认知能力测验大概是中国企业接受度最高的测评了，在校园招聘中使用的尤其广泛。用的多了问题自然也就来了。
首先是能力测验的题目在网上被曝光甚至恶意泄露，选拔的准确性和公平性受到影响。尽管北森已采用监控和水印等方式尽力去降低题目的泄露和扩散，仍很难降低其带来的影响。其次，应聘者体验越来越被看重，受测者做测评的时间“越短越好”也成了未来雇主的诉求。还有还有，测评对受测者能力的估计也会受到练习效应、组卷合理性、计分方式等因素的影响，如何能更准确估计能力水平呢？
于是，抱着改善这些问题的决心，北森产品和技术小组，用一年半的时间做了一个新的认知能力测验，
CATA，Computerised Adaptive Test for Ability。
CATA采用了计算机自适应测验技术(Computerised Adaptive Testing)。它融合了计算机技术和项目反应理论，采用了自适应抽题和题目参数估计受测者的能力水平。它首先为受测者随机提供一个中等难度的题目。受测者每做对一题，会获得一道更难的题，反之下一题会更简单。当受测者回答完一定数量的题目，测验获得了足够的关于其能力水平的信息，程序会自动停止。美国考试服务中心(ETS)在TOEFL、GRE、GMAT等考试中均采用了自适应测验。
CATA与一般的能力测验相比，解决了哪些问题？
1. 降低了题目曝光的影响
自适应抽题的方式让受测者的作答题目全程处于动态调整中，下一题是什么取决于上一题的作答结果，不同的受测者会遇到不同的题目。由于采用参数估计的方式，受测者即使遇到了见过的题，单次作答正确，也不会对整体能力估计产生太大的影响。
2. 作答体验更好
CATA在测评过程中为受测者提供的题目非常接近她/他的真实能力水平，题目不会过难或过容易。受测者表现的能力水平稳定时，作答时间会缩短，与传统测验相比自适应测验可以减少1/3的作答量。
3. 测评更准
CATA的计分，不是采用卷面分，而是基于题目参数和受测者的作答模式去估计其能力水平。这种估计方式受题目难度的影响，结果更接近受测者的潜质水平。如下图中的两个受测者，按照传统计分(正确计1分，错误计0分)，A和B分差为9分(100*8/12-100*7/12)，而用新的方式去评估时，我们发现A和B的能力水平相差非常大，差距接近1.7个标准差(如果把标准差设定为15，差距接近26分)。
认知能力测验大概是中国企业接受度最高的测评了，在校园招聘中使用的尤其广泛。用的多了问题自然也就来了。首先是能力测验的题目在网上被曝光甚至恶意泄露，选拔的准确性和公平性受到影响。尽管北森已采用监控和水印等方式尽力去降低题目的泄露和扩散，仍很难降低其带来的影响。其次，应聘者体验越来越被看重，受测者做测评的时间“越短越好”也成了未来雇主的诉求。还有还有，测评对受测者能力的估计也会受到练习效应、组卷合...
#
选择
包含特定职位的行
positions = ['知县', '知府', '进士', '中书', '教谕', '通判', '州判', '郎中']
df = df[df['职官'].isin(positions)]
# 统计每个职位的数量
counts = df['职官'].value_counts()
# 绘制条形图
counts.plot(kind='bar')
plt.title('官职分布图')
plt.xlabel('官职')
plt.ylabel('数量')
plt.show()
这段代码会读取名为 `
cat
a_3024.csv` 的 CSV 文件，
选择
包含特定职位的行，并统计每个职位的数量。然后，它会使用 Matplotlib 库绘制
一个
条形图，显示每个职位的数量。最终的图表会在程序运行后显示出来。
