75ତମ ପର୍ସେଣ୍ଟାଇଲ୍।
75% ଠିକ୍?

ଏକ percentile ଏକ reference group ମଧ୍ୟରେ ଆପେକ୍ଷିକ ସ୍ଥାନକୁ ସୂଚାଏ। ଉଦାହରଣ ସ୍ୱରୂପ, 75th percentileରେ ଥିବା ପ୍ରାର୍ଥୀ ସେହି ଲିପିବଦ୍ଧ ଗୋଷ୍ଠୀର 75% ସଦସ୍ୟଙ୍କଠାରୁ ଅଧିକ score କରିଛନ୍ତି। ଏହାର ଅର୍ଥ ସେ 75% ପ୍ରଶ୍ନର ସଠିକ୍ ଉତ୍ତର ଦେଇଛନ୍ତି କିମ୍ବା ଚାକିରିରେ ସଫଳ ହେବାର 75% ସମ୍ଭାବନା ଅଛି, ତାହା ନୁହେଁ।

ଟେଷ୍ଟ ସଂସ୍କରଣ, ସ୍କୋରିଂ ନିୟମ ଓ ରେଫରେନ୍ସ ଗ୍ରୁପ୍ ଉପଯୁକ୍ତ ଥିଲେ ହିଁ ଫଳାଫଳ ତୁଳନା କରନ୍ତୁ। ନର୍ମ ଗ୍ରୁପ୍ ବିନା ଏକ ସ୍କୋର, ପ୍ରମାଣ ଯେତିକି ସଠିକତାକୁ ସମର୍ଥନ କରେ ତାହାଠାରୁ ଅଧିକ ସଠିକତାର ଭାବ ଦେଇପାରେ।

ଯେଉଁଠାରେ ଉପଲବ୍ଧ, ସେଠାରେ ପାଇଲଟ୍ ଡାଟା ଏବଂ ଉପଯୁକ୍ତ Intellect Council ରେଫରେନ୍ସ ଡାଟା ବ୍ୟବହାର କରିବାକୁ HireValid ଯୋଜନା କରୁଛି। ଏହି ୱେବସାଇଟ୍ ପାଇଁ କୌଣସି ବର୍ତ୍ତମାନର norm sample size କିମ୍ବା validation result ଦିଆଯାଇନାହିଁ। ଏହି ସମର୍ଥନ ଉଦ୍ଦିଷ୍ଟ ସମ୍ପର୍କକୁ ବର୍ଣ୍ଣନା କରେ, ସମ୍ପୂର୍ଣ୍ଣ ହୋଇଥିବା norming study ର ପ୍ରମାଣକୁ ନୁହେଁ।

ପର୍ସେଣ୍ଟାଇଲ୍ ରିପୋର୍ଟ ପ୍ରକାଶ କରିବା ପୂର୍ବରୁ, ଦଳକୁ ନମୁନା ସଂଗ୍ରହ ପ୍ରକ୍ରିୟା, ପ୍ରତିନିଧିତ୍ୱ, ନମୁନାର ଆକାର ଏବଂ ପ୍ରତ୍ୟେକ ମାନକ ଗୋଷ୍ଠୀର ସୀମାବଦ୍ଧତା ଲେଖି ରଖିବା ଆବଶ୍ୟକ। ପ୍ରାରମ୍ଭିକ ମାନକଗୁଡ଼ିକୁ ସ୍ପଷ୍ଟ ଭାବେ ଚିହ୍ନିତ କରିବା ଉଚିତ ଏବଂ ଉପଯୁକ୍ତ ତଥ୍ୟ ଜମା ହେବା ସହିତ ସେଗୁଡ଼ିକୁ ଅଦ୍ୟତନ କରିବା ଉଚିତ।

ସ୍କୋରିଂରେ ପାରମ୍ପରିକ ପରୀକ୍ଷା ସିଦ୍ଧାନ୍ତ ବ୍ୟବହାର ହୁଏ: ସଠିକ୍ ଉତ୍ତର, ପ୍ରଶ୍ନର କଠିନତା ଏବଂ ପ୍ରଶ୍ନର ଭେଦକ କ୍ଷମତା। ମାପାଯାଇଥିବା ସ୍କୋର ପରୀକ୍ଷାର ପ୍ରଦର୍ଶନକୁ ସାରାଂଶ କରିପାରେ। ସମଗ୍ର ମୂଲ୍ୟାଙ୍କନ ସ୍କୋରରେ ସ୍ପଷ୍ଟ ଓଜନ ଅନୁଯାୟୀ ବିଭିନ୍ନ ପରୀକ୍ଷାକୁ ମିଶାଯାଇପାରେ।

ଲେଖନ କାର୍ଯ୍ୟ ପାଇଁ ସ୍ପଷ୍ଟ ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ଏବଂ AI-ସହାୟତାପ୍ରାପ୍ତ ସ୍କୋର୍‌ର ମାନବୀୟ ସମୀକ୍ଷା ଆବଶ୍ୟକ। ନିଯୁକ୍ତିଦାତାମାନେ ବ୍ୟାଖ୍ୟା ବିନା ଏକ ସଂଖ୍ୟା ପାଇବା ବଦଳରେ ତାହାର ଯୁକ୍ତି ଯାଞ୍ଚ କରିପାରିବା ଉଚିତ।

ଆପଣ ପଚାରୁଥିବା ପ୍ରଶ୍ନ ପାଇଁ ଉପଯୁକ୍ତ ତୁଳନାତ୍ମକ ଜନସମୂହ ବ୍ୟବହାର କରନ୍ତୁ। ବ୍ୟାପକ କର୍ମଜୀବୀ ଜନସମୂହ ସହ ତୁଳନା କରିବା ଏବଂ ନିର୍ଦ୍ଦିଷ୍ଟ ଭୂମିକା ପାଇଁ ଆବେଦନକାରୀଙ୍କ ସହ ତୁଳନା କରିବା ଭିନ୍ନ। ଏଥିରୁ କୌଣସିଟିକୁ ସାର୍ବଜନୀନ ପାସ୍ ମାନଦଣ୍ଡ ଭାବେ ଧରିବା ଉଚିତ ନୁହେଁ।

ସମୟକ୍ରମେ ପ୍ରଶ୍ନଗୁଡ଼ିକର ପ୍ରଦର୍ଶନ ଏବଂ ଗୋଷ୍ଠୀଗତ ପାର୍ଥକ୍ୟ ସମୀକ୍ଷା କରନ୍ତୁ। ରିପୋର୍ଟରେ ମାନଦଣ୍ଡର ସଂସ୍କରଣଗୁଡ଼ିକ ରଖନ୍ତୁ, ଯାହାଦ୍ୱାରା ପରବର୍ତ୍ତୀ ଅପଡେଟ୍ ପୂର୍ବରୁ ନିଆଯାଇଥିବା ନିଯୁକ୍ତି ନିଷ୍ପତ୍ତିର ଅର୍ଥକୁ ଅଜାଣତରେ ବଦଳାଇ ନଦିଏ।