视频面试AI常给出一个分数，却说不清这个分数来自哪句话、哪次停顿或哪个画面。9月17日提交的E-AVI论文尝试把评分连接到带时间戳的文本、声音和视觉证据。它比“流利生成一段解释”更进一步，但距离可用于真实招聘的公平程序仍有很长一段路。
发生了什么
E-AVI先从视频、音频和转写中抽取结构化证据，每条包含模态、事件类型、起止时间和自然语言描述；随后，针对不同评分维度选择相关证据，并结合原始多模态嵌入给出分数。这个共享证据池还能生成反馈并回答追问，证据不足时会再次检查原视频。
研究使用公开RecruitView数据集和一个酒店业私有数据集。RecruitView含300多名参与者、2011段回答、76个问题与12维连续评分；私有数据来自中国南方三家酒店的101名一线员工。论文在参与者层面切分训练、验证和测试，避免同一人的视频泄漏到不同集合。
一手来源：arXiv摘要、论文HTML全文。这是一篇预印本，尚不能视为经过同行评议或跨地区独立验证的招聘产品。
技术上，它把“解释”放进预测路径
很多系统先打分，再让语言模型编一段听起来合理的说明。这种事后解释可能与真实预测依据无关。E-AVI让证据进入评分器：每个评分维度都有查询向量，去关注证据条目与源级嵌入；训练还用弱监督规则鼓励“语速影响表达”“内容结构影响回答质量”等对应关系。
flowchart LR
A[面试视频] --> B[转写/音频/画面]
B --> C[抽取带时间戳证据]
C --> D[按评分维度选择证据]
B --> E[生成源级多模态嵌入]
D --> F[联合评分器]
E --> F
F --> G[分数]
C --> H[反馈与追问]
H --> I{证据充分?}
I -- 否 --> J[回看相关片段]
I -- 是 --> K[返回可核对回答]
J --> K
在RecruitView上，E-AVI把平均绝对误差从微调MiniCPM-o的0.641降至0.607，Spearman排序相关从0.440升到0.541；私有数据上的相关为0.639。论文也主动给出边界：私有测试集的提升只支持当前切分，不能证明换酒店、岗位或人群后仍稳定。
最值得看的是失败数据
两名标注者检查了50段视频中的870条证据：80.8%被认为完全受原始记录支持，12.1%部分支持或有过度概括，7.1%不受支持。文本证据的完全支持率89.5%，音频为74.8%，视频为77.4%。这意味着“显示证据”不自动等于证据可靠，特别是语气和行为解读更容易越界。
论文还检查了30个相对基线最困难的样本，其中25个问题与证据抽取错误或遗漏相关。删除高注意力证据比随机删除更伤排序性能，说明证据确实参与了预测；但源级嵌入仍贡献很大，所以可读证据并不是完整的因果解释。
一个真实风险是把“短暂停顿”解释为不自信。停顿可能来自网络、口音、思考习惯或无障碍需求。即使系统能标出12秒到14秒，时间戳只证明行为发生，不证明它该被转成能力分数。证据层解决了可检查性，却没有自动解决构念效度。
招聘团队还应把“证据完整”与“证据相关”分开。转写准确记录了一句话，只能说明系统没有听错；这句话是否与岗位胜任力有关，仍取决于经过验证的评分标准。否则系统可能非常忠实地放大一套不合理规则。
我的判断
高风险AI的解释标准不该是“能说理由”，而应是“理由能回到原始材料、能被质疑、能改变决定”。 E-AVI的重要贡献是把可核对证据做成中间表示；它暴露的问题同样重要：证据抽取仍是主要瓶颈，且评分还依赖人看不懂的源级表示。
招聘方如果采用类似系统，应把AI定位为结构化辅助，不是终局裁判。人类复核者要看到原片段、岗位相关评分规则和不确定性；求职者应能申诉错误转写、误判行为或无障碍因素。没有这些流程，所谓透明度可能只是把黑盒分数换成更有说服力的黑盒故事。
适用边界与风险
这项研究只覆盖有限数据集与预设评分维度，私有数据规模尤其小。教师模型生成了训练证据，比较的是完整系统，不是完全相同监督条件下的架构对照。跨语言、口音、肤色、神经多样性和设备质量的公平性并未被这组结果充分证明。
立即可执行的采购检查包括：要求供应商报告按人群分组的误差；随机抽取证据与原片段双人复核；禁止用表情、停顿等弱信号直接淘汰；保留人工推翻记录；给候选人数据更正与申诉入口；在每次模型更新后重跑岗位级验证。
如果面试AI给出低分，你认为求职者应有权看到原始片段、证据摘要，还是完整模型逻辑？
关注「蜗牛聊AI」，一起看懂技术变化背后的真正机会。
本文首发于 java4u.cn，转载请注明出处。
