AI辅助分析学术招聘公告中程序开放性的方法学研究

《Information》：Developing an AI-Assisted Methodology for Analyzing Documented Procedural Openness in Academic Recruitment Announcements

　　

学术招聘公告是竞争性程序的主要公共信息来源，但其非结构化特征严重阻碍了对程序特征的系统分析，以及对不同大学、不同学科所发布学术招聘公告的比较。本研究旨在开发一种以程序与伦理标准为基础、借助人工智能辅助的研究方法，用于分析学术招聘公告中的非结构化文本。该方法能够为每份学术招聘公告构建标准化程序档案，识别程序与伦理风险，并以统一的分析格式呈现结果。所赋予的评分由研究人员核验其与原文的一致性及标准应用的统一性。此外，对来自五个学科语料库的40项分析决策进行的独立专家验证显示，40项分类中有38项（95.0%）无需修改即获得确认。为对单个学术招聘公告提供整体性特征描述，研究提出了程序开放性评分（Procedural Openness Score, POS）指标，用以反映被归类为低风险标准的比例。该方法的应用在来自不同学科的五组独立学术招聘公告样本中进行了演示。实证部分展示了统一分析架构对不同学术招聘公告语料库的适用性。通过将学术招聘公告的原始片段与所赋程序风险评分进行比对，保证了结果的可解释性。所提出的方法将透明的分析规则、标准化的程序性学术招聘公告档案以及可扩展的程序透明度指标相结合，拓展了人工智能在研究实践中应用的潜力。尽管该方法已在学术招聘公告上进行了测试，但其架构同样可应用于其他类型的组织性与规范性文件的分析。

在当代高等教育体系中，机构信任的建立与大学治理的有效性至关重要。竞争性程序不仅实现了学术岗位的成本效益分配机制，还再生产了专业文化与组织正义的规范。在程序正义理论框架下，规则清晰性、评价标准透明度以及决策阶段可预测性等特征尤为重要，这些要素构成了对制度机制信任的基础，并决定了组织程序是否被视为公平与合法。学术招聘中的竞争具有高度竞争性、大学与潜在候选人之间显著的信息不对称以及复杂的制度规制等特点，因此学术招聘公告成为关于程序的关键信息来源，同时也是反映组织决策架构的制度性人工制品。候选人对程序透明度、评价标准及最终决策逻辑的基本期望，正是在学术招聘公告层面形成的。

尽管欧洲国家的规范性文件宣称学术竞争公开透明，但实践中的程序确定性程度往往仍然模糊。学术招聘公告在规则形式化程度、程序阶段描述的完整性以及评价标准透明度方面存在差异，由此产生了源于程序开放性记录不足的程序与伦理风险。近年来，随着人工智能辅助分析方法的发展，对组织程序的分析兴趣日益增加。人工智能在组织过程研究中的应用为系统化文本数据、形式化分析标准以及提高研究程序的可重复性提供了新机遇。同时，一种日益普遍的做法是将人工智能用作研究的分析支持工具和复杂组织数据结构化的辅助手段，而非决策工具。

在程序开放性与程序制度架构的研究背景下，此类分析工具使研究者能够从描述个别案例转向系统分析程序机制的结构特征。这一转变奠定了开发AI辅助研究方法的基础，用以分析学术招聘公告（以下简称“公告”或“文件”）非结构化文本中所反映的程序与伦理风险。本研究旨在开发并演示一种基于四项程序与伦理标准的AI辅助方法，用于跨学科与制度情境分析学术招聘公告的程序开放性。在这一框架内，研究旨在回答以下研究问题：RQ1：AI辅助方法如何分析学术招聘公告的非结构化文本并生成标准化程序档案？RQ2：统一分析架构在多大程度上适用于异质性的学科公告集合？RQ3：如何在单个公告层面以可解释且可扩展的形式呈现AI辅助编码结果？

本研究的贡献在于开发了一种使用四项程序伦理标准分析学术招聘公告程序开放性的AI辅助方法。该方法整合了程序指标系统、三级风险评估、结果可视化呈现以及分层子样本的独立专家验证。另一项贡献是可扩展的程序开放性评分，该评分反映单个公告中低风险特征的比例，并可在分析标准数量变化时继续适用。方法的可迁移性在五个异质性学科数据集上得到展示，其可解释性通过将公告原始片段与所赋评分进行比对而得到验证。文献计量分析为指标架构提供了外部概念性论证。文章结构与其方法论重点相对应：第2节阐述研究的理论基础，第3节描述AI辅助方法分析学术招聘公告非结构化文本的架构，第4节在五个独立学科样本上展示其实施过程，包括程序档案构建与程序开放性评分（POS）计算，第4节还包含程序伦理标准的文献计量论证。结论部分讨论了该方法在学术招聘程序及其他类型组织文件分析中的潜在应用前景。

在理论层面，本研究的理论基础是程序正义理论，其前提是组织决策的评价不仅取决于结果，还取决于决策所依据程序的质量。程序正义的关键特征包括规则清晰性、适用的一致性、评价标准的透明度以及事先理解决策逻辑的能力。在组织与管理研究中，程序质量被视为制度信任与决策合法性的因素。在学术招聘情境中，竞争性公告是潜在候选人评估程序开放性、参与条件及选拔过程可预测性的第一份公开文件，因此尤为重要。本研究将程序正义理论作为分析公告文本的概念框架，而非评估具体竞争的结果。根据这一方法，程序开放性通过文件的可观察特征来考察：学科定位的清晰性、信息的完整性、委员会自由裁量权的有限性以及要求的筛选程度。在本研究中，程序伦理标准被定义为一种预先确定的分析规则，用于评估公告文本在多大程度上揭示了程序开放性的特定要素。程序伦理风险被定义为文本中所揭示的此类要素的不确定性或形式化不足程度，风险并不意味着已确定的违规、腐败或恶意行为。研究还区分了伦理透明性与程序的法律正确性：法律正确性指符合形式规范，而伦理透明性反映了可理解性、可预测性和参与者条件的平等性。这些特征在选拔过程开始之前即可在公开公告中体现。程序正义理论在本文中发挥三项功能：论证四项程序伦理标准的选择、定义低中高风险分类的逻辑、将公告的文本特征与程序开放性概念联系起来。因此，这四项标准并非直接的法律要求，而是程序公平与开放原则在可观察公告文本层面的操作化。以往研究还表明，不透明和不尊重的组织程序会降低对学术治理的信任，因此，将公告作为独立制度性文件进行分析，能够在事前识别程序与伦理风险，而无需对竞争的实际合法性或腐败存在性作出结论。

在方法与材料方面，本研究具有概念与方法论焦点，其主要目标是开发并演示一种AI辅助方法来分析学术招聘公告的程序开放性。人工智能被用于支持研究，即系统地将预先确定的程序伦理标准应用于非结构化文档文本。分析单位是单个竞争公告，分析结果是反映每个适用标准风险水平的标准化程序档案。研究从事前（ex ante）角度进行，方法仅识别公告中已公布的特征，并据此确定程序与伦理风险水平。在整个研究过程中，公告中程序要素的缺失仅被解释为该要素缺乏文本记录，不视为相应程序不存在或未在实践中实施，也不旨在确定特定竞争的不合法性、腐败或不公平。经验材料包括五组学科竞争公告，它们作为实施统一分析架构的独立情境，用于检验方法对异质性组织文档数组的适用性。经验基础包括93份由波兰大学发布的学术职位竞争公告，涵盖五个学科，共构成372项分析观察，因为每份公告按四项程序伦理标准进行评估。数据来源于波兰科学与高等教育部公开的国家学术职位公告数据库（bazaogloszen.nauka.gov.pl），收集时间为2026年4月30日至5月15日。选择五个社会科学学科语料库是为了检验统一分析架构跨学科情境的适用性，而非构成波兰高等教育体系的统计代表性样本。每个学科按逆时间顺序依次选择公告，从2026年最近的公告开始回溯，所有连续可获得的公告均纳入样本，目标规模为每学科最多20份，且附带包含公告全文的附件。若某学科可用公告较少，则将该学科所有已找到的公告纳入语料库。在法律语料库中，两份公告未附带描述竞争条款的附件，因此额外处理了两份连续公告。未采用其他纳入或排除标准。所选属性（机构、学科、学术职位、任命性质、雇佣条件）说明了招聘公告的异质性，为评估分析框架的方法适用性提供了现实测试环境。经验材料展示了方法的三个属性：对异质性文本语料库的适用性、生成可比程序档案的能力、识别程序伦理风险重复模式的能力。经验数据不构成对学科或大学进行排序的基础。

分析架构包括四个连续阶段：第一阶段，将公告文本视为分析单位，并以其原始实质形式准备评估；第二阶段，根据四项预定的程序伦理标准分析公告内容，为每项标准识别反映相应程序要素清晰度、完整性和形式化程度的文本特征；第三阶段，为每项标准赋予低、中、高三个风险等级之一，四项评估的组合形成单个公告的标准化程序档案；第四阶段，由研究人员核验AI辅助分析的结果，以确保评估与原文的一致性、标准应用的统一性以及所赋风险水平的有效性。所有公告均采用统一分析逻辑、相同操作顺序和一致标准体系，这保证了单个公告及五个学科集合之间结果的可比性。人工智能被用作分析支持工具而非评估的自主主体。公告的结构化编码使用ChatGPT 5.2（Instant）和ChatGPT 5.5（Thinking）进行，分析直接基于波兰语原文，未事先进行机器翻译。所有学科语料库保持一致的分析语言。为对结果进行额外独立验证，对分层子样本（每学科前两份公告，共10份公告）进行了专家验证。由于每份公告按四项标准评估，共有40个独立分析决策接受验证。独立专家未从头重新编码文档，而是针对每个分析决策评估两个方面：（1）分析解释是否有充分文本支持（是/部分/否）；（2）所赋低/中/高风险等级的合理性（确认/修改）。若选择修改，专家需指出替代等级并简要说明理由。因此，验证结果以确认决策比例和识别差异的结构呈现，未计算评分者间一致性系数。

标准体系旨在评估公告中可能影响程序透明度、可预测性和开放性的特征，标准仅适用于公告文本，不用于评估竞争的实际进程。当前方法版本包括四项程序伦理标准：1. 学科错位风险——当公告的学科归属、科学概况和实质性要求不明确或相互不一致时产生；2. 候选人信息不对称风险——当公告包含关于选拔程序、评价标准或竞争阶段的信息不足或不完整时产生；3. 招聘委员会不受控制自由裁量权风险——当程序规则既未限制委员会自由裁量权，也未允许事先理解决策逻辑时产生，该标准最为关键；4. 职位概况过度狭窄或选择性指定风险——当职位科学概况的描述过于狭窄以至于显著限制潜在候选人池时产生。从理论到操作化的转换整理了相应原则、可观察文本特征、操作规则、风险边界和支持文献。每个标准使用三级评分量表：低风险（L）——程序要素在公告文本中清晰且充分反映；中风险（M）——要素部分反映或存在显著不确定性；高风险（H）——要素未记录或形式化不足，或其表述方式显著妨碍理解程序。评分不适用于整个竞争，而是针对公告文本的特定特征。四项值的组合形成单个公告的标准化程序档案，例如L-M-H-L表示两项低风险、一项中风险、一项高风险。为紧凑表示公告的整体程序开放性，引入程序开放性评分（POS）：POS_i = L_i/K，其中L_i为第i份公告中被归类为低风险的标准数量，K为适用标准总数。当前方法版本中K=4，因此指标可取0、0.25、0.50、0.75或1.00五个值之一，值越高表明在适用标准体系内低风险特征的比例越高。POS不是对大学整体诚信度的评估或特定竞争合法性的证明，而是描述性聚合指标。即使标准数量扩展或改变，公式仍然适用。热图用作程序档案的可视化表示，颜色编码（绿色、黄色、红色）可同时显示各标准评分的分布和不同公告之间的差异。

结果部分具有分析性和演示性目的。首先，AI辅助构建程序档案的结果显示，每份竞争公告通过依次评估文本与四项标准并赋予每个标准风险等级（L/M/H）而生成标准化程序档案。心理学学科的热图（图1）包含20份公告和4项评估标准，共80项分析观察。热图的主要功能是可视化各公告的程序档案，每行对应一份公告，每列对应一项程序伦理标准，允许在保持统一分析程序的同时直接比较不同竞争公告的架构。每个热图值均可追溯到源文档的特定片段并可供研究者核验。其次，为测试统一分析架构的适用性，将方法依次应用于另外四个学科公告集（法学、管理学、教育学、政治学与行政学），结果以四个热图呈现（图2）。所有四种情况均保持相同的可视化结构，学科、职位类型和制度环境的差异不妨碍标准化程序档案的形成，方法在五个学科集合中保持标准、评分量表和可视化逻辑的一致性。观察到的热图差异不被解释为学科间系统性差异的证据，而是表明统一分析架构能够在不改变方法结构的情况下捕获不同的程序伦理风险配置。第三，最一致的结果之一是对标准3（招聘委员会不受控制自由裁量权风险）高风险的重复识别，所有五个学科公告集均存在此类评估。这一结果的可重复性表明，在不同学科和制度背景下，公告文本往往缺乏关于候选人比较评估规则、决策依据以及委员会自由裁量权限制的充分信息。在这种情况下，候选人无法事先理解竞争结果的决定逻辑。该结果不解释为所有学科竞争程序一致性的证据，而是表明统一标准集能够在异质性文档语料库中一致识别相同类型的程序伦理风险，从而实证确认了分析架构的稳健性。数据显示，五个学科语料库中标准3项下高风险公告的比例从法学的59.09%到政治学与行政学的85.71%不等，所有样本中超过一半的公告在该标准下获得高风险评级。这一结果不用于学科排序，百分比差异应视为特定样本语料库的描述性特征。第四，独立专家验证覆盖来自五个学科语料库的10份公告的40项分析决策。专家分别评估了分析解释的文本支持和所赋L/M/H等级的合理性。40项分类中有38项无需修改即获确认，专家确认率为95.0%。两项分类（5.0%）被专家从M级修订为H级，均涉及标准C4。在文本支持方面，37项决策（92.5%）获得“是”评级，两项（5.0%）获得“部分”评级，一项（2.5%）获得“否”评级。结果表明所选验证子样本的分类具有较高专家确认水平。两例分类修订涉及C4，反映了对职位概况要求选择性程度进行更严格专家评估的必要性。然而，部分文本支持并不总是导致分类更改，在一例（C1）中专家保留了原有M级。因此，结果被解释为对AI辅助分类整体有效性的确认，而非方法完全评分者间可重复性的证明。第五，程序开放性评分（POS）用于综合表示单个公告的分析结果。POS反映获得低风险评级（L）的程序伦理标准占所有适用标准的比例。在本研究中每份公告按四项标准评估，因此POS范围由五级量表描述：0.00、0.25、0.50、0.75和1.00。0.00表示分析的所有公告要素均未被归类为低风险，1.00表示全部四项要素均获得低风险评级。计算POS允许从四成分程序档案转向单个文档开放性的紧凑特征。例如H-H-H-M和M-H-H-H档案具有相同POS值0，因为不含L评分；L-M-H-L档案的POS为0.50，因为四项标准中有两项获得低风险评级。然而POS不能替代程序档案，具有相同指标值的公告可能在风险结构上有显著差异。例如L-L-H-H和H-H-L-L档案具有相同POS 0.50，但反映不同的程序特征配置。因此POS需与热图和单个标准评级结合使用。POS的应用结果表明公告的程序开放性是有等级而非二元的，文档可能包含某些程序要素的透明描述，同时在其他方面保持高度不确定性。该指标不将公告分类为完全“开放”或“封闭”，而是反映所应用分析架构内低风险要素的比例。POS应解释为文档化程序开放性的描述性指标，不衡量已完成竞争的实际公平性、不确立委员会决策的合法性，也不作为大学排名依据，其价值仅限于公告文本中发布的信息。该指标的方法论优势在于可扩展性，由于公式分母代表适用标准总数，即使分析架构扩展，POS仍可使用，这允许在标准明确披露的条件下以可比方式呈现不同版本方法的结果。结合程序档案和评分向源文本的追溯，该方法提供了三个层面的结果呈现：源文本→基于单个标准的评分→综合开放性指标。因此，POS回答了RQ3，提供了一种简单可解释的聚合AI辅助评分的方式。第六，文献计量分析在研究中发挥两项功能：一是为方法论的概念一致性提供外部检验，表明科学文献围绕程序公平、合法性、制度信任、治理与AI伦理等相关主题构成结构；二是为识别若干不同但相互关联的程序伦理风险维度提供额外基础，而非将程序开放性视为单一同质构念。文献计量分析根据PRISMA流程图进行，使用VOSviewer 1.6.19版本。关键词图谱显示出研究领域的多聚类结构，决策、社会正义、组织正义和合法性占据最中心位置。节点突出性表明主导文献主要在组织决策合法性、社会公平和制度程序质量的更广泛话语中讨论程序正义。第一个显著聚类围绕人工智能、算法、组织/经济/社会效应、AI伦理和伦理考量等术语组织，反映学术对AI在组织与管理过程中角色的日益关注，包括算法支持的决策。然而该聚类结构表明AI最常被讨论为组织转型的驱动力或伦理风险的来源，而非诊断学术招聘程序的结构化分析工具。这揭示了第一个研究空白：大量文献涉及AI在治理和决策中的应用，但相对较少工作开发用于事前分析学术招聘文档中程序开放性、透明度和可预测性文本特征的AI辅助方法。第二个聚类以合法性、合作、法律社会化、制度信任及相关治理导向概念为中心，代表话语的法律与制度维度。第三个聚类围绕民主、利益相关者、治理、社会接受度、可及性和交叉性形成，表明当代研究日益通过参与性、包容性和不同行动者群体对制度决策的感知可接受性来解读程序正义。在学术招聘背景下，这意味着职位公告不仅要法律准确，还要对具有不同专业和制度背景的候选人充分清晰、开放和可理解。第四个聚类与组织正义、工作满意度、工作绩效、集体效能和行为相关，反映经典组织行为传统，将程序正义与员工满意度、信任、承诺和绩效结果联系起来。但该文献主要考察已实施程序的后果，而非公告阶段程序中嵌入的风险，这指出第二个重要研究空白：现有研究倾向于关注公平或不公平程序的事后效应，而本文提出的方法将分析注意力转向事前层面，即潜在申请人首次接触职位公告文本的阶段。其他与知识共享、知识管理、创新行为、倦怠、幸福感、人际沟通和管理相关的聚类表明话语正逐渐转向将程序正义理解为组织可持续性、沟通质量和制度氛围的因素。尽管领域更广泛且更相互关联，学术招聘仍未充分被概念化为需要结构化程序风险评估诊断方法的具体制度过程。文献计量分析揭示当代学术话语形成了广泛但碎片化的概念框架，涵盖程序公平、合法性、制度信任、AI支持的决策和治理，但这些领域很少被整合到统一的公共学术招聘文件分析方法论中。文献结构在两个方面支持所提出方法的架构：首先确认分别分析学科一致性、程序信息全面性、自由裁量限制和职位选择性的可行性；其次证明分析程序开放性时需要结合伦理、组织和技术视角。文献计量结果不构成四项标准的独立实证验证，但提供其外部概念性论证。

讨论部分围绕三个研究问题展开。关于RQ1（从非结构化文本到标准化程序档案），结果表明AI辅助研究方法通过单一操作序列（应用四项预定义标准、赋予L/M/H风险等级、生成标准化程序档案）能够分析非结构化公告文本。该档案保留分析的多维性，同时将不同格式的公告转化为统一分析格式。关键的是，人工智能不自主决定公告质量，而是用于一致地应用分析架构，最终评估由研究者核验。这一结果将所提出方法与自动化AI过程区分开来：分析对象是公共文档，结果是其所反映程序开放性的可解释特征。每项评估与源文本特定片段的关联确保了结果的可验证性。分析链“标准→文本证据→程序特征→风险等级”允许解释程序档案中每个字段的起源，并限制AI辅助编码的不透明性。因此RQ1的答案是：非结构化文本可以在不失去实质基础的情况下以标准化形式呈现，该方法不替代定性分析，而是将其结果提炼为可比较和可验证的框架。关于RQ2（分析架构的跨情境适用性），结果表明统一分析架构在五个异质性学科语料库中保持适用。所有语料库使用相同标准、L/M/H量表和研究者核验程序。学科、职位类型和公告结构的差异不妨碍标准化程序档案的形成。最一致的跨情境结果是标准3（不受控制的委员会自由裁量权）高风险的重复识别，但这并不意味着各学科具有相同质量的竞争程序，而是表明方法在不同文档集中一致识别相同类型的风险。从程序正义理论来看，这些区域尤为重要，它们突显可能降低决策可预测性、使选拔逻辑难以理解或扩大不清晰自由裁量空间的程序要素。因此标准3的高风险不应视为公告形式缺陷，而应视为文档化程序开放性的限制。RQ2的答案是：方法在不改变基本架构的情况下展示跨情境适用性，结果确认分析程序的可迁移性，但不作为学科或大学统计排序的基础。关于RQ3（程序开放性的可解释和可扩展表示），结果表明AI辅助编码可以在三个相互关联的层面表示：单个标准评估、标准化程序档案和综合程序开放性评分。这种结构既保留分析的实质细节，又提供单个公告的紧凑特征。可解释性通过将每项评估追溯到源文本得以保证。“标准→公告片段→可观察程序特征→风险等级”序列使分析决策可验证并限制AI辅助分类的不透明性。POS补充但不替代程序档案，它反映被归类为低风险标准的比例，允许以简单数值形式呈现文档化程序开放性。然而相同POS值可能对应不同风险配置，因此应结合单个标准评估进行解释。POS的可扩展性由公式分母中可变标准数量决定，方法论上允许在不改变指标整体逻辑的情况下扩展分析架构。但POS不是对大学整体伦理的评估，也不证明特定竞争的合法性，仅表征分析竞争文档中反映的程序信息。RQ3的答案是：结果可以以结合可解释性、紧凑性和可扩展性的形式呈现。原始文本保留评估的证据基础，程序档案反映其多维结构，POS提供单个公告开放性的综合表示。方法论的扩展性不仅延伸至分析文档数量，还延伸至评估系统本身的结构。随着新的理论依据程序开放性维度的出现，标准数量可以增加而不改变基本分析序列和POS公式，但扩展版本应伴随新标准的披露和编码一致性的重新检查。

总结而言，结果表明所提出的AI辅助方法提供了完整的分析循环：从分析非结构化文本到生成可验证的程序档案和计算综合开放性指数。其科学价值在于标准化研究分析，而非自动化竞争质量决策。统一架构在学科情境中保持适用，识别重复出现的程序伦理风险，并允许每项评估追溯到原始文本。独立专家进一步验证了所选择分层子样本中40项分类中的38项（95.0%）无需修改即获确认，该结果为分析决策的整体有效性提供了额外实证支持。然而验证范围有限及其专家审计设计排除了将其解释为完全评分者间可重复性的证据。该方法结合了三种很少同时存在的属性：可解释性、跨情境适用性和可扩展性，这使其能够作为透明的基础，用于进一步复制和验证事前分析学术招聘公告的活动，并在适当调整标准后用于分析其他组织文档。

结论部分指出，本研究提出将学术招聘公告视为AI辅助方法分析的独立对象，这一方法将研究注意力从已完成程序的后果转移至其可公开观察的事前架构。研究贡献在于开发了AI辅助文档分析的一个独特领域，聚焦识别非结构化组织文本中的程序伦理风险。与自动化候选人选择系统不同，所提出的方法不评估个人也不做出人事决策，而是利用人工智能标准化研究公共文档如何揭示组织程序的逻辑。理论贡献在于将程序正义理论操作化于竞争公告文本层面，程序开放性被呈现为包含学科一致性、信息完整性、自由裁量限制和职位概况非选择性的多维构念。该理论不仅用于解释组织决策的感知或后果，还用于其采纳条件的文档化事前分析。方法论贡献在于将定性文本分析、形式化标准、三级风险量表、研究者核验、分层子样本独立专家验证、程序档案和程序开放性评分整合为单一分析架构。该架构的关键特征是保留聚合评估与原始文本文档之间的联系。POS扩展了方法论的析能力，但不替代多维档案，也不将评估转化为关于组织合法性或伦理的自动判断。该方法的实践意义在于能够在公告发布前进行初步审计或系统分析已发布的文档。大学可使用它识别信息缺口和不确定程序要素，管理和监督机构可使用它筛选大量公告，研究人员可使用它建构可比较的组织文档语料库。在调整标准后，该架构可应用于招标文档、资助竞争、遴选程序及其他文本质量影响组织决策可及性和可预测性的公共文档。该方法的实践相关性通过波兰招标文档分析AI工具开发获得资助得到说明，这表明对可扩展程序文档分析工具存在真实制度需求，进一步证实了所提出架构适应其他类型招标程序的潜力，这一潜力与方法论在学术招聘之外的可迁移性声明相一致。

局限性方面，分析仅基于公告文本且属于事前性质，因此无法评估程序的实际过程和最终公平性。未来研究应将文档化程序档案与实际竞争选择和结果进行比较。独立专家验证在有限的10份公告分层子样本中进行，包括40项分析方案，验证侧重于评估现有分类的文本支持和有效性，未涉及语料库的完整独立盲编码，因此所获结果不能得出方法完全跨专家可重复性的结论。未来研究应扩大独立盲编码范围、涉及多名专家，并使用不同AI模型进行比较测试。当前方法版本包括四项程序伦理标准，并已在学术招聘公告上测试，其适用于其他类型组织文档仍需进一步验证。未来研究应测试扩展标准体系和适应其他类型程序文档的可行性。更广泛地说，所提出的方法表明人工智能在组织研究中的负责任使用可以建立在不替代专家判断的基础上，而是增强探索性分析的一致性、可解释性和可扩展性。