同一场面试，两个面试官独立打分：一个给 4（"沟通清楚、思路完整"），一个给 2（"深度不够、追问就卡"）。而他们看的是同一场面试、问了同一批问题。分歧不在"谁看错了"，而在两个人对"4 分"的锚不一样。
评分校准要解决的正是这个问题：让"4 分"在所有人心里对应同一个可观察的行为。这个结论有点反直觉：讨论十次不如一起看一次。因为讨论时每个人说的是"印象"，而看录像时每个人看的是"同一段事实"——后者才能暴露出"我们对同一个行为的理解不同"。
而它不能靠"开会讨论"，只能靠"一起看同一段材料、各自打分、再对差异"。
1. 分歧的三种来源
| 来源 | 表现 |
|---|---|
| 标准不同（锚不一） | 同一表现给不同分 |
| 观察片段不同 | 记住的细节不同 |
| 宽容度不同 | 一个偏松一个偏紧 |
第一项最常见，而它最容易被误诊为"谁不专业"。第一项的机制是"评价词没有共同刻度"："深度不够"这句话在每个人的词典里指向不同的表现，于是同一场面试被判成两个档。
校准的作用就是把第一项消掉，让剩余分歧变成"信息差异"（可以靠复述补齐）。
第二项在校准里最好解决：看同一段录像，所有人观察到的是同一片段。
2. 三种校准方式
| 方式 | 成本 |
|---|---|
| 一起看录像 + 各自打分 + 对差异 | 高（每人每小时） |
| 用"行为锚表"统一标准 | 低（一次写好） |
| 事后对分数做归一化 | 极低（但不治本） |
第一项的"两小时"里，真正的价值在"第一次对齐"——前 40 分钟往往在争论，后 80 分钟才开始谈"具体看到了什么"。所以时长不能压缩到 30 分钟。
第一项最有效：两小时的共同评分能让"锚"对齐，而它带来的收益是"之后每场面试都更可比"。
第三项是"数学上对齐"：把每个人的分数转成"相对他自己历史的分位"。它能消除"有人永远打高"的问题，但消除不了"对同一行为理解不同"——所以它常被用作"校准后的补充"，而不是替代。
：把每个人的分数转成"相对他自己历史的分位"。它能消除"有人永远打高"的问题，但消除不了"对同一行为理解不同"的问题。
3. 行为锚怎么写才算"可观察"
| 不可观察 | 可观察 |
|---|---|
| "技术扎实" | "能说出这个方案的失效条件" |
| "沟通好" | "能按听众调整解释深度" |
| "有深度" | "追问两层后仍能给出依据" |
| "思路清晰" | "先说结论，再说依据，最后说边界" |
右列还有个"时间"要求：它必须发生在面试的那一小时里。"这个人有潜力"需要长期观察，而在面试里它只能靠猜——所以它不该进表。
右列的共性是"能被另一个人复述"：如果两个人的复述一致，那这个行为就"可观察"。
而左列的问题在"评价词"："扎实"在每个人的词典里刻度不同，于是它无法校准。
校准会最有效的"素材"是"争议场"——两个面试官分差最大的那场录像。因为它一定包含"两个人对同一行为的不同理解"，而看它比看"大家都打 4 分"的场次收获大得多。
// 三类素材的收益排序
1 分差 ≥2 的场次：直接暴露"锚不一致"（最高收益）
2 分差 =1 的场次：暴露"边界判断"差异
3 分差 =0 的场次：只能验证"标准一致"，信息量低
// 建议：每次校准会准备 1 场第 1 类 + 1 场第 2 类
4. 校准会的具体流程
| 步骤 | 时间 |
|---|---|
| 看同一段录像（10 分钟） | 10 |
| 各自独立打分（不讨论） | 5 |
| 逐维度对齐（只说"看到什么"） | 25 |
| 更新行为锚表 | 10 |
| 记录"仍不一致的维度" | 5 |
第三项是关键：只允许说"我看到了什么"，不允许说"我觉得他怎样"。第三项的落实需要一个"话术"："我记录的是……"开头。这句话把陈述锚在"记录"上，于是"我觉得"会显得突兀，而它正是要被排除的。
因为"觉得"无法对齐，而"看到"可以。
第五项要保留：有些维度确实难对齐（如"潜力"），那就把它从表里去掉——不能校准的维度不该用于决策。
// 对齐时的句式（只描述，不评价）
"他在被问到失效条件时，停了 4 秒，然后说'超大数据量下会锁表'。"
"我在同一处记录的是'没答上来'。"
→ 分歧来源：一个人认为"说了半句"算答，另一个算没答
→ 结论：更新锚点，明确"半句需追问一次才算"
"宽容度差异"还有一个可量化的校正办法：统计每个人近 20 场面试的给分分布（均值与标准差）。若某人均值 4.2、另一个 2.8，那"平均分"实际混合了两套刻度——此时讨论"谁更准"没有意义，先对齐刻度。
// 分布对比（每人近 20 场）
面试官A：均值 4.2，标准差 0.4 → 偏松且集中
面试官B：均值 2.8，标准差 1.1 → 偏紧但区分度好
// 结论：A 需要"下压"，B 的分布更可用于区分；但"谁准"要看与表现的相关性
5. "过紧"与"过松"的识别
| 现象 | 诊断 |
|---|---|
| 所有人都 3 分 | 锚太模糊（中间值最安全） |
| 通过率异常低/高 | 锚过紧/过松 |
| 分数与入职表现无关 | 锚测的不是关键能力 |
| 同一人多次面试分差大 | 观察片段不同 |
第一项还有个"跨维度"表现：所有维度都 3 分，于是"总分 12/20"看起来"中规中矩"，而实际信息量为零。
第一项是最常见的"校准失败"：当没人知道 4 分长什么样，所有人都会选中间值，于是表失去区分度。
第三项最严重：分数与实际表现无关，说明"锚"测的东西不对第三项的诊断方式是"回溯三个月"：拿最近录用的人，看"当时的分数"与"现在的表现"是否相关。不相关，就要改维度而不是改校准。
——此时无论怎么校准都无效，要改维度。
"校准"的效果要能被度量，否则它只是"感觉对齐了"。三个便宜的数就够：
// 三个可度量的数（按季度统计）
1 同一候选人的分差（多人面试）：中位数应从 2 降到 ≤1
2 分数分布：是否出现"全 3"（区分度为零的信号）
3 分数与入职 6 个月表现的相关性：升职/淘汰是否与分数同向
// 用法：第 1 项看"当下是否对齐"，第 3 项看"锚是否测对了东西"
6. 排错：五种"校准无效"
| 现象 | 成因 | 处理方向 |
|---|---|---|
| 校准后仍差两分 | 只看分数没看证据 | 练"复述事实" |
| 讨论变成争论 | 允许说"我觉得" | 只允许说"看到" |
| 校准一次就退化 | 无更新机制 | 每季度一次 |
| 维度太多没时间 | 表太大 | 减到 5 个 |
| 新人标准又漂 | 无入场校准 | 新人首月必参加 |
第五项的落地规则可以很具体：入职首月必须参加一次校准会；未参加前，他的分数只作参考，不作决策依据。
第五项常被漏：新人没参加过校准会，他的"4 分"是自己的 4 分。所以"入职首月必须参加一次校准"应当成为规则。
最后一个"反面"提醒：校准不能解决"问错问题"。如果题目本身测不出"做过没做过"，那所有面试官会在同一个错误标准上达成一致——于是"分差很小、判断很一致"，而判断本身是错的。
// 两种"看起来好"的假象
分差小 + 判断错 → 锚对齐了，但锚不对（该改题目维度）
分差大 + 判断对 → 锚没对齐，但信息够（该做校准）
// 判据：先看"分数与表现是否相关"，再看"分差"
7. 边界：什么情况不必做校准
| 场景 | 为什么 | 做法 |
|---|---|---|
| 只有一个人面试 | 无分歧 | 不必 |
| 面试量极小（每月几场） | 校准成本高于收益 | 只写行为锚 |
| 已用结构化评估平台 | 平台有校准功能 | 跟随 |
| 招的是极窄技能（有客观测试） | 分数已可比 | 不必 |
判断口径一句话：两个面试官对同一候选人的分差，是否经常 ≥1 分。最后一条与"成本"有关的边界：校准的成本是"每人每小时"，而收益是"之后每场面试都更可比"。所以它适合"面试量大"的团队；面试量小的团队，"写清行为锚"这一项就够。
是，校准有必要；否（分差小且证据一致），说明标准已经对齐。
8. 自测
- 分歧的三种来源里，哪一种最容易被误诊为"谁不专业"？校准能消掉哪一种？
- 三种校准方式里，哪一种"数学上对齐但不治本"？
- 行为锚"可观察"的判据是什么？为什么"技术扎实"不可校准？
- 校准会流程里，"只允许说看到什么"为什么是关键？
- "所有人都 3 分"说明什么？"分数与入职表现无关"说明什么？
- 判断"是否需要校准"的那个问题是什么？