什么是 candidate scoring
Candidate scoring（候选人评分）是依据客观信号给候选人打出一个量化分数的做法，这些信号包括技术测试结果、经过验证的行为画像、实测的语言水平、核验过的工作经历。这个分数把候选人的位置归纳到一条可比较的刻度上，从而支持直接排序。
它和传统 ATS 里的「匹配度评分」不是一回事。后者主要靠简历里的关键词来排序，本质上还是在比对候选人「写了什么」。现代的 candidate scoring 出发点是测量，而不是自述。在国内的人才测评语境里，这一点常被概括为「用数据说话」，把主观印象换成可量化、可复盘的指标。
candidate scoring 里通常包含哪些维度
具体看平台，但典型的几个维度是：
- 硬技能：按技术栈或领域划分的技术测试成绩
- 软技能：经过验证的 Big Five 画像或同类工具
- 语言：通过测试实测的 CEFR 等级（A1 到 C2）
- 经历：交叉验证（背景核验、公开作品集、正式劳动关系核实）
- 运营性条件：到岗时间、所在城市、期望薪资区间
每一个维度都换算到一条归一化的刻度上。最终分数是这些维度的加权组合，权重可以按岗位和场景灵活配置。这和国内常说的胜任力模型思路相通：先定义岗位需要哪些素质，再为每项打分、加权汇总。
candidate scoring 是用一个总分还是用多维画像
设计上有两种选择：
1. 单一总分（0 到 100，或者 0 到 1000），好沟通、好传达，但会丢掉细节
2. 多维度画像：按维度展示分布，可以按单项条件过滤，比较起来信息更丰富
NORT 选择的是胜任力多边形，也就是国内招聘里很熟悉的雷达图形态。Career Score 就是这种多维可视化的名字。企业可以按每个维度设最低门槛来过滤；候选人也能看到自己的雷达图，识别出哪些维度还要补强。
candidate scoring 的优势是什么
- 可直接横向比较：候选人之间能直接比，不再取决于「是谁在读这份简历」
- 以客观信号为准，替代主观阅读
- 跨岗位复用：候选人评估一次，就能对应多个机会，不必每投一家重测一遍
- 降低偏见：当工具本身经过验证时（Big Five、标准化技术测试、带 CEFR 等级的语言测试），结果更可控
- 配合 Smart Match，分数还能驱动岗位与候选人的智能匹配
candidate scoring 有哪些要诚实承认的局限
- 标准化会磨平个性：分数抓不住一个候选人真正与众不同的地方
- 存在「为考试而准备」的风险：候选人可能针对测试刷题，却未必转化为岗位上的真实表现
- 残余偏见：即便工具经过验证，评分量表和数据集的设计仍会带来影响
- 不能替代最后一轮沟通：契合度、文化、预期对齐，这些终究是人与人之间的事
用 candidate scoring 要注意的合规问题
在国内做候选人评分，核心法规框架是《个人信息保护法》（PIPL）、《数据安全法》，以及涉及生成式 AI 时的《生成式人工智能服务管理暂行办法》，而不是欧盟的 GDPR。
几个关键点：候选人的测评数据和简历属于个人信息，收集和处理需要合法性基础、目的限定和最小必要原则。依据 PIPL 关于自动化决策的规定，如果靠评分自动作出对候选人权益有重大影响的决定，应当保证决策透明、结果公平，候选人有权要求说明，并有权拒绝仅通过自动化决策作出的结果。换句话说，纯算法淘汰、完全没有人工复核，是有风险的。这也是为什么国内主流观点（牛客、用友大易等的测评实践都强调过）都把 AI 评分定位成辅助招聘者，而不是取代招聘者。
candidate scoring 在 NORT 里是怎么实现的
Career Score 就是这一概念在 NORT 上的落地。它是一张多维雷达图，覆盖硬技能、软技能（Big Five）、语言和经过验证的经历。企业按客观条件过滤；候选人则能看到并管理自己的画像，知道下一步该提升哪个维度。
这里要说清楚 NORT 的定位：NORT 不是 ATS、也不是招聘管理系统，而是一个反向招聘与评估平台。北森、Moka 这类系统管理的是入站投递的漏斗，NORT 做的是另一件事，候选人通过测试和验证一次性完成评估、得到一个评分，企业再从这个预筛选过的人才池里主动按岗位标准挑人。它是对 ATS 的补充，不是替代。如果你想把「接触候选人之前先评估」这一步认真搭一次，免费注册一个 NORT 账号。