AI 正在快速進入招募流程。從履歷篩選、人格測驗、非同步影音面試，到 AI 生成面試報告，企業開始有更多工具可以協助人資整理候選人資訊。這些技術的價值，並不在於完全取代人資，而是讓招募流程更有效率、更一致，也更容易被記錄與回顧。
然而，當 AI 被用來推估人格、潛力或職能時，企業真正需要關心的，可能不只是「AI 能不能產出一份報告」，而是：
這份報告背後，究竟有多少可被驗證的行為證據？
這個問題在 AI 招募時代變得特別重要。因為候選人的履歷、文字回答，甚至面試回答內容，都可能透過 AI 工具被修飾得更完整、更有邏輯、更符合企業期待。換句話說，企業看到的回答品質，未必等於候選人在真實工作情境中的穩定表現。
一、語音回答有價值，但不等於完整多模態評估
近年有些 AI 評估工具會讓候選人透過語音回答問題，再將語音內容轉為文字，由大型語言模型或語意分析模型進行判斷，最後產出人格、潛力或職能相關報告。
這種方式並非沒有價值。相較於只看履歷或問卷，語音回答至少讓候選人進入一個回應情境，企業可以看到候選人如何組織答案、如何描述經驗、如何使用案例，也能保留一定程度的臨場表達痕跡。
但從 AI 分析的角度來看，如果系統主要依賴「語音轉文字」後的內容進行推論，那麼核心分析仍然偏向語意與文字表達。它能分析候選人「說了什麼」，卻未必完整分析候選人「如何說」、「當下狀態如何」、「反應過程是否穩定」。
真正的多模態評估，通常不只看文字內容，也會納入聲音、臉部、表情、反應節奏、情緒變化、互動行為等不同訊號。近期人格辨識與人格運算相關研究，也多將 audio、visual、text 等資料來源視為多模態人格分析的重要方向。Zhao 等人在 2022 年的綜述中指出，深度人格特質辨識研究已經涵蓋單模態與多模態方法，並整理了音訊、視覺、文字與生理訊號等不同特徵來源；同時也指出，多模態人格辨識仍面臨資料量、資料偏差、跨資料集泛化與可解釋性等挑戰。DOI: 10.3389/fpsyg.2022.839619。
因此，語音回答可以是重要資料來源，但如果最後只轉成文字，再由語言模型產出報告，它仍然不等於完整的多模態評估。
二、為什麼人才評估不能只看單一分數？
人才評估本來就不是單一分數可以完整代表的事情。職場中的表現，通常是多種因素交互作用的結果：人格特質、知識經驗、情境判斷、溝通互動、情緒調節、學習能力、工作動機，以及企業本身的職務要求與文化環境。
人事甄選研究長期強調，評估工具最重要的不是「看起來先進」，而是是否具備預測效度，也就是能不能有效預測未來的工作表現。Schmidt 與 Hunter 在 1998 年整理 85 年人員甄選研究後指出，甄選工具的實務價值與預測效度高度相關；他們也比較了多種甄選方法及組合，例如一般心智能力、工作樣本、誠信測驗、結構化面試等。(The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 85 years of research findings.)
更近期，Sackett、Zhang、Berry 與 Lievens 在 2022 年重新檢視人員甄選效度估計，指出過去某些效度可能因 range restriction correction 而被高估，但多數高排名工具仍然維持相對重要的位置；其中結構化面試仍被視為排名很高的甄選方法。(Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range)。
這給 AI 招募一個很重要的提醒：
AI 不是只要能產出一個分數，就等於完成了人才評估。
真正重要的是，這個分數背後是否有足夠清楚、可解釋、可驗證的證據鏈。
如果 AI 只根據單一回答、單一文字內容或單一模型推論，直接輸出「高職能」「低職能」「適合」「不適合」，企業很容易把 AI 的結論誤認為完整判斷。但在實務上，職能往往需要透過多個證據來源交叉驗證。
三、大五人格不是職能本身，而是職能表現的心理特質基礎
HRDA 選擇以大五人格作為重要分析基礎，並不是因為人格可以直接等同職能，而是因為人格特質能提供一個相對穩定、可研究、可比較的心理特質框架。
大五人格通常包含五個面向：
| 大五人格面向 | 可能對應的工作觀察 |
|---|---|
| 開放性 Openness | 學習彈性、創新傾向、接受新觀點 |
| 盡責性 Conscientiousness | 自律、責任感、目標導向、可靠度 |
| 外向性 Extraversion | 主動表達、社交能量、影響他人 |
| 友善性 Agreeableness | 合作、同理、衝突處理 |
| 情緒穩定性 Emotional Stability | 壓力調節、穩定反應、挫折恢復 |
Barrick 與 Mount 在 1991 年的經典後設分析中，研究大五人格與工作表現的關係，涵蓋不同工作族群與不同績效指標，結果指出大五人格與工作表現之間存在關聯，尤其盡責性在多種職類中具有較穩定的預測價值。(THE BIG FIVE PERSONALITY DIMENSIONS AND JOB PERFORMANCE: A META-ANALYSIS)。
不過，這裡必須非常謹慎：
大五人格不是職能本身。
大五人格比較像是職能表現背後的心理特質基底。
例如，「溝通能力」可能與外向性、友善性、情緒穩定性有關；但一個人的實際溝通表現，還需要看他是否理解情境、是否能組織訊息、是否能根據對象調整說法、是否能在壓力下維持穩定，以及是否具備足夠的職務知識。
同樣地，「主動性」在業務、工程、客服與主管職中的表現方式也不一樣。業務的主動性可能表現在開發客戶與跟進需求；工程師的主動性可能表現在發現系統風險、提出技術改善；客服的主動性可能表現在提前處理客訴與降低摩擦。
所以，如果 AI 沒有清楚定義職務情境，就直接輸出職能分數，可能會讓企業誤以為分數代表完整能力。
比較成熟的做法應該是：
先理解候選人的穩定人格特質，再結合行為訊號、語音表達、面試內容與職務情境，推論其職能潛力與工作適配風險。
四、為什麼 HRDA 不直接宣稱「測出職能」？
這其實是 HRDA 很重要的方法論差異。
我們不是不重視職能，而是認為職能需要被更謹慎地定義。職能不是一個抽象標籤，而是一個人在特定工作情境中，將人格特質、知識經驗、動機、情緒調節與行為策略展現出來的結果。
因此，與其直接宣稱「AI 測出某某職能」，HRDA 更重視：
- 候選人的人格基礎是什麼
- 候選人在面試情境中的表達狀態如何
- 語音、表情、情緒與互動訊號是否一致
- 回答內容是否與非語言訊號相互支持
- 這些訊號如何對應到企業關心的職務行為
這樣的設計更接近「證據式人才評估」，而不是「單一分數式人才評估」。
五、從研究角度看，多模態不是噱頭，而是補足單一資料來源的限制
在人格辨識與面試分析研究中，多模態方法之所以重要，是因為人的行為表現本來就不是單一訊號構成的。
Zhao 等人在 2022 年的音訊與視覺多模態人格辨識研究中指出，真實情境中的第一印象行為資料通常是多模態的，不是單一模態；語言與非語言資訊，例如音訊與視覺訊號，都與人格特質有關，因此需要採用多種輸入模態來進行人格辨識。該研究使用 audio-visual fusion 方法，結合 CNN、Bi-LSTM 與 Transformer 等模型，並以 ChaLearn First Impression-V2 資料集進行實驗。(Integrating audio and visual modalities for multimodal personality trait recognition via hybrid deep learning)。
這類研究對 HRDA 的啟發是：
聲音、臉部、語意與反應節奏不應被視為彼此取代的資料，而應被視為互相補充的證據。
例如：
| 評估訊號 | 可能提供的觀察 |
|---|---|
| 文字／語意 | 回答內容、邏輯結構、經驗描述 |
| 語音 | 語速、停頓、穩定度、聲音能量 |
| 臉部／表情 | 情緒變化、緊張反應、互動狀態 |
| 時間節奏 | 反應速度、猶豫、回答流暢度 |
| 人資觀察 | 情境脈絡、職務需求、企業文化適配 |
這些資料都不應該單獨被過度解讀，但它們可以彼此交叉驗證。當多個訊號指向一致方向時，企業可以更有信心；當訊號彼此矛盾時，反而提醒人資需要進一步追問與確認。
六、AI 招募不能只追求自動化，也要重視公平與接受度
AI 招募工具除了技術效度，也必須考慮候選人的公平感與接受度。
Oostrom 等人在 2024 年研究演算法評估與招募人員評估對候選人反應的影響，研究情境包含非同步影音面試與人格問卷。結果顯示，當候選人被告知由演算法而非招募人員分析其面試與人格資料時，可能增加不適感，並降低公平感、感知預測效度與回饋接受度。(Applicant reactions to algorithm- versus recruiter-based evaluations of an asynchronous video interview and a personality inventory)。
這提醒企業，AI 招募的關鍵不只是準不準，也包括候選人是否理解 AI 如何被使用、是否知道人資仍保留判斷角色，以及是否感受到程序公平。
因此，HRDA 的定位不應是「AI 取代人資」，而應是：
AI 協助人資整理更多元的行為證據，讓面試判斷更一致、更透明，也更容易回到具體資料上討論。
這樣的定位，比單純強調自動打分，更符合企業導入 AI 招募時需要面對的現實問題。
七、從單一分數走向多元證據，是 AI 人才評估的下一步
AI 招募的真正價值，不是讓企業更快得到一個分數，而是讓企業更接近候選人的真實樣貌。
當每個人都可以用 AI 把履歷寫得更完整、把回答整理得更漂亮，企業更需要看的，不只是答案本身，而是答案背後的反應、表達、情緒與行為證據。
因此，未來的人才評估應該從「單一分數」走向「多元證據」：
- 從只看結果分數，走向理解推論依據
- 從只看文字內容，走向整合語音、表情與互動訊號
- 從直接判斷職能，走向理解人格特質與職務情境的關係
- 從 AI 替人資下結論，走向 AI 協助人資看得更完整
HRDA 選擇從大五人格與多模態行為分析切入，正是因為我們相信：人才評估不應該被壓縮成單一標籤，而應該被還原為一組可觀察、可解釋、可討論的證據。
AI 時代的人才評估，真正重要的不是「模型能不能給分」，而是「這個分數背後，有沒有足夠清楚的證據」。
參考資料
| 主題 | 文獻 | DOI | 用途 |
|---|---|---|---|
| 大五人格與工作表現 | Barrick, M. R., & Mount, M. K. (1991). The Big Five personality dimensions and job performance: A meta-analysis. Personnel Psychology. | 10.1111/j.1744-6570.1991.tb00688.x | 支持「大五人格與工作表現有關，但不等於職能」 |
| 甄選工具效度 | Schmidt, F. L., & Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology. Psychological Bulletin. | 10.1037/0033-2909.124.2.262 | 支持「人才評估要看 predictive validity」 |
| 面試效度 | McDaniel, M. A., Whetzel, D. L., Schmidt, F. L., & Maurer, S. D. (1994). The validity of employment interviews: A comprehensive review and meta-analysis. Journal of Applied Psychology. | 10.1037/0021-9010.79.4.599 | 支持「結構化面試比非結構化面試更具效度」 |
| 甄選效度再檢視 | Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection. Journal of Applied Psychology. | 10.1037/apl0000994 | 支持「甄選工具仍有效，但效度估計需謹慎」 |
| 多模態人格辨識綜述 | Zhao et al. (2022). Deep Personality Trait Recognition: A Survey. Frontiers in Psychology. | 10.3389/fpsyg.2022.839619 | 支持「人格辨識研究已走向 audio、visual、text 等多模態」 |
| 音訊＋視覺人格辨識 | Zhao et al. (2022). Integrating audio and visual modalities for multimodal personality trait recognition via hybrid deep learning. Frontiers in Neuroscience. | 10.3389/fnins.2022.1107284 | 支持「單一模態有限，多模態有助於人格與面試分析」 |
| AI 面試候選人反應 | Oostrom et al. (2024). Applicant reactions to algorithm- versus recruiter-based evaluations of an asynchronous video interview and a personality inventory. Journal of Occupational and Organizational Psychology. | 10.1111/joop.12465 | 支持「AI 招募需重視公平感、接受度與人資角色」 |