（内容来源：南开管理评论）
作者简介
杜旌，武汉大学经济与管理学院教授、博士，研究方向为数智化人力资源管理
陈堰轩(通讯作者)，武汉大学经济与管理学院博士研究生，研究方向为数智化人力资源管理
黎玢倩，武汉大学经济与管理学院硕士研究生，研究方向为数智化人力资源管理
刘智强，华中科技大学管理学院教授、博士，研究方向为突破性创新
研究缘起
绩效评估是人力资源管理的重要环节，其测量范式的改进和革新始终受到学界与业界共同关注(DeNisi等, 2017)。当前主流做法是封闭式数字评级，如李克特量表。数字评级便于标准化，也能较好遵循心理测量模型，但存在评分者间可靠性低、评分者偏差、维度之间缺乏区分以及情境效应等问题(Scullen等, 2000; Landy等, 1980; Balzer等, 1992)。
与此同时，绩效描述文本广泛存在于组织实践中，却长期未被充分挖掘。它包含岗位描述、工作表现、关键事件和情境细节，能够提供数字评级难以呈现的丰富信息(Speer, 2018; Brutus, 2010)。已有研究证实，绩效描述文本与数字评级显著相关，并且经常被评分者用来证明数字评分的合理性(Smither等, 2004; David, 2013)。然而，传统人工编码和专家解读既耗时又昂贵，同样面临评分者偏差等固有弊病。因此，如何创新绩效评估的测量范式，成为亟待回应的问题。
自然语言处理(NLP)的发展为这一难题提供了新路径。NLP能够自动分析与理解人类语言，高效处理文本信息，并在很大程度上减少宽松误差、光环效应等评分者偏差(Manning等, 1999)。尤其是近年来大语言模型(LLMs)的迅速发展，使零样本评估成为可能，显著降低了NLP的使用难度与成本(Brown等, 2020; DeepSeek-AI等, 2025)。但现有研究多集中于英文语境，中文情境下的有效性、不同技术路线的表现差异、中文预训练模型的适配性，以及算法可解释性问题，仍缺乏系统验证。