面向油氣行業的人工智能人才測評系統及智能化測評產品設計

中圖分類號：TP399 文獻標志碼：A 文章編號：2095-2945(2025)23-0045-04

Abstract:Inresponsetotheurgentdemandfordigitalandartificialinteligencetalentsduringthedigitaltransfoatioof theoilandgasidustry，weesigndasetofartificalintellgencetalentevaluaionsysemadsupportingintellgentevaluaion productsfortheoilandgasindustry.Bybuildingamulti-dimensionalevaluationmodelandcombiningevaluationmodelssuchas profesionalknowledge，algoritmaplicationcapabilties，andprojectpracticalexperiencesituationaljudgmentandevaluation，we canconductcomprehensiveevaluationoftalents.Thesystemisverifiedinkeyscenariossuchastalentevaluation，talent recruitment，talentselection，andtalenttraining.Basedonani-depthunderstandingoftheoilandgasindustry，combining professionalknowledgeinthepersoelfieldwithatificialinteligencetechnology，thesystemcanbeusednotonlyinbusiness scenariossuchastalentevaluation，talentselection，andtalentrecruitment，butalsoprovideguidanceforthedevelopmentof intellgentevaluationproducts.Theresearchesultsprovideimportantreferenceforpromotingdigitalransformationandinteligent upgrading of the oil and' gas industry.

Keywords:oilandgasindustry;atificialintellgence;talentevaluation；intellgentevauationproduct；digitaltranfoation

油氣行業正面臨數字化轉型的重大機遇與挑戰。隨著人工智能技術的快速發展，特別是大語言模型等新一代人工智能技術的突破，油氣行業對具備跨界融合能力的復合型人才需求日益迫切。然而，目前行業內缺乏科學有效的人才測評系統及智能化測評產品，人才培養與行業需求存在斷層，測評工具應用水平參差不齊。因此，建立一套專業的人才測評系統并開發相應的智能化測評產品具有重要的現實意義。

1油氣行業智能化發展環境

1.1產業數字化轉型趨勢

油氣行業正經歷數字化轉型的深刻變革。根據實驗研究分析顯示，新時代油氣行業對人才的需求呈現數字化、國際化的新特點。傳統的油氣企業正逐步轉向智能化AI招聘，以提升人才選拔與培養的科學性和效率。這種轉變體現在招聘流程的優化、評估方法的創新和人才標準的調整等多個方面。特別是在人才測評領域和智能化測評產品應用領域，通過引入腦電(EEG)和眼動追蹤等先進技術，企業能夠更加科學地評估候選人在不同語言環境下的認知能力和壓力應對水平。這些技術創新使得人才選拔過程更加精準和客觀，幫助企業在數字化轉型過程中選擇最適合的人才。本次實驗研究特別關注了中文與英文2種語言版本下對候選人認知負荷、注意力集中度、專注度及壓力狀態的影響，反映了油氣行業在國際化背景下對人才評估的新要求。

1.2人工智能技術演進

人工智能技術在油氣行業人才選拔、人才招聘等業務場景中的應用不斷深化。本次實驗研究通過人工智能測評系統對5名具有油氣行業數字化研發工程師背景的候選人參與者進行評估，其中包括4名女性和1名男性，年齡介于25至35歲之間。實驗采用了多維度的評估指標，包括嚴謹性、抗壓性、責任感、成就動機、學習能力和創新能力等。通過眼動追蹤設備記錄了參與者的注視次數、注視時間、注視范圍以及瞳孔直徑等關鍵指標，同時利用腦電設備采集了 ∝ 波和 β 波等腦電信號數據。這些先進技術的應用使人才評估更加全面和客觀。特別是在評估參與者的認知負荷和壓力狀態方面，人工智能技術展現出獨特優勢。

1.3人才能力需求變革

新時代油氣行業對人才的要求發生了顯著變化。從實驗參與者的背景可以看出，行業更加重視具備數字化及人工智能軟件開發工程、計算機科學和信息技術等專業背景的人才。參與者的工作經驗分布在2~5年之間，反映了行業對年輕化、專業化人才的需求。實驗結果表明，高分組在中文測評中評分范圍為8.0~9.0分，英文測評中保持在5.0分以上，展現出較強的跨語言工作能力。中分組的評分在中文測評中為6.0~8.0分，英文測評在4.0~5.0分，表明行業對人才的語言能力提出了更高要求。研究特別強調了在油氣行業全球化數字化背景下，對高素質人才在認知能力、壓力承受能力和語言適應能力等方面的迫切需求。

人工智能人才測評結果如圖1所示。

圖1人工智能人才測評結果

2人工智能人才測評模型

2.1知識體系構建補充

實驗通過中英文2種版本的人工智能人才測評系統，評估了6個關鍵維度：嚴謹性、抗壓性、責任感、成就動機、學習能力和創新能力。測評結果顯示，參與者在中文測評中的得分范圍為6.1至9.0分，反映了較好的母語環境下的綜合表現。而在英文測評中，得分范圍為1.8至6.9分，體現了語言環境轉換對知識表達的影響。從參與者背景來看，實驗招募了5名具有油氣行業數字化研發工程師背景的人才，包括數字化及人工智能軟件工程、計算機科學和信息技術等專業領域，其工作經驗分布在2至5年之間。這種人才構成反映了油氣行業數字化轉型背景下對知識體系的新要求。通過配備先進的智能化測評產品設備和專業的數據記錄軟件工具，配套測評系統能夠采集和分析候選人參與者在不同語言環境下的表現數據，為知識體系的評估提供客觀依據。

2.2核心能力維度補充

實驗采用腦電和眼動追蹤技術，通過測量注視時間、注視點分布范圍、瞳孔直徑等指標，評估參與者的核心能力表現。高分組在中文測評中表現出較高的注意力集中度，注視時間達到 74261.063ms ，而在英文測評環境下注視時間延長至 81986.3445ms 。瞳孔直徑數據顯示，高分組在中文測評時的變化為1.453 152 28mm ，英文測評時增加至 3.0449491mm 反映了語言環境轉換帶來的認知負荷變化，如圖2所示。實驗通過腦電設備采集 ∝ 波和 β 波數據，評估參與者的認知負荷、注意力集中度、專注度及壓力狀態。實驗環境的專業化配置，包括主試間和被試間的設計，確保了核心能力評估數據的準確性和可靠性。

2.3跨學科融合要求

測評系統的設計體現了跨學科融合特點。實驗設備配置了14通道以上的腦電設備，用于記錄參與者的腦電波數據，特別關注 ∝ 波和 β 波的變化。眼動追蹤設備采用高采樣率設計，支持雙眼追蹤，確保數據的準確性和一致性。實驗過程中，配備了專門的數據記錄軟件，用于眼動數據的采集、分析和可視化，同時具備腦電數據的實時采集和后期分析功能。通過同步記錄系統確保多模態數據的時間一致性。實驗環境配備了遮光窗簾、噪聲控制設備、符合人體工學的實驗桌椅等專業化設施，體現了跨學科實驗環境的標準化要求。這種多維度的技術集成反映了油氣行業人才評估對跨學科融合的重視。

3智能化人才測評體系設計

3.1 評價指標體系

人工智能測評系統構建了多層次的評價指標體系，見表1。認知能力評估采用注視時間（Fixation

Duration）作為關鍵指標，測量參與者在特定區域的注視持續時間，用于衡量信息處理深度和注意力分配情況。注視點分布范圍(FixationRange）反映個體在視覺任務中的注意力集中程度，較小的注視范圍表明注意力高度集中于特定區域。瞳孔直徑(PupilDiameter）作為認知負荷的生理指標，通過測量瞳孔擴張程度評估任務難度和信息復雜度。腦電指標方面， ∝ 波活動通常與低認知負荷、低專注度、注意力集中相關，較高的∝ 波活動通常表明個體處于相對輕松的狀態，認知負荷較低。相反 ∝ 波的振幅通常會降低，通常表明個人處于認知負荷增加，專注度較高、注意力高度集中的狀態； β 波活動通常與高認知負荷、高專注度、高壓力狀態相關。當個體從事復雜信息處理、決策或問題解決的任務時，β波的活動往往會增加。這種增加反映了大腦在處理大量信息或應對復雜任務時的活躍狀態。當個體高度專注于某個任務時，大腦的 β 波活動往往增強。這是因為 β 波與大腦的活躍狀態相關，專注度越高， β 波的振幅通常也越大。在高壓力環境下，個體的 β 波活動往往比在放松狀態下更為明顯。這是因為壓力狀態通常需要個體保持高度警覺和反應能力，β波的增加反映了這種緊張和應激狀態下的大腦活動。系統還設置了嚴謹性、抗壓性、責任感、成就動機、學習能力和創新能力6個維度的主觀評價指標，通過中英文測評題目進行綜合評估。

圖2高分組中英文測評關鍵指標對比圖

表1人工智能測評系統評價指標定義

3.2 測評方法創新

測評方法采用多模態數據采集技術。腦電設備采用14通道以上的設計，實現對頭皮多個區域的信號采集，通過無線連接提升參與者舒適度，確保實時數據傳輸。眼動追蹤設備具備高采樣率特性，支持雙眼追蹤功能，保證數據采集的準確性。測評環境采用專業化設計，主試間和被試間配備遮光窗簾及噪聲控制設備，營造穩定的測試環境。實驗流程包括設備設置、環境準備、參與者說明、練習階段和正式測試等標準化步驟。為避免練習效應影響，測評采用隨機化呈現中英文題目的方式。測評過程中實時記錄參與者的大腦活動和眼動數據，通過專業軟件進行數據采集、分析和可視化處理

3.3 智能化評估機制

智能化評估機制整合了多維度的數據分析方法。評分系統將參與者按表現分為高分組（中文評分高于8.0分，英文評分高于5.0分）中分組（中文評分 6.0～

8.0分，英文評分4.0~5.0分）和低分組（中文評分低于6.0分，英文評分低于4.0分）。通過分析各組的生理指標差異，評估認知負荷和壓力狀態。數據顯示，高分組的注視時間（中文 74261.063ms ，英文 81986.3445ms 和瞳孔直徑變化（中文 1.45315228mm ，英文 3.0449491mm ）反映了較強的信息處理能力和壓力承受能力。系統通過實時監測 ∝ 波和 β 波的變化，評估參與者的認知狀態和壓力水平。評估結果能夠客觀反映參與者在不同語言環境下的表現差異，為人才選拔提供科學依據

4智能化測評產品系統設計

4.1系統架構設計

智能化人才測評系統采用多層級架構設計。數據采集層配備高性能眼動追蹤設備和14通道以上的腦電采集系統，實現對生理數據的實時獲取。眼動設備采用高采樣率設計，支持雙眼同步追蹤，確保注視數據的精確性；腦電設備采用無線傳輸技術，提升數據采集的穩定性和參與者體驗。數據處理層集成專業的眼動分析軟件和腦電數據處理層，實現數據的預處理、清洗和分析。數據存儲層配備外部硬盤和云存儲系統，確保數據安全性和可訪問性。系統通過穩定的無線網絡連接支持實時數據傳輸，網絡架構支持主試間和被試間的數據同步。顯示設備采用iPadPro(11寸）呈現測評內容，確保測試界面的清晰度和穩定性。系統整體架構滿足人才測評的多模態數據采集和處理需求。

4.2關鍵技術實現

系統實現關鍵技術包括多維生理數據采集與分析。眼動數據采集技術實現注視時間、注視范圍和瞳孔直徑的精確測量，系統能夠記錄參與者在屏幕上的注視點、注視時長及注視區域。腦電信號處理技術重點關注 ∝ 波和 β 波的采集與分析，通過電極采集參與者在答題過程中的腦電波信號。數據同步技術確保眼動和腦電數據的時間一致性，支持多模態數據的整合分析。環境控制技術通過專業化設備配置，實現光線和噪聲的精確控制，如圖3所示。人工智能評分層分析參與者在中英文測評中的表現，評分范圍在中文版本為6.1至9.0分，英文版本為1.8至6.9分。系統采用隨機化呈現算法避免練習效應對測評結果的影響

4.3智能化測評產品設計

智能化測評產品設計圍繞測評流程展開。測評管理層負責題目呈現和答題記錄，包含中英文2個版本的測評題庫，每個版本包含6個主觀題目。數據采集層實時記錄參與者的眼動和腦電數據，支持高精度的生理指標采集。分析評估層處理采集的數據，計算注視時間、瞳孔直徑等關鍵指標，識別不同能力水平參與者的生理特征。環境控制層管理實驗環境參數，確保測評環境的標準化。數據管理層負責數據的存儲、備份和安全管理。結果展示層提供測評結果的可視化展示，支持多維度的數據分析報告生成。系統通過這些功能層的協同工作，實現智能化人才測評的完整流程。

圖3人工智能測評系統數據處理流程圖

5 結束語

面向油氣行業的人工智能人才測評系統及智能化測評產品的研究與實踐，為解決油氣行業數字化轉型中的人才評估瓶頸提供了可行方案。實驗結果表明，該系統在人才評估的準確性、效率性和實用性方面具有顯著優勢。同時，配套設計的智能化測評產品在實際應用中取得良好效果，推動了油氣行業智能化升級進程。未來還需要在評估指標的完善、算法模型的優化、應用場景的拓展等方面持續改進，進一步提升系統的實用價值。

參考文獻：

[1]任文清.油氣行業環境會計信息披露國際比較[J].合作經濟與科技，2025(2):172-174.

[2]張一鳴.科技創新激發活力油氣產業加速跑[N].中國經濟時報，2024-11-13(03).

[3]KLIMESCH W.Alpha oscillations in the brain:From atten-tion to memory[J].Psychophysiology，2022，59(3):e13812.

[4]RAY W J，COLE H W.EEG alpha and beta power:At-tention， memory，and anxiety[JJBrain and Cognition，2022(159):105858.

[5]曾慧.人才測評在人力資源管理中的應用研究[J].上海企業，2024(11):121-123.

[6]孫早，蔣腸陽.分類施策：產業政策影響工業智能化的經驗證據[J].經濟與管理研究，2024，45(12)：26-46.

[7]鄭毅平，于鎂.數字經濟賦能城市產業結構轉型升級的路徑探析[N].黑龍江日報，2024-12-04(08).