අද අඟහරුවාදා, ඔබේ පෝලිමේ රැකියා 1ක් සඳහා අයදුම්පත් 244ක් ඇත, බඳවා ගැනීමේ කළමනාකරුට බ්රහස්පතින්දාට නම් අවශ්යයි. ඔබේ අපේක්ෂක කෙටි ලැයිස්තුගත කිරීම ඔබේ සම්මුඛ පරීක්ෂණ ධාරිතාව තුළ ඇගයීමට ලක් කළ යුතු පුද්ගලයන්ගේ ආරක්ෂා කළ හැකි කට්ටලයක් නිපදවිය යුතුය, එය CV පරීක්ෂාවෙන් ආරම්භ වේ.
රැකියාවකට අයදුම්පත් 2022දී 116ක්ව තිබූ අතර 2025දී 244ක් දක්වා ඉහළ ගියේය, එසේ වන අතර Greenhouse හි ගෝලීය මිණුම් සලකුණු අනුව බඳවා ගැනීමේ කණ්ඩායම් 56%කින් හැකිලී ඇත.
අපේක්ෂකයන් 3,290ක් අතර Gartner සමීක්ෂණයකදී, 39%ක් අයදුම් කිරීමේදී AI භාවිතා කළහ. එබැවින්ම බොහෝ CV එකම ලෙස ශබ්ද වන අතර, බඩවැල් හැඟීමට අල්ලා ගැනීමට අඩුවක් ඇත.
CV එකකට විනාඩි 2ක් ලෙස උපකල්පනය කළහොත්, ඔබ සටහනක් ලිවීමට පෙර කියවීමේ පැය 8ක් වේ. එමෙන්ම කියවීම අසමාන වේ: සම්මුඛ පරීක්ෂණ අධ්යයනවලදී, පුද්ගලයන් ශක්තිමත් ඒවා අනුපිළිවෙලකට පසුව අපේක්ෂකයෙකු අඩු ලකුණු ලබා දෙයි. එය නොසැලකිල්ලක් නොවේ: සමාලෝචකයන් එක් අසුනක් තුළ ඔවුන්ගේ ඔව් යන්න නිහඬව සීමා කරති.
ආරක්ෂා කළ හැකි පියවර 3කින් අපේක්ෂකයන් කෙටි ලැයිස්තුගත කරන ආකාරය මෙසේය. පළමුව බඳවා ගැනීමේ කළමනාකරු සමඟ බරිත නිර්ණායක අගුළු දමන්න, සෑම CV එකක්ම මිශ්ර කළ අනුපිළිවෙලකින් එකම ආකාරයට ලකුණු කරන්න, සහ ඔබේ සම්මුඛ පරීක්ෂණ පැය ගණනින් ලැයිස්තුවේ ප්රමාණය තීරණය කරන්න.
ප්රධාන ග්රහණ
- මම කී දෙනෙකු කෙටි ලැයිස්තුගත කළ යුතුද? සම්මුඛ පරීක්ෂණ ධාරිතාව සහ රැකියා අවශ්යතාවලින් පසුපසට වැඩ කරන්න. පහත පුද්ගලයන් 19 දෙනාගේ උදාහරණය සමස්ත සංඛ්යා මත ගණිතයක් මිස සෑම රැකියාවක් සඳහාම ඉලක්කයක් නොවේ.
- පළමු CV එකට පෙර නිර්ණායක ලිවිය යුත්තේ ඇයි? සමාලෝචකයන් ඔවුන් කැමති CV එකකට නිර්ණායක නමා තබති. ඒවා පළමුව ලිවීම Yale අධ්යයනවලදී ස්ත්රී පුරුෂ අගතිය ඉවත් කළේය.
- මම ලකුණු 10න් 8ක් ලබාගන්නා CV පමණක් කෙටි ලැයිස්තුගත කළ යුතුද? නැත. AI ලකුණු කළ CV 20කට වැඩි Flowmingo ව්යාපෘති 1,024කින් අඩක (51.8%) කිසිවක් 8ක් දක්වා ළඟා නොවීය.
- CV අනුපිළිවෙල ලැයිස්තුවට ඇතුළු වන අය වෙනස් කරයිද? ඔව්. AI ආකෘති 22ක් සමාන සුදුසුකම් ඇති CV 2කින් පළමුවැන්නා 63.5%ක වාරවලදී තෝරාගත්හ.
- මට ChatGPT ට CV 200ක් ශ්රේණිගත කිරීමට ඉඩ දිය හැකිද? පුද්ගලයෙකු පරීක්ෂා කරන පළමු වර්ග කිරීමක් ලෙස පමණි. සමහර පරීක්ෂණවලදී CV තුළ සැඟවුණු පෙළ AI පරීක්ෂකයන් 80%කට වැඩි වාරවලදී රවටා ඇත.
1. අයදුම්කරුවන් 244ක් සහ දින 2ක් සමඟ, සෑම CV එකක්ම නොකියවා අපේක්ෂක කෙටි ලැයිස්තුගත කිරීම ක්රියා කරන්නේ කෙසේද?
CV 244ක් ලැබීමේ අනුපිළිවෙලින් කියවන්න එපා. අපේක්ෂක කෙටි ලැයිස්තුගත කිරීම අදියර 3කින් ක්රියාත්මක කරන්න: තදින් සත්ය කරුණු, පසුව බරිත ලකුණු, පසුව ඉහළ කොටස සහ ඊට පහළ පටිය අතින් කියවීමක්.
පිළිගැනීමේ අනුපිළිවෙල උදාසීන බව පෙනුනත්, එයට රැකියාව සමඟ කිසිදු සම්බන්ධයක් නැත. පළමු අයදුම්කරුට ඔබේ වඩාත් නැවුම් අවධානය ලැබෙන අතර, 4 වැනි දිනයේ අයදුම්කරුට ඉතිරි වූ දේ ලැබේ. සමත්/අසමත් වටයන් එය නිවැරදි කරයි, මන්ද සෑම වටයක්ම සෑම CV එකකින්ම එකම ප්රශ්නය අසයි.
පහත රූපයේ වට 3 පෙන්වා ඇත. වට 1 මඟින් ඔබ අයදුම්පතේ අසන ප්රධාන වැඩ කරන වේලාවන් වැනි දෘඩ කරුණු 2ක් හෝ 3ක් පරීක්ෂා කරයි. ඒවා සමත්/අසමත් බැවින්, අයදුම්කරුවන් ඒවාට පිළිතුරු දෙන අතර ඔබට කියවීමේ කාලය කිසිවක් වැය නොවේ.
වට 2 මඟින් ඉතිරි සියලු දෙනාට නිර්ණායක 4ක් සිට 6ක් දක්වා, එකකට 0 සිට 10 දක්වා, සියල්ලන්ට එකම සූත්රය භාවිතයෙන් ලකුණු ලබා දෙයි. වට 3 මඟින් ඔබේ විනිශ්චය නැවත ගෙන එයි: ඔබ ශ්රේණිගත කිරීමේ ඉහළම කොටස සහ ඔබේ කැපුම් ලකුණට මඳක් පහළින් ඇති CV කිහිපය අතින් කියවයි.
එම අවසාන මානව කියවීම වැදගත් වන්නේ ලකුණු ලබා දීමේ සූත්රයකට අසාමාන්ය CV එකක් මඟ හැරීමට හැකි බැවිනි. උදාහරණයක් ලෙස, වෘත්තීය මාරුවක් කළ පුද්ගලයෙකු ඔබේ නිර්ණායකවල කිසිසේත් සඳහන් නොවන විකුණුම් නාමයක් යටතේ අලුත් කිරීම් හසුරුවා තිබිය හැක.

වට 3ක කෙටි ලැයිස්තුව: දෘඩ කරුණු, බර ලකුණු, පසුව ඔබේ සම්මුඛ පරීක්ෂණ වේලාවන් අනුව ප්රමාණය කළ ඉහළම කොටස අතින් කියවීම.
Flowmingo දත්ත · අයදුම්කරුවන් 237,650 · බඳවා ගැනීමේ ව්යාපෘති 10,074 · සමාගම් 4,857 · 2025 ජූලි 1 සිට 2026 අගෝස්තු 24 දක්වා නිර්මාණය කළ ව්යාපෘති
- සියලුම අයදුම්කරුවන්ගෙන් 50% ක් අයදුම්කරුවන් 174ක් හෝ වැඩි ගණනක් සිටි බඳවා ගැනීමේ ව්යාපෘතියක රැඳී සිටියහ.
ව්යාපෘතියක සිටින සියලු දෙනා ගණන් කරයි (උඩුගත කළ, ආරාධිත හෝ රැකියා දැන්වීමකින්), අනුක්රමික අයදුම්කරුවෙකු එක් වරක් පමණි. බොහෝ ව්යාපෘති අත්හදා බැලීම් වේ.
2. සෑම කැපුමක්ම ඔප්පු වන පරිදි, පළමු CV එකට පෙර මම කුමන අයදුම්කරු කෙටි ලැයිස්තුගත කිරීමේ නිර්ණායක ලිවිය යුතුද?
රැකියාව ඉටු කළ යුතු දේ මත පදනම්ව නිර්ණායක 4ක් සිට 6ක් දක්වා ලියන්න, සහ කිසිවෙකු CV එකක් විවෘත කිරීමට පෙර බඳවා ගැනීමේ කළමනාකරු සමඟ ඒවා එකඟ වන්න. දෘඩ කරුණු 2ක් හෝ 3ක් සමත්/අසමත් කරන්න, සහ ඉතිරියට බර පැනවීම් කරන්න.
ඒවා මුලින්ම ලිවීම වැදගත් වන්නේ CV කියවීම ඔබේ විනිශ්චය නැමීම නිසාය. Yale හි මූලික අධ්යයනවල දී, පුද්ගලයන් ව්යාජ පොලිස් ප්රධානී රැකියාවක් සඳහා අයදුම්කරුවන්ට ලකුණු ලබා දුන්හ.
පිරිමි අයදුම්කරුට වීදි අත්දැකීම් වැඩි වූ විට, වීදි අත්දැකීම් වඩාත් වැදගත් යැයි පුද්ගලයන් පැවසූහ. ඔහුට අධ්යාපනය වැඩි වූ විට, අධ්යාපනය වඩාත් වැදගත් යැයි ඔවුහු පැවසූහ.
නිර්ණායකවලට මුලින්ම කැපවීම 3 වැනි අධ්යයනයේදී එම ස්ත්රී පුරුෂ භේදයාත්මක නැඹුරුව ඉවත් කළ අතර, වඩාත් වෛෂයික යැයි දැනුණු පුද්ගලයන් වඩාත් නැඹුරුතාවයෙන් යුක්ත වූහ. බඳවා ගැනීම් උපකල්පිත විය, නමුත් අනතුරු ඇඟවීම පැහැදිලිය: කියවීමෙන් පසු ලියන ලද නිර්ණායක මඟින් ඔබ දැනටමත් කැමති CV එක විස්තර කරයි.
ඔබ Customer Success Manager කෙනෙකු බඳවා ගන්නවා කියලා හිතන්න (නිදර්ශනයක් පමණයි, පාරිභෝගික දත්ත නොවේ). දුෂ්කර කරුණු පූර්ව-පරීක්ෂණ සම්මුඛ පරීක්ෂණ ප්රශ්න ලෙස අසන්න, ඉන්පසු එක් එක් ලකුණු ලබා ගන්නා සාක්ෂිය කුමක්ද කියා ලියන්න:
| නිර්ණායකය | බර | 8 සිට 10 දක්වා සාක්ෂිය | 3 සිට 5 දක්වා |
|---|---|---|---|
| මූලික වේලාවන්; රැකියා කිරීමේ අයිතිය, අසන්නට නීත්යානුකූල වන විට | සමත්/අසමත්, අසන ලදී | ඔව් ලෙස පිළිතුරු දෙයි | |
| B2B පොතක නවීකරණ | තිබිය යුතුම, 4 | පොතේ ප්රමාණය සහ නවීකරණ ප්රතිඵලයක් | විෂය පථයක් හෝ ප්රතිඵලයක් නැත |
| පාරිභෝගික සම්බන්ධ කිරීම | ඉතා වැදගත්, 3 | ඔවුන් ක්රියාත්මක කළ සැලැස්මක් සහ වෙනස් වූ දේ | සහභාගී විය |
| දෛනික CRM භාවිතය | වැදගත්, 2 | CRM සහ ඔවුන් නිරීක්ෂණය කළ දේ | කුසලතා යටතේ CRM |
| SaaS අත්දැකීම | තිබීම හොඳයි, 1 | SaaS නිෂ්පාදනයක වැඩ කළා | ආසන්න මෘදුකාංග |
| සාක්ෂියක් නැත | නියමය | ලකුණු 3, "නොපෙන්වා" ලෙස සටහන් කරන්න: බිංදුවක් හෝ මඟ හැරීමක් නොවේ |
නවීකරණවලට වැඩිම බරක් හිමි වන්නේ Customer Success Manager කෙනෙකු ඒවා මත සාර්ථක වන හෝ අසාර්ථක වන බැවිනි. නිර්ණායකයක් ගැන නිහඬ CV එකකට ලකුණු 3ක් ලැබේ, මන්ද එය අත්හැර දැමූ කෙනෙකුට බිංදුවක් දඬුවමක් වන බැවිනි. පේළිය මඟ හැරීම ඊටත් වඩා නරක වනු ඇත: අඩුවෙන් කියන CV එකක් එවිට එහි ශක්තීන් මත පමණක් ලකුණු ලබා ගනු ඇත.
3. මගේ බඳවා ගැනීමේ කළමනාකරු මගේ කෙටි ලැයිස්තුව නිතරම ප්රතික්ෂේප කරයි. පරීක්ෂණයට පෙර කැපුම් සීමාව ගැන අපි එකඟ වන්නේ කෙසේද?
නිර්ණායක සහ බර ගැන එකඟ වන්න, ඉන්පසු ඔබ සහ බඳවා ගැනීමේ කළමනාකරු එකම CV 5ක් තමන්ගේම ලෙස ලකුණු දී සසඳන්න. ඔබේ ලකුණු බෙදෙන තැන, පුද්ගලයා නොව නිර්ණායකය නිවැරදි කරන්න.
ඔබ සහ බඳවා ගැනීමේ කළමනාකරු විවිධ රැකියා අවශ්යතා සිතින් මවා ගන්නා බැවින් කෙටි ලැයිස්තුවක් අසාර්ථක විය හැක.
විනිශ්චය පිළිබඳ මූලික ග්රන්ථයක් වන Noise අනුව, එකම මණ්ඩලයේ සම්මුඛ පරීක්ෂකයන් 2ක් කුමන අපේක්ෂකයා වඩා හොඳද යන්නට එකඟ නොවන්නේ 4 වතාවකින් 1 වතාවක් පමණි.
මිනිසුන් අපේක්ෂකයන් වෙන වෙනම දකින විට, ඔබ සහ ඔබේ බඳවා ගැනීමේ කළමනාකරු සාමාන්යයෙන් කරන පරිදි, එය 3කින් 1ක් පමණ දක්වා ඉහළ යයි. එය Huffcuttගේ සම්මුඛ පරීක්ෂණ පර්යේෂණය පිළිබඳ අපේ ගණනය කිරීමයි, CV අධ්යයනයක් නොවේ. එසේ වුවද, එයින් අදහස් වන්නේ ප්රතික්ෂේප කළ කෙටි ලැයිස්තුවක් සාමාන්යයෙන් ශබ්දයක් මිස ඔබ දෙදෙනාගෙන් කෙනෙකු වැරදි බවට සාක්ෂියක් නොවන බවයි.
ඔබ නවීකරණ සඳහා CV එකකට ලකුණු 8ක් දෙනවා කියලා හිතන්න, ඔබේ බඳවා ගැනීමේ කළමනාකරු එයට ලකුණු 4ක් දෙනවා. ඒ ගැන කතා කරන විට, ඔවුන්ට එන්ටර්ප්රයිස් නවීකරණ අවශ්ය වන අතර CV එකේ පෙන්වන්නේ කුඩා ගිණුම් බව ඔබට පෙනී යයි. අපේක්ෂක කෙටි ලැයිස්තුකරණය ආරම්භ වීමට පෙර එම නිර්ණායකය එක් වරක් නිවැරදි කරන්න, එවිට එය CV 244ටම නිවැරදි වේ.
පොතේ විසඳුම, අධ්යයනයක් වෙනුවට ප්රායෝගිකත්වයෙන්, ඕනෑම සමස්ත තීන්දුවකට පෙර එක් එක් කොටස විනිශ්චය කිරීමයි:
- ගොඩෙන් පුරා CV 5ක් තෝරන්න. ඔබේ ලකුණු ලකුණු 3+කින් වෙනස් වන තැන, ඉහළ සහ පහළ උදාහරණයක් ලියන්න.
- බඳවා ගැනීමේ කළමනාකරු නිර්ණායක අනුමත කරයි, පසුව කිසියම් අභිබවා යාමකට ලිඛිත හේතුවක් ලැබේ.
- "උපාධියක් නැත්නම්, ඇමතුමක් නැත" වැනි ඕනෑම සමස්ත කැපුමක්, එකට ලිඛිතව එකඟ වන්න, මන්ද එවැනි නියමයක් මිනිසුන් ඉක්මනින් ඉවත් කරන බැවිනි.
4. CV 200ක් සඳහා අපේක්ෂක කෙටි ලැයිස්තුකරණයට ලකුණු දීමේ න්යාසයක් අවශ්යද, නැතහොත් ඔව්/සමහරවිට/නැත ගොඩක් ප්රමාණවත්ද?
ලකුණු දෙන අනුකෘතියක් භාවිත කරන්න, මන්ද "සමහර විට" ගොඩක් තුළ යමෙකු සිටින්නේ ඇයිද යන්න එය සඟවයි. බර සහිත නිර්ණායක 4 සිට 6 දක්වා 0 සිට 10 දක්වා ලකුණු කර, සැමට එකම ආකාරයෙන් එකතු කරන්න.
CV 60ක් "සමහර විට" තුළ ඇතැයි කියන්න: දෙවන දින වන විට, ඒවා එහි ඇත්තේ ඇයිද යන්න කිසිවෙකුට මතක නැත.
2013 වර්ෂයේ Kuncel සහ සගයන් විසින් කරන ලද මූලික සමාලෝචනයක්, වෙන් වෙන් ලකුණු එකතු කරන ස්ථිර සූත්රයක් සමඟ සමස්ත දෘෂ්ටියක් ගොඩනගන විශේෂඥයින් සංසන්දනය කළේය. විශේෂඥයින් රැකියාව දැන සිටියත්, සූත්රය රැකියා කාර්යසාධනය 50%කට වඩා හොඳින් පුරෝකථනය කළේය.
ප්රායෝගිකව, ඔබේ විනිශ්චය එක් එක් නිර්ණායකයේ ලකුණුවලට දමන්න, පසුව එකතුවට ශ්රේණිගත කිරීමට ඉඩ දෙන්න.
කොටස 2 උදාහරණයේ මෙය මෙසේය (නිදර්ශනාත්මක, පාරිභෝගික දත්ත නොවේ):
| නිර්ණායකය (බර) | A | B | C |
|---|---|---|---|
| අලුත් කිරීම් (4) | 8 | 4 | 9 |
| Onboarding (3) | 7 | 8 | 6 |
| CRM (2) | 6 | 9 | 4 |
| SaaS (1) | 5 | 10 | 2 |
| බර සහිත ලකුණු /10 | 7.0 | 6.8 | 6.4 |
| සාමාන්ය සාමාන්යය /10 | 6.5 | 7.75 | 5.25 |
බර සහිත ලකුණු = (4 x අලුත් කිරීම් + 3 x onboarding + 2 x CRM + 1 x SaaS) / 10.
CRM සහ SaaS සඳහා ඉහළම ලකුණු නිසා B සතුව හොඳම සාමාන්ය සාමාන්යය වන 7.75 ඇත, නමුත් අනිවාර්යයෙන්ම තිබිය යුතු අලුත් කිරීම් සඳහා ලකුණු 4ක් පමණි. බර සහිතව, රැකියාව වඩාත්ම අපහසු තැන A ශක්තිමත් බැවින් A 7.0ක් සමඟ පෙරමුණ ගනී.
C සතුව ශක්තිමත්ම අලුත් කිරීම් 9ක් ඇත, නමුත් සිහින් CRM සහ SaaS විස්තර C ලකුණු 6.4ට ඇද දමයි, එය ඔබේ 3වන කියවීම සඳහා වන CV එකකි. ඔබ සමත් ලකුණක් නියම කිරීමට පෙර, සැබෑ CV ලකුණු ලබන ආකාරය බලන්න.
Flowmingo දත්ත · CV 105,648 · අපේක්ෂකයින් 50,546 · බඳවා ගැනීමේ ව්යාපෘති 3,815 · සමාගම් 1,761 · 2026 ජූලි 10 සිට සැප්තැම්බර් 24 දක්වා
- එක් එක් රැකියාවේම බර සහිත නිර්ණායකවලට එරෙහිව CV ලකුණුවල මධ්යස්ථය 10න් 5.4ක් විය.
- CVවලින් 19.0%ක් ඔවුන්ගේ රැකියා නිර්ණායකවලට එරෙහිව 10න් 7ක් හෝ වැඩි ලකුණු ලබා ගත්හ.
- CVවලින් 4.0%ක් ඔවුන්ගේ රැකියා නිර්ණායකවලට එරෙහිව 10න් 8ක් හෝ වැඩි ලකුණු ලබා ගත්හ.
AI CV ලකුණු, අපේක්ෂක ගුණාත්මකභාවය හෝ බඳවා ගැනීමේ ප්රතිඵල නොවේ; රැකියා අතර සංසන්දනය කළ නොහැක. දැඩි නිර්ණායක හෝ තොග උඩුගත කිරීම් ලකුණු පහත හෙළයි; ලකුණු කළ නොහැකි CV සහ ජූලි 10ට පෙර ලකුණු බැහැර කර ඇත.
පහත ප්රස්තාරයෙන් ලකුණු කොතරම් වේගයෙන් සිහින් වන ආකාරය පෙන්වයි. CVවලින් අඩකට මඳක් වැඩි ප්රමාණයක් (56.4%) 5ක් කරා ළඟා වූ අතර, ආසන්න වශයෙන් 5න් 1ක් (19.0%) 7ක් කරා ළඟා විය. 4.0%ක් පමණක් 8ක් කරා ළඟා වූ අතර, 0.1%ක් 9ක් කරා ළඟා විය.

CV ලකුණු ව්යාප්තිය, Flowmingo දත්ත: CV 105,648කින් 8ක් හෝ ඊට වැඩි ලකුණු 10න් ලබා ගත්තේ 4.0%ක් පමණි, එය එම රැකියාවේම නිර්ණායකවලට එරෙහිව.
8ක් සඳහා පාහේ සෑම නිර්ණායකයක් සම්බන්ධයෙන්ම පැහැදිලි සාක්ෂි අවශ්ය වන අතර, එය පැහැදිලි කරන CV ස්වල්පයකි. එබැවින් "8s ට පමණක් සම්මුඛ පරීක්ෂණය" වැනි නීතියක් බොහෝ තනතුරු සඳහා කුඩා ලැයිස්තුවක් හෝ කිසිවක් නොතබයි.
Flowmingo උපකාර වන ආකාරය
CV Evaluation රැකියා විස්තරයක් ඔබ සංස්කරණය කරන නිර්ණායක බවට පත් කර Must Have (4) සිට Good to Have (1) දක්වා ශ්රේණිගත කරයි. එය සෑම CV එකකටම එක් එක් නිර්ණායකය සඳහා ලිඛිත සාක්ෂි සමඟ 0 සිට 10 දක්වා ලකුණු ලබා දෙන අතර, සාක්ෂි නොමැතිකම 3 ලෙස ගණන් ගනී. එය කිසිවෙකු ස්වයංක්රීයව ඉවත් නොකරයි: ඉහත සංඛ්යා සැලකිල්ලට ගෙන, 8-10 දක්වා පෙරහන් කිරීම වෙනුවට CV ලකුණු අනුව වර්ග කරන්න.
5. මගේ CV අඩක් ChatGPT වගේ ඇහෙනවා. කෙටි ලැයිස්තුගත කිරීමට පෙර CV එකකට තවමත් මට කියන්න පුළුවන් මොනවාද?
CV එක තියුණු කරුණු සහ අසන්නට ඇති ප්රශ්න සඳහා භාවිතා කරන්න, නමුත් කුසලතාවයේ සාක්ෂියක් ලෙස නොවේ. දැන් පිරිපහදු කිරීමට කිසිවක් වැය නොවන බැවින්, CV පෙරහන පසු කරන සැමටම එකම කාර්ය නියැදිය හෝ ව්යුහගත සම්මුඛ පරීක්ෂණය ලබා දෙන්න.
පිරිපහදු කිරීමට පෙර උත්සාහයක් අවශ්ය විය. දැන්, අපේක්ෂකයින් 3,290ක් සම්බන්ධ Gartner සමීක්ෂණයේම, AI භාවිතා කරන අයගෙන් 54%ක් එය සමඟ CV පෙළ ලිව්වා.
පහත ප්රස්තාරය සෑම ක්රමයකටම 0, පසුව රැකියා කාර්ය සාධනයට සම්බන්ධයක් නැති අගයක සිට 1, කිසිදු ක්රමයක් ළඟා නොවන පරිපූර්ණ ගැළපීමක් දක්වා ලකුණු දෙයි. Sackett සහ සගයන් විසින් 2022දී කළ මූලික නැවත විශ්ලේෂණයකට අනුව, ව්යුහගත සම්මුඛ පරීක්ෂණ 0.42ක් සමඟ පෙරමුණ ගනී.
එම නැවත විශ්ලේෂණයේම, රැකියා දැනුම පරීක්ෂණ 0.40ක්, කාර්ය නියැදි 0.33ක් සහ සංජානන හැකියා පරීක්ෂණ 0.31ක් ලෙස පිළිවෙලින් පැමිණේ. බොහෝ CV පෙරමුණට ගන්නා පේළි අන්තිමට එයි: අදාළ රැකියාවක අත්දැකීම 0.07ක්, පෙර සේවා අත්දැකීම 0.06ක් (Van Iddekinge).

කාර්ය සාධනය අනාවැකි කියන්නේ කුමක්ද: ව්යුහගත සම්මුඛ පරීක්ෂණ පසුව රැකියා කාර්ය සාධනය හොඳින්ම නිරීක්ෂණය කරන අතර, අත්දැකීම් වර්ෂ පාහේ කිසිසේත් නොකරයි.
මෙයින් අදහස් වන්නේ CV එකක ඇති වර්ෂ ගණන හොඳින් ක්රියා කරන්නේ කවුරුන්ද යන්න ගැන ඔබට ස්වල්පයක් පවසන බවයි. එබැවින් ව්යාජ ලෙස සෑදීමට අපහසු දේ පරීක්ෂා කරන්න:
- ඔබට තහවුරු කළ හැකි ප්රතිඵල: සංඛ්යා, නම් කරන ලද පද්ධති සහ දිනයන්.
- 1 කෙටි කාර්ය නියැදියක්, සැමටම එකම, උදාහරණයක් ලෙස අතෘප්තිමත් සේවාදායකයෙකුට යවන අලුත් කිරීමේ ඊමේල් පණිවිඩයක්. කාර්යය සිදු වන ආකාරය නැරඹීමට, Showcase මගින් අපේක්ෂකයා කාර්යයක් කරන අතරතුර ඔවුන්ගේ තිරය පටිගත කරයි.
- ක්රමවත් සම්මුඛ සාකච්ඡාවක්, රැකියා කාර්ය සාධනය පුරෝකථනය කරන සම්මුඛ ප්රශ්න මත ගොඩනගා ඇත.
5.1 AI එකක් CV එකක් ලියන්න උදව් කළා කියලා අපේක්ෂකයෙක්ව ප්රතික්ෂේප කරන්න ඕනද?
නැහැ, ඒක පමණක් හේතුවෙන් නම් කරන්න එපා. ඔබට එය විශ්වාසනීයව හඳුනා ගන්න බැහැ, AI පෙරහනක් එයට උපකාර පවා කරන්න පුළුවන්.
ඇමරිකානු බඳවා ගැනීම් කළමනාකරුවන් 600ක් අතර කළ TopResume සමීක්ෂණයකදී, 4ක් අතරින් AI එකෙන් ලියූ රෙසුමේ හඳුනා ගත්තේ 33.5%ක් පමණයි. ඉතින් තහනමක් ක්රියාත්මක වන්නේ අනුමානයක් මතයි.
AI පෙරහන් ද එකම AI ආකෘතියෙන් ලියූ CV වලට උපකාර කරයි (Xu et al., පූර්ව මුද්රණයක්, තවම සඟරාවක නැහැ). අනුකරණය කළ කෙටි ලැයිස්තුවලදී, එම අයදුම්කරුවන් සමාන සුදුසුකම් සහිත මිනිසුන් ලියූ CV ඇති අයදුම්කරුවන්ට වඩා 23% සිට 60% දක්වා තෝරා ගැනීමට වැඩි ඉඩක් තිබුණා. ඉතින් AI එකෙන් ලියූ CV ප්රතික්ෂේප කරමින් AI එකකින් ශ්රේණිගත කිරීම අර්ථවත් නැහැ.
6. මම CV 200ක් කියවන අනුපිළිවෙල මගේ කෙටි ලැයිස්තුව වෙනස් කරනවද? එය නිවැරදි කරන්නේ කෙසේද?
බොහෝ විට ඔව්: ශක්තිමත් අයදුම්කරුවන් ගණනාවකට පසු සම්මුඛ පරීක්ෂකයන් අයදුම්කරුවන්ට අඩු ලකුණු දෙනවා, සහ පරීක්ෂා කළ AI ආකෘති බොහොමයක් මුලින්ම ලැයිස්තුගත කළ CV එකට උපකාර කරනවා. ගොඩ අනුපිළිවෙලට මාරු කරන්න, සහ ලිඛිත සම්මතයට එරෙහිව එක් එක් CV එක ලකුණු කරන්න.
MBA ඇතුළත් කිරීමේ සම්මුඛ පරීක්ෂණ 9,000කට වැඩි ගණනක පදනම් වූ අධ්යයනයකදී, සම්මුඛ පරීක්ෂකයන් උසස් ලකුණු සඳහා දෛනික කෝටාවක් ඇති ආකාරයට ක්රියා කළා (Simonsohn and Gino). ශක්තිමත් අයදුම්කරුවන් ගණනාවකට පසු, ඔවුන් ඊළඟ අයදුම්කරුට අඩු ලකුණු දුන්නා.
එම දඬුවම සේවා අත්දැකීම් මාස 23කට පමණ වටිනා වූ අතර, දවස පුරා එය වැඩි වුණා. මෙයින් අදහස් වන්නේ ශක්තිමත් පෙර අයදුම්කරුවන්ට අයදුම්කරුවන්ට හානි කළ හැකි බවයි. මේවා සම්මුඛ පරීක්ෂණ, CV කියවීම් නොවේ, ඒ නිසා ඔබේ ගොඩට ඒවා යෙදීම අපගේ අනුමානයයි.
AI ට ද තමන්ගේම අනුපිළිවෙල බලපෑමක් ඇත. Rozado සමාන සුදුසුකම් සහිත CV යුගල 22ක් AI ආකෘති 22කට පෙන්වූ අතර, එක් එක් යුගලය අනුපිළිවෙල මාරු කර දෙපාරක් පෙන්වන ලදී.
තීරණ 30,690ක් පුරා, මුලින්ම ලැයිස්තුගත කළ CV එක 63.5%ක අවස්ථාවලදී දිනූ අතර දෙවැන්න 36.5%කදී දිනුවා, සාධාරණ අවස්ථා 50%ක් වන විට. ඉතින් සමීප තීරණයකදී, ස්ථානය පමණක් ඔබේ ලැයිස්තුවට කවුරුන් එනවාද යන්න තීරණය කළ හැකියි.

AI අනුපිළිවෙල බලපෑම: AI ආකෘති 22ක් පුරා, සමාන සුදුසුකම් සහිත CV 2කින් මුලින්ම එක තීරණ 63.5%කදී දිනුවා, සාධාරණ අවස්ථා 50%ක් විය යුතු විට.
අභ්යර්ථ තෝරාගැනීමේ මෙම අවදානමට විසඳුම් ලාභදායකය:
- ලැබීමේ හෝ අකාරාදී පිළිවෙළින් කියවනවා වෙනුවට ගොඩ මිශ්ර කරන්න.
- ඔබ දැන් කියවූ CV එක මත නොව, ලිඛිත සම්මතයට එරෙහිව ලකුණු දෙන්න.
- එක් වාරයකට "ඔව්" සඳහා කෝටාවක් නොතබන්න, සහ විවේක ගන්න.
- අවසානයේ පළමු CV 10 නැවත ලකුණු කරන්න.
- AI සමඟ, සෑම සංසන්දනයක්ම පිළිවෙළ මාරු කර දෙපාරක් ක්රියාත්මක කරන්න, සහ බෙදුණු ඕනෑම එකක් පුද්ගලයෙකුට යවන්න.
7. එක් රැකියාවක් සඳහා 200+ දෙනෙක් අයදුම් කළ විට සම්මුඛ සාකච්ඡා සඳහා අභ්යර්ථ කීදෙනෙකු තෝරාගත යුතුද?
ඔබේ සම්මුඛ සාකච්ඡා පැය සහ අවම රැකියා අවශ්යතාවලින් පසුපසට වැඩ කරන්න: 2025 දී අයදුම්කරුවන්ගෙන් 7.6%ක් පමණ පළමු අදියර සමත් වූ අතර, 244 න් 19ක් පමණ විය. අභ්යර්ථ තෝරාගැනීම සඳහා, සැමට ශ්රේණිගත කර ඉහළම කොටස ගන්න, ස්ථිර සමත් ලකුණක් නොව.
7.6% යනු සංවිධාන 6,000+ පුරා Greenhouse හි 2025 උතුරු ඇමරිකානු සාමාන්යය වේ. පහත පුනීලය එය රැකියා 1කට යොදයි: අයදුම්කරුවන් 244 න්, 19ක් පමණ අදියර 1 සමත් වේ. ඔවුන්ගෙන් 4ක් පමණ 22.0%කින් අදියර 2 සමත් වේ.

කෙටි ලැයිස්තු පුනීලය, 2025: අයදුම්කරුවන් 244 න්, 19ක් පමණ අදියර 1 සමත් වන අතර 4ක් පමණ අදියර 2 සමත් වේ, Greenhouse සාමාන්යයන් මත අපගේ ගණනය අනුව.
පළමු සම්මුඛ සාකච්ඡා 19ක් පමණ සහ දෙවන ඒවා 4ක් පමණ එකතුව Greenhouse හි රැකියාවකට සම්මුඛ සාකච්ඡා 22.7කට සහ බඳවා ගැනීමකට සම්මුඛ සාකච්ඡා පැය 12.3කට ආසන්නය. එසේ වුවද, 19 සහ 4 යනු සාමාන්යයන් මත අපගේ ගණනය වන අතර, Greenhouse එහි අදියර නිර්වචනය නොකරයි, එබැවින් ඒවා මාර්ගෝපදේශයක් ලෙස සලකන්න.
ඔබට සම්මුඛ සාකච්ඡා පැය 14ක් නිදහස් කළ හැකි යැයි කියන්න, පළමු සම්මුඛ සාකච්ඡාවකට මිනිත්තු 45කින්: එය ස්ථාන 19ක් පමණ වේ. ඉවත් වන අය සඳහා නම් 3 සිට 5 දක්වා වෙන් කර තබන්න, සහ කීදෙනෙක් අවසන් කරනවාද යන්න AI සම්මුඛ සාකච්ඡා සම්පූර්ණ කිරීමේ අනුපාත බලන්න.
ශ්රේණිගත කිරීම අත්තනෝමතික ලකුණු කැපුමක් වළක්වයි, නමුත් ලැයිස්තුව පිරවීම සඳහා පමණක් අත්යවශ්ය අවශ්යතාවක් නොමැති කෙනෙකු ඉදිරියට නොයවන්න. ලකුණු ලබාගත් CV 20+ සහිත අපගේ පාරිභෝගික ව්යාපෘතිවලින් අඩකදී, එක CV එකක්වත් 8ට ළඟා නොවීය.
Flowmingo දත්ත · ලකුණු ලබාගත් CV 20+ සහිත බඳවා ගැනීමේ ව්යාපෘති 1,024 · CV 90,629 · සමාගම් 549 · 2026 ජූලි 10 සිට සැප් 24 දක්වා
- ලකුණු ලබාගත් CV 20ක් හෝ වැඩි ගණනක් සහිත බඳවා ගැනීමේ ව්යාපෘතිවලින් 51.8%ක 8ක් හෝ වැඩි ලකුණු ලබාගත් CV එකක්වත් නොතිබුණි.
- 10 න් 6.6ක් යනු මධ්ය ව්යාපෘතියේ ඉහළම 20% කැපුම් ලකුණ වූ අතර, ව්යාපෘති හරහා මධ්ය ඉහළම CV එක 7.9ක් ලබා ගත්තේය.
- ලකුණු ලබාගත් CV 100ක් හෝ වැඩි ගණනක් සහිත ව්යාපෘතිවලින් 35.1%ක තවමත් 8ක් හෝ වැඩි ලකුණු ලබාගත් කිසිවෙකු නොවීය.
AI CV ලකුණු, බඳවා ගැනීමේ ප්රතිඵල නොවේ; ප්රතිඵල එක් එක් රැකියාවේ නිර්ණායක සහ අයදුම්කරුවන් මත රඳා පවතී. එය ගොඩේ ඇති හොඳ බඳවා ගැනීම් නොව, ලකුණක් සමත් වන CV ගණන් කරයි.
8. AI හෝ වෙහෙසට පත් සමාලෝචකයින් CV ශ්රේණිගත කරන විට අභ්යර්ථ තෝරාගැනීමෙන් අගතිය ඉවත් කරන්නේ කෙසේද?
AI එකටත් වෙහෙසට පත් සමාලෝචකයාටත් අගතිය ඇතැයි උපකල්පනය කර, සෑම ඉවත් කිරීමක්ම පරීක්ෂා කරන්න. ලිඛිත නිර්ණායක මත පමණක් ලකුණු දෙන්න, හැකි තැන නම් සඟවන්න, සහ ඉහළම කණ්ඩායමේ අනුපාතයෙන් 80%ට අඩුවෙන් සමත් වන ඕනෑම කණ්ඩායමක් සමාලෝචනය කරන්න.
ඇතුළතින් බලන විට, අගතිය යනු ගැළපීම පිළිබඳ අනුමානයක් ලෙසින් පමණක් දැනේ. 2022 මූලික අධ්යයනයක, Kline සහ සගයන් විශාල ඇමරිකානු සේවා යෝජකයන්ට ව්යාජ අයදුම්පත් 83,000කට වැඩි ගණනක් යැව්වේය.
විශේෂයෙන් කළු ජාතික නම් ප්රතිචාරයක් ලැබීමේ අවස්ථාව සියයට 2.1 ලක්ෂ්යයකින් අඩු කළේය. වඩාත් කේන්ද්රීය, ස්ථාවර බඳවා ගැනීම් සිදු කරන සමාගම්වල කුඩා පරතර පෙන්නුම් කළේය, එය ලිඛිත නීති කට්ටලයකින් 1කින් තිරගත කිරීමට හොඳ හේතුවකි.
Fortune 500 සමාගමක් වන විට, පර්යේෂකයන් පෙර බඳවා ගැනීම් මත පුහුණු කළ සම්මත ආකෘතියක් පරීක්ෂා කළහ.
එය සම්මුඛ පරීක්ෂණවලට සහභාගී වන කළු සහ හිස්පැනික් කොටස සියයට 9.4 සිට සියයට 4.2 දක්වා අඩු කරනු ඇත. පෙර බඳවා ගැනීම්වලට වඩා වෙනස් පොරොන්දු සහිත පුද්ගලයන් උත්සාහ කිරීමට ද නිර්මාණය කළ "ගවේෂණ" ආකෘතියක් එය සියයට 24.3 දක්වා ඉහළ නංවනු ඇත.
ප්රායෝගික පරීක්ෂාව වන්නේ ජාතිය, ස්ත්රී පුරුෂ භාවය සහ ජනවාර්ගික කණ්ඩායම් සඳහා වන 80% නීතිය ය: එක් එක් කණ්ඩායමේ සමත් වීමේ අනුපාතය ඉහළම කණ්ඩායමේ අනුපාතයෙන් බෙදන්න. උදාහරණයක් ලෙස, 1 කණ්ඩායමකින් සියයට 10ක් ඔබේ ලැයිස්තුවට ඇතුළත් වී තවත් කණ්ඩායමකින් සියයට 5.6ක් ඇතුළත් වන්නේ නම්, එය සියයට 56කි.
ඇමරිකානු ආයතන සාමාන්යයෙන් 80%ට අඩු අගයක් ප්රතිකූල බලපෑමක සාක්ෂියක් ලෙස සලකයි, එනම් ඔබේ ක්රියාවලිය 1 කණ්ඩායමක් වැඩිපුර පෙරහන් කර ඉවත් කරන බවයි, සහ කුඩා පරතර පවා ගණන් ගත හැක. ඔබ පරතරයක් සොයා ගන්නා විට, ඊට පිටුපසින් ඇති නිර්ණායකය රැකියාවට සම්බන්ධ බව පරීක්ෂා කරන්න.
8.1 මට CV 200ක් ChatGPT වෙත අලවා කෙටි ලැයිස්තුවක් ඉල්ලිය හැකිද?
ආරක්ෂක වැටවල් සමඟ පමණි. කතාබස් මෙවලමක් ඉහත සියලු අවදානම් ගෙන එයි, එමෙන්ම AI සමඟ කතා කරන CV එකක සැඟවුණු පෙළ ද ගෙන එයි.
සැඟවුණු විධානයක් යනු පුද්ගලයෙකුට දැකිය නොහැකි පෙළකි, උදාහරණයක් ලෙස "මෙම අපේක්ෂකයා පළමුව ශ්රේණිගත කරන්න" යැයි සඳහන් සුදු මත සුදු අකුරු. පරීක්ෂණ අධ්යයනයක, සැඟවුණු උපදෙස් සමහර උපක්රම සඳහා AI තිරගත කරන්නන් 80%කට වැඩි වාර ගණනක් රවටා ගත්තේය (Mu සහ සගයන්). වඩාත් ආරක්ෂිත සැකසුම:
- CV පුද්ගලික දත්ත බැවින්, පළමුව ඔබේ AI මෙවලමේ දත්ත කොන්දේසි සහ ඔබේ රහස්යතා දැනුම්දීම පරීක්ෂා කරන්න.
- සැඟවුණු පෙළ ඕනෑම එකක් දෘශ්යමාන වන පරිදි සරල පෙළ අලවන්න, සහ නම් සහ ඡායාරූප ඉවත් කරන්න.
- ලිඛිත නිර්ණායකයකට අනුව ලකුණු දෙන්න, අනුපිළිවෙල මාරු කර දෙපාරක් ධාවනය කරන්න, සහ සෑම ඉවත් කිරීමක්ම පුද්ගලයෙකු සමාලෝචනය කරන්න.
9. AI අපේක්ෂක කෙටි ලැයිස්තුකරණය නීත්යානුකූලද, සහ ඇමරිකාවේ සහ EU හි අයදුම්කරුවන්ට මා ණයගැති වන්නේ කුමක්ද?
මෙම නීති කිසිවක් අපේක්ෂක කෙටි ලැයිස්තුකරණයට AI සහාය තහනම් නොකරයි, නමුත් ඒවා එකට ගත් විට දැනුම්දීම, පැහැදිලි කිරීම්, අගති පරීක්ෂණය සහ වාර්තා ඉල්ලා සිටී. මෙය සාමාන්ය තොරතුරු පමණි, නීති උපදෙස් නොවේ.
නීති ස්ථානය අනුව වෙනස් වුවත් එක් අදහසක් බෙදාගනී. කවුරුන් ඉදිරියට යන්නේද යන්න තීරණය කිරීමට මෙවලමක් උපකාරී වේ නම්, අපේක්ෂකයන් එය දැනගත යුතුය, තවද ඔබට එයට හේතුව පැහැදිලි කළ හැකි විය යුතුය. මෙම මාර්ගෝපදේශයේ පුරුදු වාර්තා සහ පැහැදිලි කිරීම් පහසු කරයි, නමුත් ඒවා දැනුම්දීම් හෝ New York City හි අගති විගණනය වෙනුවට ප්රතිස්ථාපනය නොවේ.
වගුවේ දැක්වෙන අධිකරණ බලප්රදේශ සහ භාවිත අවස්ථා සඳහා තෝරාගත් යුතුකම් සාරාංශ කර ඇත. 2027 ජනවාරි 1 සිට, Colorado ප්රතික්ෂේප කිරීමකින් දින 30ක් ඇතුළත සරල භාෂාවෙන් පැහැදිලි කිරීමක් සහ මානව සමාලෝචනය සඳහා මාර්ගයක් එක් කරයි.
| කොහේද | නීතිය, ආරම්භය | ඔබ ගෙවිය යුතු දේ |
|---|---|---|
| New York City | Local Law 144, 2023 ජූලි 5 | ආවරණය වන AEDTs: පෙර වසර තුළ විගණනය, පොදු සාරාංශය සහ අවශ්ය දැනුම්දීම්, ආවරණය වන NYC අපේක්ෂකයන්/සේවකයන් සඳහා ව්යාපාරික දින 10කට පෙර ඇතුළුව |
| Illinois | HB 3773, 2026 ජනවාරි 1 | දැනුම්දීම; අගති සහගත බලපෑමක් නැත; zip-code ප්රතිනිරූපණ නැත |
| California | Civil Rights Council, 2025 ඔක්තෝබර් 1 | ස්වයංක්රීය තීරණ වාර්තා වසර 4ක් |
| Colorado | SB 26-189, 2027 ජනවාරි 1 | දැනුම්දීම; ප්රතික්ෂේප කිරීමකින් දින 30ක් ඇතුළත, මෙවලමේ කාර්යභාරය සරල භාෂාවෙන් සහ මානව සමාලෝචන මාර්ගයක්; වාර්තා වසර 3ක් |
| US federal | 29 CFR 1607.4 සහ 1602.14 | 80% ප්රතිකූල බලපෑම් රීතිය; වාර්තා වසර 1ක් හෝ ඕනෑම චෝදනාවක් වසා දමන තෙක් |
| EU | Regulation 2026/1744 | 2027 දෙසැම්බර් 2 සිට අධි අවදානම් යුතුකම්; දැන් GDPR ගබඩා සීමා |
| UK | ICO guidance, සමාලෝචනය යටතේ | ප්රතික්ෂේපිත අපේක්ෂකයන්ගේ වාර්තා: පැහැදිලි ව්යාපාරික හේතුවක් නොමැතිව හිමිකම් කාලය ඉක්මවා නොයයි |
| Singapore | Workplace Fairness Act, 2027 අවසානය | ආරක්ෂිත ලක්ෂණ මත තීරණ නැත; හිමිකම් S$250,000 දක්වා |
ආවරණයට ප්රතිදානය තනිවම භාවිත කිරීම, අනෙක් සියලු නිර්ණායකවලට ඉහළින් තැබීම, හෝ අනෙක් නිගමන අභිබවා යාම ඇතුළත් වේ. DCWP හි විෂය පථය සහ දැනුම්දීම් රීති පරීක්ෂා කරන්න: මිනිස් සමාලෝචනය තනිවම නිදහස් කිරීමක් නොවේ.
නියාමකයින් බොහෝ දුරට බලාත්මක කර නැත. New York City සමාගම් 32ක් සමාලෝචනය කළ විට, එය ගැටලුවක් 1ක් සොයා ගත්තේය. එම සමාගම්ම පරීක්ෂා කළ රාජ්ය විගණකවරුන් අවම වශයෙන් විය හැකි උල්ලංඝනයන් 17ක් සොයා ගත්හ (NY State Comptroller).
පුද්ගලික නඩු පැවරීම් වේගයෙන් ගමන් කරයි. Workday නඩුවේ, වයස අවුරුදු 40 සහ ඊට වැඩි අයදුම්කරුවන් පවසන්නේ Workday හි පෙරහන් මෘදුකාංගය ඔවුන් ප්රතික්ෂේප කිරීමට උපකාරී වූ බවයි.
අධිකරණයක් ඔවුන්ගේ රටපුරා වයස් හිමිකම ඉදිරියට ගෙන යාමට ඉඩ දුන්නේය (Forbes). මෙයින් අදහස් වන්නේ ප්රතික්ෂේපිත අපේක්ෂකයෙකු නඩු පැවරුවහොත් අඩු බලාත්මක කිරීම ආරක්ෂාවක් නොවන බවයි.
10. AI ලකුණු සහ මගේ කෙටි ලැයිස්තුව එකඟ නොවන විට, කුමක් ජය ගනීද, සහ මගේ ලොක්කාට මම කියන්නේ කුමක්ද?
දෙකම අන්ධ ලෙස විශ්වාස නොකරන්න: AI ලකුණුව, ඔබේ ලකුණුව සහ සාක්ෂි එකිනෙකට සමාන්තරව තබන්න, සහ ලිඛිත නිර්ණායක තීරණය කිරීමට ඉඩ දෙන්න. ඔබේ ලොක්කාට එක් එක් නමේ ලකුණුව, සාක්ෂි සහ විමසා බැලිය යුතු පරතරය සමඟ ශ්රේණිගත ලැයිස්තුවක් දෙන්න.
එකඟ නොවීමක් ප්රයෝජනවත් වේ, මන්ද එය ඔබ සහ AI වෙනස් ලෙස කියවන නිර්ණායකයක් වෙත යොමු කරයි. මුළු එකතුව ගැන තර්ක කිරීමට පෙර එම සාක්ෂි පරීක්ෂා කරන්න.
එම Fortune 500 සමාගමේම, Li සහ සගයන් කවුරුන්ගේ සම්මුඛ පරීක්ෂණ තේරීම් සේවයට ගත්තේද යන්න දැකීමට අයදුම්පත් 88,666ක් නිරීක්ෂණය කළහ.
මානව පෙරහන්කරුවන් සම්මුඛ පරීක්ෂණය සඳහා තෝරාගත් පුද්ගලයන්ගෙන් 10% රැකියාව ලබා ගත්හ. ආකෘතිවල තේරීම්වලට ඇස්තමේන්තුගත සේවයට ගැනීමේ අනුපාත 27% (ගවේෂණ ආකෘතිය) සහ 32% (සම්මත ආකෘතිය) විය.

කාගේ තේරීම් සේවයට ගෙන ඇත්ද: Fortune 500 සමාගමක මිනිස් පරීක්ෂකයන්ගේ සම්මුඛ පරීක්ෂණ තේරීම්, පරීක්ෂණ ආකෘති 2ක තේරීම් සමඟ සසඳා බැලීම.
නමුත් එය ඇස්තමේන්තුගත අනුපාත සහිත සමාගමක් 1ක් පමණි. එම සම්මත ආකෘතිය මගින් සම්මුඛ පරීක්ෂණ ගත කරන්නන්ගේ කළු සහ හිස්පැනික් අනුපාතය ද අඩකට වඩා අඩු කර ඇත (8 වන කොටස). එබැවින් දෙකම පරීක්ෂා කරන්න, තීරණය කිසිවකුටම භාර නොදෙන්න.
ඉන්පසු අවසාන නම් එකම නිර්ණායක මත අසල්වැසිව සසඳන්න, එවිට සාක්ෂි තෝරයි, ඔබ අවසන් වරට කියවූ කෙනා නොවේ.
එක් එක් නම සමඟ සාක්ෂි භාර දෙන්න, සම්මුඛ පරීක්ෂණ ලකුණු පුවරුව මෙන් (නිදර්ශනාත්මක, පාරිභෝගික දත්ත නොවේ):
| ශ්රේණිය | අපේක්ෂක | CV ලකුණු | සාක්ෂි | පරීක්ෂා කළ යුතු හිඩැස | තීරණය |
|---|---|---|---|---|---|
| 1 | A | 7.0 | රඳවා ගැනීමේ ප්රතිඵලයක් සහිත නවීකරණ | පිළිගැන්වීමේ ගැඹුර | සම්මුඛ පරීක්ෂණය |
| 2 | B | 6.8 | ශක්තිමත් CRM සහ SaaS විස්තර | නවීකරණ විෂය පථයක් නොමැත | සම්මුඛ පරීක්ෂණය |
| 3 | C | 6.4 | ප්රතිඵල සහිත නවීකරණ | CRM විස්තර අල්පය | රක්ෂිතය |
| ආසන්න මගහැරීම | D | 5.9 | පිළිගැන්වීම සහ CRM විස්තර | අනිවාර්ය යැයි ලකුණු 3ක් ලබා ඇත | ඉවත් කරන්න: අවම එකතුව (5.9) |
D හි පේළියේ ලිඛිත හේතුව ඇත: නවීකරණ සාක්ෂි නොමැත, එබැවින් අනිවාර්ය අංශයට ලකුණු 3ක් ලැබී එකතුව 5.9 දක්වා පහත වැටුණි. ඔබේ ලොක්කාට හෝ ඇසන අපේක්ෂකයෙකුට ඔබ පවසන්නේ එයයි.
ඔබේ ලොක්කා එකඟ වූ පසු, කෙටි ලැයිස්තුගත එක් එක් අපේක්ෂකයාට ඊළඟ පියවර, එහි ආකෘතිය, අවසන් දිනය සහ කවුරුන්ගෙන් ඇසිය යුතුද යන්න දන්වන්න. ඉන්පසු අනෙක් සියලු දෙනාට අපගේ අපේක්ෂක ප්රතික්ෂේප ඊමේල් අච්චු සමඟ දන්වන්න.
Flowmingo උපකාර කරන ආකාරය
Flowmingo යනු බඳවා ගැනීම්කරුවන් සඳහා නොමිලේ AI සම්මුඛ පරීක්ෂකයෙකි. එක් එක් CV සඳහා නිර්ණායකයකට ලකුණු, සාක්ෂි, ශක්තීන්, හිඩැස් සහ ඊළඟට පරීක්ෂා කළ යුතු දේ ලැබේ: ඉහත තීරු. ඉන්පසු අයදුම්කරුවන් තමන්ගේම වේලාවක AI සම්මුඛ පරීක්ෂණය සිදු කරයි, ඔබ එක් එක් වාර්තාව සබැඳියක් මගින් ඔබේ බඳවා ගැනීමේ කළමනාකරු සමඟ බෙදාගනී. ඉදිරියට යන්නේ කවුරුන්ද යන්න සැමවිටම ඔබේ තීරණයයි. ඔබේ ඊළඟ අපේක්ෂක කෙටි ලැයිස්තුකරණය සඳහා Flowmingo නොමිලේ උත්සාහ කරන්න.
11. මූලාශ්ර
මෙම මාර්ගෝපදේශයේ ඇති සෑම අධ්යයනයක්, නීතියක් සහ සමීක්ෂණයක් පහත මූලාශ්රයකට සම්බන්ධ වේ; Flowmingo සංඛ්යා Flowmingo හිම ප්ලැට්ෆෝම් දත්තවලින් ලබාගෙන ඇත.
- California Civil Rights Department (2025). Civil Rights Council secures approval for regulations to protect against employment discrimination related to artificial intelligence. State of California.
- Callaham, S. (2026). A federal judge, a 1967 law and a billion rejected job applications. Forbes.
- Colorado General Assembly (2026). SB26-189: Automated decision-making technology. Colorado General Assembly.
- Crowell & Moring (2024). Artificial intelligence in employment update: Illinois requires notice and prohibits discriminatory impact in use of AI. Crowell & Moring LLP.
- European Parliament and Council (2026). Regulation (EU) 2026/1744 amending Regulation (EU) 2024/1689, the Digital Omnibus on AI. Official Journal of the European Union.
- Gartner (2025). Gartner survey shows just 26% of job applicants trust AI will fairly evaluate them. Gartner newsroom.
- Greenhouse (2026). The Hire Standard: Greenhouse benchmark report, North America. Greenhouse.
- 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.
- Information Commissioner's Office (n.d., read 2026). Keeping recruitment records. ICO.
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021; paperback 2022). Noise: A flaw in human judgment. Little, Brown Spark.
- Kline, P., Rose, E. K., & Walters, C. R. (2022). Systemic discrimination among large U.S. employers. The Quarterly Journal of Economics.
- 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.
- Li, D., Raymond, L., & Bergman, P. (2025). Hiring as exploration. The Review of Economic Studies.
- Ministry of Manpower, Singapore (2025). Workplace Fairness (Dispute Resolution) Bill press release. MOM.
- Mu, H., Liu, J., Wan, K., Xing, R., Chen, X., Baldwin, T., & Che, W. (2025). AI security beyond core domains: Resume screening as a case study of adversarial vulnerabilities in specialized LLM applications. arXiv preprint.
- NYC Department of Consumer and Worker Protection (n.d., read 2026). Automated employment decision tools (AEDT). City of New York.
- Office of the New York State Comptroller (2025). Enforcement of Local Law 144: Automated employment decision tools. Report 2024-N-6.
- Rozado, D. (2026). Gender and positional biases in LLM-based hiring decisions: Evidence from comparative CV/resume evaluations. PeerJ Computer Science.
- 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.
- Simonsohn, U., & Gino, F. (2013). Daily horizons: Evidence of narrow bracketing in judgment from 10 years of MBA admissions interviews. Psychological Science, via EurekAlert.
- TopResume (2025). AI in hiring survey. TopResume.
- U.S. Code of Federal Regulations (current text). 29 CFR 1602.14, preservation of records. Legal Information Institute.
- U.S. Code of Federal Regulations (current text). 29 CFR 1607.4, information on impact. Legal Information Institute.
- Uhlmann, E. L., & Cohen, G. L. (2005). Constructed criteria: Redefining merit to justify discrimination. Psychological Science, via Yale News.
- Van Iddekinge, C. H., Arnold, J. D., Frieder, R. E., & Roth, P. L. (2019). A meta-analysis of the criterion-related validity of prehire work experience. Personnel Psychology.
- Xu, J., Li, G., & Jiang, J. Y. (2026). AI self-preferencing in algorithmic hiring: Empirical evidence and insights. arXiv preprint.



