同じ候補者を見ても、ある面接官は「4点」、別の面接官は「2点」と評価する。評価シートや質問を統一しても、このような差が残ることがあります。
面接評価の改善を採用ファネル全体の効果測定とつなげて考える場合は、[採用改善の効果測定は何をどう見ればいい？指標体系とPDCAの全体像](https://rebranding.co.jp/media/recruiting-measurement/)を参照してください。
必要なのは、評価結果を平均することではありません。「どの回答事実を、どの基準に照らして、何点と判断するのか」を面接官間で揃え直すキャリブレーションです。
キャリブレーションでは、同じ回答例を各面接官が独立して採点し、評価差が生じた理由を確認します。そのうえで評価基準を修正し、別の回答例や模擬面接で再採点します。
この記事では、評価差を発見した後に実施するキャリブレーション会議を、事前準備、採点例、差分議論、基準修正、再測定まで順番に解説します。
面接官キャリブレーションとは、同じ評価基準を同じ意味で使える状態にすること
面接官キャリブレーションとは、複数の面接官が、同じ候補者の回答を同じ評価基準で判断できるように認識を調整する取り組みです。
重要なのは、「全員が同じ点数を付けること」ではありません。
候補者の回答に複数の解釈が成立する場合、評価が完全に一致しないことはあります。問題なのは、評価差の理由が「候補者に対する見方の違い」ではなく、「3点の意味を面接官ごとに違って理解している」といった評価基準の解釈差になっている状態です。
米国人事管理局（OPM）は、構造化面接について、候補者全員に同じ質問を行い、同じ評価尺度と基準で回答を評価する方法と説明しています。また、複数の面接官がいる場合も、まず個別に候補者を評価する運用が基本になります。
厚生労働省も、公正な採用選考のため、面接前に職務遂行上必要な適性・能力に基づく質問項目と評価基準を定め、できるだけ客観的かつ公平に評価することを求めています。
つまり、評価シートを作るだけでは不十分です。
評価基準を面接官が実際に同じ意味で使えているかを確認し、ずれていれば修正する工程まで含めて運用する必要があります。
キャリブレーション会議の前に4つを準備する
キャリブレーションは、会議室で「うちの3点ってどのくらい？」と話し始めても精度が上がりません。
最低限、次の4つを準備します。
| 準備物 | 内容 | 目的 |
|---|---|---|
| 評価項目 | 主体性、問題解決力など | 何を評価するか固定する |
| 採点基準 | 1〜5点などの基準 | 各点数の意味を共有する |
| 共通回答例 | 匿名化した面接記録や模擬回答 | 同じ材料を全員で採点する |
| 個別採点結果 | 面接官ごとの点数と根拠 | 誰と誰がどこでずれたか確認する |
特に重要なのが「会議前の個別採点」です。
英国政府の構造化面接ガイドでも、面接官がグループで議論する前に、各自で回答を記録・採点することが推奨されています。先に意見交換すると、他の面接官、とくに影響力の強い人の判断に引っ張られる可能性があるためです。
したがって、キャリブレーション会議でも、
個別採点 → 差分確認 → 議論
の順番を崩さないことが重要です。
面接官キャリブレーション会議は6ステップで進める
キャリブレーション会議では、評価結果そのものではなく「評価差が発生した原因」を順番に取り除きます。
キャリブレーションは、評価差を話し合うだけではありません。基準を修正した後、別の回答例でもう一度採点して差が縮んだか確認します。
STEP1｜全員が同じ回答例を事前に採点する
まず、実際の候補者の匿名化記録、過去の面接回答、模擬候補者の回答などを1〜3件用意します。
面接官は会議前に、それぞれ独立して採点します。
記録するのは点数だけではありません。
- 評価項目
- 点数
- 点数の根拠となった回答事実
- 判断に迷った部分
- 不足していた情報
まで残します。
例えば「主体性：4点」だけではなく、
「本人が課題を発見し、上司の指示を待たず関係部署へ改善案を提案したため4点」
のように、観察した事実と点数をセットにします。
STEP2｜評価差が大きい項目から確認する
全項目を同じ時間をかけて議論する必要はありません。
5段階評価で、
- A面接官：4点
- B面接官：4点
- C面接官：3点
なら、優先度は高くありません。
一方、
- A面接官：5点
- B面接官：3点
- C面接官：2点
であれば、評価基準の解釈差が隠れている可能性があります。
本記事では、最初の運用ルールとして「2点以上の差が出た項目」を優先して確認する方法を推奨します。
これは統計上の普遍的な合格基準ではなく、限られた会議時間で大きな差から修正するための実務ルールです。
STEP3｜「なぜその点数か」を回答事実まで戻って確認する
評価差を確認するときに避けたいのが、
「私はこの人を高く評価します」
「私はあまり良く感じませんでした」
という印象同士の議論です。
確認する順番は、
回答事実 → 評価基準 → 点数
です。
例えば問題解決力について、A面接官が4点、B面接官が2点だったとします。
A面接官が、
「関係者を巻き込みながら自分で解決策を作ったので4点」
と判断した一方、B面接官は、
「最終判断は上司だったので、自律的な問題解決とはいえず2点」
と判断したとします。
ここで議論すべきなのは、どちらの面接官が正しいかではありません。
「自律性とは、最終決裁まで本人が行うことなのか。それとも、自ら解決案を作って関係者を動かせれば満たすのか」
という評価基準そのものの曖昧さです。
STEP4｜評価差を4種類に分類する
評価が割れた原因は、次の4種類に分けると整理しやすくなります。
| 評価差の原因 | 例 | 主な改善方法 |
|---|---|---|
| 基準の解釈差 | 「3点」の意味が違う | 行動アンカーを修正 |
| 取得情報の差 | 深掘り質問が違う | 共通の確認質問を追加 |
| 記録の差 | 一方だけ重要発言を記録 | 記録フォーマットを統一 |
| 判断対象の差 | 能力と人柄を混ぜている | 評価項目の定義を修正 |
評価が割れた原因によって、直すべき場所は異なります。評価基準だけでなく、質問方法や記録方法まで切り分けて確認します。
この分類を行うと、すべての問題を「面接官研修不足」として処理しなくて済みます。
質問設計に問題があるのか、評価基準に問題があるのか、記録方法に問題があるのかを切り分けられます。
STEP5｜採点基準を「形容詞」ではなく行動例へ書き換える
キャリブレーションで差が出た項目は、評価基準を書き換えます。
例えば問題解決力について、
| 点数 | 修正前 | 修正後の例 |
|---|---|---|
| 1 | 低い | 問題を自分で特定できず、対応も他者の指示に依存している |
| 3 | 標準 | 問題を特定し、自分の担当範囲で選択肢を比較して対応している |
| 5 | 非常に高い | 複雑な問題を構造化し、複数案を比較し、関係者を動かして結果まで改善している |
「優秀」「標準」といった形容詞だけでは解釈が分かれます。評価基準を観察可能な行動へ変えることで、点数の意味を揃えやすくなります。
「優秀」「普通」「弱い」といった形容詞だけでは、人によって想像する状態が変わります。
行動として観察できる内容に置き換えることで、評価者が同じ基準を使いやすくなります。
Melchersらの研究では、評価者へ共通の判断枠組みを与えるFrame-of-Reference trainingと、具体的な記述を持つ評価尺度の双方が、評価精度と評価者間信頼性を改善しました。さらに両方を組み合わせることで、評価精度が追加的に改善しました。
STEP6｜別の回答例を使って再採点する
評価基準を書き換えたら、その場で終わらせません。
評価基準を揃えた後は、その評価項目が実際に入社後の活躍を予測できていたかまで検証すると、採用要件そのものを改善できます。90日・180日データとの照合方法は[採用要件を入社後データで見直す方法](https://rebranding.co.jp/media/hiring-criteria-post-hire-validation/)で解説しています。
別の回答例や模擬面接を使い、もう一度各面接官が独立して採点します。
最初の回答例をそのまま再採点すると、直前の議論内容を覚えているため、表面的に点数が一致しやすくなります。
可能であれば、
- 回答例Aを採点
- 評価差を議論
- 基準を修正
- 回答例Bを採点
- 評価差を再確認
という順番にします。
キャリブレーションは「話し合って納得した」で終わらず、別のケースで評価差が縮んだか確認して完了です。
採点例を使うとキャリブレーション会議は進めやすい
例えば「主体性」を5段階で評価するとします。
質問は、
「これまで、自分から課題を見つけて改善した経験を教えてください」
とします。
候補者が次のように回答したとします。
「問い合わせ対応に時間がかかっていたので、過去の問い合わせを分類しました。多かった質問をFAQ化する案を上司へ出し、自分でたたき台を作りました。その後チームで修正し、運用を変更しました」
この回答に、
- 面接官A：4点
- 面接官B：2点
という差が出たとします。
ここで、
「Aさんは甘い」
「Bさんは厳しい」
と判断してはいけません。
それぞれが何を根拠にしたかを確認します。
面接官Aは「自ら課題を発見し、改善案まで動かした」点を評価。
面接官Bは「上司へ提案しており、最終判断を自分でしていない」点を低く評価しているかもしれません。
この場合、「主体性」の定義に、
本人が課題を発見し、自ら必要な働きかけを開始していること。最終決裁権の有無は問わない
と追記すれば、評価差を減らせます。
キャリブレーション会議の価値は、面接官を説得することではなく、点数の裏にある暗黙の判断ルールを言語化することにあります。
模擬面接では「質問する力」と「採点する力」を分けて確認する
評価差が大きい場合、採点基準だけが原因とは限りません。
面接官によって取得している情報そのものが違う場合があります。
例えば同じ主体性を評価していても、
面接官Aは、
「その課題には誰が最初に気づいたのですか」
「あなた自身が最初に行ったことは何ですか」
まで確認している。
一方、面接官Bは最初の回答だけで評価している。
この状態では、採点表を揃えても評価は安定しません。
模擬面接では、次の2つを分けて確認します。
面接実施のキャリブレーション
- 共通質問を使えているか
- 必要な事実を深掘りできているか
- 誘導質問になっていないか
- 職務と関係のない情報を評価していないか
評価のキャリブレーション
- 回答事実と評価を分けているか
- 同じ行動アンカーを使っているか
- 他項目の印象を混ぜていないか
- 総合印象で点数を修正していないか
質問方法と採点方法を分けて見ることで、改善対象を特定しやすくなります。
キャリブレーション後は評価差を再測定する
研修を実施した回数ではなく、評価差が実際にどう変わったかを確認します。
最低限、次の3指標から始めると運用しやすくなります。
| 指標 | 計算・確認方法 | 分かること |
|---|---|---|
| 平均評価差 | 面接官間の点数差の絶対値を平均 | 全体的なずれの大きさ |
| 1点以内一致率 | 評価差が0〜1点だった割合 | 実務上近い評価になっている割合 |
| 大幅乖離率 | 2点以上差が出た割合 | 再キャリブレーション対象 |
キャリブレーションの効果は、研修回数ではなく評価差の変化で確認します。最初は3つの指標から継続測定すると運用しやすくなります。
評価データが十分に蓄積している場合は、ICC（級内相関係数）や重み付きカッパなどを使い、評価者間の一致度を確認する方法もあります。
ただし、候補者数が少ない採用では、1回の数値だけで面接官を評価しないことが重要です。
目的は「厳しい面接官ランキング」を作ることではありません。
- どの評価項目で差が出ているか
- 誰と誰の組み合わせで差が大きいか
- 評価基準を改定した後に差が縮んだか
を時系列で確認します。
実際に、Gardnerらが45人の面接官を対象に構造化面接と面接官教育を導入した研究では、評価者間一致度を示すICCが導入前の0.51・0.49から、導入後は0.71・0.66へ上昇しました。また、大きな採点差が生じる候補者の割合も減少しています。一方、研究者は継続的な再研修の必要性も指摘しています。
キャリブレーションは「一度研修して終了」にしない
評価基準は、時間とともにずれる可能性があります。
新しい面接官が加わる。
採用ポジションが変わる。
求める能力が変わる。
評価シートが改定される。
こうした変化が起きれば、以前キャリブレーションした面接官でも評価がずれる可能性があります。
そのため、次のタイミングを再キャリブレーションの起点にします。
- 新しい面接官が選考へ参加するとき
- 新職種の採用を開始するとき
- 評価項目・採点基準を変更したとき
- 2点以上の評価差が繰り返し発生したとき
- 面接段階ごとの通過判断が大きく食い違うとき
- 一定期間運用した後の定期点検
定期的な会議に加えて、「評価差が一定以上発生したら実施する」というトリガー方式を組み合わせると運用しやすくなります。
45分で行うキャリブレーション会議のテンプレート
事前採点が終わっていれば、会議そのものは長時間である必要はありません。
次のように進められます。
| 時間 | 内容 |
|---|---|
| 0〜5分 | 今回確認する評価項目と差分を共有 |
| 5〜20分 | 評価差が大きい項目の回答事実を確認 |
| 20〜30分 | 評価基準・行動アンカーを修正 |
| 30〜40分 | 別の回答例を各自で再採点 |
| 40〜45分 | 残った差、変更内容、次回確認事項を記録 |
進行役は、
「何点に統一しますか」
ではなく、
「3点と4点を分けている回答事実は何ですか」
「今の評価基準のどの文章を読んで、その判断になりましたか」
と確認します。
これによって、議論を人の評価から基準の評価へ移せます。
キャリブレーションで避けたい5つの失敗
1. 合否会議をキャリブレーションの代わりにする
合否会議は候補者を判断する場です。
キャリブレーションは評価基準そのものを改善する場です。
目的を分けます。
2. 会議前に他の面接官の点数を見せる
他者の点数を見た後で採点すると、本来の評価差が見えなくなります。
必ず独立採点を先に行います。
3. 総合点だけを見る
主体性は高いが問題解決力は低い候補者と、その逆の候補者が同じ総合点になることがあります。
評価項目単位で差を確認します。
4. 点数だけ修正して評価基準を直さない
「今回は3点にしましょう」と決めても、次の候補者で同じ問題が発生します。
判断基準の文章まで変更します。
5. 一致率を面接官の人事評価に使う
一致度の測定は、面接官を順位付けするためのものではありません。
評価基準、質問、記録、研修のどこを改善するかを発見するために使用します。
公正な採用選考の観点でも評価基準の統一が重要
日本で面接を標準化する際は、単に採用精度だけを見るのではなく、公正な採用選考の観点が必要です。
厚生労働省は、応募者本人の職務遂行上必要な適性・能力を基準に選考し、面接では事前に質問項目・評価基準を決めることを示しています。本人に責任のない家族、出生地などの情報や、思想・信条などを採用判断へ持ち込まないことも重要です。
キャリブレーション会議でも、
「この項目は本当に職務遂行能力を測っているか」
「候補者の属性や第一印象を評価基準へ混ぜていないか」
まで確認してください。
評価基準を揃えることと、公正な評価基準を作ることはセットです。
まとめ
面接官キャリブレーションは、評価差が発生した後に「平均点を取って終わる」ための会議ではありません。
重要なのは、
- 同じ回答例を各面接官が独立して採点する
- 評価差が大きい項目を抽出する
- 回答事実まで戻って判断理由を比較する
- 基準・質問・記録のどこに原因があるか分類する
- 行動ベースの採点基準へ修正する
- 別の回答例や模擬面接で再採点する
- 実際の採用データで評価差を継続測定する
という一連の工程です。
評価シートを作っただけでは、面接官間の判断は自動的には揃いません。
評価差を測定し、差が生じた理由を評価基準へ戻し、もう一度測定する。この改善ループまで設計することで、面接評価を個人の経験や感覚から、組織として再現できる採用判断へ近づけられます。
参考文献・データ元
- 「公正な採用選考の基本」厚生労働省。面接時に職務遂行上必要な適性・能力を評価する質問項目・評価基準を事前に設定する考え方を参照。厚生労働省「公正な採用選考の基本」 参考元URL：https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/koyou_roudou/koyou/newpage_56780.html
- 「事業主の皆様へ 採用選考の具体的な方法」厚生労働省。面接評価を事前に決めた基準で客観的・公平に行う考え方を参照。厚生労働省「採用選考の具体的な方法」 参考元URL：https://kouseisaiyou.mhlw.go.jp/methods.html
- “Structured Interviews” U.S. Office of Personnel Management。共通質問・共通評価尺度による構造化面接の設計を参照。U.S. OPM Structured Interviews 参考元URL：https://www.opm.gov/policy-data-oversight/assessment-and-selection/structured-interviews/
- “Use fair and structured interview techniques” Office for Equality and Opportunity, 2026年3月4日。個別採点後にパネルで議論する運用を参照。GOV.UK structured interview guidance 参考元URL：https://www.gov.uk/government/publications/use-fair-and-structured-interview-techniques/use-fair-and-structured-interview-techniques
- Melchers, K. G., Lienhardt, N., von Aarburg, M., & Kleinmann, M. (2011). “Is More Structure Really Better? A Comparison of Frame-of-Reference Training and Descriptively Anchored Rating Scales to Improve Interviewers’ Rating Quality.” Personnel Psychology, 64, 53–87. FOR訓練と記述的評価尺度による評価精度・評価者間信頼性の改善を参照。DOI: 10.1111/j.1744-6570.2010.01202.x。Wiley掲載ページ 参考元URL：https://onlinelibrary.wiley.com/doi/10.1111/j.1744-6570.2010.01202.x
- Gardner, A. K., Costa, P., & Willis, R. E. (2022). “Getting on the Same Page: The Impact of Interviewer Education and Structured Interviews on Interrater Agreement in Residency Interviews.” Journal of Surgical Education, 79(6), e12–e16. 45人の面接官を対象とした教育・構造化面接導入前後の評価者間一致度を参照。DOI: 10.1016/j.jsurg.2022.05.013。PubMed掲載ページ 参考元URL：https://pubmed.ncbi.nlm.nih.gov/35803882/