在人才测评领域，一个越来越明显的趋势是：测评不再只让候选人勾选"非常同意"到"非常不同意"，而是开始让他们自由地说话、写作、讲述自己的经历。这种方法就叫开放式文本测评。
直觉上这似乎更合理——让一个人自己描述自己，总比用几个选择题框住他要真实吧？而且现在AI这么厉害，ChatGPT都能写论文了，让它"读一读"一个人写的东西，判断一下这个人是不是有责任心、是不是善于合作，应该不难？
然而，2026年发表在《Organizational Research Methods》上的一项研究告诉我们：事情没那么简单。Speer等人用900多名在职成年人的开放式人格文本数据，系统检验了各种AI模型在人格测量中的表现，发现了一个经常被忽略的关键问题——AI能不能读懂一个人，根本不取决于AI有多聪明，而取决于这个人有没有把"能被读懂的信息"说出来。
一、从选择题到自由表达：开放式测评为什么火？
传统的自陈式人格量表，比如"我认为自己是一个有责任心的人——请从1到5打分"，已经用了几十年了。它的好处是标准化、好统计；坏处也很明显：你没法知道这个人打5分是因为他真的很有责任心，还是因为他觉得自己"应该"很有责任心。
开放式测评试图解决的就是这个问题。它不给你选项，而是让你用文字描述自己的行为、经历和想法。比如："请描述一次你在工作中遇到困难并努力解决它的经历。"这种方式的好处是，它更接近真实场景中的信息表达。在面试、述职、绩效评估中，别人本来就是通过你"说了什么"来判断你的。如果你能用一段具体的经历来证明自己，那比打一个5分要有说服力得多。再加上自然语言处理和大语言模型技术的发展，让机器自动"阅读"并"评分"这些文本成为了可能。于是，从招聘到人才盘点，越来越多的企业开始尝试用AI来对开放式文本进行人格解码。
二、模型越来越聪明，但问题不在模型本身
Speer等人的研究中，他们测试了多种AI评分方法：从最简单的零样本大语言模型（也就是直接问ChatGPT"这个人责任心强不强"），到经过大量数据微调的专用模型。他们比较了这些模型的评分结果与被试自评量表得分之间的一致性。结果不出意外：模型越先进、定制程度越高，评分就越准确。零样本模型的表现在所有方法中垫底，而经过微调的大语言模型则达到了最好的心理测量学指标。
读到这儿你可能会想，那结论不就是等技术再进步一点就行了吗？但研究中最关键的发现并不是这个。
三、叙事单元：AI能读懂的，只有行为
研究者引入了一个很有意思的概念——叙事单元（Narrative Units）。简单说，就是一段文本中包含了多少具体的、可识别为行为的信息。
我们来看两个例子：
A："我是一个很有责任心的人。"
B："我每周都会提前规划下周的工作任务，并且在周五之前检查每项任务的完成情况。如果有延期的风险，我会主动和团队沟通调整方案。"
这两句话都在表达"责任心"，但从信息量的角度看，A句几乎等于什么都没说——它只是一个自我标签。B句则提供了时间、行为、情境，这些才是AI（以及人类）能够用来做判断的"原材料"。
研究发现，当开放式提问能够引导人们提供具体的行为描述时，文本中的叙事单元会显著增加。随之而来的，所有AI模型的预测准确性都会同步提升——不管是零样本还是微调模型，评分都变得更准了。
这就说明了一个非常重要的道理：模型之间的表现差异，根源并不在模型本身，而在于输入信息的质量。如果一段文本里没有行为信息，再先进的AI也只能在语言层面做猜测。只有当我们提供了足够的"行为证据"，AI的输出才真正接近心理测量意义上的人格判断。
四、问什么，决定了你能测到什么
顺着这个逻辑，研究者又把目光转向了问题的设计。他们比较了两种提问方式。一种很宽泛，比如"请描述一下你自己"；一种有明确的情境，比如"描述一次你在高压环境下和同事一起完成任务的经历"。答案的差异非常大。面对宽泛的问题，大多数人给出的回答是高度抽象的——"我性格开朗"、"我做事认真"、"我喜欢团队合作"。这些其实还是自我标签，只是从选择题的选项变成了自由文本。而面对有情境的问题，回答中会自然涌现出更多具体的行为信息——时间、地点、人物、行动、结果。这些正是叙事单元。
这个发现揭示了一个在实际应用中容易被忽视的真相：开放式测评的上限，不是由AI决定的，而是由问题设计决定的。如果问题本身无法引导出行为信息，那么无论AI多强大，它的评分本质上还是在分析一个人的"语言能力"和"自我评价倾向"，而不是他真实的人格特质。
五、AI做的是信息结构化，不是理解
当我们把所有这些发现放在一起看，一个更底层的逻辑就浮现出来了。无论是简单的词频分析，还是复杂的大语言模型，它们在开放式测评中做的事情本质上是一样的——从未结构化的文本中提取出可以对应到人格维度的信息结构。这个过程中，"提取"的前提是文本中确实存在稳定的、可以被提取的行为信息结构。
如果文本是模糊的、抽象的（比如一堆"我觉得自己很XX"的表述），AI就只能依赖语言模式去推断。这种推断的稳定性很低——同样是表达"我很外向"，一个人可能用了一段很长但空洞的话，另一个人用了一句简短但具体的话，AI给两个人的评分可能完全不同，但这两个人真实的宜人性水平可能差不多。而一旦文本中包含了足够多的具体行为，AI的工作就从"猜测"变成了"证据整合"——它不需要去揣测一个人的性格，只需要对文本中已经呈现的行为进行归纳和编码。
所以，说AI在"理解"一个人，其实是一种误读。AI不是人格的解释者，而是信息结构的整理者。它的价值不在于"深度洞察人性"，而在于高效、一致地对大规模文本进行标准化的信息提取。
六、对企业和个人的启示
这项研究给我们的启发是多方面的。
对于做测评的企业来说，最应该关注的可能不是"我应该选哪个AI模型来评分"，而是"我设计的题目能不能引导出有效的行为信息"。如果直接拿大模型去分析一段低质量的开放文本，本质上是在用一个强大的引擎驱动一辆轮胎没气的车——看着跑得挺快，但方向可能完全偏了。更合理的路径是：先设计能够激活叙事单元的题目，然后再让AI做结构化的分析。AI可以增强测量，但不能替代测量设计。
对于求职者或被测评的人来说，这项研究其实也给出了一个很实用的提示。在很多开放式的面试或评价场景中，我们习惯用抽象的语言来描述自己，比如"我很有责任心"、"我沟通能力很强"。但从测量的角度，这些表达几乎提供不了有效信息。真正能被识别和记住的，是行为层面的表达——你具体做了什么、在什么情境下、解决了什么问题、取得了什么结果。这不是"会包装自己"，而是让自己的能力能够被客观地看见。
七、对开放式测评的思考
这项研究还揭示了一些有趣的方向，背后还有更多研究空间。
例如，研究者发现不同类型的叙事单元对不同人格维度的"解码效率"可能不同。一个关于"责任心"的行为描述，和一个关于"外向性"的行为描述，在大模型眼中的可提取程度可能是不同的。这可能意味着，我们不能对所有人格维度用同一套开放式问题，而是需要针对每个维度设计特定的、能够激活该维度行为信息的提问方式。
叙事单元的数量是否越多越好？文本写多长才"够用"？这些问题目前还没有明确的答案。但有一点是可以确定的：开放式测评的有效性，最终取决于一个人是否提供出了可被理解的信息。AI只是放大了这个更基础的事实。如果我们希望被人准确理解，首先要学会用具体的故事来表达自己——无论对方是人，还是机器。
