论文：招聘 Agent 评分变化可能来自评分者偏差

论文基于部署中的语音与视频面试 Agent 的 2611 份评分面试记录、重叠评审人、变更日志和支持工单，研究重复人工评分能否可靠反映 Agent 变化。研究发现评审人严厉程度差异明显，两位评审同一批次的综合指数相差 0.79 个标准差，评审人构成变化会抹平原始趋势。在调整评审人效应并平滑批次估计后，2026 年 3 月至 8 月被评估的可靠性上升 0.53 个标准差；可靠性也随已记录的部署发生变化。按未解释变动的估计速度，约五周后预测不确定性会达到观测到的最大部署差异量级，但该时间跨度估计不精确且基于少量阶跃式变化。同期面试相关支持工单相对技术问题工单每月下降约 10%。