AI给面试打分不够，求职者更需要可核对的证据
内容提要
E-AVI论文尝试让视频面试AI评分关联带时间戳的文本、声音和视觉证据，使解释可核对。它在公开数据集上降低了误差、提升了排序相关，但证据抽取仍是瓶颈，部分证据过度解读，且源级表示不可读。作者认为AI应作结构化辅助而非终局裁判，招聘方需保留人工复核与申诉，并警惕停顿等弱信号被误判为能力问题。
延伸解读
证据可核对，但未必可靠
E-AVI让评分关联带时间戳的文本、声音和视觉证据，但标注检查显示，870条证据中仅80.8%完全受原始记录支持，12.1%部分支持或过度概括，7.1%不受支持。音频和视频证据的完全支持率更低，分别为74.8%和77.4%。这说明“显示证据”不等于证据可靠，语气和行为解读尤其容易越界，招聘方需对证据本身进行复核。
停顿不等于不自信：构念效度风险
论文指出一个真实风险：把短暂停顿解释为不自信。停顿可能来自网络、口音、思考习惯或无障碍需求。即使系统能标出12秒到14秒，时间戳只证明行为发生，不证明它该被转成能力分数。证据层解决了可检查性，却没有自动解决构念效度。招聘团队应避免用表情、停顿等弱信号直接淘汰候选人。
采购与使用中的可执行检查
论文建议招聘方将AI定位为结构化辅助而非终局裁判，并给出采购检查：要求供应商报告按人群分组的误差；随机抽取证据与原片段双人复核；禁止用弱信号直接淘汰；保留人工推翻记录；给候选人数据更正与申诉入口；每次模型更新后重跑岗位级验证。这些措施有助于把透明度落到流程，而非仅停留在解释文本。
适用边界：预印本与有限数据
E-AVI是预印本，尚未经同行评议或跨地区独立验证。研究仅覆盖公开RecruitView数据集和一家中国南方酒店的小规模私有数据，私有测试集提升只支持当前切分，不能证明换酒店、岗位或人群后仍稳定。跨语言、口音、肤色、神经多样性和设备质量的公平性并未被充分证明，因此不能视为可直接部署的招聘产品。
Q&A
E-AVI论文的核心目标是什么？
E-AVI论文尝试把视频面试AI评分连接到带时间戳的文本、声音和视觉证据，使评分解释可核对，而不是让语言模型事后编造解释。
E-AVI在公开数据集上的性能提升如何？
在RecruitView数据集上，E-AVI把平均绝对误差从微调MiniCPM-o的0.641降至0.607，Spearman排序相关从0.440升到0.541；私有数据上的相关为0.639。
E-AVI的证据可靠性如何？
两名标注者检查50段视频中的870条证据，80.8%完全受原始记录支持，12.1%部分支持或过度概括，7.1%不受支持。文本证据完全支持率89.5%，音频74.8%，视频77.4%。
E-AVI的主要失败原因是什么？
在30个最困难样本中，25个问题与证据抽取错误或遗漏相关；证据抽取仍是主要瓶颈，且评分还依赖人看不懂的源级表示。
将停顿等弱信号用于评分有什么风险？
短暂停顿可能来自网络、口音、思考习惯或无障碍需求，时间戳只证明行为发生，不证明它该被转成能力分数；证据层解决了可检查性，却没有自动解决构念效度。
招聘方采用类似AI系统时应采取哪些措施？
应把AI定位为结构化辅助而非终局裁判；人类复核者要看到原片段、岗位相关评分规则和不确定性；求职者应能申诉错误转写、误判行为或无障碍因素。
采购面试AI系统时有哪些可执行的检查项？
要求供应商报告按人群分组的误差；随机抽取证据与原片段双人复核；禁止用表情、停顿等弱信号直接淘汰；保留人工推翻记录；给候选人数据更正与申诉入口；每次模型更新后重跑岗位级验证。
