸出模塊向招聘官輸出所辨識的職業傾向。

實施方式11.如實施方式10所述的電腦程式產品，其中所述人才辨識系統還包括推薦模塊，其中所述方法還包括由所述推薦模塊基於所述主體的職業傾向來推薦職業。

實施方式12.如實施方式10-11中任一項所述的電腦程式產品，其中所述人才辨識系統還包括模型模塊、參考模型和比較模塊，並且其中所述方法還包括由所述模型模塊基於對所述主體的不止一個特質的評估來生成所述主體的模型，其中所述方法還包括由所述比較模塊對所述主體的模型與所述參考模型進行比較。

實施方式13.如實施方式10-11中任一項所述的電腦程式產品，其中所述人才辨識系統還包括模型模塊和比較模塊，並且其中所述方法還包括由所述模型模塊基於對所述主體的不止一個特質的評估來生成所述主體的模型，其中所述方法還包括由所述比較模塊對所述主體的模型與測試主體的資料庫進行比較。

實施方式14.一種方法，包括：a)向主體提供計算機化任務；b)測量所述主體在所述任務的執行中所展示出的表現值；c)基於所述表現值來評估所述主體的特質；d)由計算機系統的處理器對所述主體的所述特質與測試主體的資料庫進行比較；e)基於所述比較來確定所述主體適合於被實體僱用；以及f)向所述實體處的招聘官報告所述主體適合於僱用。

實施方式15.如實施方式14所述的方法，還包括基於對所述主體的所述特質的評估為所述主體創建簡檔。

實施方式16.如實施方式14-15中任一項所述的方法，還包括基於所述主體的不止一個特質與測試主體的資料庫的比較來生成所述主體的模型。

實施方式17.如實施方式16所述的方法，還包括基於所述主體的所述模型來對所述主體進行評分。

實施方式18.如實施方式14-17中任一項所述的方法，其中所評估的特質是認知特質。

實施方式19.如實施方式14-18中任一項所述的方法，其中所評估的特質是情緒特質。

實施方式20.如實施方式14-19中任一項所述的方法，其中所述測試主體為所述實體工作。

實施方式21.如實施方式14-20中任一項所述的方法，其中所述計算機化任務具有如由測試-重測評估(test-retest assessment)所確定的可接受水平的信度。

實施方式22.如實施方式14-21中任一項所述的方法，其中所述計算機化任務具有如由分半信度評估所確定的可接受水平的信度。

實施方式23.一種方法，包括：a)向主體提供計算機化任務；b)測量所述主體在所述任務的執行中所展示出的表現值；c)基於所述表現值來評估所述主體的特質；d)由計算機系統的處理器基於所評估的所述主體的特質與測試主體的資料庫的比較來辨識所述主體的職業傾向；以及e)向招聘官輸出所述比較的結果。

實施方式24.如實施方式23所述的方法，還包括基於對所述主體的所述特質的評估來為所述主體創建簡檔。

實施方式25.如實施方式23-24中任一項所述的方法，還包括基於對所述主體的不止一個特質與測試主體的資料庫進行比較來為所述主體生成模型。

實施方式26.如實施方式23-25中任一項所述的方法，還包括基於所述主體的職業傾向來向所述主體推薦職業。

實施方式27.如實施方式23-26中任一項所述的方法，其中所述計算機化任務具有如由測試-重測評估所確定的可接受水平的信度。

實施方式28.如實施方式23-27中任一項所述的方法，其中所述計算機化任務具有如由分半信度評估所確定的可接受水平的信度。

實施方式29.如實施方式23-28中任一項所述的方法，其中所評估的特質是認知特質。

實施方式30.如實施方式23-29中任一項所述的方法，其中所評估的特質是情緒特質。