Quiz-AI 动态问卷与测评引擎：CAT 自适应抽题 × AI 自动出题 × 对话式追问 × 滚动常模校准 × 逐人生成报告。人才测评、心理筛查、NPS 客户体验——所有用到问卷的地方，五个环节的动态，每一环都有信效度担保。
题目泄露、练习效应，题库开发以「年」为周期。同一套题在招聘季被反复刷穿，区分度逐季衰减。
常模样本一采用五年，分数区间 + 固定评语查表出报告。人群分布早已漂移，参照系却还停在原处。
每家厂商都说自己「动态」。但动态发生在哪一环？出题、抽题、追问、评分还是报告？没人说得清。
「动态」不是一句广告语，而是五个可独立验证的工程环节。向下滚动，逐层拆解——每一层都标明它的数据依赖。敢写明依赖，才敢谈效度。
每答一题，系统实时更新能力估计 θ，下一题从题库中选择信息函数最大的题目。能力强的人遇到的题更难，题题不同路——练习效应在选题层就被瓦解。
题目不是被「抽」出来的，而是被「生成」出来的。认知模型定义测什么，题目模板定义怎么测，LLM 批量生成候选题，专家审核与试测标定之后才入库——题库以「周」为周期生长。
AI 面试官听懂候选人刚才说了什么，再决定问什么。模糊的回答会被追问细节，具体的回答会被追问迁移——评分基于 Rubric 量表，而非「感觉」。
常模不再是五年一采的阶梯表。每一次施测的匿名化数据回流，常模曲线按月滚动更新——分数永远参照「此刻」的人才市场，而非五年前的快照。
同一份测评数据，不是查表套评语，而是按读者视角逐人生成。HR 看到风险与匹配度，面试官看到追问建议，候选人看到发展反馈——三份报告，三个用途。
分析与系统思维维度位于常模 P87，与目标岗位模型高度匹配；抗压维度 P41，低于团队均值，建议在试用期配置明确的支持机制。
候选人在「资源冲突」情境题中选择回避策略，建议复试以真实项目案例追问其升级路径；其分析优势可用一道开放式估算题验证迁移性。
你在复杂信息中定位关键变量的速度超过 87% 的同龄人。发展建议：在高压时限下，你的决策稳定性有提升空间，可尝试时间盒练习。
每一项「动态」都对应一个可审计的测量指标。以下数字来自内部验证研究与试点客户数据，边界条件如实标注。
从建模到报告，数据沿管线单向流动、逐模块留痕；末端数据脱敏回流，反哺出题与常模——系统每运转一次，就校准一次自己。
每次题库更新、模型迭代，先过信效度门槛再上线，验证报告留档可审计。
行为监测 × 文本相似度检测 × 追问验证三道防线，异常作答实时标记。
全链路留痕：每道题的来源、每次评分的模型版本、每份报告的生成记录。
低置信评分自动路由至人类专家复核，AI 永远不做唯一决策者。
招聘场景属高风险 AI 系统。Quiz-AI 提供完整的技术文档、日志留存与人类监督机制，支持客户完成合规评估。
STATUS: ALIGNED / 技术文档随产品交付支持按年度对评分模型做独立偏见审计（AEDT），按受保护族群分组输出差异影响比，结果可对外公示。
STATUS: AUDIT-READY / 年度审计接口开放候选人知情同意前置；提供自动化决策说明与人工复核申诉通道；数据境内存储，支持删除权行使。
STATUS: COMPLIANT / 候选人端内置知情流程心理筛查数据属敏感个人信息：单独同意、加密存储、最小化访问，筛查阳性结果只路由给有资质的人工转介渠道，不出现在任何自动化报告中。
STATUS: COMPLIANT / 伦理审查 + 人工转介双前置版本化管理，每次评分可复现、可回溯。同一份作答，任何时候重跑都得到同一分数——这是测量的底线。
COMMIT: REPRODUCIBLE SCORING双轨制：AI 提供证据与建议，录用与否永远由人决定。系统设计上不允许 AI 评分成为唯一淘汰依据。
COMMIT: HUMAN-IN-THE-LOOP我们只分析语言与行为数据。所谓「微表情识人」没有心理测量学效度支持——我们不会把它卖给你。
COMMIT: NO PSEUDOSCIENCE