Читать книгу - "Тесты для оценки персонала: Как принимать кадровые решения на основе данных, а не ощущений - Юрий Шатров"

При получении результата посмотрите на него и сделайте паузу. Первое впечатление может быть излишне эмоциональным и поэтому обманчивым.

На что нужно обратить внимание:

• Результаты абсолютные или относительные. Абсолютные результаты — это ваш процент правильных ответов. Например, вы могли дать 83% правильных ответов. Или 11%. Относительные результаты — это всегда сравнение с людьми, которые ранее проходили тест. Если результаты относительные, можно уточнить у вашего контактного лица, с кем вас сравнивают.

• Какие ваши качества оценивались. Под качествами имеются в виду компетенции, знания, личностные особенности — в зависимости от теста это могут быть разные типы. Внимательно вчитайтесь в описание этих качеств или задайте вопросы представителю организации. Может быть так, что вы понимаете под «выстраиванием контакта» одно, а в тесте с тем же названием было оценено совсем другое.

С очень высокой вероятностью организация не даст вам правильные ответы на тест, особенно если это была оценка ваших личностных особенностей. Причина в том, что такие тесты не являются своего рода ЕГЭ — они оценивают черты вашего характера и мотивации, и на них нет изначально правильных ответов.

Может оказаться, что вы не согласны с результатами. Это нормально и случается нередко: по моему опыту, с результатами не соглашаются 5–10% участников. Попросите сессию обратной связи, а если ее не дадут — кандидатам такие сессии проводят реже, чем сотрудникам, — то хотя бы письменное заключение. Скорее всего, решение организации это не изменит. Но именно поэтому и не стоит защищаться: лучше потратить время на вопросы — «Что этот результат значит для работы, а что не значит?», «Насколько он устойчив?». Эксперт объяснит, что измерял тест и как читать отчет, и вы поймете, откуда взялся такой результат.

167. Arthur, W., Jr., Doverspike, D., Muñoz, G. J., Taylor, J. E., & Carr, A. E. (2014). The use of mobile devices in high-stakes remotely delivered assessments and testing. International Journal of Selection and Assessment, 22(2), 113–123.

168. Mahar, D., Cologon, J., & Duck, J. (1995). Response strategies when faking personality questionnaires in a vocational selection setting. Personality and Individual Differences, 18(5), 605–609.

Какое будущее у тестов

До какого момента нам потребуются тесты? До тех пор, пока мы, люди, отличаемся друг от друга и пока мы являемся основными исполнителями труда. Тесты, как и другие инструменты оценки, обеспечивают дифференциацию людей с целью их лучшего перемещения между должностями, компаниями, работами.

15.1. Искусственный интеллект

Многие эксперты пророчат скорую смерть тестов и их замену искусственным интеллектом (ИИ). Я сомневаюсь, что это произойдет в ближайшие 10 лет. Тесты — слишком привычный и понятный формат для бизнеса, кандидатов и регуляторов, чтобы за десятилетие уйти со сцены. Но это не значит, что в этой области ничего не происходит. Скорее наоборот: ИИ уже сейчас активно входит во все этапы работы с тестами и довольно заметно их меняет.

У развития ИИ в тестировании персонала есть множество причин:

• За последние несколько лет ИИ научился делать то, для чего раньше требовался методолог или психолог: формулировать пункты тестов, анализировать открытые ответы, писать индивидуальные отчеты. Раньше все это было невозможно технически (ИИ тогда был проще), и потому вопрос использования ИИ в тестировании просто не стоял.

• Бизнес ищет возможности снижать трудозатраты и масштабировать HR-сервисы — делать оценку дешевле, быстрее и доступной не только менеджерам. ИИ оказывается одной из технологий, которые позволяют обеспечивать этот процесс автоматизации.

• Бизнес проявляет все больше интереса к доказательному HR, или HR, основанному на данных. ИИ позволяет снизить субъективность частных человеческих решений.

Под искусственным интеллектом я имею в виду все алгоритмы, которые обучаются на данных и далее имитируют человеческий разум в решении конкретных задач. Самый яркий образчик ИИ — большие языковые модели (Large Language Models, LLM), которые начали активно развиваться в HR с выходом в конце 2022 г. GPT-3.5 от OpenAI. С тех пор появился ряд более совершенных моделей — от OpenAI и других разработчиков, и они набрали большую популярность. Одни доступны только как платные сервисы (Claude, Gemini, Grok — за рубежом; флагманские YandexGPT и GigaChat — в России). Другие выпускаются с открытыми весами — их можно скачать и развернуть на своей инфраструктуре (Llama [47], Gemma, Mistral, DeepSeek и Qwen за рубежом; T-lite, Cotype Nano, а также облегченные версии GigaChat и YandexGPT — в России) [48].

Но ИИ не ограничен только LLM. Применительно к тестам это могут быть как более простые алгоритмы машинного обучения, так и нейросети, которые создают разный контент. Поэтому при описании ИИ я не буду ограничиваться только языковыми моделями.

ИИ может применяться на всех этапах работы с тестами:

• подбор тестов;

• создание оценочных критериев;

• создание пунктов теста;

• сбор данных;

• расчет результатов;

• формирование отчетов;

• обратная связь участнику;

• консультирование заказчика по результатам.

Подбор тестов

LLM могут анализировать базу знаний, содержащую информацию об имеющихся в компании или на рынке оценочных инструментах, и в формате чат-бота предлагать наиболее подходящие для определенной задачи. Например, LLM получает запрос: «Нужно протестировать аналитические навыки для B2B-продакт-менеджеров». Просматривает базу знаний, в которой для каждого теста хранится информация об оцениваемых критериях, целевой аудитории, среднем времени прохождения. И выдает список тестов: тест на критическое мышление, тест знаний юнит-экономики, тест анализа числовой информации. Как вы понимаете, для этого база знаний должна быть достаточно хорошо структурирована.

Похожий чат-бот есть у The Josh Bersin Company — Galileo. Он не ограничен только оценкой, а покрывает сразу все HR-процессы.

Но каждая компания может создать подобного бота у себя. Для этого может использоваться RAG (retrieval-augmented generation, генерация с поисковым дополнением) — особый метод работы с LLM, который позволяет подключить к модели базу знаний. Также он снижает количество нерелевантных ответов и галлюцинаций со стороны LLM.

Создание оценочных критериев

LLM могут создавать содержание оценочных критериев: индикаторы компетенций и ценностей, манифестации личностных черт, темы для тестов знаний. Например, в разработке личностных опросников есть этап наработки манифестаций — конкретных проявлений этой черты (в установках, в поведении, в опыте, в мотивации). На основе этих проявлений потом формируются пункты опросника — его вопросы или утверждения. Языковые модели очень хорошо справляются с формированием избыточного списка манифестаций. То же самое с набросками индикаторов компетенций.

Здесь важно рассказать об одном ограничении LLM. Если упростить, то языковые модели просто предсказывают, какое слово пойдет вслед за другими словами. В них зашиты статистические закономерности языка (буквально — языковая модель = модель нашего языка). Допустим, за словом «манная» с высокой вероятностью последуют слова «крупа» или