求职面试表现的自动化分析与预测

我们提出一个计算框架，用于自动量化求职面试中的语言和非语言行为。该框架通过分析麻省理工学院（MIT）69 名寻求实习的本科生共 138 场面试的视频进行训练。自动化分析包括面试者的面部表情（如微笑、头部手势、面部追踪点）、语言（如词频、主题建模）和韵律信息（如音高、语调、停顿）。真实标签由 9 位独立评委评分的加权平均得出。该框架可自动预测兴奋度、友好度和参与度等面试特质，相关系数达 0.75 或以上，并能量化韵律、语言和面部表情的相对重要性。通过分析回归模型学到的相对特征权重，该框架建议更流利地表达、减少填充词、使用"我们"（而非"我"）、使用更多独特词汇以及多微笑。我们还发现，在回答第一个面试问题时得分较高的学生整体得分也较高（即第一印象很重要）。最后，我们的 MIT 面试数据集将向其他研究者开放，以进一步验证和扩展我们的发现。