Amazon Connect Talent 如何用 AI 实现结构化面试
Inside Amazon Connect Talent: The science of structured AI interviews
Amazon Connect Talent 将结构化行为面试引入 AI 主导的面试流程,用岗位相关题目、自适应追问和基于证据的评分帮助大规模招聘保持一致。独立 I-O 心理学机构评估显示,其生成内容在 100% 的职位描述中保留了关键岗位信息,91% 的胜任力可追溯到职位描述,98% 的面试题针对预期胜任力。
对于需要招聘数百或数千人的组织而言,每一次面试都面临同样的挑战:如何让候选人获得一致的机会来展示自己的技能,同时收集做出明智招聘决策所需的证据?
结构化行为面试为这一挑战提供了有研究支持的方法。它们使用一致的、与工作相关的问题和明确的评分标准,让候选人有机会展示自己的技能。工业与组织(I-O)心理学数十年的研究表明,结构化面试有助于组织评估候选人并预测工作绩效(Schmidt & Hunter, 1998; Sackett et al., 2022)。然而,大规模实施结构化面试需要投入大量时间和专业知识来开发胜任力、创建问题、培训面试官,并一致地评估回答。
Amazon Connect Talent 将成熟的招聘科学引入大规模 AI 主导的面试中。Connect Talent 使用结构化问题、自适应追问和基于证据的评分,帮助组织收集一致的、与工作相关的信息,同时让更多候选人有机会展示自己的优势。
我们围绕三项核心设计原则构建了 Connect Talent,并通过内部研究和独立专家评审相结合的方式评估了该服务落实这些原则的程度。这些发现让我们得以更深入地了解Connect Talent AI 主导的结构化面试背后的科学。
三项核心设计原则
1. 围绕与工作相关的证据构建面试
Connect Talent 围绕该职位所需的胜任力来构建每一次面试。该服务利用职位要求和成熟的职业框架来创建行为锚定评分卡。每张评分卡都定义了具体的优势信号和关注信号,每个面试问题都针对其旨在揭示的行为。
AI 面试官还会根据每个回答进行调整。在每次回答之后,它会检查候选人是否提供了足够的证据来评估所考察的胜任力。当缺少细节时,它会提出有针对性的追问。这种方法在保持面试结构的同时,为候选人提供了更多解释自身经历的机会。
2. 将面试与评分分离
Connect Talent 将面试对话与评估分开。AI 面试官负责收集证据,但不进行评分。随后,一个独立的评估流程会识别候选人展示了哪些行为,并引用支持性的转录片段。
该服务使用固定公式计算每项能力的 1 至 5 分评分。当转录文本缺乏足够证据时,Connect Talent 会标记该能力,而不是生成分数。招聘团队可以查看每个评分背后的证据,缺失证据不会自动对候选人不利。
3. 将公平性保护措施融入设计
Connect Talent 评估转录的候选人回答,不使用视频、语音语调或外貌来计算能力分数。该服务还将候选人身份信息排除在评分之外,并分别评估每项能力。这些保护措施有助于将评估聚焦于与工作相关的行为,并限制无关信息的影响。
研究显示的结果
为了解这些设计原则在实践中的效果如何,我们将独立的工业与组织心理学评估与内部研究相结合。我们考察了该服务是否生成与工作相关的面试内容、识别与专家评估一致的行为证据、通过追问收集更完整的回答,以及区分所展现能力的不同水平。
Connect Talent 使面试问题聚焦于与工作相关的技能
结构化面试的质量始于其所衡量的技能。候选人需要反映岗位要求的问题,招聘团队则需要确信面试评估了这些技能。
Amazon 委托一家独立的工业与组织心理学公司评估 Connect Talent 的 AI 生成面试内容。该公司审查了该服务在人工编辑前的基线输出,并考察了其能力、问题和评分标准与岗位要求的契合程度。 评估发现,Connect Talent 在所审查的 100% 职位描述中保留了关键岗位信息。在生成的能力中,91% 可清晰追溯至职位描述。该公司的心理学家还发现,98% 的面试问题针对预期能力,并且 94% 的评分标准信号清晰衡量了预期能力。
这些发现表明,Connect Talent 在绝大多数情况下生成了符合独立专家标准的与工作相关的面试内容。 招聘团队随后可以在使用前审查、选择和编辑能力、评分卡和问题。这种人工监督使组织能够控制面试流程,同时帮助其大规模应用结构化招聘实践。
Connect Talent 的候选人评分在超过 89% 的情况下与独立专家的决定一致
相关问题为结构化面试奠定基础。下一个挑战是一致地评估候选人提供的证据。
为了考察这一点,一家独立的工业与组织心理学公司审查了36场面试,评估候选人是否展现出特定的优势与顾虑,并据此创建了252个评分标准信号。
Connect Talent 评估了相同的面试记录,审查了数百个 评分标准信号,并在 89.3% 的案例中与专家评分决策保持一致。 当候选人提供清晰证据时,评分一致性达到 97.6%;而仅考虑候选人顾虑信号(用于识别可能表明不适合目标岗位的行为)时,一致性为 92.9%。
此次评估还得出 Cohen’s kappa 值为 0.79,这一统计指标排除了随机巧合的影响。 Cohen’s kappa 值 0.79 略低于0.81这一“几乎完全一致”的标准。该结果表明Connect Talent 与独立专家的候选人评分之间存在高度一致性。
追问为候选人提供更多展示自身优势的机会
候选人可能具备相关经验,但在首次回答中遗漏了重要细节。在传统单向视频面试中,候选人可能收到固定问题,且只有一次作答机会。招聘团队随后只能基于现有信息进行评估,即使该回答留下了许多重要问题未得到解答。
Connect Talent 采用自适应追问来收集更完整的证据。例如,候选人可能描述了自己如何改进一个运行缓慢的系统。AI 面试官可以询问发生了哪些变化、候选人采取了哪些行动,以及他们如何衡量改进效果。这些问题帮助候选人更详细地说明自己的贡献和成果。
我们通过比较基于候选人首次回答的评估与基于完整面试对话的评估,研究了追问的影响。在一项初步评估中,仅基于首次回答的评分在五分制上比基于完整对话的评分最多低 1.14 分。使用完整对话的评估也更接近专家评估。
在没有追问的情况下,评分过程识别出的优势信号更少,顾虑信号更多。在某些情况下,候选人的初始回答只是缺少展示相关行为所需的信息。完整对话捕捉到了候选人展现的更多内容,并为招聘团队提供了更完整的经验记录。
结构化评分帮助招聘团队识别有意义的差异
招聘团队需要能够反映候选人技能展示中实质性差异的评分。然而研究发现,一些 AI 评分方法会将评分集中在狭窄的区间内,使得这些差异更难被识别(Zhu et al., 2026)。
Connect Talent 使用行为锚定评分卡来评估具体的优势与关注信号。该服务并非让 AI 模型给出一个总体评分,而是识别每种行为的证据,并使用预定义公式计算能力得分。
以“协作”能力为例。通用的 AI 评分方法可能会根据面试记录评估候选人的整体协作能力。Connect Talent 则考察具体行为,例如候选人在做决定前是否征求了同事的意见。每一项发现都会计入最终得分。
我们在数百份由专家评分的面试评估中评估了这种方法。Connect Talent 的结构化评分使用了评分量表的全部五个等级,而整体式 LLM-as-judge 评分则将评分集中在中间三个等级。
这种更宽的分布使评分系统能够体现更多层次的已展示能力。行为锚定评分卡还有助于招聘团队理解每个评分背后的证据。
将招聘科学引入 AI 主导的面试
Connect Talent 将结构化面试的严谨性带给更多人,同时让每位候选人都有切实的机会展示自己的技能。 这为大规模招聘的组织带来了新的机遇:更多候选人能够展示自己的能力,更多招聘团队能够基于真正重要的证据做出决策。
在 AWS re:Invent 2026 了解更多
欢迎参加 AWS re:Invent 2026 的 BIZ332:每位候选人,每一次:使用 Amazon Connect Talent 的 AI 主导结构化面试,这是一场由 Sunitha Srivatsa 和 Gerald Friedland 主持的互动式 Chalk Talk。
本次会议将探讨 Connect Talent 背后的科学,包括结构化面试、自适应追问和基于证据的评分。
第一场:2026 年 11 月 30 日星期一,上午 10:00–11:00,Caesars Forum – Level 1,Academy 409。
重复场次:2026 年 12 月 3 日星期四,下午 3:00–4:00,MGM Grand,Premier 309。
参考文献
Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology, 107(11), 2040–2068. https://doi.org/10.1037/apl0000994
Schmidt, F. L., & Hunter, J. E. (1998). 人事心理学中选拔方法的效度与效用:85 年研究的实践与理论意义。Psychological Bulletin, 124(2), 262–274.
Booth, B. M., Hickman, L., Subburaj, S. K., Tay, L., Woo, S. E., & D’Mello, S. K. (2021). 多模态机器学习中的偏见与公平性:自动化视频面试案例研究。Proceedings of the 2021 International Conference on Multimodal Interaction, 268–277. https://doi.org/10.1145/3462244.3479897
Zhu, K., Sheng, Z., Liu, Z., & Tan, J. (2026). 量表坍缩、模型分歧与虚假精度:LLM 行为面试评分的多模型审计。
关于作者
Sunitha Srivatsa
Sunitha Srivatsa 是 AWS 的首席软件开发工程师,也是 Amazon Connect Talent 和 Amazon Connect Customer Global Resiliency 的技术负责人。Amazon Connect Talent 是一款智能体 AI 招聘解决方案,利用 AI 主导的结构化面试和行为证据,帮助企业以更大规模、更快、更公平地招聘。Sunitha 负责 Connect Talent 的端到端架构,重点聚焦 AI 面试官。在 Global Resiliency 方面,她主导多区域能力的设计,使客户能够在主动-主动设置中跨多个 AWS 区域运行其联络中心。Sunitha 于 2013 年加入 Amazon,自 2020 年起一直从事 Amazon Connect 相关工作。在此之前,她曾在 AWS 构建过多款产品,包括 Amazon Silk 浏览器和 Alexa for Business。她的专长包括系统架构、多区域韧性和构建企业可大规模依赖的服务。工作之余,Sunitha 喜欢和两个年幼的孩子一起环游世界,并涉猎瑜伽和舞蹈。
Gerald Friedland
Gerald Friedland 是 AWS 的首席应用科学家,也是 Amazon Connect Talent 的科学负责人。Amazon Connect Talent 是一款智能体 AI 招聘解决方案,利用 AI 主导的结构化面试和行为证据,帮助企业以更大规模、更快、更公平地招聘。Gerald 领导该服务高容量 AI 面试系统背后的科学研究。他还为 AWS Clean Rooms 创建了隐私增强的合成数据,并参与合著了 Amazon 的表格基础模型 MITRA。他在研究、工程和教学方面拥有超过 25 年的经验。在 Connect Talent 之前,他领导了 Amazon SageMaker 的科学工作。他还创立了 AutoML 公司 Brainome,以及为 Arduino 构建语音识别板的 Audeme。更早之前,他曾是 UC Berkeley 的兼职教师、Lawrence Livermore National Laboratory 的首席数据科学家,以及 International Computer Science Institute 的研究总监。他的专长包括信息论、机器学习以及通过第一性原理解释 AI。他撰写了四本书,包括 Information-Driven Machine Learning,以及 200 多篇出版物,并拥有柏林自由大学的计算机科学博士学位。
Jad Mokdad
Jad Mokdad 是 AWS 应用 AI 解决方案团队的高级软件开发工程师,负责领导 Amazon Connect Talent 的工程工作。Amazon Connect Talent 是一款 agentic AI 招聘解决方案,利用 AI 主导的结构化面试和行为证据,帮助企业在规模化招聘中更快、更公平地招人。Jad 帮助构建端到端支撑该服务的系统。他拥有超过 12 年的行业经验,其中在 Amazon 工作八年。在 Connect Talent 之前,他帮助构建了支持 Amazon 全球高量招聘运营的系统,包括招聘工作流平台、虚拟招聘体验以及面向候选人的生成式 AI 助手。他的专长包括招聘技术以及减少重复性招聘任务,让招聘团队有更多时间与人相处。工作之外,Jad 喜欢拳击、举重、烹饪、解谜,以及陪伴他的两只法国斗牛犬。
Guru Nayak
Guru Nayak 是 AWS 的高级应用科学家,也是 Amazon Connect Talent 背后科学工作的技术负责人。Amazon Connect Talent 是一款 agentic AI 招聘解决方案,利用 AI 主导的结构化面试和行为证据,帮助企业在规模化招聘中更快、更公平地招人。Guru 负责该服务的科学方法:AI 如何在面试中收集行为证据、这些证据如何转化为评估,以及一种方法在发布前必须证明什么。他拥有近七年在 Amazon 担任应用科学家的经验。在 Connect Talent 之前,他从事 Amazon SageMaker 以及 Amazon 上生成式 AI 对话式广告体验的工作。他拥有明尼苏达大学计算机科学博士学位,期间与 NASA 科学家合作,将机器学习应用于环境问题,例如从卫星图像中绘制森林火灾地图。他的专长包括机器学习、AI 评估和应用研究。Guru 住在西雅图,并在当地一家动物救助机构做志愿者。
Martin Yu
Martin Yu 是 Amazon PXT 组织全球招聘科学团队的高级研究科学家,负责领导 Amazon 招聘评估背后的科学研究。Amazon Connect Talent 是一款 agentic AI 招聘解决方案,利用 AI 主导的结构化面试和行为证据,帮助企业在规模化招聘中更快、更公平地完成招聘。在 Connect Talent 项目中,Martin 负责就如何使其评估和 AI 主导的面试符合既定的测量标准并遵循科学最佳实践提供建议。加入 Amazon 之前,他花了七年时间为私营部门和政府机构构建评估体系并开展招聘研究。他的专长包括评估设计、招聘研究和测量科学。他拥有明尼苏达大学工业与组织心理学博士学位。
Ikkei Itoku
Ikkei Itoku 是 AWS Agentic AI 团队的应用科学家,也是 Amazon Connect Talent 和 Amazon Quick 的创始科学家。Amazon Connect Talent 是一款 agentic AI 招聘解决方案,利用 AI 主导的结构化面试和行为证据,帮助企业在规模化招聘中更快、更公平地完成招聘。Ikkei 帮助该服务将企业招聘周期从数周缩短至数天。他拥有超过 15 年构建 AI 和数据系统的经验。在担任现职之前,他在 Amazon 从事人才分析科学研究,是 KDD 2024 论文的第一作者。更早之前,他在摩根大通领导劳动力分析数据科学团队,并是彭博 People Analytics 团队的首位数据科学家。他的专长包括多智能体系统、大语言模型评估、基于语音的 AI 智能体和招聘模型中的公平性。他拥有哥伦比亚大学数据科学工程硕士学位。
Minje Choi
Minje Choi 是 AWS 应用 AI 解决方案团队的应用科学家,负责帮助开发 Amazon Connect Talent 背后的科学。Amazon Connect Talent 是一款 agentic AI 招聘解决方案,利用 AI 主导的结构化面试和行为证据,帮助企业在规模化招聘中更快、更公平地完成招聘。Minje 负责领导该服务如何生成与工作相关的能力项、评分卡和面试问题的工作,包括设计和测试每个步骤背后的算法。他还参与研究 AI 面试官如何开展结构化面试。在 Connect Talent 之前,他曾帮助设计 Amazon 的个性化购物推荐。更早之前,他在密歇根大学获得信息学博士学位,并在佐治亚理工学院完成博士后研究,研究方向是如何评估大语言模型在社会因素方面的表现。他的专长包括大语言模型评估、自然语言处理和结构化面试设计。
来源:AWS Machine Learning Blog · aws.amazon.com






