3 ಸಂದರ್ಶಕರು, 1 ಫೈನಲಿಸ್ಟ್, 3 ತೀರ್ಪುಗಳು. ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಇಲ್ಲದಿದ್ದರೆ, ನಿಮ್ಮ ಡೀಬ್ರೀಫ್ನಲ್ಲಿ ಅತಿ ಗಟ್ಟಿಯಾದ ಧ್ವನಿಯೇ ನೇಮಕವನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ.
ಹಿಂತಿರುಗಿ ನೋಡಲು ಯಾವುದೇ ಅಭ್ಯರ್ಥಿ ಮೌಲ್ಯಮಾಪನ ಫಾರ್ಮ್ ಇರುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ ಆಫರ್ ಅನ್ನು ನಿಮ್ಮ CEO ಗೆ, ಅಥವಾ ಪ್ರಶ್ನಿಸುವ ತಿರಸ್ಕೃತ ಅಭ್ಯರ್ಥಿಗೆ ಯಾರೂ ವಿವರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
ಹಂಚಿಕೊಂಡ ಫಾರ್ಮ್ ಇಲ್ಲದಿದ್ದರೆ, ಕಾರ್ಯನಿರತ ಜನರು ಒಳಗಿನ ಅನಿಸಿಕೆಯ ಮೇಲೆ ಅವಲಂಬಿತರಾಗುತ್ತಾರೆ.
ಮತ್ತು ಒಳಗಿನ ಅನಿಸಿಕೆಗಳು ಅವು ಅನಿಸುವುದಕ್ಕಿಂತ ದುರ್ಬಲವಾಗಿರುತ್ತವೆ, ಎಂದು Kahneman ಮತ್ತು ಅವರ ಸಹ-ಲೇಖಕರ Noise ತೋರಿಸುತ್ತದೆ.
1 ಅಭ್ಯರ್ಥಿ ಇನ್ನೊಬ್ಬರಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಸಂದರ್ಶನ ನೀಡಿದರು ಎಷ್ಟು ಮಾತ್ರ ನಿಮಗೆ ತಿಳಿದಿದೆ ಎಂದು ಹೇಳಿ. ಅವರು ನಿಜವಾಗಿಯೂ ಉತ್ತಮ ನೇಮಕ ಎಂಬ ಸಂಭವನೀಯತೆ ಕೇವಲ 56% ರಿಂದ 61%, ನಾಣ್ಯವನ್ನು ಚಿಮ್ಮಿಸುವುದಕ್ಕಿಂತ ಸ್ವಲ್ಪವೇ ಉತ್ತಮ.
ಸ್ಕೋರ್ಕಾರ್ಡ್ ಇದನ್ನು 3 ಹಂತಗಳಲ್ಲಿ ಸರಿಪಡಿಸುತ್ತದೆ. ಪ್ರತಿ ಸಂದರ್ಶಕರು ಡೀಬ್ರೀಫ್ಗೆ ಮೊದಲು, ಒಬ್ಬಂಟಿಯಾಗಿ, ಬರೆದ ಉದಾಹರಣೆಗಳ ವಿರುದ್ಧ ಅದೇ 4 ರಿಂದ 6 ಕೌಶಲ್ಯಗಳಿಗೆ ಸ್ಕೋರ್ ನೀಡುತ್ತಾರೆ. ನಂತರ ಒಟ್ಟು ಮೊತ್ತವೇ ನಿರ್ಧರಿಸುತ್ತದೆ, ಕಡ್ಡಾಯ ಒಂದು ವಿಫಲವಾದರೆ ಹೊರತುಪಡಿಸಿ.
ಪ್ರಮುಖ ಅಂಶಗಳು
- ಸ್ಕೋರ್ಕಾರ್ಡ್ ನಿಜವಾಗಿಯೂ ಉತ್ತಮ ನೇಮಕಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆಯೇ? ಹೌದು, ಪ್ರತಿ ಸಂದರ್ಶಕರು ಬರೆದ ಉದಾಹರಣೆಗಳ ವಿರುದ್ಧ ಅದೇ ಕೌಶಲ್ಯಗಳಿಗೆ ಸ್ಕೋರ್ ನೀಡಿದರೆ. ಈ ರೀತಿಯಲ್ಲಿ ನಡೆಸಿದ ಸಂದರ್ಶನಗಳು 2022ರ ಪರಿಶೀಲನೆಯಲ್ಲಿ ಮುಕ್ತ-ಸ್ವರೂಪದವುಗಳಿಗಿಂತ ಸುಮಾರು ಎರಡು ಪಟ್ಟು ಉತ್ತಮವಾಗಿ ಕೆಲಸದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಊಹಿಸಿದವು.
- ಎಷ್ಟು ಕೌಶಲ್ಯಗಳಿಗೆ ಸ್ಕೋರ್ ನೀಡಬೇಕು? 4 ರಿಂದ 6, ಪ್ರತಿಯೊಂದೂ ಪ್ರತಿ ಹಂತಕ್ಕೆ ಬರೆದ ಉದಾಹರಣೆ ಉತ್ತರದೊಂದಿಗೆ 1 ರಿಂದ 5 ರ ಮಾಪಕದಲ್ಲಿ. 3 ಕ್ಕಿಂತ ಕೆಳಗಿರುವ ಯಾವುದೇ ಕಡ್ಡಾಯ ಎಂದರೆ ನೇಮಕವಿಲ್ಲ.
- ಟೈ ಆದ 2 ಫೈನಲಿಸ್ಟ್ಗಳ ನಡುವೆ ಹೇಗೆ ಆಯ್ಕೆ ಮಾಡುವುದು? ಮೊದಲು ಕಡ್ಡಾಯಗಳನ್ನು ಪರಿಶೀಲಿಸಿ, ನಂತರ ಸಾಕ್ಷ್ಯದ ಮೇಲೆ ಯಾವುದೇ 2-ವಿರುದ್ಧ-5 ವಿಭಜನೆಯನ್ನು ಡೀಬ್ರೀಫ್ ಮಾಡಿ. ಅನಿಸಿಕೆಯ ಮೇಲೆ ಮರು-ಮತದಾನ ಮಾಡಬೇಡಿ: 2013ರ ಪರಿಶೀಲನೆಯಲ್ಲಿ ಸ್ಥಿರ ಸೂತ್ರವು ತಜ್ಞರ ತೀರ್ಪನ್ನು ಸೋಲಿಸಿತು.
- ನನಗೆ ಎಷ್ಟು ಸಂದರ್ಶಕರು ಬೇಕು? ಗರಿಷ್ಠ 4, ಪ್ರತಿಯೊಬ್ಬರೂ ಒಬ್ಬಂಟಿಯಾಗಿ ಸ್ಕೋರ್ ನೀಡುತ್ತಾರೆ. Google ರ ಸ್ವಂತ ಡೇಟಾದಲ್ಲಿ, 4ನೇ ಸಂದರ್ಶನದ ನಂತರದ ಪ್ರತಿ ಸಂದರ್ಶನವೂ 1% ಕ್ಕಿಂತ ಕಡಿಮೆ ನಿಖರತೆಯನ್ನು ಸೇರಿಸಿತು.
- AI ಸ್ಕೋರ್ಗಳನ್ನು ನಾನು ನಂಬಬಹುದೇ? ಅದನ್ನು 1 ಇನ್ಪುಟ್ ಆಗಿ ಬಳಸಿ ಮತ್ತು ಅದರ ಕಾರಣಗಳನ್ನು ಓದಿ. 2023ರ ಅಧ್ಯಯನದಲ್ಲಿ, AI ರೇಟರ್ ಪರಿಚಿತ ಪ್ರಶ್ನೆಗಳಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಮಾನವ ರೇಟರ್ಗಳನ್ನು ಹತ್ತಿರದಿಂದ ಅನುಸರಿಸಿತು ಮತ್ತು ಹೊಸ ಪ್ರಶ್ನೆಗಳಲ್ಲಿ ಕಳಪೆಯಾಗಿ ಅನುಸರಿಸಿತು.
1. ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ನಿಜವಾಗಿಯೂ ಉತ್ತಮ ನೇಮಕಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆಯೇ?
ಹೌದು, ಪ್ರತಿ ಸಂದರ್ಶಕರು ಒಂದೇ ಕೌಶಲ್ಯಗಳನ್ನು ಲಿಖಿತ ಉದಾಹರಣೆಗಳ ಆಧಾರದಲ್ಲಿ ಅಂಕ ನೀಡಿದಾಗ. ರಚನಾತ್ಮಕ ಸಂದರ್ಶನಗಳು, ಅಲ್ಲಿ ನೀವು ಎಲ್ಲರನ್ನೂ ಒಂದೇ ರೀತಿಯಲ್ಲಿ ಕೇಳಿ ಅಂಕ ನೀಡುತ್ತೀರಿ, ಉದ್ಯೋಗ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು 0.42 ರಷ್ಟು ಊಹಿಸಿದವು, ಇದು ರಚನಾತ್ಮಕವಲ್ಲದ ಸಂದರ್ಶನಗಳ 0.19 ರ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚು.
ಈ ಅಂಕಿಅಂಶಗಳು ದಶಕಗಳ ನೇಮಕಾತಿ ಸಂಶೋಧನೆಯ Sackett ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳ ಮೂಲಭೂತ 2022 ಮರು-ವಿಶ್ಲೇಷಣೆ ಯಿಂದ ಬಂದಿವೆ.
ಈ ಸಂಖ್ಯೆಗಳು ಪರಸ್ಪರ ಸಂಬಂಧಗಳು, 0 ರಿಂದ (ನಂತರದ ಉದ್ಯೋಗ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಯಾವುದೇ ಸಂಬಂಧವಿಲ್ಲ) 1 ರವರೆಗೆ (ಪರಿಪೂರ್ಣ ಸಂಬಂಧ). ಆದ್ದರಿಂದ 0.19 ಎಂದರೆ ರಚನಾತ್ಮಕವಲ್ಲದ ಸಂದರ್ಶನಗಳು 20% ಸಮಯದಲ್ಲಿ ಸರಿಯಾಗಿ ಆಯ್ಕೆ ಮಾಡುತ್ತವೆ ಎಂದಲ್ಲ. ಅವುಗಳ ನಂತರದ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಇರುವ ಸಂಬಂಧ ದುರ್ಬಲವಾಗಿದೆ ಎಂದರ್ಥ.
ಕೆಳಗಿನ ಚಾರ್ಟ್ 6 ಸಾಮಾನ್ಯ ವಿಧಾನಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸುತ್ತದೆ. ಉದ್ಯೋಗ ಜ್ಞಾನ ಪರೀಕ್ಷೆಗಳು 0.40 ಮತ್ತು ಕೀಲಿಯುಕ್ತ ಬಯೋಡೇಟಾ, ಅಂಕ ನೀಡಿದ ಹಿನ್ನೆಲೆ ಪ್ರಶ್ನಾವಳಿ, 0.38 ರೊಂದಿಗೆ ಹತ್ತಿರದಲ್ಲಿ ಬರುತ್ತವೆ.
ಕೆಲಸದ ಮಾದರಿ ಪರೀಕ್ಷೆಗಳು 0.33 ಮತ್ತು ಅರಿವಿನ ಸಾಮರ್ಥ್ಯ ಪರೀಕ್ಷೆಗಳು 0.31 ರೊಂದಿಗೆ ಅನುಸರಿಸುತ್ತವೆ. ನಮ್ಮಲ್ಲಿ ಹೆಚ್ಚಿನವರು ಬೆಳೆದು ಬಂದ ಮುಕ್ತ ಸಂಭಾಷಣೆಯಾದ ರಚನಾತ್ಮಕವಲ್ಲದ ಸಂದರ್ಶನಗಳು ಕೊನೆಯಲ್ಲಿವೆ.

ಉದ್ಯೋಗ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಇರುವ ಸಂಬಂಧದ ಆಧಾರದಲ್ಲಿ ನೇಮಕಾತಿ ವಿಧಾನಗಳ ಶ್ರೇಣಿ: ರಚನಾತ್ಮಕ ಸಂದರ್ಶನಗಳು 0.42 ರೊಂದಿಗೆ ಮುಂಚೂಣಿಯಲ್ಲಿವೆ, ರಚನಾತ್ಮಕವಲ್ಲದ ಸಂದರ್ಶನಗಳು 0.19 ರೊಂದಿಗೆ ಹಿಂದೆ ಬಿದ್ದಿವೆ (ಮೂಲಭೂತ Sackett et al. ಮರು-ವಿಶ್ಲೇಷಣೆ).
ಆದರೆ 0.42 ಒಂದು ಸರಾಸರಿ. ಲೇಖಕರ ಮುಂದುವರಿದ ಅಧ್ಯಯನ ಹೆಚ್ಚಿನ ರಚನಾತ್ಮಕ ಸಂದರ್ಶನಗಳನ್ನು 0.18, ಮುಕ್ತ ಸಂಭಾಷಣೆಗಿಂತ ಉತ್ತಮವಲ್ಲ, ಮತ್ತು 0.66, ಚಾರ್ಟ್ನಲ್ಲಿರುವ ಯಾವುದಕ್ಕಿಂತಲೂ ಉತ್ತಮ, ನಡುವೆ ಇಡುತ್ತದೆ.
ಈ ವ್ಯಾಪ್ತಿಗೆ ಲೇಖಕರು ನೀಡುವ 3 ಕಾರಣಗಳಲ್ಲಿ ವಿನ್ಯಾಸವು 1. ಇದರರ್ಥ ಅಸ್ಪಷ್ಟ ಕೌಶಲ್ಯಗಳಿರುವ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಕೆಳಮಟ್ಟದ ಸಮೀಪ ಬರುವ ಅಪಾಯವಿದೆ. ಇವು ಅನೇಕ ಉದ್ಯೋಗದಾತರಾದ್ಯಂತ ಇರುವ ಸರಾಸರಿಗಳು, ನಿಮ್ಮ ಮುಂದಿನ ನೇಮಕಾತಿಯ ಬಗ್ಗೆ ಒಂದು ಭರವಸೆಯಲ್ಲ.
2. ನನ್ನ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಟೆಂಪ್ಲೇಟ್ನಲ್ಲಿ ಏನು ಇರಬೇಕು?
ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಟೆಂಪ್ಲೇಟ್, ಅಥವಾ ಅಭ್ಯರ್ಥಿ ಮೌಲ್ಯಮಾಪನ ಫಾರ್ಮ್, 5 ಕೌಶಲ್ಯಗಳು, ಲಿಖಿತ ಆಂಕರ್ಗಳು, ಸಾಕ್ಷ್ಯ ಪೆಟ್ಟಿಗೆ ಮತ್ತು ಕಡ್ಡಾಯವಾಗಿ ಇರಲೇಬೇಕಾದ ಕನಿಷ್ಠ ಮಟ್ಟವನ್ನು ಒಳಗೊಂಡಿದೆ, ಎಲ್ಲವೂ 1 ಪುಟದಲ್ಲಿ. ಇದು ಒಟ್ಟಾರೆ ಅನಿಸಿಕೆ ಮತ್ತು ಶಿಫಾರಸಿನೊಂದಿಗೆ ಕೊನೆಗೊಳ್ಳುತ್ತದೆ.
ಆಂಕರ್ಗಳು 1 ಸಂದರ್ಶಕರ 4 ಎಂಬುದನ್ನು ಇನ್ನೊಬ್ಬರ 4 ಕ್ಕೆ ಸಮಾನವಾಗಿಸುತ್ತವೆ, ಮತ್ತು ನಿಮ್ಮ CEO ಕೇಳಿದಾಗ ಸಾಕ್ಷ್ಯ ಪೆಟ್ಟಿಗೆ "ಏಕೆ" ಎಂಬುದಕ್ಕೆ ಉತ್ತರಿಸುತ್ತದೆ.
ಬಲವಾದ ಒಟ್ಟು ಅಂಕವು ದುರ್ಬಲವಾದ ಕಡ್ಡಾಯ ಅಂಶವನ್ನು ಮರೆಮಾಡದಂತೆ ಫ್ಲೋರ್ ತಡೆಯುತ್ತದೆ. ಒಟ್ಟಾರೆ ಅನಿಸಿಕೆ ಕೊನೆಯದಾಗಿ ಬರುತ್ತದೆ, ಏಕೆಂದರೆ ಮೊದಲು ಬರೆದ ಅಂತಃಪ್ರಜ್ಞೆಯ ಭಾವನೆ ನಂತರದ ಪ್ರತಿಯೊಂದು ಕೌಶಲ್ಯದ ಅಂಕವನ್ನೂ ಬಣ್ಣಿಸುತ್ತದೆ.
ಗ್ರಾಹಕ ಬೆಂಬಲ ಲೀಡ್ಗಾಗಿ ಆ ಫಾರ್ಮ್ ಇಲ್ಲಿದೆ, ಅದರಲ್ಲಿ 2 ಕಡ್ಡಾಯ ಅಂಶಗಳಿವೆ. 5 ಕೌಶಲ್ಯಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದೂ 1 ರಿಂದ 5 ರವರೆಗೆ ಅಂಕ ಪಡೆಯುತ್ತದೆ, ಹಾಗಾಗಿ ಒಟ್ಟು ಮೊತ್ತ 25 ಕ್ಕೆ ಒಳಪಟ್ಟಿರುತ್ತದೆ.
ಪ್ರತಿ ಕೌಶಲ್ಯಕ್ಕೂ 2 ಹಿಂದಿನ ವರ್ತನೆಯ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ, ಏಕೆಂದರೆ ನಿಜವಾದ ಹಿಂದಿನ ಉದಾಹರಣೆಯು ಆಂಕರ್ಗಳಿಗೆ ಹೋಲಿಸಲು ನಿಮಗೆ ಸ್ಪಷ್ಟವಾದ ಏನನ್ನಾದರೂ ನೀಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ: "ಕೋಪಗೊಂಡ ಗ್ರಾಹಕರು ಕೊನೆಯ ಬಾರಿ ನಿಮಗೆ ಎಸ್ಕಲೇಟ್ ಮಾಡಿದ್ದರ ಬಗ್ಗೆ ಹೇಳಿ."

ಗ್ರಾಹಕ ಬೆಂಬಲ ಲೀಡ್ಗಾಗಿ ಖಾಲಿ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಟೆಂಪ್ಲೇಟ್: 5 ಕೌಶಲ್ಯಗಳು, 2 ಕಡ್ಡಾಯ ಅಂಶಗಳು, 1 ರಿಂದ 5 ಅಂಕ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ಒಂದು ಸಾಕ್ಷ್ಯ ಉಲ್ಲೇಖ.
ಟೇಬಲ್ ಅನ್ನು ನಕಲಿಸಿ, ನಂತರ ನಿಮ್ಮದೇ ಕೌಶಲ್ಯಗಳು ಮತ್ತು ಆಂಕರ್ಗಳನ್ನು ಅದರಲ್ಲಿ ಹಾಕಿ.
| ಕೌಶಲ್ಯ | 1 / 3 / 5 ಗಾಗಿ ಆಂಕರ್ಗಳು | ಅಂಕ 1-5 | ಸಾಕ್ಷ್ಯ (ಉಲ್ಲೇಖ) |
|---|---|---|---|
| ಹೆಡರ್ | ಅಭ್ಯರ್ಥಿ, ಪಾತ್ರ, ಸಂದರ್ಶಕ, ದಿನಾಂಕ | ||
| ಕೋಪಗೊಂಡ ಗ್ರಾಹಕರನ್ನು ನಿಭಾಯಿಸುವುದು (ಕಡ್ಡಾಯ) | ಗ್ರಾಹಕರನ್ನು ದೂಷಿಸುವುದು / ನೀತಿಯನ್ನು ಅನ್ವಯಿಸುವುದು / ಮೂಲ ಕಾರಣವನ್ನು ಸರಿಪಡಿಸುವುದು | ||
| ಲಿಖಿತ ಸಂವಹನ (ಕಡ್ಡಾಯ) | ಅಸ್ಪಷ್ಟ / ಸ್ಪಷ್ಟ ಆದರೆ ಉದ್ದ / ಸಣ್ಣ ಮತ್ತು ಸ್ಪಷ್ಟ | ||
| ಸರತಿಯನ್ನು ಆದ್ಯತೆ ಮಾಡುವುದು | ವಿಧಾನವಿಲ್ಲ / ತುರ್ತಿನ ಪ್ರಕಾರ / ಪರಿಣಾಮದ ಪ್ರಕಾರ | ||
| ತಂಡಕ್ಕೆ ತರಬೇತಿ ನೀಡುವುದು | ಉದಾಹರಣೆ ಇಲ್ಲ / ಸಲಹೆಗಳನ್ನು ನೀಡುವುದು / ಯೋಜನೆ ರೂಪಿಸುವುದು | ||
| ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಧಾರಿಸುವುದು | ಉದಾಹರಣೆ ಇಲ್ಲ / ಪರಿಹಾರವನ್ನು ಸೂಚಿಸುವುದು / ಪರಿಹಾರವನ್ನು ಜಾರಿಗೆ ತರುವುದು | ||
| ಕಡ್ಡಾಯ ಫ್ಲೋರ್ | ಯಾವುದೇ ಕಡ್ಡಾಯ ಅಂಶವು 3 ಕ್ಕಿಂತ ಕಡಿಮೆಯಿದ್ದರೆ ನೇಮಕವಿಲ್ಲ | ||
| ಅಂಕ ನೀಡದಿರುವುದು | ಮುಖ, ಧ್ವನಿ ಅಥವಾ ಟೈಪಿಂಗ್ನಿಂದ ಓದುವ ಭಾವನೆಗಳು; ಉದ್ಯೋಗಕ್ಕೆ ಅಗತ್ಯವಿಲ್ಲದಿದ್ದರೆ ಉಚ್ಚಾರ ಅಥವಾ ವೇಗ; "ಸಂಸ್ಕೃತಿ ಹೊಂದಿಕೆ" | ||
| ಒಟ್ಟು | 5 ಅಂಕಗಳ ಮೊತ್ತ, 25 ಕ್ಕೆ ಒಳಪಟ್ಟಿರುತ್ತದೆ | ||
| ಒಟ್ಟಾರೆ ಅನಿಸಿಕೆ | 1 ರಿಂದ 5, ಕೊನೆಯದಾಗಿ ಭರ್ತಿ ಮಾಡುವುದು | ||
| ಶಿಫಾರಸು | ಬಲವಾದ ನೇಮಕ / ನೇಮಕ / ನೇಮಕವಿಲ್ಲ / ಬಲವಾದ ನೇಮಕವಿಲ್ಲ; ಒಂದು ಓವರ್ರೈಡ್ಗೆ ಲಿಖಿತ ಕಾರಣ ಬೇಕು |
2.1 ನಾನು ಅದನ್ನು ನಿರ್ಮಿಸುವ ಮೊದಲು ಏನನ್ನು ನಿರ್ಧರಿಸಬೇಕು?
ಮೊದಲು ಪಾತ್ರದಲ್ಲಿ ಯಶಸ್ಸನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ, ನಂತರ ಅದನ್ನು ಸಾಧಿಸುವ ಕೌಶಲ್ಯಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿ. ಮೊದಲ CV ಬರುವ ಮೊದಲೇ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಅನ್ನು ಸ್ಥಿರಗೊಳಿಸಿ.
ಆ ಕ್ರಮವು ಜೆಫ್ ಸ್ಮಾರ್ಟ್ ಮತ್ತು ರ್ಯಾಂಡಿ ಸ್ಟ್ರೀಟ್ ಅವರ Who ನಿಂದ ಬರುತ್ತದೆ. 1 ಮಿಷನ್ ಸಾಲು ಬರೆಯಿರಿ, ನಂತರ ಪ್ರಾಮುಖ್ಯತೆಯ ಪ್ರಕಾರ ಶ್ರೇಣೀಕರಿಸಿದ 3 ರಿಂದ 8 ಫಲಿತಾಂಶಗಳನ್ನು, ನಂತರ 4 ರಿಂದ 6 ಕೌಶಲ್ಯಗಳನ್ನು ಬರೆಯಿರಿ. ಫಲಿತಾಂಶ ಎಂದರೆ ಅಳೆಯಬಹುದಾದ ಫಲಿತಾಂಶ, ಉದಾಹರಣೆಗೆ 3 ನೇ ವರ್ಷದ ವೇಳೆಗೆ ಆದಾಯವನ್ನು $25 ಮಿಲಿಯನ್ನಿಂದ $50 ಮಿಲಿಯನ್ಗೆ ಬೆಳೆಸುವುದು, ಒಂದು ಚಟುವಟಿಕೆಯಲ್ಲ.
ಸ್ಥಿರಗೊಳಿಸುವುದು ಮುಖ್ಯ ಏಕೆಂದರೆ ಜನರು ಗಮನಿಸದೆಯೇ ಮಾನದಂಡಗಳನ್ನು ಬಗ್ಗಿಸುತ್ತಾರೆ. ಮೂಲಭೂತ Uhlmann ಮತ್ತು Cohen (2005) ಅಧ್ಯಯನಗಳಲ್ಲಿ, ಭಾಗವಹಿಸಿದವರು ಪೊಲೀಸ್ ಮುಖ್ಯಸ್ಥ ಹುದ್ದೆಗೆ ಬೀದಿ ಬುದ್ಧಿಯುಳ್ಳ ಮತ್ತು ಹೆಚ್ಚು ವಿದ್ಯಾವಂತ ಅರ್ಜಿದಾರರನ್ನು ನಿರ್ಣಯಿಸಿದರು.
ಆ ವ್ಯಕ್ತಿಯಲ್ಲಿ ಯಾವ ಬಲವಿದ್ದರೂ, ಉದ್ಯೋಗಕ್ಕೆ ಅದೇ ಹೆಚ್ಚು ಬೇಕು ಎಂದು ಅವರು ನಿರ್ಧರಿಸಿದರು, ಮತ್ತು ಮಹಿಳೆಗೆ ಅಂತಹ ಯಾವುದೇ ಲಾಭ ಸಿಗಲಿಲ್ಲ. ಅರ್ಜಿದಾರರನ್ನು ನೋಡುವ ಮೊದಲೇ ಮಾನದಂಡಗಳಿಗೆ ಬದ್ಧರಾಗುವುದು ಆ ಪಕ್ಷಪಾತವನ್ನು ತೆಗೆದುಹಾಕಿತು. ಹಾಗಾಗಿ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಭೇಟಿಯಾದ ನಂತರ ಬರೆಯುವ ಸ್ಕೋರ್ಕಾರ್ಡ್, ನೀವು ಈಗಾಗಲೇ ಇಷ್ಟಪಡುವ ವ್ಯಕ್ತಿಯ ಕಡೆಗೆ ಸದ್ದಿಲ್ಲದೆ ಬಗ್ಗಬಹುದು.
2.2 ಸ್ಕೋರ್ಕಾರ್ಡ್ನಲ್ಲಿ ಸಂಸ್ಕೃತಿ ಹೊಂದಿಕೆ ಇರಬೇಕೇ?
ಬರೆದಿರುವಂತೆ ಅಲ್ಲ, ಏಕೆಂದರೆ ಯಾರೂ ಅದನ್ನು ಎರಡು ಬಾರಿ ಒಂದೇ ರೀತಿ ಸ್ಕೋರ್ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಅದನ್ನು 1 ಅಥವಾ 2 ಗಮನಿಸಬಹುದಾದ ನಡವಳಿಕೆಗಳಾಗಿ ಬದಲಿಸಿ, ಉದಾಹರಣೆಗೆ "ತಮ್ಮ ಸ್ವಂತ ಕೆಲಸದ ಬಗ್ಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಕೇಳುತ್ತಾರೆ".
ನಿಮ್ಮ ತಂಡ ನೇರ ಮಾತನ್ನು ಗೌರವಿಸುತ್ತದೆ ಎಂದು ಹೇಳಿ: ಬದಲಿಗೆ "ತಪ್ಪನ್ನು ಬೇಗ ಗುರುತಿಸಿ ತಿಳಿಸಿದ ನಿರ್ದಿಷ್ಟ ಉದಾಹರಣೆ ನೀಡಿದರು" ಎಂದು ಸ್ಕೋರ್ ಮಾಡಿ.
3. ಕಡ್ಡಾಯ ಅರ್ಹತೆಗಳಿಗೆ ಹೆಚ್ಚು ಮಹತ್ವ ಸಿಗುವಂತೆ ಸಂದರ್ಶನದ ಸ್ಕೋರ್ಗಳಿಗೆ ನಾನು ಹೇಗೆ ತೂಕ ನೀಡಬೇಕು?
ಪ್ರತಿ ಕೌಶಲ್ಯಕ್ಕೂ ಸಮಾನ ತೂಕ ನೀಡಿ ಮತ್ತು ಕಡ್ಡಾಯ ಕನಿಷ್ಠ ಮಿತಿಯನ್ನು ಸೇರಿಸಿ, ಅಥವಾ ಮೊದಲ ಸಂದರ್ಶನಕ್ಕೆ ಮೊದಲೇ ತೂಕಗಳನ್ನು ನಿಗದಿಪಡಿಸಿ. ಸಮಾನ ತೂಕಗಳು ಹಿಂದಿನ ದತ್ತಾಂಶಕ್ಕೆ ಹೊಂದಿಸಿದ ತೂಕಗಳಷ್ಟೇ ಚೆನ್ನಾಗಿ ಹೊಸ ಪ್ರಕರಣಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಊಹಿಸುತ್ತವೆ.
ಆ ಎರಡನೇ ಅಂಶವು ಮನೋವಿಜ್ಞಾನಿ ರಾಬಿನ್ ಡಾಸ್ ಅವರಿಂದ ಬಂದಿದೆ, ಕಾನೆಮನ್ ಅದನ್ನು Thinking, Fast and Slow ನಲ್ಲಿ ಸಂಕ್ಷೇಪಿಸಿದ್ದಾರೆ.
ನಿಮ್ಮ ಹಿಂದಿನ ನೇಮಕಾತಿಗಳಿಗೆ ಹೊಂದಿಸಿದ ತೂಕಗಳು ಆ ಗುಂಪಿನ ಆಕಸ್ಮಿಕಗಳನ್ನೂ ಕಲಿಯುತ್ತವೆ. ನಿಮ್ಮ 3 ಅತ್ಯುತ್ತಮ ಬೆಂಬಲ ನೇಮಕಾತಿಗಳು ಆಕಸ್ಮಿಕವಾಗಿ ಉತ್ತಮ ತರಬೇತುದಾರರಾಗಿದ್ದರು ಎಂದು ಹೇಳಿ: ಹೊಂದಿಸಿದ ತೂಕವು ಪ್ರತಿ ಭವಿಷ್ಯದ ಅಭ್ಯರ್ಥಿಯಲ್ಲೂ ತರಬೇತುದಾರಿಕೆಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತದೆ.
ಸಮಾನ ತೂಕಗಳು ಅಂತಹ ಆಕಸ್ಮಿಕವನ್ನು ಬೆನ್ನಟ್ಟಲು ಸಾಧ್ಯವಿಲ್ಲ, ಅದಕ್ಕಾಗಿಯೇ ಅವು ಹೊಸ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಚೆನ್ನಾಗಿಯೇ ಊಹಿಸುತ್ತವೆ. ಕಾನೆಮನ್ ಸಲಹೆ ನೀಡುವಂತೆ ಕೌಶಲ್ಯಗಳನ್ನು ಸ್ವತಂತ್ರವಾಗಿಯೂ ಇರಿಸಿ: "ಸಂವಹನ" ಮತ್ತು "ಪ್ರಸ್ತುತಿ ಕೌಶಲ್ಯ" ಎರಡನ್ನೂ ಪಟ್ಟಿ ಮಾಡಬೇಡಿ, ಏಕೆಂದರೆ ಅವು ಒಟ್ಟಾಗಿ ಒಂದೇ ವಿಷಯವನ್ನು ಎರಡು ಬಾರಿ ಎಣಿಸುತ್ತವೆ.
ಕಡ್ಡಾಯ ಅರ್ಹತೆಯು ತನ್ನ ಬಲವನ್ನು ಕನಿಷ್ಠ ಮಿತಿಯಿಂದ ಪಡೆಯುತ್ತದೆ, ದೊಡ್ಡ ತೂಕದಿಂದ ಅಲ್ಲ. "ಕೋಪಗೊಂಡ ಗ್ರಾಹಕರನ್ನು ನಿಭಾಯಿಸುತ್ತಾರೆ" ಎಂಬುದಕ್ಕೆ 2 ಅಂಕಗಳು ಮತ್ತು ಪ್ರತಿ ಇತರ ಕೌಶಲ್ಯಕ್ಕೂ 5 ಅಂಕಗಳು ಎಂದು ಹೇಳಿ.
25ರಲ್ಲಿ 22 ಎಂಬ ಒಟ್ಟು ಮೊತ್ತ ಉತ್ತಮವಾಗಿ ಕಾಣುತ್ತದೆ, ಆದರೂ ಕನಿಷ್ಠ ಮಿತಿಯು ಇನ್ನೂ ನೇಮಕ ಬೇಡ ಎನ್ನುತ್ತದೆ. ಉದ್ಯೋಗವು ಇಲ್ಲದೆ ಇರಲಾಗದ ಕೌಶಲ್ಯಕ್ಕೆ ನಿಮಗೆ ಬೇಕಾಗಿರುವುದು ಅದೇ.
ನೀವು ತೂಕ ನೀಡುವುದಾದರೆ, ಅವನ್ನು ಮೊದಲೇ ಸಂದರ್ಶನದ ಸ್ಕೋರ್ಕಾರ್ಡ್ನಲ್ಲಿ ಬರೆದಿಡಿ ಮತ್ತು ಎಲ್ಲರಿಗೂ ಅನ್ವಯಿಸಿ. ಅದು ಒಟ್ಟು ಮೊತ್ತವನ್ನು ಬಗ್ಗಿಸುವ ಅತಿ ಸುಲಭ ದಾರಿಯನ್ನು ಮುಚ್ಚುತ್ತದೆ: ನಿಮಗೆ ಇಷ್ಟವಾದ ವ್ಯಕ್ತಿಯನ್ನು ಭೇಟಿಯಾದ ನಂತರ ತೂಕಗಳನ್ನು ಬದಲಿಸುವುದು.
Flowmingo ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ
Flowmingo ನ AI ಸಂದರ್ಶನ ವರದಿಯು ಸ್ಥಿರ ತೂಕಗಳನ್ನು ಬಳಸುತ್ತದೆ: ಒಟ್ಟು ಸ್ಕೋರ್ನಲ್ಲಿ Must Have ಮಾನದಂಡವು Good to Have ಒಂದಕ್ಕಿಂತ 4 ಪಟ್ಟು ಎಣಿಕೆಯಾಗುತ್ತದೆ. ಪ್ರತಿ ಮಾನದಂಡವೂ ತನ್ನದೇ 0 ರಿಂದ 10 ಸ್ಕೋರ್ ಅನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ, ಆದ್ದರಿಂದ ನೀವು ಕಡ್ಡಾಯ ಕನಿಷ್ಠ ಮಿತಿಯನ್ನು ಸ್ವತಃ ಅನ್ವಯಿಸಬಹುದು.
4. ಪ್ರತಿ ಸಂದರ್ಶನಕಾರರಿಗೂ 3 ಎಂದರೆ ಒಂದೇ ಅರ್ಥವಾಗುವಂತೆ ನಾನು ಹೇಗೆ ಮಾಡಬಹುದು?
ಮೊದಲ ಸಂದರ್ಶನಕ್ಕೂ ಮುನ್ನ, ಪ್ರತಿ ಕೌಶಲ್ಯಕ್ಕೂ 1, 3 ಮತ್ತು 5 ಉತ್ತರಗಳಲ್ಲಿ ಏನಿರುತ್ತದೆ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ. ಆ ವರ್ತನೆಗೆ ಆಧಾರವಾದ ರೇಟಿಂಗ್ ಸ್ಕೇಲ್ 2 ಸಂದರ್ಶನಕಾರರ ಅಂಕಗಳನ್ನು ಹೋಲಿಸಬಹುದಾಗಿಸುತ್ತದೆ.
"ವರ್ತನೆಗೆ ಆಧಾರವಾದ" ಎಂದರೆ ಪ್ರತಿ ಅಂಕವೂ ಅಭ್ಯರ್ಥಿ ಏನು ಮಾಡಿದರು ಎಂಬುದಕ್ಕೆ ಸಂಬಂಧಿಸಿರುತ್ತದೆ, "ಚೆನ್ನಾಗಿದೆ" ಎಂಬ ಭಾವನೆಗೆ ಅಲ್ಲ. ಆಧಾರಗಳಿಲ್ಲದಿದ್ದರೆ, ಒಂದೇ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ನಲ್ಲಿ 3 ಎಂಬುದು ಒಬ್ಬ ಸಂದರ್ಶನಕಾರರಿಗೆ "ಸರಿ" ಎಂದೂ ಇನ್ನೊಬ್ಬರಿಗೆ "ದುರ್ಬಲ" ಎಂದೂ ಅರ್ಥವಾಗುತ್ತದೆ.
ಆಧಾರವಿರುವ ಸಂದರ್ಶನಗಳು ನಂತರದ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಸರಾಸರಿಯಲ್ಲಿ ಬಲವಾದ ಸಂಬಂಧ ತೋರಿಸುತ್ತವೆ. ಹಿಂದಿನ-ವರ್ತನೆ ಸಂದರ್ಶನ ಅಧ್ಯಯನಗಳ Taylor ಮತ್ತು Smallರ ಮೂಲಭೂತ ಸಮೀಕ್ಷೆ, 19 ಅಧ್ಯಯನಗಳನ್ನು ಪರಿಶೀಲಿಸಿ, ಆಧಾರ ಸ್ಕೇಲ್ಗಳೊಂದಿಗೆ .35 ಸಂಬಂಧವನ್ನು ಕಂಡುಹಿಡಿದರೆ, ಆಧಾರಗಳಿಲ್ಲದೆ .26 ಇತ್ತು. ಆ ಅಧ್ಯಯನಗಳು ಬೇರೆ ವಿಷಯಗಳಲ್ಲೂ ಭಿನ್ನವಾಗಿದ್ದವು, ಹಾಗಾಗಿ ಈ ಹೋಲಿಕೆ ಆಧಾರಗಳನ್ನು ಸೇರಿಸಿದ ಪರಿಣಾಮವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ತೋರಿಸುವುದಿಲ್ಲ.
ಅತ್ಯಗತ್ಯವಾದ "ಕೋಪಗೊಂಡ ಗ್ರಾಹಕರನ್ನು ನಿಭಾಯಿಸುವುದು" ಕೌಶಲ್ಯಕ್ಕೆ ಇಲ್ಲಿದೆ ಸಂದರ್ಶನ ರೇಟಿಂಗ್ ಸ್ಕೇಲ್.
| ಅಂಕ | ಉತ್ತರದಲ್ಲಿ ಏನಿರುತ್ತದೆ |
|---|---|
| 1 | ಗ್ರಾಹಕರನ್ನು ದೂಷಿಸುತ್ತಾರೆ; ತಮ್ಮದೇ ಯಾವ ಕ್ರಮವೂ ಇಲ್ಲ, ಫಲಿತಾಂಶವೂ ಇಲ್ಲ |
| 3 | ನಿಜವಾದ ಉದಾಹರಣೆ: ಗ್ರಾಹಕರನ್ನು ಶಾಂತಗೊಳಿಸಿ ನೀತಿಯನ್ನು ಅನ್ವಯಿಸುತ್ತಾರೆ, ಆದರೆ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸುವುದಿಲ್ಲ |
| 5 | ನಿಜವಾದ ಉದಾಹರಣೆ: ಕಾರಣವನ್ನು ಕಂಡುಹಿಡಿದು, ಸರಿಪಡಿಸಿ, ಅನುಸರಿಸಿ, ಪರಿಹಾರವನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತಾರೆ |
ಪ್ರತಿ ಮೇಲಿನ ಹಂತವೂ ಉತ್ತರದಲ್ಲಿ ಕೇಳಿಸಬಹುದಾದ ಯಾವುದೋ ಒಂದಾಗಿದೆ. ಅದಕ್ಕೇ 2 ಕೇಳುಗರು ಒಂದೇ ಸಂಖ್ಯೆಗೆ ಬರಬಹುದು.
ನಿಮಗೆ ಇನ್ನೂ ಆಧಾರಗಳನ್ನು ಬರೆಯಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಅಮೆರಿಕದ ಫೆಡರಲ್ HR ಸಂಸ್ಥೆ OPM ನ ರಚನಾತ್ಮಕ ಸಂದರ್ಶನ ಮಾರ್ಗದರ್ಶಿ ಯಲ್ಲಿನ 5 ಹಂತಗಳನ್ನು ಎರವಲು ಪಡೆಯಿರಿ. ಪ್ರತಿಯೊಂದೂ ಪರಿಸ್ಥಿತಿ ಎಷ್ಟು ಕಷ್ಟವಾಗಿತ್ತು ಮತ್ತು ವ್ಯಕ್ತಿಗೆ ಎಷ್ಟು ಮಾರ್ಗದರ್ಶನ ಬೇಕಾಯಿತು ಎಂಬುದರ ಮೇಲೆ ನಿಂತಿದೆ.
- 1, ಅರಿವು: ಅತಿ ಸರಳ ಪರಿಸ್ಥಿತಿಗಳು, ಹತ್ತಿರದ ಮತ್ತು ವಿಸ್ತೃತ ಮಾರ್ಗದರ್ಶನದೊಂದಿಗೆ.
- 2, ಮೂಲಭೂತ: ಸ್ವಲ್ಪ ಕಷ್ಟದ ಪರಿಸ್ಥಿತಿಗಳು, ಆಗಾಗ ಮಾರ್ಗದರ್ಶನದೊಂದಿಗೆ.
- 3, ಮಧ್ಯಮ: ಕಷ್ಟದ ಪರಿಸ್ಥಿತಿಗಳು, ಅಪರೂಪದ ಮಾರ್ಗದರ್ಶನದೊಂದಿಗೆ.
- 4, ಮುಂದುವರಿದ: ಗಣನೀಯವಾಗಿ ಕಷ್ಟದ ಪರಿಸ್ಥಿತಿಗಳು, ಕಡಿಮೆ ಅಥವಾ ಮಾರ್ಗದರ್ಶನವಿಲ್ಲದೆ.
- 5, ಪರಿಣಿತ: ಅತ್ಯಂತ ಕಷ್ಟದ ಪರಿಸ್ಥಿತಿಗಳು, ಇಲ್ಲಿ ವ್ಯಕ್ತಿ ಇತರರಿಗೆ ಸಲಹೆ ನೀಡುತ್ತಾರೆ.

ರಚನಾತ್ಮಕ ಸಂದರ್ಶನಗಳಿಗೆ OPM ನ 5 ರೇಟಿಂಗ್ ಹಂತಗಳು: ಅರಿವು (ಅತಿ ಸರಳ ಪರಿಸ್ಥಿತಿಗಳು, ಹತ್ತಿರದ ಮಾರ್ಗದರ್ಶನ) ನಿಂದ ಪರಿಣಿತ (ಅತ್ಯಂತ ಕಷ್ಟದ ಪರಿಸ್ಥಿತಿಗಳು, ಇತರರಿಗೆ ಸಲಹೆ ನೀಡುತ್ತಾರೆ) ವರೆಗೆ.
5. ನನ್ನ ಸಂದರ್ಶನಕಾರರು ಒಪ್ಪದಿದ್ದಾಗ 2 ಬಲವಾದ ಅಂತಿಮ ಆಯ್ಕೆಯವರ ನಡುವೆ ನಾನು ಹೇಗೆ ಆಯ್ಕೆ ಮಾಡಬಹುದು?
ಸಂದರ್ಶನದ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಒಟ್ಟು ಮೊತ್ತವೇ ನಿರ್ಧರಿಸಲಿ, ಎರಡು ಅಪವಾದಗಳನ್ನು ಹೊರತುಪಡಿಸಿ: 3ಕ್ಕಿಂತ ಕೆಳಗಿನ must-have, ಅಥವಾ 2-ಎದುರು-5 ವಿಭಜನೆ, ಇದನ್ನು ನೀವು ಸಾಕ್ಷ್ಯದ ಆಧಾರದ ಮೇಲೆ ಚರ್ಚಿಸುತ್ತೀರಿ. ಭಾವನೆಯ ಮೇಲೆ ಮತ್ತೆ ಮತ ಹಾಕಬೇಡಿ.
ಸ್ಕೋರ್ಕಾರ್ಡ್ಗಳು ಇರುವುದೇ ಇದಕ್ಕಾಗಿ, ಮತ್ತು ಅವನ್ನು ಬಿಟ್ಟುಬಿಡಲು ಅತ್ಯಂತ ಪ್ರಲೋಭನೆ ಉಂಟಾಗುವ ಕ್ಷಣವೂ ಇದೇ. ಇದೊಂದು ಉದಾಹರಣೆ, ಗ್ರಾಹಕರ ಡೇಟಾ ಅಲ್ಲ: 3 ಸಪೋರ್ಟ್ ಲೀಡ್ ಫೈನಲಿಸ್ಟ್ಗಳು, ಪ್ರತಿ ಸೆಲ್ ಅನ್ನು 3 ಸಂದರ್ಶಕರ ಸರಾಸರಿಯಾಗಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ.
| ಕೌಶಲ್ಯ | A | B | C |
|---|---|---|---|
| ಕೋಪಗೊಂಡ ಗ್ರಾಹಕರನ್ನು ನಿಭಾಯಿಸುವುದು (must-have) | 4 | 2 | 4 |
| ಲಿಖಿತ ಸಂವಹನ (must-have) | 4 | 4 | 3 |
| ಸರದಿಗೆ ಆದ್ಯತೆ ನೀಡುವುದು | 3 | 4 | 3 |
| ತಂಡಕ್ಕೆ ತರಬೇತಿ ನೀಡುವುದು | 3 | 4 | 4 (ಅಂಕಗಳು 2, 5, 5) |
| ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಧಾರಿಸುವುದು | 4 | 4 | 3 |
| ಒಟ್ಟು, 25ರಲ್ಲಿ | 18 | 18 | 17 |
| ನಿರ್ಧಾರ | ನೇಮಿಸಿ | ನೇಮಿಸಬೇಡಿ: floor fires | ವಿಭಜನೆಯನ್ನು ಚರ್ಚಿಸಿ |
ಸಂದರ್ಶನದ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಅನ್ನು ಸಾಲು ಸಾಲಾಗಿ ಓದಿ. A ಮತ್ತು B 25ರಲ್ಲಿ 18 ಅಂಕಗಳಲ್ಲಿ ಸಮನಾಗಿವೆ. ಆದರೆ B ಒಂದು must-haveನಲ್ಲಿ 2 ಅಂಕ ಪಡೆದಿದೆ, ಹಾಗಾಗಿ floor fires ಮತ್ತು B ನೇಮಿಸಬಾರದವರು.
C ಒಟ್ಟು 17 ಪಡೆದಿದೆ, ಆದರೆ "ತಂಡಕ್ಕೆ ತರಬೇತಿ ನೀಡುವುದು"ನಲ್ಲಿ Cಯ 4ರ ಸರಾಸರಿ ಒಂದು ವಿಭಜನೆಯನ್ನು ಮುಚ್ಚಿಡುತ್ತದೆ: 1 ಸಂದರ್ಶಕರು 2 ನೀಡಿದರು, ಉಳಿದ 2 ಜನ 5 ನೀಡಿದರು. ಆ ಅಂತರವೇ ಚರ್ಚೆಯ ಏಕೈಕ ಕಾರ್ಯಸೂಚಿಯಾಗುತ್ತದೆ.
ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಇಬ್ಬರೂ ಕಡೆಯವರನ್ನು ತಮ್ಮ ಸಾಕ್ಷ್ಯದ ಉಲ್ಲೇಖಗಳನ್ನು ಓದಲು ಹೇಳಿ. ಕಡಿಮೆ ಅಂಕ ನೀಡಿದವರು ರಾಜೀನಾಮೆ ನೀಡಿದ ತಂಡದ ಸದಸ್ಯರ ಬಗ್ಗೆ ಕೇಳಿದರೆ, ಉಳಿದವರು ಫಲಿಸಿದ ತರಬೇತಿ ಯೋಜನೆಯ ಬಗ್ಗೆ ಕೇಳಿದರು ಎಂದು ಇಟ್ಟುಕೊಳ್ಳಿ. Cಗೆ ಯಾವ ಕಥೆ ಹೆಚ್ಚು ಸಾಮಾನ್ಯ ಎಂದು ಚರ್ಚೆ ನಿರ್ಧರಿಸುತ್ತದೆ, ಮತ್ತು ಸಾಕ್ಷ್ಯವನ್ನು ತಪ್ಪಿಸಿಕೊಂಡ ಯಾರಾದರೂ ತಮ್ಮ ಅಂಕವನ್ನು ಬರೆಯುವ ಮೂಲಕ ಬದಲಾಯಿಸುತ್ತಾರೆ.

ಭರ್ತಿ ಮಾಡಿದ ಸಂದರ್ಶನದ ಸ್ಕೋರ್ಕಾರ್ಡ್, ಉದಾಹರಣೆಗಾಗಿ: A ಮತ್ತು B 25ರಲ್ಲಿ 18ರಲ್ಲಿ ಸಮ, B ಒಂದು must-haveವನ್ನು ತಪ್ಪಿಸಿಕೊಂಡಿದೆ, ಮತ್ತು Cಗೆ ಚರ್ಚಿಸಬೇಕಾದ ತರಬೇತಿ ವಿಭಜನೆ ಇದೆ.
ಅಂಕಗಳು ಒಬ್ಬ ಫೈನಲಿಸ್ಟ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ನಂತರ, ಕಳುಹಿಸುವ ಮೊದಲು ಷರತ್ತುಗಳನ್ನು ಆಫರ್ನಲ್ಲಿ ಬರೆಯಿರಿ: ನಮ್ಮ ಉದ್ಯೋಗ ಆಫರ್ ಪತ್ರದ ಟೆಂಪ್ಲೇಟ್ ಪ್ರತಿ ಪರಿಶೀಲನೆ ಎಲ್ಲಿ ಸೇರಬೇಕು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.
5.1 ನನ್ನ ಒಳಗಿನ ಭಾವನೆ ಒಂದು ಹೇಳುತ್ತದೆ ಮತ್ತು ಅಂಕಗಳು ಇನ್ನೊಂದು ಹೇಳುತ್ತವೆ ಎಂದಾದರೆ?
ಅವರು ತಪ್ಪಿಸಿಕೊಂಡ ಸಾಕ್ಷ್ಯವನ್ನು ನೀವು ಬರೆಯಲಾಗದಿದ್ದರೆ ಅಂಕಗಳನ್ನೇ ಅನುಸರಿಸಿ. Kuncel ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳ ಮೂಲಭೂತ 2013ರ ಮೆಟಾ-ವಿಶ್ಲೇಷಣೆನಲ್ಲಿ, ಎಲ್ಲರಿಗೂ ಒಂದೇ ರೀತಿಯಲ್ಲಿ ಅನ್ವಯಿಸಿದ ಸೂತ್ರವು ಉದ್ಯೋಗ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು 0.44ರಷ್ಟು ಊಹಿಸಿತು, ಸಮಗ್ರ ತೀರ್ಪಿನ 0.28ಕ್ಕೆ ಎದುರಾಗಿ. ಉದ್ಯೋಗವನ್ನು ತಿಳಿದಿದ್ದ ತಜ್ಞರ ಎದುರಾದರೂ ಇದು 50%ಕ್ಕಿಂತ ಹೆಚ್ಚು ಊಹೆಯ ಸುಧಾರಣೆ ಎಂದು ಲೇಖಕರು ಹೇಳುತ್ತಾರೆ.
ಸಮಗ್ರ ತೀರ್ಪು ಎಂದರೆ ಜನರು ಅದೇ ಸಂಗತಿಗಳನ್ನು ತಮ್ಮ ಮನಸ್ಸಿನಲ್ಲಿ ತೂಕ ಮಾಡುವುದು, ಒಮ್ಮತದ ಸಭೆಗಳನ್ನೂ ಒಳಗೊಂಡಂತೆ. ಆದ್ದರಿಂದ ಚರ್ಚೆ ಸಾಕ್ಷ್ಯದ ಕೊರತೆಗಳನ್ನು ತುಂಬುತ್ತದೆ, ಮತ್ತೆ ಮತ ಹಾಕುವುದಿಲ್ಲ.
5.2 ಅಂತಿಮ ಸ್ಪರ್ಧಿಗಳನ್ನು ಅಕ್ಕಪಕ್ಕದಲ್ಲಿ ಹೋಲಿಸಬೇಕೇ?
ಹೌದು, ಒಂದೊಂದು ಉತ್ತರವನ್ನೂ ಹೋಲಿಸಿ. ಪ್ರಶ್ನೆ 1ರ ಎಲ್ಲ ಉತ್ತರಗಳನ್ನು, ನಂತರ ಪ್ರಶ್ನೆ 2ರ ಎಲ್ಲ ಉತ್ತರಗಳನ್ನು ಹೋಲಿಸುವುದು ಬೋನೆಟ್ರ HBR ಸಲಹೆ; ಹೀಗೆ ಮಾಡಿದರೆ ಪ್ರತಿ ಉತ್ತರವನ್ನೂ ಉಳಿದವುಗಳ ವಿರುದ್ಧ ತೀರ್ಮಾನಿಸುತ್ತೀರಿ.
2016ರ ಒಂದು ಮೂಲಭೂತ ಪ್ರಯೋಗಾಲಯ ಅಧ್ಯಯನದಲ್ಲಿ, ಒಬ್ಬ ಅಭ್ಯರ್ಥಿಯನ್ನು ಒಂದು ಸಮಯಕ್ಕೆ ತೋರಿಸಿದಾಗ ಜನರು ಕಾರ್ಯದ ಸ್ಟೀರಿಯೊಟೈಪ್ ಬೆಂಬಲಿಸಿದ ಲಿಂಗದ ಕಡೆ ಒಲವು ತೋರಿಸಿದರು. ಹಿಂದಿನ ಸಾಧನೆ ಬಹುತೇಕ ಮಹತ್ವ ಪಡಲಿಲ್ಲ. ಇಬ್ಬರನ್ನು ಅಕ್ಕಪಕ್ಕದಲ್ಲಿ ತೋರಿಸಿದಾಗ, ಹೆಚ್ಚು ಸಾಧನೆ ಮಾಡಿದವರನ್ನು 54% ಸಮಯದಲ್ಲಿ ಮತ್ತು ಕಡಿಮೆ ಸಾಧನೆ ಮಾಡಿದವರನ್ನು 8% ಸಮಯದಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಿದರು.
ಆ ಅಧ್ಯಯನವು ಹಿಂದಿನ ಕಾರ್ಯ ಅಂಕಗಳನ್ನು ಬಳಸಿತೇ ಹೊರತು ಸಂದರ್ಶನಗಳನ್ನಲ್ಲ, ಆದ್ದರಿಂದ ಅದನ್ನು ಸಾಕ್ಷ್ಯವಲ್ಲದ ಬಲವಾದ ಸುಳಿವಾಗಿ ಪರಿಗಣಿಸಿ.
6. ಡೀಬ್ರೀಫ್ನಲ್ಲಿ ಅತಿ ಗಟ್ಟಿಯಾಗಿ ಮಾತನಾಡುವ ಸಂದರ್ಶಕರೇ ಗೆಲ್ಲುವುದನ್ನು ತಡೆಯುವುದು ಹೇಗೆ?
ಯಾರೂ ಮಾತನಾಡುವ ಮೊದಲು ಪ್ರತಿ ಸಂದರ್ಶಕರೂ ತಮ್ಮ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಸಲ್ಲಿಸುವಂತೆ ಮಾಡಿ, ನಂತರ ಸ್ಕೋರ್ಗಳೊಂದಿಗೆ ಡೀಬ್ರೀಫ್ ಆರಂಭಿಸಿ.
ಒಬ್ಬ ಹಿರಿಯ ವ್ಯಕ್ತಿ "ನನಗೆ ಅವಳು ತುಂಬಾ ಇಷ್ಟವಾದಳು" ಎಂದು ಆರಂಭಿಸಿದರೆ, ಇಡೀ ಕೋಣೆ ಆ ಅಭಿಪ್ರಾಯದ ಕಡೆ ವಾಲಲು ಶುರುವಾಗುತ್ತದೆ. ಪ್ರತ್ಯೇಕವಾಗಿ ಬರೆದಿಟ್ಟ ಸ್ಕೋರ್ಗಳು ಆ ಎಳೆತದಿಂದ ಎಲ್ಲರನ್ನೂ ರಕ್ಷಿಸುತ್ತವೆ; ಅದಕ್ಕೇ Noise ಸ್ವತಂತ್ರ ಅಂಕ ನೀಡುವಿಕೆಯನ್ನು ನೇಮಕದ ನಿಯಮವಾಗಿಸುತ್ತದೆ.
ಆಚರಣೆಯಲ್ಲಿ, ಹಂಚಿಕೊಂಡ ಶೀಟ್ ಅಥವಾ ನಿಮ್ಮ ಅರ್ಜಿದಾರರ ಟ್ರ್ಯಾಕಿಂಗ್ ಸಿಸ್ಟಂನಲ್ಲಿ ಸ್ಕೋರ್ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ, ಎಲ್ಲವನ್ನೂ ಒಟ್ಟಿಗೆ ಬಹಿರಂಗಪಡಿಸಿ.
ಎಲ್ಲರೂ ಒಂದೇ ಸಂದರ್ಶನವನ್ನು ನೋಡುವ ಪ್ಯಾನೆಲ್ ಪರಿಹಾರದಂತೆ ಕಾಣುತ್ತದೆ. ಹಫ್ಕಟ್ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳ 2013ರ ಮೂಲಭೂತ ಮೆಟಾ-ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, ಪ್ಯಾನೆಲ್ ಮೌಲ್ಯಮಾಪಕರು 0 ರಿಂದ 1 ರ ಮಾಪಕದಲ್ಲಿ 0.74ರಷ್ಟು ಒಪ್ಪಂದಕ್ಕೆ ಬಂದರು; ಪ್ರತ್ಯೇಕ ಸಂದರ್ಶನಗಳಿಗೆ ಇದು 0.44 ಆಗಿತ್ತು.
ಆ ಸಂಖ್ಯೆ ಪ್ಯಾನೆಲ್ಗಳನ್ನು ಹೆಚ್ಚು ಒಳ್ಳೆಯದಾಗಿ ತೋರಿಸುತ್ತದೆ. ಪ್ಯಾನೆಲ್ ಸದಸ್ಯರೆಲ್ಲರೂ ಅದೇ ದಿನ ಅದೇ ಪ್ರದರ್ಶನಕ್ಕೆ ಅಂಕ ನೀಡುತ್ತಾರೆ, ಆದ್ದರಿಂದ ಅಭ್ಯರ್ಥಿಗೆ ಅಸಾಮಾನ್ಯವಾಗಿ ಒಳ್ಳೆಯ ಅಥವಾ ಕೆಟ್ಟ ಬೆಳಗಿನ ಸಮಯವಿದ್ದರೆ, ಅದನ್ನು ಎಲ್ಲರೂ ಕಾಣುತ್ತಾರೆ.
ಐರಿಸ್ ಬೋನೆಟ್ ಗೂಗಲ್ನಲ್ಲಿನ ಒಂದು ಭಾಷಣದಲ್ಲಿ ಹೇಳಿದಂತೆ, "ಪ್ಯಾನೆಲ್ ಸಂದರ್ಶನದ ಮಾದರಿ ಗಾತ್ರ ಮೂಲತಃ ಒಂದೇ". ಪ್ರತ್ಯೇಕವಾಗಿ, ಪ್ರತಿಯೊಂದನ್ನೂ ಬೇರೆಯಾಗಿ ಅಂಕ ನೀಡಿದ ಸಂದರ್ಶನಗಳು ನಿಮಗೆ ಹೆಚ್ಚು ಸ್ವತಂತ್ರ ನೋಟಗಳನ್ನು ನೀಡುತ್ತವೆ.
6.1 ಪ್ರತಿ ಅಭ್ಯರ್ಥಿಗೆ ಎಷ್ಟು ಸಂದರ್ಶಕರು ಅಂಕ ನೀಡಬೇಕು?
4 ರವರೆಗೆ, ಪ್ರತ್ಯೇಕ ಸಂದರ್ಶನಗಳಲ್ಲಿ. Google ನ ಆಂತರಿಕ ದತ್ತಾಂಶದಲ್ಲಿ, ಇದು ಪೀರ್-ರಿವ್ಯೂ ಆದ ಅಧ್ಯಯನವಲ್ಲ, 4 ಸಂದರ್ಶನಗಳು 86% ವಿಶ್ವಾಸದೊಂದಿಗೆ ನೇಮಕದ ನಿರ್ಧಾರವನ್ನು ಊಹಿಸಿದವು. ಪ್ರತಿ ಹೆಚ್ಚುವರಿ ಸಂದರ್ಶನವು 1% ಕ್ಕಿಂತ ಕಡಿಮೆ ಸೇರಿಸಿತು.
ಹೆಚ್ಚುವರಿ ಸಂದರ್ಶನಗಳು Google ನ ಸ್ವಂತ ನೇಮಕದ ನಿರ್ಧಾರವನ್ನು ಊಹಿಸುವಲ್ಲಿ ಸ್ವಲ್ಪವೇ ಸೇರಿಸಿದವು. ಇದನ್ನು ಪ್ರತಿ ಸುತ್ತಿನ ಸಮರ್ಥನೆಗೆ ಒಂದು ಸೂಚನೆಯಾಗಿ ಬಳಸಿ, ಸಾರ್ವತ್ರಿಕ ಗರಿಷ್ಠ ಮಿತಿ ಅಥವಾ ಮುಂದಿನ ಉದ್ಯೋಗ ಕಾರ್ಯಕ್ಷಮತೆಯ ಬಗ್ಗೆ ಸಾಕ್ಷ್ಯವಾಗಿ ಅಲ್ಲ.
7. ಕಾರ್ಯನಿರತ ಸಂದರ್ಶನಕಾರರು ಸಂದರ್ಶನದ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಅನ್ನು ನಿಜವಾಗಿಯೂ ಭರ್ತಿ ಮಾಡುವಂತೆ ನಾನು ಹೇಗೆ ಮಾಡಬೇಕು?
ಅಂಕ ನೀಡುವುದನ್ನು ಸಂದರ್ಶನದ ಭಾಗವನ್ನಾಗಿ ಮಾಡಿ. ಪ್ರತಿ ಕೌಶಲದ ಪ್ರಶ್ನೆಗಳ ನಂತರ ತಕ್ಷಣ ಅದನ್ನು ಅಂಕ ಮಾಡಿ, ಸಾಕ್ಷ್ಯವಾಗಿ 1 ಸಾಲಿನ ಉಲ್ಲೇಖ ಬರೆಯಿರಿ, ಮತ್ತು ಒಟ್ಟಾರೆ ಅಭಿಪ್ರಾಯವನ್ನು ಕೊನೆಯಲ್ಲಿ ನೀಡಿ.
ಒಂದು ದಿನದ ಸಂದರ್ಶನಗಳ ನಂತರ ಇನ್ನೊಂದು ಫಾರ್ಮ್ ಅನ್ನು ಯಾರೂ ಬಯಸುವುದಿಲ್ಲ. ಅದಕ್ಕಾಗಿಯೇ ಅಂಕ ನೀಡುವುದು ಸಂದರ್ಶನದ ಒಳಗೇ ನಡೆಯುತ್ತದೆ, ಇಂದು ರಾತ್ರಿಯ ಮನೆಪಾಠವಾಗಿ ಅಲ್ಲ.
1955 ರಲ್ಲಿ ಇಸ್ರೇಲಿ ಸೇನೆಗಾಗಿ ಕಾನೆಮನ್ ಈ ವಿಧಾನವನ್ನು ರೂಪಿಸಿದರು, ಮುಕ್ತ ಸಂದರ್ಶನಗಳು ಯಶಸ್ಸನ್ನು ಊಹಿಸುವಲ್ಲಿ ಬಹುತೇಕ ನಿರುಪಯುಕ್ತ ಎಂದು ಸಾಬೀತಾದ ನಂತರ. ಸಂದರ್ಶನಕಾರರು 6 ಗುಣಲಕ್ಷಣಗಳಿಗೆ 1 ರಿಂದ 5 ರ ಮಾಪಕದಲ್ಲಿ ಅಂಕ ನೀಡಿದರು, ಮುಂದಿನದನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ಪ್ರತಿಯೊಂದನ್ನೂ ಮುಗಿಸಿದರು, ಆದ್ದರಿಂದ ಮೊದಲ ಅಭಿಪ್ರಾಯ ಉಳಿದವನ್ನು ಬಣ್ಣಿಸಲಾಗಲಿಲ್ಲ.
ಆ ನಂತರವೇ ಅವರು ಕಣ್ಣುಗಳನ್ನು ಮುಚ್ಚಿ ಒಟ್ಟಾರೆ ರೇಟಿಂಗ್ ನೀಡಿದರು, ಮತ್ತು ಒಟ್ಟು ಮೊತ್ತವು ಹಿಂದಿನದಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಊಹಿಸಿತು. ಅವರ ಸಲಹೆ: ಅತ್ಯಧಿಕ ಒಟ್ಟು ಮೊತ್ತವನ್ನು ಹೊಂದಿದವರನ್ನು ನೇಮಿಸಿ, "ನಿಮಗೆ ಇನ್ನೂ ಹೆಚ್ಚು ಇಷ್ಟವಾದ ಇನ್ನೊಬ್ಬರಿದ್ದರೂ ಸಹ".
ಸಮಯವೂ ಮುಖ್ಯ. ಒಂದು ಕ್ಷೇತ್ರ ಅಧ್ಯಯನದಲ್ಲಿ, 166 ಸಂದರ್ಶನಕಾರರು ತಾವು ಯಾವಾಗ ನಿರ್ಧಾರ ಮಾಡಿದರು ಎಂದು ವರದಿ ಮಾಡಿದರು. ಕೇವಲ 4.9% ನಿರ್ಧಾರಗಳು ಮೊದಲ ನಿಮಿಷದಲ್ಲಿ ಬಂದವು, ಆದರೆ 22.5% ಸಂದರ್ಶನ ಮುಗಿದ ನಂತರ ಬಂದವು.
ಅಭ್ಯರ್ಥಿ ಹೊರಟ ನಂತರ ಮಾಡಿದ ನಿರ್ಧಾರವು ನೆನಪಿನ ಮೇಲೆ ನಿಂತಿರುತ್ತದೆ, ಆದ್ದರಿಂದ ನಡೆಯುತ್ತಲೇ ಅಂಕ ನೀಡಿ.
ನಮ್ಮ ಸಪೋರ್ಟ್ ಲೀಡ್ಗೆ, ಅದು ಹೀಗೆ ಕಾಣುತ್ತದೆ:
- 2 ಕ್ಯೂ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ, ನಂತರ ಮುಂದುವರಿಯುವ ಮೊದಲು "ಕ್ಯೂಗೆ ಆದ್ಯತೆ ನೀಡುತ್ತಾರೆ" ಎಂದು ಅಂಕ ನೀಡಿ.
- ಸಾಕ್ಷ್ಯವಾಗಿ 1 ಉಲ್ಲೇಖ ಬರೆಯಿರಿ, ಉದಾಹರಣೆಗೆ "ನಾನು ಬಗ್ಗಳನ್ನು ಅವು ಎಷ್ಟು ಗ್ರಾಹಕರನ್ನು ತಲುಪುತ್ತವೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ವಿಂಗಡಿಸುತ್ತೇನೆ."
- ಪ್ರತಿ ಅಭ್ಯರ್ಥಿಗೂ ಅದೇ ಕೌಶಲ ಕ್ರಮವನ್ನು ಇಟ್ಟುಕೊಳ್ಳಿ.
ನಮ್ಮ ದತ್ತಾಂಶದಲ್ಲಿ ಲಿಖಿತ ಸಾಕ್ಷ್ಯ ಅಪರೂಪ.
Flowmingo data · 86,638 AI-interviewed candidates · 2,574 companies · Jul 2025 to Sep 2026
- AI ಇಂಟರ್ವ್ಯೂ ಮಾಡಿದ ಅಭ್ಯರ್ಥಿಗಳಲ್ಲಿ 0.3% ಮಂದಿಗೆ ನೇಮಕಾತಿ ತಂಡದಿಂದ ಲಿಖಿತ ಕಾಮೆಂಟ್ ಸಿಕ್ಕಿದೆ (86,638 ರಲ್ಲಿ 258).
ತಂಡಗಳು ಟಿಪ್ಪಣಿಗಳನ್ನು ಬೇರೆಡೆ ಇಟ್ಟಿರಬಹುದು; Flowmingo ಒಳಗೆ, ಸಾಮಾನ್ಯವಾಗಿ AI ವರದಿಯೇ ಲಭ್ಯವಿರುವ ಏಕೈಕ ಲಿಖಿತ ಮೌಲ್ಯಮಾಪನ.
ಕಾರ್ಯನಿರತ ದಿನದಲ್ಲಿ ಮೊದಲು ಬಿಟ್ಟುಬಿಡುವುದು ಲಿಖಿತ ಕಾರಣವನ್ನೇ. ಅದಕ್ಕೇ ಫಾರ್ಮ್ ಪ್ರತಿ ಕೌಶಲ್ಯಕ್ಕೆ ಕೇವಲ 1 ಉಲ್ಲೇಖವನ್ನು ಮಾತ್ರ ಕೇಳುತ್ತದೆ.
8. ನನ್ನ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ನಲ್ಲಿನ AI ಸ್ಕೋರ್ ಅನ್ನು ನಾನು ನಂಬಬಹುದೇ?
ಒಬ್ಬ ವ್ಯಕ್ತಿ ಪರಿಶೀಲಿಸುವ 1 ಇನ್ಪುಟ್ ಆಗಿ ಅದನ್ನು ಬಳಸಿ, ಮತ್ತು ಮೊದಲು ಅದರ ಕಾರಣಗಳನ್ನು ಓದಿ. AI ತರಬೇತಿ ಪಡೆಯದ ಪ್ರಶ್ನೆಗಳ ಮೇಲೆ ಅದರ ಸ್ಕೋರಿಂಗ್ ತೀಕ್ಷ್ಣವಾಗಿ ಇಳಿಯಬಹುದು.
ಈ ಉತ್ತರದಲ್ಲಿ ನಮಗೂ ಆಸಕ್ತಿ ಇದೆ, ಆದ್ದರಿಂದ ಕೆಳಗಿನ ಸಾಕ್ಷ್ಯದಲ್ಲಿ AIಗೆ ಅನುಕೂಲವಾಗದ ಭಾಗವೂ ಸೇರಿದೆ.
2023ರ ಒಂದು ಮೂಲಭೂತ ಅಧ್ಯಯನದಲ್ಲಿ, 2 ತರಬೇತಿ ಪಡೆದ ರೇಟರ್ಗಳು 7,017 ಅರ್ಜಿದಾರರ ಉತ್ತರಗಳನ್ನು 1 ರಿಂದ 5 ರ ಆಂಕರ್ ಮಾಡಿದ ಮಾಪಕದಲ್ಲಿ ಸ್ಕೋರ್ ಮಾಡಿದರು. ಅದೇ ಪ್ರಶ್ನೆಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಒಂದು ಮಾದರಿ ಅವರ ಸ್ಕೋರ್ಗಳಿಗೆ ಹತ್ತಿರವಾಗಿ ಹೊಂದಿಕೆಯಾಯಿತು, 0 ರಿಂದ 1 ರ ಮಾಪಕದಲ್ಲಿ 0.75. ಅದು ಎಂದೂ ನೋಡದ ಪ್ರಶ್ನೆ ಸ್ವರೂಪಗಳ ಮೇಲೆ, ಅದು 0.30 ಕ್ಕೆ ಇಳಿಯಿತು, ದುರ್ಬಲ ಹೊಂದಾಣಿಕೆ.
ಇದರರ್ಥ AI ಸ್ಕೋರ್ ಅದರ ಪ್ರಶ್ನೆ-ನಿರ್ದಿಷ್ಟ ರೂಬ್ರಿಕ್ನಷ್ಟೇ ಒಳ್ಳೆಯದು, ಆದ್ದರಿಂದ ಸಂಖ್ಯೆಯನ್ನು ನಂಬುವ ಮೊದಲು ಅದರ ಕಾರಣಗಳನ್ನು ಓದಿ. ಜೊತೆಗೆ, ಆ ಅಧ್ಯಯನದ 5 ಲೇಖಕರಲ್ಲಿ 3 ಮಂದಿ AI-ಇಂಟರ್ವ್ಯೂ ವೆಂಡರ್ Modern Hire ನಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದರು ಎಂಬುದನ್ನೂ ಗಮನಿಸಿ.
Flowmingo ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ
Flowmingo's AI Interviewer ನೀವು ಅನುಮೋದಿಸುವ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ಸ್ಕೋರ್ ಮಾಡುತ್ತದೆ. ನಿಮ್ಮ ಉದ್ಯೋಗ ವಿವರಣೆಯಿಂದ AI ಪ್ರಶ್ನೆಗಳನ್ನು ಮತ್ತು ಮಾನದಂಡಗಳನ್ನು ಕರಡು ಮಾಡುತ್ತದೆ, ಮತ್ತು ನೀವು ಎರಡನ್ನೂ ಸಂಪಾದಿಸುತ್ತೀರಿ. ಪ್ರತಿ ಅರ್ಜಿದಾರರಿಗೂ ಅವರದೇ ಸಮಯದಲ್ಲಿ ಮಾಡಲು ಸಂದರ್ಶನವನ್ನು ಕಳುಹಿಸುತ್ತೀರಿ.
ನಿಮಗೆ ರೆಕಾರ್ಡಿಂಗ್, ಪ್ರತಿಲೇಖನ ಮತ್ತು ಪ್ರತಿ ಮಾನದಂಡವೂ 0 ರಿಂದ 10 ರವರೆಗೆ ಲಿಖಿತ ಸಮರ್ಥನೆಯೊಂದಿಗೆ ರೇಟ್ ಮಾಡಿದ್ದು ವಾಪಸ್ ಸಿಗುತ್ತದೆ. ನೇಮಕಾತಿ ನಿರ್ಧಾರವನ್ನು ನೀವೇ ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ.

Flowmingo ನ ಸಾರ್ವಜನಿಕ ಮಾದರಿ ವರದಿ: ಪ್ರತಿ ಮಾನದಂಡಕ್ಕೆ 0 ರಿಂದ 10 ರ ಸ್ಕೋರ್ ಮತ್ತು ಕಾರಣ, ಆದ್ದರಿಂದ ಆ ಮಾಪಕದಲ್ಲಿ ಯಾವುದೇ ಕಡ್ಡಾಯ ಕನಿಷ್ಠ ಮಿತಿಯನ್ನು ನಿಗದಿಪಡಿಸಿ.
ನಮ್ಮ ದತ್ತಾಂಶದಲ್ಲಿ, ಯಾರು ಅತ್ಯುತ್ತಮರು ಎಂಬುದರ ಬಗ್ಗೆ CV ಮತ್ತು ಸಂದರ್ಶನ ಕೂಡ ಒಪ್ಪುವುದಿಲ್ಲ.
Flowmingo data · 34,114 candidates · 379 companies · Jul 2025 to Sep 2026
- 1 ಸ್ಪಷ್ಟ ಉನ್ನತ ಸಂದರ್ಶನ ಸ್ಕೋರ್ ಇರುವ 532 ಯೋಜನೆಗಳಲ್ಲಿ 19.2% ಮಾತ್ರ ಆ ಅಭ್ಯರ್ಥಿಗೆ ಉನ್ನತ CV ಸ್ಕೋರ್ ಅನ್ನೂ ನೀಡಿದವು.
- ಸಂದರ್ಶನದಲ್ಲಿ 8 ಅಥವಾ ಹೆಚ್ಚು ಸ್ಕೋರ್ ಮಾಡಿದ 3,684 ಅಭ್ಯರ್ಥಿಗಳಲ್ಲಿ (2,022) 54.9% ಮಂದಿ top-20% CV shortlist ನಿಂದ ಕಿತ್ತುಹೋಗುತ್ತಿದ್ದರು.
ಎರಡೂ Flowmingo AI ಸ್ಕೋರ್ಗಳು, ಉದ್ಯೋಗ ಕಾರ್ಯಕ್ಷಮತೆ ಅಲ್ಲ, ಮತ್ತು ಸಂದರ್ಶನಕ್ಕೊಳಗಾದವರು ಆಯ್ದ ಗುಂಪು. ದತ್ತಾಂಶವು 2 ಶ್ರೇಯಾಂಕಗಳು ಭಿನ್ನ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಯಾವುದು ಸರಿ ಎಂದಲ್ಲ.
ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಆ ಯೋಜನೆಗಳ ಪ್ರತಿ 5 ರಲ್ಲಿ ಸುಮಾರು 4 ರಲ್ಲಿ, ಸಂದರ್ಶನದಲ್ಲಿ ಅತ್ಯಧಿಕ ಅಂಕ ಪಡೆದವರಿಗೆ ಅತ್ಯಧಿಕ CV ಅಂಕ ಇರಲಿಲ್ಲ. ಆದ್ದರಿಂದ ಸಂದರ್ಶನಕ್ಕೆ ಪ್ರತ್ಯೇಕವಾಗಿ ಅಂಕ ನೀಡಿ, CV ಅಂಕವನ್ನು ಅದಕ್ಕೆ ವರ್ಗಾಯಿಸಬೇಡಿ.
9. ತಿರಸ್ಕೃತ ಅಭ್ಯರ್ಥಿಯೊಬ್ಬರು ದೂರು ನೀಡಿದರೆ ನನ್ನ ಸ್ಕೋರ್ಕಾರ್ಡ್ಗಳು ನನ್ನನ್ನು ರಕ್ಷಿಸುತ್ತವೆಯೇ?
ಅವು ಸಹಾಯ ಮಾಡುತ್ತವೆ, ಒಂದು ವೇಳೆ ಅವು ಉದ್ಯೋಗಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಸಾಕ್ಷ್ಯಗಳಿಗೆ ಅಂಕ ನೀಡಿದರೆ ಮತ್ತು ನೀವು ಅವನ್ನು ಇಟ್ಟುಕೊಂಡರೆ. ಸೂಕ್ತವಾದ ವ್ಯಾಖ್ಯಾನದ ಪ್ರಕಾರ, US ಫೆಡರಲ್ ನಿಯಮಗಳು ಸ್ಕೋರ್ಕಾರ್ಡ್ಗಳನ್ನು ಕನಿಷ್ಠ 1 ವರ್ಷ, ಮತ್ತು ಕ್ಯಾಲಿಫೋರ್ನಿಯಾದ ನಿಯಮಗಳು 4 ವರ್ಷ ಇಟ್ಟುಕೊಳ್ಳಬೇಕೆಂದು ಅರ್ಥೈಸುತ್ತವೆ.
ಸಂದರ್ಶನವನ್ನು ಯಾರೂ ನೆನಪಿಟ್ಟುಕೊಳ್ಳದ ತಿಂಗಳುಗಳ ನಂತರ ದೂರು ಬರಬಹುದು. ಪ್ರತಿ ಕೌಶಲ್ಯಕ್ಕೂ ಒಂದು ಉಲ್ಲೇಖವಿರುವ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್, ನೀವು ಏನನ್ನು ಮತ್ತು ಏಕೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದಿರಿ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.
US ನಿಯಮವು ಸ್ಕೋರ್ಕಾರ್ಡ್ಗಳನ್ನು ಹೆಸರಿಸುವುದಿಲ್ಲ, ಆದರೆ ಅದು "ಉದ್ಯೋಗ ನೇಮಕಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಇತರ ದಾಖಲೆಗಳನ್ನು" ಒಳಗೊಳ್ಳುತ್ತದೆ. ಯಾರಾದರೂ ತಾರತಮ್ಯದ ಆರೋಪ ಸಲ್ಲಿಸಿದರೆ, ಪ್ರಕರಣ ಮುಗಿಯುವವರೆಗೂ ಪ್ರತಿ ಸಂಬಂಧಿತ ದಾಖಲೆಯನ್ನೂ ನೀವು ಇಟ್ಟುಕೊಳ್ಳಬೇಕು. ಅದೇ ಉದ್ಯೋಗಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಇತರ ಅಭ್ಯರ್ಥಿಗಳ ದಾಖಲೆಗಳೂ ಇದರಲ್ಲಿ ಸೇರಿವೆ, ಆದ್ದರಿಂದ ಒಂದು ಆರೋಪವು ಇಡೀ ಗುಂಪನ್ನು ಸ್ತಬ್ಧಗೊಳಿಸುತ್ತದೆ.
ಈ ನಿಯಮಗಳು ಸೆಪ್ಟೆಂಬರ್ 2026 ರಂತೆ ಜಾರಿಯಲ್ಲಿವೆ. ಇದು ಒಂದು ಸಾರಾಂಶ, ಕಾನೂನು ಸಲಹೆ ಅಲ್ಲ.
| ನಿಯಮ | ಎಲ್ಲಿ | ನಿಮ್ಮ ಸ್ಕೋರ್ಕಾರ್ಡ್ಗೆ ಅದರ ಅರ್ಥ |
|---|---|---|
| 29 CFR 1602.14 | US | ನೇಮಕಾತಿ ದಾಖಲೆಗಳನ್ನು 1 ವರ್ಷ ಇಟ್ಟುಕೊಳ್ಳಿ, ಆರೋಪದ ನಂತರ ಹೆಚ್ಚು ಕಾಲ |
| 2 CCR 11013(c) | ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ | ಸ್ವಯಂಚಾಲಿತ ನಿರ್ಧಾರದ ಡೇಟಾ ಸೇರಿದಂತೆ ದಾಖಲೆಗಳನ್ನು 4 ವರ್ಷ ಇಟ್ಟುಕೊಳ್ಳಿ |
| ICO ಮಾರ್ಗದರ್ಶನ | UK | ಅಭ್ಯರ್ಥಿಗಳು ಸಂದರ್ಶನ ಟಿಪ್ಪಣಿಗಳನ್ನು ಕೇಳಬಹುದು; ಯಾವುದೇ ಟೈ-ಬ್ರೇಕ್ ನಿಯಮವನ್ನು ಬಹಿರಂಗಪಡಿಸಿ |
| TAFEP | ಸಿಂಗಾಪುರ | ಮೌಲ್ಯಮಾಪನ ಫಾರ್ಮ್ ಬಳಸಿ ಮತ್ತು ದಾಖಲೆಗಳನ್ನು ಕನಿಷ್ಠ 1 ವರ್ಷ ಇಟ್ಟುಕೊಳ್ಳಿ |
| 29 CFR 1630.11 (ADA) | US | ಅಂಗವೈಕಲ್ಯವು ಮಾತಿನ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಿದರೆ, ಮಾತಲ್ಲ, ಕೌಶಲ್ಯಕ್ಕೆ ಅಂಕ ನೀಡಿ — ಉದ್ಯೋಗಕ್ಕೆ ಮಾತನಾಡುವುದೇ ಅಗತ್ಯವಾಗಿರದಿದ್ದರೆ |
| AI ಕಾಯ್ದೆ, ಆರ್ಟಿಕಲ್ 5(1)(f) | EU, 2 ಫೆಬ್ರವರಿ 2025 ರಿಂದ | ಮುಖ, ನಿಲುವು ಅಥವಾ ಕೀಸ್ಟ್ರೋಕ್ಗಳಿಂದ ಅಭ್ಯರ್ಥಿಗಳ ಭಾವನೆಗಳನ್ನು ಅನುಮಾನಿಸುವ AI ಬೇಡ |
| AI ಕಾಯ್ದೆ, ಅನೆಕ್ಸ್ III ಮತ್ತು ಆರ್ಟಿಕಲ್ 26 | EU, 2 ಡಿಸೆಂಬರ್ 2027 ರಿಂದ | ಹೆಚ್ಚಿನ ಅಪಾಯ: ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆ, ಲಾಗ್ಗಳನ್ನು 6+ ತಿಂಗಳು ಇಟ್ಟುಕೊಳ್ಳುವುದು, ಅಭ್ಯರ್ಥಿಗಳಿಗೆ ತಿಳಿಸುವುದು |
| ಸ್ಥಳೀಯ ಕಾನೂನು 144 | ನ್ಯೂಯಾರ್ಕ್ ಸಿಟಿ | ಒಂದೇ AI ಅಂಕವನ್ನು ಬಳಸಿದರೆ, ಎಲ್ಲದಕ್ಕಿಂತ ಹೆಚ್ಚು ತೂಕ ನೀಡಿದರೆ ಅಥವಾ ಜನರನ್ನು ಮೀರಿಸಲು ಬಳಸಿದರೆ: ಪಕ್ಷಪಾತಕ್ಕಾಗಿ ವಾರ್ಷಿಕ ಆಡಿಟ್ ಮತ್ತು ಸೂಚನೆ |
| AI ವಿಡಿಯೋ ಸಂದರ್ಶನ ಕಾಯ್ದೆ | ಇಲಿನಾಯ್ಸ್ | ಮೊದಲು ಸೂಚನೆ, ವಿವರಣೆ ಮತ್ತು ಸಮ್ಮತಿ; ವಿನಂತಿಯ 30 ದಿನಗಳೊಳಗೆ ವಿಡಿಯೋಗಳನ್ನು ಅಳಿಸಿ |
ಅದಕ್ಕೇ ಟೆಂಪ್ಲೇಟ್ನಲ್ಲಿ "ಅಂಕ ನೀಡಿಲ್ಲ" ಸಾಲು ಇದೆ. ಮುಖ, ನಿಲುವು ಅಥವಾ ಕೀಸ್ಟ್ರೋಕ್ಗಳಿಂದ ಅಭ್ಯರ್ಥಿಗಳ ಭಾವನೆಗಳನ್ನು ಓದುವ AI ಅನ್ನು EU ನಿಷೇಧಿಸುತ್ತದೆ, ಮತ್ತು US ಅಂಗವೈಕಲ್ಯ ಕಾನೂನು (ADA) ಮಾತಿನ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಅಂಗವೈಕಲ್ಯವಿರುವ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ರಕ್ಷಿಸುತ್ತದೆ. UK ನಲ್ಲಿ, ಅಭ್ಯರ್ಥಿಗಳು ನಿಮ್ಮ ಟಿಪ್ಪಣಿಗಳನ್ನು ಕೇಳಬಹುದು, ಆದ್ದರಿಂದ ಪ್ರತಿ ಸಾಕ್ಷ್ಯ ಸಾಲನ್ನೂ ಅವರು ಅದನ್ನು ಓದುತ್ತಾರೆ ಎಂಬಂತೆ ಬರೆಯಿರಿ.
ಸ್ವಯಂ-ಲೆಕ್ಕಪರಿಶೋಧನೆಗಾಗಿ, ಏಕರೂಪ ಮಾರ್ಗಸೂಚಿಗಳಲ್ಲಿ ಇರುವ 4/5 ನಿಯಮದ ಪ್ರಕಾರ ಗುಂಪಿನ ಪ್ರಕಾರ ಉತ್ತೀರ್ಣ ದರಗಳನ್ನು ಹೋಲಿಸಿ. ಒಂದು ಗುಂಪಿನ 30% ಮತ್ತು ಇನ್ನೊಂದರ 50% ಉತ್ತೀರ್ಣರಾಗುತ್ತಾರೆ ಎಂದಿಟ್ಟುಕೊಳ್ಳಿ: 30 ಅನ್ನು 50 ರಿಂದ ಭಾಗಿಸಿದರೆ 0.6, ಇದು 0.8 ಕ್ಕಿಂತ ಕಡಿಮೆ, ಆದ್ದರಿಂದ ಹತ್ತಿರದಿಂದ ನೋಡಿ.
ಜೂನ್ 2026 ರ ನ್ಯಾಯ ಇಲಾಖೆಯ ಅಭಿಪ್ರಾಯ ಮತ್ತು ಜುಲೈ 2026 ರ OPM ನಿಯಮ ಫೆಡರಲ್ ಏಜೆನ್ಸಿಗಳನ್ನು ಮಾರ್ಗಸೂಚಿಗಳಿಂದ ದೂರ ಸರಿಸುತ್ತವೆ. ಆದರೂ ಅವು ಫೆಡರಲ್ ನಿಯಮಾವಳಿಗಳಲ್ಲಿ ಉಳಿದಿವೆ, ಆದ್ದರಿಂದ ಈ ಪರಿಶೀಲನೆಯನ್ನು ಕಾನೂನು ರೇಖೆಯಲ್ಲ, ಅಗ್ಗದ ಅಭ್ಯಾಸವೆಂದು ಪರಿಗಣಿಸಿ.
10. ಈ ವಾರ ನನ್ನ ತಂಡದೊಂದಿಗೆ ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ ಅನ್ನು ಹೇಗೆ ಜಾರಿಗೆ ತರುವುದು?
ಈ ಕ್ರಮದಲ್ಲಿ ಅದನ್ನು ನಿರ್ಮಿಸಿ, ಮತ್ತು ಪಾತ್ರಗಳ ನಡುವೆ ಮಾತ್ರ ಅದನ್ನು ಬದಲಿಸಿ. ಮೊದಲ ಆವೃತ್ತಿ ಪರಿಪೂರ್ಣವಾಗಿರಬೇಕಿಲ್ಲ, ಆದರೆ ಅದು ಪ್ರತಿ ಅಭ್ಯರ್ಥಿಗೂ ಒಂದೇ ಆಗಿರಬೇಕು.
- 1 ಮಿಷನ್ ಸಾಲು ಮತ್ತು 3 ರಿಂದ 8 ಶ್ರೇಣೀಕೃತ ಫಲಿತಾಂಶಗಳನ್ನು ಬರೆಯಿರಿ.
- ಅವುಗಳನ್ನು 5 ಕೌಶಲ್ಯಗಳಾಗಿ ಪರಿವರ್ತಿಸಿ ಮತ್ತು ಕಡ್ಡಾಯವಾದವುಗಳನ್ನು ಗುರುತಿಸಿ.
- ಪ್ರತಿ ಕೌಶಲ್ಯಕ್ಕೆ 2 ಹಿಂದಿನ ವರ್ತನೆಯ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು 1, 3 ಮತ್ತು 5 ರ ಆಂಕರ್ಗಳನ್ನು ಬರೆಯಿರಿ.
- 4 ರವರೆಗೆ ಸಂದರ್ಶಕರು ಒಬ್ಬಂಟಿಯಾಗಿ ಅಂಕ ನೀಡಿ ಡೀಬ್ರೀಫ್ಗೆ ಮೊದಲು ಸಲ್ಲಿಸಲಿ.
- ಒಟ್ಟು ಮೊತ್ತವು ನಿರ್ಧರಿಸಲಿ, ಆದರೆ 3 ಕ್ಕಿಂತ ಕಡಿಮೆ ಇರುವ ಯಾವುದೇ ಕಡ್ಡಾಯವು ನೇಮಕವಿಲ್ಲ ಎಂದರ್ಥ. ಪ್ರತಿ ಓವರ್ರೈಡ್ ಅನ್ನು ಬರೆಯಿರಿ.
ಪ್ರಾಯೋಗಿಕವಾಗಿ, 1 ತೆರೆದ ಹುದ್ದೆಯಿಂದ ಪ್ರಾರಂಭಿಸಿ, ಇದರಿಂದ ನಿಮ್ಮ ತಂಡವು ನಿಜವಾದ ಯಾವುದೋ ಒಂದರ ಮೇಲೆ ಅಭ್ಯಾಸವನ್ನು ಕಲಿಯುತ್ತದೆ. ಮೊದಲ ಸಂದರ್ಶನಕ್ಕೆ ಮೊದಲು, ಎಲ್ಲರೂ ಒಂದೇ ಮಾದರಿ ಉತ್ತರಕ್ಕೆ ಅಂಕ ನೀಡಿ ಹೋಲಿಸಲಿ.
2 ಅಂಕಗಳು 1 ಅಂಶಕ್ಕಿಂತ ಹೆಚ್ಚು ದೂರದಲ್ಲಿದ್ದರೆ, ಅವು ಒಪ್ಪುವವರೆಗೆ ಆಂಕರ್ ಅನ್ನು ಮರುಬರೆಯಿರಿ. ವಿಭಾಗ 8 ಅಧ್ಯಯನದಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ರೇಟರ್ಗಳು ಸಭೆಯನ್ನು ಕರೆಯಲು ಅದೇ 1-ಅಂಶದ ಅಂತರವನ್ನು ಬಳಸಿದರು.
ಸ್ವಲ್ಪ ಪ್ರತಿರೋಧವನ್ನು ನಿರೀಕ್ಷಿಸಿ. ಕಾನೆಮಾನ್ರ ಸೈನ್ಯ ಸಂದರ್ಶಕರು ಕೇವಲ ಉತ್ತರಗಳನ್ನು ದಾಖಲಿಸುವುದನ್ನೂ ವಿರೋಧಿಸಿದರು, ಮತ್ತು ಅವರ ಪರಿಹಾರವೆಂದರೆ ಕಣ್ಣುಮುಚ್ಚಿ ರೇಟಿಂಗ್, ಇದು ಅವರ ತೀರ್ಮಾನಕ್ಕೆ ನಮೂನೆಯಲ್ಲಿ ಸ್ಥಾನವನ್ನು ನೀಡಿತು. ನಿಮ್ಮ ಒಟ್ಟಾರೆ ಅನಿಸಿಕೆ ಸಾಲು ನಿಮ್ಮ ತಂಡಕ್ಕೆ ಅದನ್ನೇ ಮಾಡುತ್ತದೆ.
Flowmingo ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ
ಪ್ರತಿ ಅರ್ಜಿದಾರರಿಗೂ ಅವರದೇ ಸಮಯದಲ್ಲಿ ಮಾಡಲು ರಚನಾತ್ಮಕ ಸಂದರ್ಶನವನ್ನು ಕಳುಹಿಸಲು, ರೆಕಾರ್ಡ್ ಮಾಡಿ 1 ಸಂದರ್ಶನ ಸ್ಕೋರ್ಕಾರ್ಡ್ನ ವಿರುದ್ಧ ಅಂಕ ನೀಡಲು, Flowmingo ಅನ್ನು ಪ್ರಯತ್ನಿಸಿ.
11. ಮೂಲಗಳು
ಮೇಲಿನ ಪ್ರತಿ ಬಾಹ್ಯ ಅಂಕಿಅಂಶವೂ ಕೆಳಗಿನ ಮೂಲಗಳಿಂದ ಬಂದಿದೆ, ಕಾಣಿಸಿಕೊಂಡ ಕ್ರಮದಲ್ಲಿ. Flowmingo ನದೇ ಅಂಕಿಅಂಶಗಳು ಡೇಟಾ ಪೆಟ್ಟಿಗೆಗಳಲ್ಲಿ ಇವೆ, ಜುಲೈ 2025 ರಿಂದ ಸೆಪ್ಟೆಂಬರ್ 2026.
- Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology.
- Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2023). Revisiting the design of selection systems in light of new findings regarding the validity of widely used predictors. Industrial and Organizational Psychology.
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A flaw in human judgment, ch. 24, as quoted by NPR Planet Money. Little, Brown Spark.
- Smart, G., & Street, R. (2008). Who: The A method for hiring. Ballantine Books.
- Uhlmann, E. L., & Cohen, G. L. (2005). Constructed criteria: Redefining merit to justify discrimination. Psychological Science.
- Taylor, P. J., & Small, B. (2002). Asking applicants what they would do versus what they did do: A meta-analytic comparison of situational and past behaviour employment interview questions. Journal of Occupational and Organizational Psychology.
- US Office of Personnel Management (2008). Structured interviews: A practical guide. OPM.
- Kahneman, D. (2011). Thinking, fast and slow, ch. 21, "Intuitions vs. formulas". Farrar, Straus and Giroux.
- Frieder, R. E., Van Iddekinge, C. H., & Raymark, P. H. (2016). How quickly do interviewers reach decisions? Journal of Occupational and Organizational Psychology. Percentages as reported by BPS Research Digest.
- Shaper, S. (2017). How many interviews does it take to hire a Googler?. Google re:Work, archived.
- Huffcutt, A. I., Culbertson, S. S., & Weyhrauch, W. S. (2013). Employment interview reliability: New meta-analytic estimates by structure and format. International Journal of Selection and Assessment.
- Bohnet, I. (2016). What works: Gender equality by design. Talks at Google.
- Bohnet, I. (2016). How to take the bias out of interviews. Harvard Business Review.
- Bohnet, I., van Geen, A., & Bazerman, M. H. (2016). When performance trumps gender bias: Joint vs. separate evaluation. Management Science.
- Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology.
- Koenig, N., Tonidandel, S., Thompson, I., Albritton, B., Koohifar, F., et al. (2023). Improving measurement and prediction in personnel selection through the application of machine learning. Personnel Psychology.
- European Commission (2025). Guidelines on prohibited artificial intelligence practices, C(2025) 5052 final. European Commission.
- European Parliament and Council (2026). Regulation (EU) 2026/1744, the Digital Omnibus on AI. Official Journal of the EU.
- NYC Department of Consumer and Worker Protection (2023). Automated employment decision tools: rules and FAQ. NYC DCWP.
- Illinois General Assembly (n.d.). Artificial Intelligence Video Interview Act, 820 ILCS 42. Illinois General Assembly.
- US Equal Employment Opportunity Commission (1991, as amended 2011). 29 CFR 1630.11, Administration of tests. eCFR.
- US Equal Employment Opportunity Commission (1972, as amended 2024). 29 CFR 1602.14, Preservation of records made or kept. eCFR.
- California Civil Rights Council (2025). Employment regulations regarding automated-decision systems. California Civil Rights Department.
- Information Commissioner's Office (n.d., under review). Shortlisting, testing, and interviewing candidates. ICO.
- TAFEP (n.d., accessed 2026-09-24). How to conduct fair job interviews. Tripartite Alliance for Fair and Progressive Employment Practices.
- EEOC, Civil Service Commission, Department of Labor & Department of Justice (1978). Uniform Guidelines on Employee Selection Procedures, 29 CFR Part 1607. eCFR.
- US Department of Justice, Office of Legal Counsel (2026). Constitutionality of disparate-impact liability under Title VII. DOJ.
- US Office of Personnel Management (2026). Removal of references to the Uniform Guidelines on Employee Selection Procedures in federal personnel regulations. Federal Register.



