हायरिंग टीम्स: माप-प्रथम मूल्यांकन एनालिटिक्स के 5 चरण

मूल्यांकन विश्लेषण (Assessment Analytics) किसी परीक्षण या मूल्यांकन के दौरान उत्पन्न प्रक्रिया डेटा — जैसे प्रतिक्रिया समय, संशोधन, और नेविगेशन पैटर्न — का व्यवस्थित संग्रह और विश्लेषण है, जो किसी स्कोर के पीछे के साक्ष्य को मजबूत करता है। यह माप की वैधता में सुधार करता है, मूल्यांकन डिज़ाइन को परिष्कृत करता है, और शिक्षकों तथा भर्ती टीमों को उन निर्णयों के लिए एक तर्कसंगत आधार देता है जो पहले केवल एक संख्या पर टिके होते थे। इस गाइड के बाकी हिस्से में यह बताया गया है कि कौन सा डेटा कैप्चर करना है, कौन सी विधियाँ लागू होती हैं, और डेटा गुणवत्ता या निष्पक्षता को नुकसान पहुँचाए बिना इसे कैसे लागू किया जाए।

---

TL;DR:

• Assessment Analytics का केंद्र एकल परीक्षण सत्र के भीतर प्रक्रिया डेटा के विश्लेषण पर है, ताकि यह सत्यापित किया जा सके कि स्कोर वास्तव में क्या दर्शाते हैं — न कि समय के साथ जुड़ाव को ट्रैक करना।
• प्रतिक्रिया समय, संशोधन, और नेविगेशन अनुक्रम जैसे विस्तृत प्रक्रिया डेटा का संग्रह, परीक्षण देने की रणनीतियों और संज्ञानात्मक भार को उजागर करने के लिए आवश्यक है — केवल अंतिम उत्तरों से परे।
• वर्णनात्मक डैशबोर्ड, साइकोमेट्रिक मॉडल, और अनुक्रम विश्लेषण जैसी विधियों का उपयोग मूल्यांकन की वैधता और निष्पक्षता को बेहतर बनाने में मदद करता है, लेकिन केवल तभी जब डेटा गुणवत्ता को कड़ाई से बनाए रखा जाए।
• विश्वसनीय Assessment Analytics बनाने के लिए व्यवस्थित कंस्ट्रक्ट परिभाषा, सुसंगत इवेंट लॉगिंग, वर्जन किए गए डेटा पाइपलाइन, और निरंतर डेटा गुणवत्ता जाँच की आवश्यकता है।
• Talent Approved जैसे व्यावहारिक प्लेटफ़ॉर्म इस प्रक्रिया के अधिकांश हिस्से को स्वचालित करते हैं, और भर्ती निर्णयों को प्रभावी ढंग से सूचित करने के लिए भूमिका-विशिष्ट मूल्यांकन, एंटी-चीट निगरानी, और AI सारांश प्रदान करते हैं।

---

विषय-सूची

• Assessment Analytics आखिर है क्या?
• Assessment Analytics वास्तव में कौन सा डेटा कैप्चर करता है
• विश्लेषणात्मक विधियाँ और मॉडल: डैशबोर्ड से पूर्वानुमानात्मक स्कोरिंग तक
• एक व्यावहारिक डेटा गुणवत्ता मूल्यांकन वर्कफ़्लो बनाना
• वैधता और निष्पक्षता: जब प्रक्रिया डेटा वास्तविक साक्ष्य बन जाता है
• कार्यान्वयन चेकलिस्ट: इंस्ट्रूमेंट, पाइपलाइन, QA, संचालन
• Assessment Analytics व्यवहार में कहाँ दिखता है
• Talent Approved Assessment Analytics को व्यवहार में कैसे लाता है
• Assessment Analytics परियोजनाओं में त्वरित सफलताएँ और सामान्य गलतियाँ
• Talent Approved के साथ Assessment Analytics को काम में लगाएँ
• स्रोत
• FAQ

Assessment Analytics आखिर है क्या?

Assessment Analytics, लर्निंग एनालिटिक्स का कोई नया नाम नहीं है। यह एक संकुचित, माप-केंद्रित अनुशासन है जो मूल्यांकन की घटना को ही — न कि पाठ्यक्रम या सीखने की यात्रा को — विश्लेषण की इकाई मानता है। जहाँ लर्निंग एनालिटिक्स हफ्तों के कोर्सवर्क (लॉगिन, चर्चा पोस्ट, वीडियो व्यू) में जुड़ाव को ट्रैक करता है, वहीं Assessment Analytics एक एकल परीक्षण सत्र पर ज़ूम करता है और पूछता है कि पहले क्लिक से लेकर सबमिट किए गए उत्तर तक क्या हुआ।

डिजिटल मूल्यांकनों में Assessment Analytics पर MDPI का शोध इसे एक अंतःविषय क्षेत्र के रूप में परिभाषित करता है जो माप, सत्यापन, डिज़ाइन, और भर्ती निर्णयों को सूचित करने के लिए प्रतिक्रिया समय, नेविगेशन पैटर्न, और कीस्ट्रोक जैसे प्रक्रिया डेटा को व्यवस्थित रूप से एकत्र, एकीकृत, और विश्लेषण करता है। वह परिभाषा महत्वपूर्ण है क्योंकि यह एक स्पष्ट रेखा खींचती है: Assessment Analytics का उद्देश्य किसी कंस्ट्रक्ट — जैसे पठन बोध या कोडिंग योग्यता — के बारे में अनुमानों को उचित ठहराना है, न केवल व्यवहार का वर्णन करना।

PMC/NIH पर Assessment Analytics पर 2017 का एक पेपर इसे लर्निंग एनालिटिक्स पाइपलाइनों में "गायब कदम" कहता है। ई-मूल्यांकन ट्रेस डेटा की बड़ी मात्रा उत्पन्न करते हैं — टाइमस्टैम्प, आइटम-स्तरीय मेटाडेटा, क्लिक अनुक्रम — लेकिन अधिकांश संस्थान अभी भी कुल स्कोर की गणना के बाद इसे फेंक देते हैं। यह एक खोया हुआ अवसर है, क्योंकि वही डेटा अर्ली-वार्निंग सिस्टम, छात्र प्रोफाइलिंग, और अनुकूली शिक्षण अनुशंसाओं को पोषित कर सकता है।

यह अंतर स्पष्ट रूप से सामने आता है जब आप उद्देश्यों और विश्लेषण की इकाइयों की तुलना करते हैं:

• लर्निंग एनालिटिक्स किसी कोर्स या कार्यक्रम में व्यवहार का अध्ययन करता है, जिसका लक्ष्य प्रतिधारण या जुड़ाव प्रवृत्तियों की भविष्यवाणी करना है।
• Assessment Analytics एकल मूल्यांकन या आइटम के भीतर व्यवहार का अध्ययन करता है, जिसका लक्ष्य यह सत्यापित करना है कि स्कोर का वास्तव में क्या अर्थ है।
• मूल्यांकन (Evaluation), पारंपरिक अर्थ में, पास दरें या ग्रेड वितरण जैसे सारांश आँकड़ों का उपयोग करके घटना के बाद परिणामों का आकलन करता है।
• Assessment Analytics मूल्यांकन से पहले काम करता है, उन परिणामों को उत्पन्न करने वाली प्रक्रिया की जाँच करता है ताकि स्वयं मूल्यांकन अधिक ठोस आधार पर टिके।

Assessment Analytics की नींव पर Springer Nature का अध्याय यहाँ एक उपयोगी चेतावनी जोड़ता है: प्रक्रिया डेटा तभी साक्ष्य के रूप में गिना जाता है जब इसे उस कंस्ट्रक्ट से जुड़े एक सुसंगत व्याख्यात्मक तर्क से जोड़ा जाए जिसे आप मापने का इरादा रखते हैं। किसी गणित के आइटम पर प्रतिक्रिया समय में वृद्धि अपने आप में अर्थहीन है। यह साक्ष्य तभी बनता है जब आप इसे किसी परिकल्पना — जैसे संज्ञानात्मक भार या गलत पढ़ी गई निर्देश — से जोड़ सकते हैं और उस परिकल्पना को अन्य संकेतों के विरुद्ध परख सकते हैं।

Assessment Analytics वास्तव में कौन सा डेटा कैप्चर करता है

अधिकांश मूल्यांकन प्रणालियाँ ऐतिहासिक रूप से केवल एक चीज़ लॉग करती रही हैं: अंतिम उत्तर। Assessment Analytics दो अतिरिक्त परतों की माँग करता है, और तीनों को सही तरीके से प्राप्त करना वह नींव है जिस पर बाकी सब कुछ बनता है।

परिणाम डेटा (Outcome Data) वह है जो पारंपरिक स्कोरिंग पहले से कैप्चर करती है: आइटम प्रतिक्रियाएँ, कच्चे स्कोर, डोमेन या कौशल के अनुसार सब-स्कोर, और पास/फेल फ्लैग। यह परत "परीक्षार्थी ने क्या उत्पन्न किया?" का उत्तर देती है। यह आवश्यक है, लेकिन अपने आप में अपर्याप्त है।

प्रक्रिया डेटा (Process Data) "वे वहाँ कैसे पहुँचे?" का उत्तर देता है, और यही वह जगह है जहाँ Assessment Analytics अपना नाम कमाता है। इंस्ट्रूमेंट करने के लिए ठोस उदाहरण:

• प्रति आइटम और प्रति अनुभाग प्रतिक्रिया समय, जो जल्दबाजी में अनुमान लगाने या असामान्य विचार-विमर्श को फ्लैग करते हैं।
• संशोधन गिनती: एक परीक्षार्थी ने सबमिट करने से पहले कितनी बार उत्तर बदला।
• क्लिकस्ट्रीम और नेविगेशन अनुक्रम, यह दिखाते हुए कि कोई आइटम के बीच कूदा या रैखिक रूप से काम किया।
• खुली-प्रतिक्रिया या कोडिंग कार्यों पर कीस्ट्रोक लॉग, जो अंतिम पाठ में अदृश्य प्रारूपण पैटर्न प्रकट कर सकते हैं।
• संकेत अनुरोध और टूल उपयोग, विशेष रूप से अनुकूली या स्कैफोल्डेड मूल्यांकन में।
• प्रदर्शन-आधारित कार्यों के लिए सिमुलेशन ट्रेस, जैसे वर्चुअल लैब या कोडिंग सैंडबॉक्स में कार्यों का अनुक्रम।

मेटाडेटा (Metadata) पहली दो परतों को एक साथ बाँधता है और उन्हें बाद में उपयोग योग्य बनाता है: सेकंड तक के टाइमस्टैम्प, सामग्री वर्गीकरण से मैप किए गए आइटम ID, सत्र और डिवाइस जानकारी (ब्राउज़र, स्क्रीन आकार, कनेक्शन गुणवत्ता), और ग्रेडिंग के समय लागू स्कोरिंग रूब्रिक संस्करण। मेटाडेटा को छोड़ दें और आप समूहों की निष्पक्षता से तुलना करने की क्षमता खो देते हैं — क्योंकि मोबाइल परीक्षार्थी और डेस्कटॉप परीक्षार्थी उन कारणों से अलग-अलग क्लिकस्ट्रीम पैटर्न दिखा सकते हैं जिनका क्षमता से कोई संबंध नहीं है।

MDPI का ढाँचा स्पष्ट रूप से कहता है कि यह बहु-आयामी कैप्चर — संशोधन, संकेत अनुरोध, निर्णय पथ — संज्ञानात्मक प्रक्रियाओं, रणनीति उपयोग, और प्रेरणा को उन तरीकों से प्रकट करता है जो एकल कुल स्कोर नहीं कर सकता। PMC पेपर एक अलग कोण से उसी बिंदु को पुष्ट करता है: कोई किसी समस्या से कैसे संपर्क करता है यह कैप्चर करना अक्सर इससे अधिक खुलासा करने वाला होता है कि वे सही अंतिम उत्तर पर पहुँचे या नहीं, क्योंकि दो परीक्षार्थी बहुत अलग-अलग तर्क पथों के माध्यम से समान स्कोर तक पहुँच सकते हैं — जिनमें से केवल एक ही वास्तविक दक्षता को दर्शाता है।

प्रो टिप: पहले दिन से UTC में मिलीसेकंड परिशुद्धता के साथ कच्चे टाइमस्टैम्प लॉग करें, भले ही आपके वर्तमान डैशबोर्ड को केवल मिनट-स्तरीय ग्रैन्युलैरिटी की आवश्यकता हो। ऐतिहासिक डेटा में टाइमस्टैम्प परिशुद्धता को रेट्रोफिट करना इसे पहले से कैप्चर करने की तुलना में कहीं अधिक कठिन है, और अनुक्रम विश्लेषण सटीक क्रम पर निर्भर करता है जब दो इवेंट एक ही सेकंड में आते हैं।

यहाँ व्यावहारिक विफलता का तरीका बहुत कम कैप्चर करना नहीं है। यह सब कुछ कैप्चर करना और कुछ भी संरचित न करना है, जो आपको टेराबाइट्स के क्लिकस्ट्रीम लॉग के साथ छोड़ता है और कोई स्कीमा नहीं होती जो आपको वास्तव में छह महीने बाद आइटम, सत्र, या कंस्ट्रक्ट द्वारा उन्हें क्वेरी करने दे।

विश्लेषणात्मक विधियाँ और मॉडल: डैशबोर्ड से पूर्वानुमानात्मक स्कोरिंग तक

एक बार डेटा उपलब्ध हो जाने के बाद, आप जो विधियाँ लागू करते हैं वे निर्णय की दाँव के साथ बढ़नी चाहिए। कम-दाँव वाली रचनात्मक प्रश्नोत्तरी को प्रमाणन परीक्षा या पूर्व-रोजगार कौशल परीक्षण जितनी कठोरता की आवश्यकता नहीं है, और हर कक्षा प्रश्नोत्तरी पर पूर्ण साइकोमेट्रिक सत्यापन चलाने से विश्लेषक का समय बर्बाद होता है जिसे कहीं और बेहतर खर्च किया जा सकता है।

1. वर्णनात्मक विश्लेषण और डैशबोर्ड। दाँव की परवाह किए बिना यहाँ से शुरू करें। प्रतिक्रिया समय वितरण, कठिनाई सूचकांक, और समापन दरें दिखाने वाले आइटम-स्तरीय डैशबोर्ड स्पष्ट समस्याओं को जल्दी पकड़ते हैं — गलत टाइप की गई उत्तर कुंजी, एक आइटम जिसे सभी छोड़ देते हैं, एक समय सीमा जो स्पष्ट रूप से बहुत कम है — इससे पहले कि आप किसी भारी चीज़ में निवेश करें।

2. क्लासिकल टेस्ट थ्योरी (CTT)। CTT देखे गए स्कोर को सच्चे स्कोर प्लस त्रुटि के रूप में मानता है और आपको Cronbach's alpha और आइटम भेदभाव सूचकांक जैसे त्वरित विश्वसनीयता अनुमान देता है। यह गणना करना तेज़ है और गैर-तकनीकी हितधारकों को समझाना आसान है, जो इसे कम-दाँव वाले आंतरिक मूल्यांकनों के लिए सही डिफ़ॉल्ट बनाता है।

3. आइटम रिस्पॉन्स थ्योरी (IRT)। IRT किसी विशेष आइटम के उत्तर की संभावना को आइटम कठिनाई, भेदभाव, और परीक्षार्थी की क्षमता के फ़ंक्शन के रूप में मॉडल करता है — यह स्वतंत्र होता है कि किसी ने कौन से विशिष्ट आइटम उत्तर दिए। यही स्वतंत्रता अनुकूली परीक्षण को संभव बनाती है: एक IRT-कैलिब्रेटेड आइटम बैंक आपको अब तक के प्रदर्शन के आधार पर अगला प्रश्न चुनने देता है, जिससे परीक्षण छोटे होते हैं बिना परिशुद्धता खोए। इसकी कीमत है। IRT अंशांकन को CTT की तुलना में बड़े नमूना आकार और अधिक सांख्यिकीय विशेषज्ञता की आवश्यकता है, इसलिए यह उच्च-दाँव या उच्च-मात्रा वाले मूल्यांकनों पर अपनी जगह बनाता है — साप्ताहिक कक्षा जाँच पर नहीं।

4. अनुक्रम और प्रक्रिया मॉडल। अस्थायी संरचना वाले कार्यों के लिए — कोडिंग अभ्यास, सिमुलेशन, बहु-चरणीय समस्या समाधान — Markov chains और state-transition मॉडल यह वर्णन कर सकते हैं कि परीक्षार्थी समस्या अवस्थाओं के बीच कैसे आगे बढ़ते हैं। अनुक्रम विश्लेषण समान व्यवहार पथों को क्लस्टर में समूहित करता है, जो अक्सर शोधकर्ताओं को यह खोजने में मदद करता है कि समान स्कोर करने वाले दो समूह सार्थक रूप से अलग-अलग रणनीतियों के माध्यम से वहाँ पहुँचे — एक व्यवस्थित, एक परीक्षण और त्रुटि के करीब।

5. फीचर इंजीनियरिंग और पर्यवेक्षित पूर्वानुमान। प्रतिक्रिया समय विचरण, संशोधन आवृत्ति, और संकेत उपयोग जैसे प्रक्रिया संकेत पर्यवेक्षित मॉडलों के लिए इनपुट फीचर बन सकते हैं जो परिणामों की भविष्यवाणी करते हैं जैसे पाठ्यक्रम पूर्णता, आइटम गलत-कुंजी पहचान, या किसी भूमिका में उम्मीदवार की सफलता। यह वह जगह है जहाँ Assessment Analytics लागू मशीन लर्निंग के साथ ओवरलैप करता है, लेकिन मॉडल उतने ही अच्छे हैं जितने कि स्वच्छ प्रक्रिया डेटा से प्राप्त फीचर।

6. हाइब्रिड सत्यापन। सबसे मजबूत कार्यान्वयन साइकोमेट्रिक जाँच और मशीन लर्निंग अनुमान को एक-दूसरे के प्रतिस्थापन के रूप में नहीं बल्कि साथ-साथ चलाते हैं। एक पूर्वानुमानित मॉडल किसी उम्मीदवार को प्रारंभिक घर्षण के लिए उच्च-जोखिम के रूप में फ्लैग कर सकता है, लेकिन वह फ्लैग IRT-आधारित क्षमता अनुमानों और उपसमूह निष्पक्षता विश्लेषण के विरुद्ध जाँचा जाना चाहिए, इससे पहले कि यह किसी वास्तविक निर्णय को चलाए। PMC शोध इस संयोजन को — CTT या IRT अंशांकन के लिए, अनुक्रम मॉडल अस्थायी रूप से संरचित कार्यों के लिए, पर्यवेक्षित मॉडल पूर्वानुमान के लिए — व्यावहारिक आगे के रास्ते के रूप में तैयार करता है, हमेशा एक वैधता तर्क में स्थापित, न कि एकल ब्लैक बॉक्स के रूप में।

इनमें से कोई भी विधि दूसरों की जगह नहीं लेती। वर्णनात्मक डैशबोर्ड परिचालन समस्याओं को पकड़ते हैं, साइकोमेट्रिक मॉडल माप की कठोरता स्थापित करते हैं, और अनुक्रम या पूर्वानुमानित मॉडल वह गहराई जोड़ते हैं जो पारंपरिक स्कोरिंग पूरी तरह से चूक जाती है।

एक व्यावहारिक डेटा गुणवत्ता मूल्यांकन वर्कफ़्लो बनाना

खराब डेटा पर बनाया गया विश्लेषण आत्मविश्वास से भरे निष्कर्ष देता है जो केवल गलत होते हैं, और प्रक्रिया डेटा अंतिम स्कोर की तुलना में अधिक नाजुक है क्योंकि इसमें अधिक फ़ील्ड, अधिक टाइमस्टैम्प, और लॉगिंग बग के लिए एक सत्र को चुपचाप दूषित करने के अधिक स्थान हैं। डेटा गुणवत्ता मूल्यांकन, या DQA, वह व्यवस्थित पद्धति है जिसे IBM यह निर्धारित करने के लिए वर्णित करता है कि आपका डेटा वास्तव में इच्छित उपयोग के लिए आवश्यक मानक पूरा करता है या नहीं — और इसे लगातार चलाने की आवश्यकता है, न कि किसी बड़ी रिपोर्ट से पहले एक बार की ऑडिट के रूप में।

पाँच आयामों को नियमित निगरानी की आवश्यकता है:

• सटीकता: क्या लॉग किए गए मान सत्र के दौरान वास्तव में जो हुआ उससे मेल खाते हैं?
• पूर्णता: क्या किसी रिकॉर्ड में आवश्यक फ़ील्ड — जैसे आइटम ID या टाइमस्टैम्प — गायब हैं?
• समयबद्धता: क्या डेटा उस निर्णय का समर्थन करने के लिए पर्याप्त जल्दी उपलब्ध है जिसे वह सूचित करने के लिए है?
• संगति: क्या वही फ़ील्ड आइटम प्रकारों, प्लेटफ़ॉर्म, और समूहों में एक ही मतलब रखते हैं?
• विशिष्टता: क्या डुप्लीकेट सत्र रिकॉर्ड या दोहराए गए इवेंट लॉग आपकी गिनती बढ़ा रहे हैं?

एक कार्यशील DQA चक्र एक सुसंगत अनुक्रम का पालन करता है: जाँच की जाने वाली चीज़ों के दायरे को परिभाषित करें, डेटा को उसकी वर्तमान स्थिति को समझने के लिए प्रोफ़ाइल करें, "अच्छा" कैसा दिखता है इसके लिए स्पष्ट नियम निर्धारित करें, उन नियमों को लागू करने वाली जाँचों को स्वचालित करें, और हर नियम परिवर्तन को एक संस्करण संख्या के साथ दस्तावेज़ीकृत करें ताकि आप ट्रेस कर सकें कि कोई मीट्रिक कब और क्यों बदला। डेटा गुणवत्ता समीक्षा के लिए U.S. Geological Survey की अनुशंसित प्रथाएँ इसी लय को प्रतिध्वनित करती हैं: निर्धारित समीक्षाओं के साथ जल्दी त्रुटियाँ पकड़ें, मेटाडेटा को लगातार बनाए रखें, और अपनी प्रसंस्करण स्क्रिप्ट पर विश्वास करने से पहले उनके माध्यम से परीक्षण डेटासेट चलाएं।

मैन्युअल DQA एक बार जब आप हजारों सत्रों में कीस्ट्रोक-स्तरीय डेटा कैप्चर कर रहे होते हैं तो स्केल नहीं होता। बहुआयामी डेटा गुणवत्ता मूल्यांकन के लिए एक संरचित मशीन लर्निंग ढाँचा एक मॉड्यूलर पाइपलाइन — प्रीप्रोसेसिंग, मॉडल प्रशिक्षण, प्रगतिशील शिक्षण, और संस्करण ट्रैकिंग — प्रस्तावित करता है जो सटीकता, पूर्णता, समयबद्धता, और संगति में एक साथ जाँच स्वचालित करता है, मैन्युअल प्रयास को कम करता है जो पारंपरिक रूप से DQA को एक निरंतर अभ्यास के बजाय तिमाही में एक बार की कठिन परिश्रम बनाता था।

गोपनीयता को उसी वर्कफ़्लो के अंदर बैठना होगा, बाद में जोड़ा नहीं जाना चाहिए। केवल वे प्रक्रिया संकेत एकत्र करें जिनकी किसी विशिष्ट विश्लेषण को वास्तव में आवश्यकता है (डेटा न्यूनतमकरण), मुख्य विश्लेषण टीम के बाहर किसी के साथ साझा किए जाने से पहले सत्र रिकॉर्ड को गुमनाम करें, और रिटेंशन नीतियाँ निर्धारित करें जो उनके साक्ष्य मूल्य के समाप्त होने के बाद कच्चे कीस्ट्रोक और क्लिकस्ट्रीम लॉग हटा दें। सहमति भाषा को विशेष रूप से यह खुलासा करना चाहिए कि प्रक्रिया डेटा — न केवल अंतिम स्कोर — एकत्र और विश्लेषण किया जा रहा है।

प्रो टिप: हर DQA नियम परिवर्तन को उसी तरह वर्जन करें जैसे आप कोड वर्जन करते हैं। जब कोई मीट्रिक रिपोर्टिंग अवधियों के बीच 12% उछलता है, तो पहला सवाल जो कोई भी पूछेगा वह यह होगा कि क्या अंतर्निहित नियम बदल गया, और आप एक-लाइन का जवाब चाहते हैं — पुरातत्व का एक सप्ताह नहीं।

वैधता और निष्पक्षता: जब प्रक्रिया डेटा वास्तविक साक्ष्य बन जाता है

संशोधन गिनती या संकेत-अनुरोध लॉग स्वतः सार्थक नहीं है। यह साक्ष्य तभी बनता है जब इसे एक वैधता तर्क — देखे गए व्यवहार को उस कंस्ट्रक्ट से जोड़ने वाले दस्तावेज़ीकृत तर्क-श्रृंखला — से जोड़ा जाए जिसे आप वास्तव में मापने की कोशिश कर रहे हैं। Assessment Analytics की नींव पर Springer अध्याय इस बारे में सीधा है: प्रक्रिया डेटा को एक वैधता ढाँचे के भीतर व्याख्यायित किया जाना चाहिए, अन्यथा यह केवल अंतर्दृष्टि के रूप में सजाया गया शोर है।

व्यवहार में उस तर्क को बनाने में आमतौर पर कुछ ठोस जाँचें शामिल होती हैं:

• डिफरेंशियल आइटम फंक्शनिंग (DIF) विश्लेषण यह परीक्षण करता है कि क्या कोई आइटम तुलनीय उपसमूहों के लिए अलग-अलग व्यवहार करता है, ऐसे आइटम को फ्लैग करता है जो मापी जा रही कौशल के बजाय भाषा पृष्ठभूमि, विकलांगता स्थिति, या डिवाइस प्रकार के आधार पर परीक्षार्थियों को अनुचित रूप से दंडित कर सकते हैं।
• उपसमूह विश्लेषण जनसांख्यिकीय या संदर्भात्मक समूहों में प्रक्रिया पैटर्न — प्रतिक्रिया समय, संशोधन व्यवहार — की तुलना करता है ताकि व्यवस्थित अंतर पकड़ा जा सके जो क्षमता को प्रतिबिंबित नहीं करते।
• अंशांकन जाँच यह पुष्टि करती है कि IRT मॉडलों से पूर्वानुमानित कठिनाई या क्षमता अनुमान नए नमूनों पर वास्तविक देखे गए प्रदर्शन के विरुद्ध टिके रहते हैं।
• त्रिकोणासन प्रक्रिया संकेतों को परिणाम डेटा के विरुद्ध और जहाँ उपलब्ध हो, बाहरी मानदंड जैसे बाद का नौकरी प्रदर्शन या पाठ्यक्रम ग्रेड के विरुद्ध क्रॉस-रेफरेंस करता है, यह पुष्टि करने के लिए कि कोई पैटर्न एकल माप दृष्टिकोण का कलाकृति नहीं है।

साक्ष्य और प्रॉक्सी के बीच की रेखा वह है जहाँ टीमें सबसे अधिक गलत होती हैं। एक लंबा प्रतिक्रिया समय वास्तव में सावधानीपूर्वक तर्क का संकेत दे सकता है — या यह धीमे इंटरनेट कनेक्शन पर एक परीक्षार्थी का संकेत दे सकता है जो पेज लोड होने का इंतजार कर रहा है। डिवाइस मेटाडेटा और एक दस्तावेज़ीकृत परिकल्पना के बिना, आप अंतर नहीं बता सकते, और एक अस्पष्ट संकेत को स्वच्छ साक्ष्य के रूप में मानना ​​वह है जैसे पूर्वाग्रह कथित रूप से वस्तुनिष्ठ विश्लेषण में घुस आता है।

इस बातचीत में सीमाएँ समान महत्व की पात्र हैं। एकल समूह, एकल आइटम प्रकार, या एक छोटे पायलट के निष्कर्ष शायद ही कभी किसी भिन्न जनसंख्या या प्लेटफ़ॉर्म पर सामान्यीकृत होते हैं। पारिस्थितिक वैधता — चाहे किसी निगरानी वाले परीक्षण सत्र में व्यवहार वास्तविक सेटिंग से मेल खाता हो जिसे परीक्षण भविष्यवाणी करने के लिए है — पूरे क्षेत्र में एक स्थायी, काफी हद तक अनसुलझी चुनौती है। कोई भी Assessment Analytics कार्यक्रम जो अपने शुरुआती निष्कर्षों को अंतिम मानता है — न कि नए डेटा के विरुद्ध परखी जाने वाली परिकल्पनाओं के रूप में — एक निष्पक्षता समस्या के लिए खुद को स्थापित कर रहा है जो इसे आता हुआ नहीं दिखेगा।

कार्यान्वयन चेकलिस्ट: इंस्ट्रूमेंट, पाइपलाइन, QA, संचालन

अधिकांश Assessment Analytics पहल इसलिए नहीं रुकती क्योंकि विश्लेषण बहुत कठिन है, बल्कि इसलिए कि अनुक्रम गलत है: टीमें डैशबोर्ड बनाना शुरू करती हैं, इससे पहले कि उन्होंने परिभाषित किया हो कि डैशबोर्ड किस निर्णय का समर्थन करना चाहता है। एक कार्यशील कार्यान्वयन पाँच क्रमबद्ध चरणों का अनुसरण करता है।

1. कंस्ट्रक्ट, मेट्रिक्स, और निर्णय परिभाषित करें। कुछ भी इंस्ट्रूमेंट करने से पहले, उस विशिष्ट कंस्ट्रक्ट को लिखें जिसे आप माप रहे हैं (पठन प्रवाह, SQL दक्षता, कोचेबिलिटी) और वह सटीक निर्णय जिसे विश्लेषण सूचित करेगा — जैसे किसी उम्मीदवार को दूसरे दौर के साक्षात्कार के लिए फ्लैग करना या रचनात्मक फ़ीडबैक संदेश ट्रिगर करना। अस्पष्ट लक्ष्य अनुपयोगी डेटा उत्पन्न करते हैं।

2. इवेंट और मेटाडेटा को सुसंगत रूप से इंस्ट्रूमेंट करें। पहले से एक इवेंट स्कीमा डिज़ाइन करें — हर प्रक्रिया संकेत जिसे आप कैप्चर करने की योजना बनाते हैं, प्रतिक्रिया समय, संशोधन, क्लिक, संकेत अनुरोध — और इसे आइटम प्रकारों और प्लेटफ़ॉर्म में समान रूप से लागू करें। आपके वेब और मोबाइल क्लाइंट के बीच असंगत लॉगिंग डाउनस्ट्रीम डेटा गुणवत्ता विफलता के सबसे सामान्य और सबसे टाले जाने योग्य स्रोतों में से एक है।

3. वर्जनिंग के साथ अंतर्ग्रहण और सफाई पाइपलाइन बनाएँ। कच्चे लॉग को एक पाइपलाइन की आवश्यकता है जो टाइमस्टैम्प करे, डुप्लिकेट हटाए, और इवेंट को एक क्वेरी योग्य प्रारूप में संरचित करे — प्रत्येक परिवर्तन संस्करण ट्रैक किया गया। एक फीचर स्टोर — प्रति आइटम औसत संशोधन गिनती जैसे व्युत्पन्न मेट्रिक्स का एक केंद्रीय, वर्जन रिपॉजिटरी — इंजीनियरिंग और विश्लेषण टीमों को चुपचाप अलग होने के बजाय समान परिभाषाओं से काम करने देता है।

4. स्केल करने से पहले DQA और साइकोमेट्रिक जाँच चलाएँ। पहले सीमित नमूने पर पायलट करें। CTT या IRT अंशांकन के साथ विश्वसनीयता की पुष्टि करें, नए आइटम पर DIF जाँच चलाएँ, और पाइपलाइन को पूर्ण समूह या आवेदक पूल में रोल आउट करने से पहले मैन्युअल रूप से ऑडिट किए गए सबसेट के विरुद्ध अपने DQA नियमों को सत्यापित करें।

5. डैशबोर्ड तैनात करें और आइटम डिज़ाइन पर फीडबैक लूप बंद करें। रिपोर्टिंग टेम्पलेट भेजें जो निर्णय लेने वाले लोगों को परिणाम और प्रक्रिया दोनों मेट्रिक्स सतह पर लाएँ, फिर जो आप सीखते हैं उसे आइटम संशोधन में वापस फीड करें। एक आइटम जो हर उपसमूह में असामान्य रूप से उच्च संशोधन गिनती दिखाता है, वह बस अस्पष्ट रूप से वर्णित हो सकता है — क्षमता के बारे में कुछ सार्थक माप नहीं कर रहा।

कार्यान्वयन चरण	प्राथमिक आउटपुट	छोड़े जाने पर सामान्य विफलता
कंस्ट्रक्ट और मेट्रिक्स परिभाषित करें	दस्तावेज़ीकृत निर्णय जिसका विश्लेषण समर्थन करता है	डैशबोर्ड जिन पर कोई कार्य नहीं कर सकता
इवेंट को सुसंगत रूप से इंस्ट्रूमेंट करें	प्लेटफ़ॉर्म में समान इवेंट स्कीमा	क्रॉस-प्लेटफ़ॉर्म डेटा जिसकी तुलना नहीं की जा सकती
वर्जन किए गए पाइपलाइन बनाएँ	स्वच्छ, क्वेरी योग्य, ऑडिट करने योग्य डेटासेट	समय के साथ अनुपयोगी मेट्रिक ड्रिफ्ट
DQA और साइकोमेट्रिक जाँच चलाएँ	सत्यापित विश्वसनीयता और निष्पक्षता आधार रेखा	स्केल पर पक्षपाती या अविश्वसनीय अनुमान
डैशबोर्ड तैनात करें, आइटम संशोधित करें	भविष्य के आइटम में सुधार करने वाला बंद फीडबैक लूप	स्थिर आइटम बैंक जो कभी सुधरते नहीं

Assessment Analytics व्यवहार में कहाँ दिखता है

कक्षाओं में, Assessment Analytics एक लूप बंद करता है जिसे पारंपरिक ग्रेडिंग खुला छोड़ देती है। रचनात्मक फ़ीडबैक सिस्टम उन छात्रों को फ्लैग करने के लिए प्रतिक्रिया-समय और संशोधन पैटर्न का उपयोग करते हैं जिन्होंने सही अनुमान लगाया लेकिन अंतर्निहित अवधारणा की कमज़ोर समझ के अनुरूप संकोच दिखाया — जो अंतर चौड़ा होने से पहले लक्षित अनुवर्ती कार्रवाई को प्रेरित करता है। अर्ली-वार्निंग सिस्टम परिणाम डेटा के साथ-साथ उन्हीं प्रक्रिया संकेतों पर आधारित होते हैं, ताकि उन जोखिम वाले छात्रों की पहचान की जा सके जो अन्यथा कुछ हफ़्ते पहले ही एक असफल ग्रेड के रूप में सामने आते — Assessment Analytics पर PMC शोध इसे क्षेत्र के स्पष्ट लाभों में से एक के रूप में स्पष्ट रूप से उजागर करता है। IRT-कैलिब्रेटेड आइटम बैंकों पर बनाए गए अनुकूली मूल्यांकन, चल रहे प्रदर्शन के आधार पर वास्तविक समय में प्रश्न कठिनाई को समायोजित करते हैं, माप परिशुद्धता खोए बिना परीक्षण समय कम करते हैं। पाठ्यक्रम टीमें समूहों में कौन सी विशिष्ट अवधारणाएँ लगातार उच्च संशोधन गिनती या लंबे प्रतिक्रिया समय उत्पन्न करती हैं, यह पहचानने के लिए एकत्रित आइटम-स्तरीय विश्लेषण का उपयोग करती हैं — यह संकेत कि सामग्री, न कि छात्रों को, संशोधन की आवश्यकता है।

भर्ती में, वही तर्क छात्र सीखने के बजाय उम्मीदवार मूल्यांकन पर लागू होता है। एक उम्मीदवार कोडिंग चुनौती से कैसे संपर्क करता है — चाहे वे पहले एज केस का परीक्षण करते हैं, प्रारंभिक प्रयास के बाद वे कैसे संशोधित करते हैं — अक्सर नौकरी-प्रासंगिक क्षमता के बारे में अधिक प्रकट करता है बजाय इसके कि अंतिम सबमिशन हर टेस्ट केस पास हुआ या नहीं। प्रक्रिया-स्तरीय संकेत रैंकिंग निर्णयों को सूचित कर सकते हैं और पास या फेल फ्लैग से परे साक्ष्य देकर उच्च-दाँव वाली भर्ती का समर्थन कर सकते हैं — हालाँकि उस साक्ष्य को अभी भी सत्यापन और पूर्वाग्रह जाँच की आवश्यकता है, इससे पहले कि यह किसी निर्णय को चलाए — वही मानक जो रोजगार संदर्भों में उपयोग किए गए किसी भी साइकोमेट्रिक उपकरण पर लागू होता है। K-12 स्थान में विक्रेता प्लेटफ़ॉर्म, जैसे Renaissance Assessment, दर्शाते हैं कि कैसे स्क्रीनिंग, प्रगति निगरानी, और रचनात्मक मूल्यांकन को एक एकल प्रणाली में उत्पादित किया जा सकता है जो शिक्षकों के लिए अगले कदम की सिफारिशें सतह पर लाती है — एक पैटर्न जो सीधे भर्ती प्लेटफ़ॉर्म में संरचित प्रक्रिया विश्लेषण के संचालन के तरीके में अनुवाद होता है।

Talent Approved Assessment Analytics को व्यवहार में कैसे लाता है

ऊपर दी गई कार्यान्वयन चेकलिस्ट वर्णन करती है कि किसी भी संगठन को क्या बनाने की आवश्यकता है। Talent Approved का प्लेटफ़ॉर्म विशेष रूप से भर्ती टीमों के लिए उसी अनुक्रम को निष्पादित करने के आसपास बनाया गया है — स्टाफ पर इन-हाउस साइकोमेट्रिशियन की आवश्यकता के बिना।

Magic Create कंस्ट्रक्ट-परिभाषा चरण को सीधे संबोधित करता है: एक नौकरी विवरण या वांछित कौशल की सूची दर्ज करें, और सिस्टम मिनटों में एक भूमिका-विशिष्ट, संरचित मूल्यांकन उत्पन्न करता है — बजाय उन दिनों के जो मैन्युअल रूप से बनाए गए परीक्षण बैंक में लगते हैं। वह गति मायने रखती है, लेकिन अधिक महत्वपूर्ण हिस्सा संगति है: हर उत्पन्न मूल्यांकन एक मानकीकृत टेम्पलेट का पालन करता है, जो ठीक वही समान इंस्ट्रूमेंटेशन है जिसके लिए कार्यान्वयन चेकलिस्ट आह्वान करती है।

अंतर्निहित एंटी-चीट तंत्र — स्क्रीन और वेबकैम निगरानी सहित — दूरस्थ मूल्यांकन के लिए विशिष्ट डेटा गुणवत्ता समस्या से निपटते हैं: अखंडता जाँच के बिना, आप भरोसा नहीं कर सकते कि आप जो प्रक्रिया डेटा कैप्चर कर रहे हैं वह उम्मीदवार के अपने काम को दर्शाता है। सत्र रिप्ले समीक्षकों को प्रक्रिया डेटा तक सीधी पहुँच देता है — एक उम्मीदवार ने किसी कार्य को कैसे नेविगेट किया, वे कहाँ हिचकिचाए, उन्होंने क्या संशोधित किया — अमूर्त प्रक्रिया संकेतों को कुछ ऐसा बनाता है जिसे एक भर्ती प्रबंधक वास्तव में देख और व्याख्या कर सकता है।

AI-जनित सारांश उस प्रक्रिया और परिणाम डेटा को एक समीक्षा योग्य प्रारूप में संपीड़ित करते हैं, समीक्षकों द्वारा मैन्युअल रूप से सत्र लॉग पार्स करने में बिताए समय को कम करते हैं जबकि नीचे साक्ष्य विवरण संरक्षित करते हैं। यह कार्यान्वयन वर्कफ़्लो से "डैशबोर्ड तैनात करें" चरण है — एक भर्ती संदर्भ के लिए अनुकूलित जहाँ अंतिम उपयोगकर्ता एक व्यस्त भर्तीकर्ता है, डेटा विश्लेषक नहीं।

ये सुविधाएँ एक साथ चेकलिस्ट के चरणों पर मैप होती हैं:

• इंस्ट्रूमेंटेशन: Magic Create के माध्यम से मानकीकृत, भूमिका-विशिष्ट परीक्षण उत्पादन
• डेटा अखंडता: मूल्यांकन सत्र के दौरान एंटी-चीट निगरानी
• व्याख्या: समीक्षकों के लिए सत्र रिप्ले और उम्मीदवार रैंकिंग
• रिपोर्टिंग: AI-जनित सारांश जो गैर-तकनीकी निर्णय-निर्माताओं के लिए विश्लेषण को संचालित करते हैं

टीमें जो यह मूल्यांकन कर रही हैं कि स्वचालित सारांश कैसे कच्चे मूल्यांकन व्यवहार को भर्ती के लिए तैयार अंतर्दृष्टि में अनुवाद करते हैं, वे यहाँ बताई गई यांत्रिकी को आगे देख सकती हैं कि इंस्टेंट मूल्यांकन प्रक्रिया डेटा को भर्तीकर्ता सारांश में कैसे परिवर्तित करते हैं।

Assessment Analytics परियोजनाओं में त्वरित सफलताएँ और सामान्य गलतियाँ

टीमें आमतौर पर तीन जगहों पर विफल होती हैं। पहला है कुछ भी इंस्ट्रूमेंट करने से पहले कंस्ट्रक्ट को गलत तरीके से निर्दिष्ट करना — एक ऐसे कौशल के आसपास एक विस्तृत प्रक्रिया-डेटा पाइपलाइन बनाना जिसे किसी ने स्पष्ट रूप से परिभाषित नहीं किया, जो समृद्ध डेटा उत्पन्न करता है जो गलत प्रश्न का उत्तर देता है। दूसरा है डेटा गुणवत्ता को बाद का विचार मानना — ऐसे क्लिकस्ट्रीम लॉग पर भरोसा करना जिन्हें कभी प्रोफाइल या वर्जन-नियंत्रित नहीं किया गया — जब तक एक हितधारक नहीं पूछता कि पिछले तिमाही के नंबर इस तिमाही के नंबरों से मेल क्यों नहीं खाते और कोई ड्रिफ्ट की व्याख्या नहीं कर सकता। तीसरा, और सबसे हानिकारक, पायलट सत्यापन को पूरी तरह छोड़ देना है: किसी पूर्वानुमानित मॉडल या नई स्कोरिंग रूब्रिक को सीधे उत्पादन में तैनात करना क्योंकि पायलट एक अनावश्यक देरी की तरह लगा — केवल तब एक निष्पक्षता समस्या की खोज करना जब इसने पहले से वास्तविक निर्णयों को आकार दिया हो।

इन जोखिमों को ऑफसेट करने वाली सफलताओं के लिए बड़े बजट की आवश्यकता नहीं है। अपने अगले मूल्यांकन चक्र पर टाइमस्टैम्प और संशोधन गिनती लॉग करना शुरू करें, इससे पहले भी कि आपके पास कोई मॉडल हो जो उनका उपयोग करता हो; आप इतिहास को रेट्रोफिट नहीं कर सकते। इस स्प्रिंट में अपने उच्चतम-दाँव आइटम सेट पर एक हल्के DIF जाँच चलाएँ, जो भी उपसमूहों का आपका नमूना आकार समर्थन करता है उन पर प्रदर्शन की तुलना करें। और एक वैधता तर्क दस्तावेज़ीकृत करें — सरल भाषा में — उस एकल मेट्रिक के लिए जिस पर आपकी टीम सबसे अधिक निर्भर करती है, ताकि बाद में इस पर सवाल उठाने वाले किसी के पास समीक्षा करने के लिए कुछ ठोस हो न कि एक ब्लैक बॉक्स।

यदि शुरू करने के लिए कोई एक जगह है, तो वह कंस्ट्रक्ट परिभाषा है। Assessment analytics में हर डाउनस्ट्रीम समस्या एक ऐसे कंस्ट्रक्ट से वापस जाती है जिसे कभी स्पष्ट रूप से लिखा नहीं गया था, और इसे ठीक करने में एक दोपहर लगती है, एक तिमाही नहीं।

— Jimmie

Talent Approved के साथ Assessment Analytics को काम में लगाएँ

ऊपर वर्णित पाइपलाइन को शुरू से बनाना — इवेंट स्कीमा, DQA स्वचालन, साइकोमेट्रिक अंशांकन — वास्तविक इंजीनियरिंग समय लेता है जो अधिकांश HR टीमों के पास नहीं होता। Talent Approved उस पूरे वर्कफ़्लो को एक ऐसे प्लेटफ़ॉर्म में संपीड़ित करता है जहाँ Magic Create मिनटों में नौकरी विवरण से भूमिका-विशिष्ट मूल्यांकन बनाता है, एंटी-चीट निगरानी आपके द्वारा एकत्र किए जाने वाले प्रक्रिया डेटा की अखंडता की रक्षा करती है, और AI-जनित सारांश सत्र रिप्ले को एक पेज पढ़ने के समय में समीक्षा योग्य निर्णय में बदल देते हैं।

एक भर्ती टीम के लिए जो प्रति-उम्मीदवार मूल्यांकन की लागत को आंतरिक विश्लेषण स्टैक बनाने के विरुद्ध तौल रही है, गणित आमतौर पर बिल्ड की बजाय पायलट से शुरू करने के पक्ष में होती है। प्लेटफ़ॉर्म के माध्यम से मुट्ठी भर वास्तविक आवश्यकताओं को चलाएँ, उम्मीदवार रैंकिंग और सारांश की तुलना करें कि आपकी वर्तमान प्रक्रिया कैसे प्रदर्शन करती है, और परिणामों के साथ उसी तरह व्यवहार करें जैसे यह गाइड किसी भी नए मूल्यांकन विधि के साथ व्यवहार करने की अनुशंसा करती है: स्केल करने से पहले सत्यापित करें। अपनी अगली खुली भूमिका पर पायलट शुरू करने और यह देखने के लिए कि उम्मीदवार प्रक्रिया डेटा क्या प्रकट करता है जो एक रिज्यूमे कभी नहीं कर सकता, Talent Approved प्लेटफ़ॉर्म पर जाएँ।

स्रोत

उन पाठकों के लिए जो इस गाइड में संदर्भित विधियों और मानकों में और गहरे जाना चाहते हैं, ये स्रोत एकल लेख की तुलना में अधिक विवरण में तकनीकी नींव को कवर करते हैं:

• Assessment Analytics in Digital Assessments
• Assessment analytics: The missing step
• What Is a Data Quality Assessment? | IBM

विशेष रूप से भर्ती मूल्यांकन बना रहे या परिष्कृत कर रहे पाठकों को यह भी उपयोगी मिल सकता है कि मूल्यांकन टेम्पलेट भूमिकाओं में लगातार कैसे स्केल होते हैं, और भर्ती दक्षता में AI की भूमिका पर व्यापक उद्योग संदर्भ।

FAQ

Assessment Analytics का उपयोग करने वाले मूल्यांकन उपकरण का एक उदाहरण क्या है?

Item Response Theory पर बनाए गए अनुकूली परीक्षण प्लेटफ़ॉर्म एक स्पष्ट उदाहरण हैं, जो परीक्षार्थी की प्रतिक्रियाओं के आधार पर वास्तविक समय में आइटम कठिनाई को समायोजित करते हैं। भर्ती प्लेटफ़ॉर्म जो भूमिका-विशिष्ट परीक्षण उत्पन्न करते हैं और सत्र रिप्ले और एंटी-चीट निगरानी जोड़ते हैं — जैसे Talent Approved — उसी सिद्धांत को उम्मीदवार मूल्यांकन पर लागू करते हैं।

HR में उपयोग किए जाने वाले विभिन्न प्रकार के मूल्यांकन क्या हैं?

HR मूल्यांकन आमतौर पर कौशल परीक्षण (भूमिका-विशिष्ट तकनीकी या संज्ञानात्मक कार्य), व्यक्तित्व और व्यवहार मूल्यांकन, परिस्थितिजन्य निर्णय परीक्षण, और रूब्रिक के विरुद्ध स्कोर किए गए संरचित साक्षात्कारों में आते हैं। प्रक्रिया-स्तरीय विश्लेषण — जैसे कौशल परीक्षण के दौरान प्रतिक्रिया समय और संशोधन पैटर्न — इनमें से किसी भी प्रारूप के ऊपर स्तरित साक्ष्य जोड़ सकते हैं।

मूल्यांकन (Assessment), विश्लेषण (Analysis), और मूल्यांकन (Evaluation) के बीच क्या अंतर है?

मूल्यांकन (Assessment) प्रदर्शन या क्षमता के बारे में डेटा एकत्र करने की क्रिया है; विश्लेषण (Analysis) पैटर्न के लिए उस डेटा की जाँच करने की सांख्यिकीय या कम्प्यूटेशनल प्रक्रिया है; मूल्यांकन (Evaluation) बाद में यह निर्णय है कि क्या कोई परिणाम किसी मानक को पूरा करता है। Assessment Analytics पहले दो के बीच बैठता है, मूल्यांकन-जनित डेटा का व्यवस्थित रूप से विश्लेषण करता है ताकि उस साक्ष्य को मजबूत किया जा सके जिस पर मूल्यांकन (Evaluation) निर्भर करता है।

मूल्यांकन डेटा के रूप में क्या गिना जाता है?

मूल्यांकन डेटा में परिणाम डेटा (आइटम प्रतिक्रियाएँ, स्कोर, सब-स्कोर) और प्रक्रिया डेटा (प्रतिक्रिया समय, संशोधन गिनती, क्लिकस्ट्रीम, कीस्ट्रोक, संकेत अनुरोध) दोनों शामिल हैं, साथ ही टाइमस्टैम्प और आइटम ID जैसे मेटाडेटा जो अन्य दोनों परतों को विश्लेषण के लिए उपयोग योग्य बनाते हैं।

अनुशंसित

• भर्ती सटीकता कैसे मापी जाती है: HR टीमों के लिए एक गाइड
• मूल्यांकन का उपयोग करने के लिए भर्ती प्रबंधकों को कैसे प्रशिक्षित करें
• भर्ती टीमों के लिए इंस्टेंट मूल्यांकन कैसे काम करता है
• मूल्यांकन टेम्पलेट HR टीमों के लिए भर्ती कैसे स्केल करते हैं