Blog/AI In HR

面试评分卡模板以及如何公平地给候选人评分

Flowmingo Editorial TeamFlowmingo Editorial Team15 分钟阅读
Interview scorecard: free template and how to score fairly: an interview scorecard template: 4 weighted skills scored 1 to 5

3位面试官,1位入围者,3种评判。没有面试评分卡,复盘时声音最大的人决定录用。

没有可追溯的候选人评估表。因此,没有人能向你的CEO解释录用决定,也无法向询问被拒原因的候选人解释。

没有统一的表格,忙碌的人只能依靠直觉。

而直觉判断比感觉上更弱,正如卡尼曼及其合著者所著的Noise所示。

假设你只知道一位候选人的面试表现比另一位好。他们真正是更好人选的概率只有56%到61%,仅比抛硬币好一点。

评分卡通过3个步骤解决这个问题。每位面试官在复盘前,独自根据书面示例对相同的4到6项技能进行评分。然后由总分决定,除非必备项未通过。

关键要点

  • 评分卡真的能带来更好的录用吗? 是的,如果每位面试官都根据书面示例对相同技能进行评分。在2022年的一项综述中,以这种方式进行的面试对工作表现的预测能力大约是自由形式面试的两倍。
  • 应该评分多少项技能? 4到6项,每项采用1到5分的评分制,每个等级都有书面示例答案。任何必备项低于3分意味着不录用。
  • 如何在两位并列的最终候选人中选择? 首先检查必备项,然后基于证据对任何2比5的分歧进行复盘。不要凭感觉重新投票:在2013年的一项综述中,固定公式胜过专家判断。
  • 我需要多少位面试官? 最多4位,每位独立评分。在谷歌自己的数据中,第4轮之后的每场面试增加的准确性不到1%。
  • 我能相信AI评分吗? 将其作为1项输入并阅读其理由。在2023年的一项研究中,AI评分者在熟悉的问题上与受过训练的人类评分者紧密跟踪,而在新问题上表现不佳。

1. 面试评分卡真的能帮助我做出更好的录用决定吗?

是的,前提是每位面试官都根据书面示例对相同的技能进行评分。结构化面试,即你以相同方式向所有人提问并评分,对工作绩效的预测效度为 0.42,是非结构化面试 0.19 的两倍多。

这些数据来自 Sackett 及其同事 2022 年对数十年招聘研究的开创性重新分析。

这些数字是相关系数,从 0(与后续工作绩效无关)到 1(完全相关)。因此,0.19 并不意味着非结构化面试有 20% 的时候选对人。它意味着它们与后续绩效的关联很弱。

下图对 6 种常见方法进行了排名。工作知识测试为 0.40,而关键履历数据(一种计分的背景问卷)为 0.38,紧随其后。

工作样本测试以 0.33 紧随其后,认知能力测试为 0.31。非结构化面试,即我们大多数人从小到大经历的那种自由形式的聊天,排在最后。

面试评分标准证据:结构化面试对工作绩效的预测效度为 0.42,而非结构化面试为 0.19

按与工作绩效的关联度排名的招聘方法:结构化面试以 0.42 领先,非结构化面试以 0.19 垫底(Sackett 等人的开创性重新分析)。

但 0.42 只是一个平均值。作者的后续研究发现,大多数结构化面试介于 0.18(并不比自由形式的聊天更好)和 0.66(比图表上的任何方法都好)之间。

设计是作者给出的造成这种差异的 3 个原因之一。这意味着技能描述模糊的面试评分卡可能会落在接近底部的位置。这些是众多雇主的平均值,并不保证你下一次招聘的结果。

2. 我的面试评分卡模板应包含什么?

面试评分卡模板,或称候选人评估表,包含 5 项技能、书面锚点、证据框和必备底线,全部在 1 页内。它以总体印象和推荐意见结尾。

锚点让 1 位面试官打出的 4 分与另一位面试官的 4 分含义相同,而证据框能在你的 CEO 问起时回答“为什么”。

底线能防止高分总分掩盖薄弱的必备项。总体印象最后再填,因为若先写下直觉,它会为其后的每一项技能评分染上主观色彩。

下面是客户支持主管的这份表格,含 2 项必备项。5 项技能各按 1 到 5 分打分,因此总分为 25 分。

每项技能问 2 个过往行为问题,因为真实的过往事例能给你具体内容来对照评分锚点。例如:“跟我说说最近一次不满的客户升级投诉到你这里的情况。”

面试评分表模板,包含 5 项技能、1 到 5 分评分、证据框和必备项底线

客户支持主管的空白面试评分表模板:5 项技能、2 项必备项、1 到 5 分评分,以及每项的证据引述。

复制这张表,然后换成你自己的技能和锚点。

技能 1 / 3 / 5 分锚点 评分 1-5 证据(引述)
表头 候选人、职位、面试官、日期
应对不满客户(必备项) 责怪客户 / 按政策处理 / 解决根本原因
书面沟通(必备项) 不清楚 / 清楚但冗长 / 简短清晰
安排队列优先级 没有方法 / 按紧急程度 / 按影响大小
辅导团队 没有例子 / 给出建议 / 制定计划
改进流程 没有例子 / 提出改进方案 / 落地改进方案
必备项底线 任何必备项低于 3 分即不录用
不计分 从面部、声音或打字中解读情绪;口音或语速,除非岗位需要;“文化契合度”
总分 5 项评分之和,满分 25 分
总体印象 1 到 5 分,最后填写
建议 强烈建议录用 / 录用 / 不录用 / 强烈不建议录用;推翻结论需书面理由

2.1 搭建评分表之前,我应该先决定什么?

先定义该岗位的成功标准,再选择能实现它的技能。在第一份简历到来之前,冻结面试评分表。

这个顺序来自 Geoff Smart 和 Randy Street 的 Who。先写 1 条使命陈述,然后写 3 到 8 项按重要性排序的成果,再写 4 到 6 项技能。成果是可衡量的结果,比如到第 3 年把收入从 $25 million 增长到 $50 million,而不是一项活动。

冻结之所以重要,是因为人们会在不知不觉中扭曲标准。在奠基性的 Uhlmann and Cohen (2005) 研究中,参与者评估了一位街头智慧型申请人和一位高学历申请人,竞聘警察局长。

无论那位男性具备哪种优势,他们都会认定这份工作更需要它,而那位女性则得不到这样的加分。在看到申请人之前就确定标准,消除了这种偏见。因此,在见过候选人之后才写成的评分表,可能会悄悄偏向你本来就喜欢的那一位。

2.2 文化契合度应该出现在评分卡上吗?

不要按字面那样写,因为没有人能用同样的标准打两次分。把它转化成 1 到 2 个可观察的行为,比如"主动为自己的工作寻求反馈"。

假设你的团队看重坦诚:那就改为给"举出一个及早指出错误的具体例子"打分。

3. 我该如何给面试评分加权,才能让必备项占比最大?

给每项技能相同的权重并设置一个必备项下限,或者在第一次面试前就固定好权重。相同权重在预测新样本时往往与根据过往数据拟合出的权重一样准。

第二点来自心理学家 Robyn Dawes,Kahneman 在《思考,快与慢》中对此作了总结。

根据你过往录用的员工调整出来的权重,也会把这个群体中的偶然因素学进去。假设你最好的 3 位客服录用人恰好都是出色的辅导者:调整后的权重会让未来的每一位候选人都偏向辅导能力。

相同权重不会去追逐这样的偶然因素,这就是为什么它们在预测新候选人时往往同样出色。还要像 Kahneman 建议的那样,让各项技能彼此独立:不要同时列出"沟通能力"和"表达技巧",因为这两项加起来会把同一件事算了两遍。

必备项的力量来自下限,而不是来自更大的权重。假设"能安抚愤怒的客户"得 2 分,其他每项技能都得 5 分。

总分 22 分(满分 25 分)看起来很棒,但下限仍然表示不予录用。对于一项工作离不开的技能来说,这正是你想要的结果。

如果你确实要加权,就事先把它们写在面试评分卡上,并对所有人统一适用。这样就堵住了最容易扭曲总分的做法:在见到喜欢的人之后再改权重。

Flowmingo 如何提供帮助

Flowmingo 的 AI 面试报告采用固定权重:在总分中,一个"必备"标准的权重是"加分项"的 4 倍。每个标准保留各自 0 到 10 的分数,因此你仍然可以自行套用一个必备项下限。

4. 如何让 3 分对每位面试官都代表同样的含义?

在第一次面试前,为每项技能写下 1 分、3 分和 5 分答案分别包含什么。这种行为锚定评分量表能让 2 位面试官的评分具有可比性。

“行为锚定”仅仅意味着每个分数都与候选人做了什么挂钩,而不是与“还不错”这种感觉挂钩。没有锚点,同一份面试评分表上的 3 分,对 1 位面试官来说意味着“还行”,对另一位来说却意味着“较弱”。

锚定面试还显示出与后续绩效之间更强的平均关联。Taylor 和 Small 的奠基性综述回顾了 19 项过去行为面试研究,发现有锚定量表时关联为 .35,而没有锚定量表时为 .26。这些研究在其他方面也存在差异,因此这一比较并不能分离出添加锚点本身的效果。

以下是必备项“处理不满客户”的面试评分量表。

分数 答案包含的内容
1 责怪客户;自己没有采取行动,也没有结果
3 一个真实事例:安抚客户并应用政策,但从不检查结果
5 一个真实事例:找到原因、解决问题、跟进并分享解决方案

每上一个台阶都是你能从答案中听到的内容。这就是为什么 2 位听者能得出相同的分数。

如果你还写不出锚点,可以借用 OPM(美国联邦人力资源机构)的结构化面试指南中的 5 个等级。每个等级都取决于情境有多困难,以及这个人需要多少指导。

  • 1,意识:最简单的情境,需要密切且大量的指导。
  • 2,基础:有些困难的情境,需要频繁的指导。
  • 3,中级:困难的情境,需要偶尔的指导。
  • 4,高级:相当困难的情境,需要很少或不需要指导。
  • 5,专家:异常困难的情境,此人能为他人提供建议。

来自 OPM 指南的面试评分量表:5 个等级锚定于情境难度和所需指导

OPM 用于结构化面试的 5 个评分等级:从意识(最简单的情境,密切指导)到专家(异常困难的情境,为他人提供建议)。

5. 当面试官意见不一致时,如何在 2 位实力强劲的最终候选人之间做选择?

让面试评分卡的总分来决定,只有两个例外:一项必备项低于3分,或出现2分对5分的分歧,这时你要基于证据进行复盘。不要凭感觉重新投票。

这正是评分卡存在的意义所在,也正是最容易想放弃它们的时候。下面是一个示例,并非客户数据:3位客服主管最终候选人,每个单元格是3位面试官的平均分。

技能 A B C
处理愤怒客户(必备项) 4 2 4
书面沟通(必备项) 4 4 3
排列队列优先级 3 4 3
辅导团队 3 4 4(评分为2、5、5)
改进流程 4 4 3
总分,满分25 18 18 17
决策 录用 不录用:底线触发 复盘分歧

逐行阅读面试评分卡。A和B以25分中的18分打平。但B在一项必备项上得了2分,因此底线触发,B不予录用。

C总分为17,但C在“辅导团队”上4分的平均分掩盖了分歧:1位面试官给了2分,另外2位给了5分。这一差距成为复盘唯一的议程项。

实际操作中,让双方读出各自的证据原话。比如说,打低分的人听说有一名团队成员离职,而其他人听说有一套奏效的辅导计划。复盘决定哪个说法更符合C的典型情况,任何遗漏了证据的人都要以书面形式修改分数。

3位候选人填写完成的面试评分卡:A和B以18分打平,B未达到一项必备项,C存在2分对5分的分歧

填写完成的面试评分卡,示例:A和B以25分中的18分打平,B未达到一项必备项,C在辅导项上存在需要复盘的分歧。

一旦分数选出最终候选人,在发出录用通知前把条件写进去:我们的录用通知书模板展示了每项核查写在哪里。

5.1 如果我的直觉和分数不一致怎么办?

除非你能写下分数遗漏的证据,否则以分数为准。在Kuncel及其同事2013年的奠基性元分析中,对所有人以相同方式应用的公式对工作绩效的预测效度为0.44,而整体判断为0.28。作者称这使预测提升了50%以上,即使面对了解该工作的专家也是如此。

整体判断指的是人们在头脑中权衡同样的事实,包括共识会议。因此复盘是填补证据缺口,而不是重新投票。

5.2 我应该把最终候选人放在一起横向比较吗?

是的,逐题对比。Bohnet 的 HBR 建议 是先把所有人对第 1 题的回答放在一起比较,再看第 2 题,这样你就能把每个回答与其他回答对照评判。

在 2016 年一项奠基性的实验室研究中,一次只给受试者看 1 位候选人时,他们会偏向任务刻板印象所倾向的性别。过往表现几乎不起作用。而当两人并排呈现时,他们有 54% 的时候选择了表现更好的人,8% 选择了较差的那个。

该研究用的是过往任务得分,而不是面试,因此应把它视为一个有力提示,而非证据。

6. 我怎样才能避免最强势的面试官在复盘会上主导结论?

让每位面试官在任何人开口之前先提交自己的面试评分表,然后在复盘会开始时公布这些分数。

假设一位资深人士开口就说“我很喜欢她”,整个房间就会开始向这个观点靠拢。独立写下的分数能保护每个人不受这种拉力的影响,这也是 Noise 把独立评分列为招聘规则的原因。

在实践中,把分数收集到共享表格或你的申请人跟踪系统里,然后一次性全部公布。

一个小组面试,即所有人观看同一场面试,看起来像是一种解决办法。在 Huffcutt 及其同事 2013 年奠基性的元分析中,小组评分者的一致性为 0.74,而单独面试为 0.44,量表为 0 到 1。

这个数字美化了小组面试。小组成员在同一天为同一场表现打分,所以如果候选人那天早上状态特别好或特别差,他们都会看到。

正如 Iris Bohnet 在谷歌的一次演讲中所说:“小组面试的样本量基本上就是一”。而单独面试、各自独立打分,能让你获得更多独立的观察。

6.1 每位候选人应该由多少位面试官打分?

最多4轮,且分开进行。在谷歌的内部数据中——并非同行评审研究——4轮面试以86%的置信度预测了录用决定。每多一轮,提升不到1%。

额外增加的面试对预测谷歌自己的招聘决定几乎没有帮助。把这当作一个提醒,用来为每一轮面试说明理由,而不是当作普适上限,或关于日后工作表现的证据。

7. 如何让忙碌的面试官真正填写面试评分卡?

让评分成为面试的一部分。每项技能的问题问完后立刻打分,写一行引文作为证据,最后再给出整体印象。

面试了一整天之后,没人还想再填一张表。正因如此,评分要在面试中进行,而不是变成当晚的作业。

卡尼曼于1955年为以色列军队设计了这个方法,因为自由形式的面试被证明几乎无法预测成功。面试官按1到5分给6项特质打分,完成一项后再开始下一项,这样第一印象就不会影响其余评分。

只有到那时,他们才闭上眼睛给出总体评分,而总分预测的准确度比之前高得多。他的建议是:录用总分最高的人,“即使还有另一个你更喜欢的人”。

时机也很重要。在一项实地研究中,166名面试官报告了他们何时拿定主意。只有4.9%的决定是在第一分钟内做出的,但22.5%的决定是在面试结束后才做出的。

候选人在离开后做出的决定依赖记忆,所以要边面试边评分。

对于我们的支持主管这一职位,具体如下:

  • 问那2个队列问题,然后在继续之前给“排定队列优先级”打分。
  • 写1句引语作为证据,例如“我按每个 bug 影响多少客户来排序。”
  • 对每位候选人都保持相同的技能顺序。

在我们的数据中,书面证据很少见。

Flowmingo 数据 · 86,638 名经过 AI 面试的候选人 · 2,574 家公司 · 2025年7月至2026年9月

  • 0.3% 的经过 AI 面试的候选人收到了招聘团队的书面评论(86,638 人中的 258 人)。

团队可能在其他地方记录笔记;在 Flowmingo 内部,AI 报告通常是档案中唯一的书面评估。

在忙碌的一天里,书面理由是最先被省略的。这就是为什么表单每项技能只要求写 1 条评语。

8. 我能信任面试评分卡上的 AI 评分吗?

把它当作由人复核的 1 项输入,并先阅读其理由。AI 评分在面对未训练过的问题时可能会大幅下降。

我们与这个答案有利害关系,因此下面的证据包含了不美化 AI 的部分。

在一项 2023 年的基础性 研究 中,2 名训练有素的评分者对 7,017 份申请人回答按 1 到 5 的锚定量表进行了评分。一个在同等问题上训练的模型与其评分高度吻合,在 0 到 1 的量表上达到 0.75。在它从未见过的问题格式上,它降至 0.30,匹配度较弱。

这意味着 AI 评分的质量仅取决于其针对具体问题的评分标准,因此在信任该分数之前,请先阅读其理由。另请注意,该研究的 5 位作者中有 3 位就职于 AI 面试供应商 Modern Hire。

Flowmingo 如何提供帮助

Flowmingo 的 AI Interviewer 根据你批准的标准进行评分。AI 根据你的职位描述起草问题和标准,然后你编辑两者。你将面试发送给每位申请人,让他们自行安排时间完成。

你会收到录像、文字记录,以及每项标准 0 到 10 的评分和书面理由。由你做出招聘决定。

Flowmingo 的 AI Interviewer 中的候选人评估表:每项标准评分为 0 到 10,并附有书面理由

Flowmingo 的公开示例报告:每项标准都有 0 到 10 的评分和理由,因此可以在该量表上设定任何必备下限。

在我们的数据中,简历和面试对于谁最优秀也存在分歧。

Flowmingo 数据 · 34,114 名候选人 · 379 家公司 · 2025年7月至2026年9月

  • 19.2% 的 532 个有 1 个明确最高面试评分的项目,也给了该候选人最高的简历评分。
  • 在面试中得分 8 分或以上的 3,684 名候选人中(2,022 人),有 54.9% 会被 前 20% 简历短名单 淘汰。

两者都是 Flowmingo AI 评分,而非工作表现,并且受访者是一个经过筛选的群体。数据表明这 2 种排名存在差异,而非哪一种正确。

说白了,在这些项目里,大约每5个就有4个,面试得分最高的人并不是简历得分最高的人。所以面试要单独打分,不要让简历分数带过来。

9. 如果被拒的候选人投诉,我的评分表能保护我吗?

只要它们针对与岗位相关的证据打分,并且你留存下来,就有帮助。按合理的解读,美国联邦规定意味着评分表至少要保存1年,加州的规定则是4年。

投诉可能在几个月后才来,那时已经没人记得那场面试了。一份每项技能都带原话引述的面试评分表,能说明你评估了什么、为什么这样评。

美国的规定没有点名评分表,但它涵盖了“与招聘有关的其他记录”。一旦有人提起歧视指控,在案件结束前,你要保存所有相关记录。这包括同一岗位其他候选人的记录,所以一起指控就会把整套记录都冻结住。

这些规定截至2026年9月仍然有效。本文是概述,不构成法律意见。

规定 适用地区 对你的评分表意味着什么
29 CFR 1602.14 美国 招聘记录保存1年,收到指控后保存更久
2 CCR 11013(c) 加州 记录保存4年,包括自动化决策数据
ICO guidance 英国 候选人可以索取面试记录;任何打破平局的规则都要披露
TAFEP 新加坡 使用评估表,记录至少保存1年
29 CFR 1630.11(ADA) 美国 如果残障影响言语表达,就评估技能本身,而不是言语表达,除非说话正是该岗位的要求
AI Act, Article 5(1)(f) 欧盟,自2025年2月2日起 禁止AI从面部、姿态或击键推断候选人的情绪
AI Act, Annex III and Article 26 欧盟,自2027年12月2日起 高风险:人工监督、日志保存6个月以上、须告知候选人
Local Law 144 纽约市 单独使用的AI分数、权重高于其他一切或用于推翻人工判断的AI分数:需每年做偏见审计并通知
AI Video Interview Act 伊利诺伊州 事先通知、解释并取得同意;应要求30天内删除视频

这就是模板里有一行“不计分”的原因。欧盟禁止AI从面部、姿态或击键读取候选人的情绪,美国的残障法(ADA)保护那些残障影响言语表达的候选人。在英国,候选人可以索取你的记录,所以写每条证据时都要当作他们会读到。

要做自查,可以用《统一准则》中的4/5经验法则来比较不同群体的通过率。比如一个群体的通过率是30%,另一个是50%:30除以50等于0.6,低于0.8,那就要进一步细查。

2026年6月司法部的一份意见和2026年7月OPM的一项规定让联邦机构不再采用《统一准则》。不过它们仍留在联邦法规中,所以把这项检查当作一个成本很低的习惯,而不是法律红线。

10. 这周我该怎么和团队一起推行面试评分表?

按这个顺序搭建,只在岗位之间做调整。第一版不必完美,但必须对每位候选人都一样。

  1. 写1句使命陈述和3到8个按优先级排序的成果。
  2. 把它们转化为5项技能,并标出必备项。
  3. 写2个过去行为问题,以及每项技能在1分、3分和5分上的锚点。
  4. 让最多4位面试官独立评分,并在复盘前提交。
  5. 让总分决定,但任何必备项低于3分就不录用。记录每一次例外。

在实践中,从1个空缺职位开始,这样你的团队可以在真实场景中养成习惯。第一次面试前,让所有人给同一份示例回答评分并对比。

如果2个评分相差超过1分,就重写锚点,直到它们一致。第8节研究中经过培训的评分者用同样的1分差距来召集会议。

预计会遇到一些阻力。卡尼曼的军队面试官也抗拒仅仅记录答案,他的解决办法是闭眼评分,这让他们判断在表格上有了位置。你的总体印象一栏就是为团队做这件事。

Flowmingo 如何提供帮助

要给每位申请人发送一场结构化面试,让他们在自己方便的时间完成,录制并根据1份面试评分卡评分,请试试 Flowmingo。

11. 来源

上面每个外部数据都来自下方按出现顺序列出的来源。Flowmingo 自己的数据位于数据框中,2025年7月至2026年9月。

注册后约 60 秒即可开始,无需绑卡,无需通话

免费注册
Flowmingo Editorial Team

Flowmingo Editorial Team

We write practical guides for recruiters and HR teams who want to hire faster and more fairly. Each guide draws on hiring research, employment rules and Flowmingo's own data from real interviews, and lists its sources.

LinkedInYouTubeFacebook