01 苦楚的编程题评卷
试想如下一个场景：“技术面试官 Arron 的企业要招聘 Java 后端工程师，考核 SpringBoot 框架和 MyBatis 这两个后端开发的必备技能。而他要负责评审多份候选人的编程题试卷，题目是要求应用 SpringBoot 和 MyBatis 实现一个购物车结算性能。
Arron 常常跟另个一个面试官对代码打分产生分歧。
比方一位候选人应用 SpringBoot 编写了购物车控制器，实现了退出购物车和结算申请的 API。他应用 MyBatis 调用存储过程，实现了库存扣减等逻辑。代码整洁，测试用例残缺，另一位面试官称誉了他的 SpringBoot 利用构造。
然而 Arron 评审时发现，他间接在控制器中写了业务逻辑，没有遵循 MVC 分层的架构设计准则，导致可维护性较差，这点另一个面试官却不太在意。
Arron 已破费大量工夫对代码进行逐行评审，他除了测试用例残缺与否，还会在可维护性与解题思路等多方面进行考查。
工夫离截止只有两小时，他与另一个面试官仍旧争执不下，难以达成共识，编程题评审的复杂性让 Arron 倍感压力 ……”
以上技术招聘的场景，反映出了 Arron 面临的什么问题呢？
02 编程题的作用以及评卷窘境
要答复这个问题，先要理解企业应用编程题进行技术测评的起因。正如 Linux 的创始人 Linus Torvalds 所说：“Talk is cheap，show me the code”。绝对于选择题、问答题，编程题最能直观展现候选人在理论工作环境下的编程能力。
但企业对编程题进行评卷时，往往面临如下三大麻烦：
一、评审耗时费劲
正如 Arron 所遇到的，当侯选人的测试用例残缺通过，但企业仍想深刻考查其余方面的代码能力；又或者测试用例没通过，企业还是想深刻理解他的代码出了什么问题，这些都须要 Arron 逐行重复审阅代码，消耗他微小的工夫与精力。
评审一位候选人所花工夫可能均匀须要几十分钟不等，更何况还不止一位候选人，可见评卷工作对 Arron 来说的确是件苦差事。
二、评审维度繁多
有的企业会出于晋升效率的思考，仅以简略的 OJ 零碎评估候选人代码是否通过测试用例，并不会进一步考核代码的其余方面，该评审形式可能更实用于海量候选人状况下的初步粗略筛选。
但若想进行更加精准的招聘，则须要考核候选人是否有真正的解决问题的能力，那么在技术测评中候选人的代码除了“能跑通”外，其余维度也极为重要，这也是 Arron 如此费神考核候选人代码的起因。
依据出名技术问答网站 Stack Overflow 针对 8 万名开发者的调研显示，他们感觉除了代码的“正确性”与“功能性”外，代码的“可读性”、“可维护性”、“可拓展性”、“安全性”、“代码标准”、“开发效率”等维度的重要性也名落孙山。
三、评审受主观偏差影响
但即使企业建设了更多的评分维度，也会因为面试官对不同维度的器重水平不同，而产生像 Arron 跟别的面试官之间，难以达成统一的问题。
国外一份发表于 ESEM 钻研考察了 127 名来自 17 家公司的开发者，考查他们在代码审查时关注的维度。结果显示，开发者关注的维度因其岗位、工作教训和我的项目而异。例如，高级开发者比高级开发者更重视代码设计和可维护性，嵌入式零碎开发者比 web 利用开发者更器重可测试性。
由以上三点可知，要解决编程题评卷的麻烦，须要建设自动化形式以节省时间，并且建设主观全面的评估体系，而且同时还要尽量避免人为主观偏好所产生的偏差。
那有什么办法能够实现呢？
03 编程题 AI 评分——全面、主动、高效、主观的评估体系
AI 的呈现带来了破局之道。其根据算法所建设的标判断准，以及全自动化流程，很适合搭建编程题评卷机制。ShowMeBug 也深知 AI 的微小意义，并实现了独有的编程题 AI 评分性能，应用 AI 建设起了全自动化、高可靠性的评分体系，并在其中体现出了三大性能价值：
第一，该性能可对候选人的编程题答案进行自动化评分，在数秒内即可实现几十分钟甚至数小时的代码评卷工作，并给出相应分数，让评卷投入的工夫与精力老本降至为 0。
第二，针对候选人代码，ShowMeBug 还根据理论工作场景中的代码测试方法，设计了五大考核维度，别离为：
代码正确性：评估候选人是否可能按要求，编写出测试用例正确通过的代码，反映了候选人的根本编程程度和语言把握水平。
解题思路：评估候选人是否可能了解问题，提出正当的计划，并将其转化为代码。反映了候选人的需要梳理和问题解决能力，以及创新性思维。
代码设计：评估候选人是否具备良好的代码组织和模块化能力，进步代码的可读性、可拓展性和可维护性。
代码品质：评估候选人是否遵循良好的编程标准和最佳实际，编写清晰、简洁、可了解的代码。
答题效率：评估候选人在解决问题时所破费的工夫和资源，反映了候选人的工作效率和应答简单问题的能力。
第三，该性能还设计了“宽松 / 严格”两种模式，供企业基于本身不同招聘需要来作调整。具体体现为：
“严格模式”下，一旦候选人测试用例没有通过，则这道题便会判为 0 分，可实用于企业面临海量候选人时，进行高级的大规模筛选；
“宽松模式”下，不仅只考核测试用例是否通过，零碎还会依据解题思路、代码设计与品质等维度进行打分，可适应企业更精细化的针对岗位与理论工作能力的招聘需要，对候选人的技术能力进行多面向，与更深刻的考查。
通过这些性能与价值，企业可极大进步评卷效率，提供更为主观、全面、公正的评分根据，缩小评卷时主观一致的影响，助力企业高效精准地甄选人才。
多说无益，无妨再以 Arron 为例：
Arron 的企业持续招聘 Python 后端开发工程师，并考查该候选人的的字符串解决和正则表达式能力。题目内容为：候选人须要实现一个函数，该函数接管一个字符串作为输出，而后将字符串进行分词，并生成对应的标记列表。
这次 Arron 便可登陆 ShowMeBug，在“考试大厅”的“考场设置”并中对试卷进行编辑，找到评分规定设置并关上“智能评分”。因为 Arron 并非只看重测试用例的完整性，他能够抉择宽松模式，除了测试用例以外，他还可对候选人代码的其余维度进行深刻考查。
设置好后，Arron 便可邀请候选人进行测评，候选人进入测评界面后编写代码，实现后便可提交试卷。
提交试卷后的数秒钟后内，AI 便能主动实现对代码的评分。之后 Arron 便可进入评卷界面，查看 AI 所给出的分数。
点击“AI”标记，还能看到 AI 会依据设置好的五大维度，对代码进行每个维度的评分，并且顺次给出评分理由。能够看到，该候选人的代码全副通过了测试用例，但在“解题思路”、“代码设计与“代码品质”等维度还有进一步优化的空间。
Arron 能够此作为根据，不仅能系统性全面理解该候选人的代码是否能符合实际工作场景的需要，还能深刻理解他的解题思路，以及对他的代码设计、品质与解题效率，提供一个主观的参考规范。
当然，Arron 也可依据本人的业余判断和教训，在 AI 评分旁作出适当的调整。
评卷实现后，Arron 还能一键生成人才报告，发予其余面试官查看，并就 AI 的评分独特进行探讨，进一步缩小主观偏差的影响。
通过 ShowMeBug 编程题 AI 智能评分，Arron 便无须再逐行评审代码，而且能以 AI 自动化形式，帮他节俭海量的评卷工作量；也能让他与其余技术面试官领有了一个全面主观的规范，躲避彼此之间主观一致与偏好所产生的差别，更容易对所评分数达成统一的共识；并最终深刻考查候选人理论的工作能力。
有没有蠢蠢欲动想要体验该性能呢？欢送大家扫描或长按下方二维码，增加 ShowMeBug 高级顾问，帮您开明测试版本～