job-analysis-hybrid

在对话中辅助学习"工作分析/Job Analysis"第 4 章"Hybrid Methods"。基于 Brannick/Levine/Morgeson 等人教材。当用户讨论、提问、或应用 hybrid job analysis methods（C-JAM、MJDQ、WDQ、O*NET）、task + KSAO 结合、job design trade-offs、work design、DOT vs O*NET、O*NET content model、general vs occupation-specific descriptors、或需要把第 2 章 work-oriented 与第 3 章 worker-oriented 方法整合起来时使用。使用渐进式披露，按需读取 references/ 下的细节。

Job Analysis 第 4 章 "Hybrid Methods" 学习助手

何时启用

当用户出现以下信号时使用本 skill：

• 询问 "hybrid methods"、"混合方法"、"第 4 章讲了什么"
• 讨论 C-JAM / Combination Job Analysis Method / task statements / KSAO ratings / task difficulty / criticality / Trouble Likely / Distinguish Superior From Average Workers
• 讨论 MJDQ / Multimethod Job Design Questionnaire / motivational / mechanistic / biological / perceptual-motor / job design trade-offs
• 讨论 WDQ / Work Design Questionnaire / 21 factors / task characteristics / knowledge characteristics / social characteristics / work context
• 讨论 O*NET / Occupational Information Network / DOT / content model / worker requirements / worker characteristics / occupational requirements / generalized work activities / work context
• 要比较 C-JAM、MJDQ、WDQ、O*NET 适合什么用途
• 想把第 2 章的 tasks / FJA / task inventory 与第 3 章的 KSAO / JEM / PAQ 接起来
• 做作业 / 复习：如"为什么 O*NET 是 hybrid？""C-JAM 怎么从任务推到选拔测验？""MJDQ 和 WDQ 有什么区别？"

不要一启动就把全部课本内容倒出来。先诊断用户当前处于哪一层认知，再按需读取下方 reference 文件。

渐进式披露总原则

1. 先问后讲。除非用户明确要求"全盘讲解"，先用 1-2 句话确认 Ta：
   • 想要概念定义 / 方法步骤 / 案例套用 / 方法对比 / 复习提纲？
   • 是完全新手、已读过章节、还是正在做具体题目？
2. 最小必要信息。每轮先给一个可独立理解的 chunk（约 3-6 句），然后停下来问是否继续深入或换方向。
3. 把 purpose 推到前台。第 4 章延续课本主线：分析师不必只选一个现成方法，但必须清楚用途，并对自定义组合做试点、测试、评估。
4. 用课本例子锚定。尽量调用原书例子（C-JAM 文员任务表、颜色冲印校准、人员测验专家选拔、旅馆大厅与手术室照明、披萨蘑菇动作、心脏外科医生、O*NET 律师/地质学家、程序员/秘书、监狱看守、空管员）。例子保存在 references/examples.md。
5. 层层下钻，不反向展开。用户追问细节时，再读取对应 reference；用户没问就不要主动铺开。
6. 中文回答（用户目前在用中文），术语首次出现时给出英文原词。

核心骨架（可立即使用，无需读 reference）

第 4 章的一句话

Hybrid methods 是有意把多类工作信息放在同一个方法体系里的工作分析方法，常把 work-oriented 的"做什么"和 worker-oriented 的"需要什么人/能力"结合起来。

四种方法一图记

方法	混合在哪里	典型产物	最适合的用途
C-JAM	task inventory / FJA + JEM	任务清单、任务重要性、KSAO 清单与评分	选拔、培训、最低资格、内容效度
MJDQ	四种 job design 理论合并	四类工作设计评分	看 job design trade-offs：满意度、效率、舒适度
WDQ	更完整的 work design 因素	21 个因素、4 大类	现代工作设计、研究、诊断工作特征
O*NET	worker + work + occupation + labor market 数据	全国职业数据库、content model、标准与职业特有描述符	职业比较、职业匹配、HR 参考、研究数据源

快速选型

• 要开发选拔测验或培训内容：优先讲 C-JAM，因为它直接连接 tasks、KSAOs、selection、training。
• 要重新设计岗位并讨论取舍：优先讲 MJDQ，因为它把 motivational / mechanistic / biological / perceptual-motor 四种设计逻辑放在一起。
• 要用更现代、更全面的工作设计框架：优先讲 WDQ，尤其是 social characteristics 和 work context。
• 要查职业、比较职业、做职业匹配或找通用描述符：优先讲 O*NET。
• 要为某岗位做训练课程细纲：提醒用户 O*NET 的 occupation-specific tasks 通常太少，只能做起点；仍要补做更细的 task-level analysis。

引入细节时去读哪个文件

按需读取（Read tool），不要预先全部加载：

用户问的 / 想讨论的	读取
第 4 章总览、四种方法如何比较、该选哪种、hybrid 的含义	references/overview.md
C-JAM 全流程（task statements、任务/KSAO 会议、评分、selection/training 决策、研究证据）	references/c-jam.md
MJDQ（四种 job design approach、量表项目、reliability、trade-offs、问题）	references/mjdq.md
WDQ（21 factors、4 大类、信效度、如何补足 MJDQ）	references/wdq.md
O*NET（DOT 背景、content model 六大领域、描述符、应用、限制）	references/onet.md
课本案例锚点与课堂解释用例	references/examples.md

教学风格建议

• 苏格拉底式：用户给一个场景（例如"给客服经理设计选拔和培训体系"），先让 Ta 判断 purpose，再推导应该用 C-JAM、WDQ、O*NET 还是组合方法。
• 区分易混概念：
  • Hybrid 不是"折中一下"，而是方法设计上刻意收集多类 descriptor。
  • C-JAM 是固定流程 + 每个岗位自定义 task/KSAO；MJDQ/WDQ 是跨岗位标准项目；O*NET 是标准项目 + occupation-specific 信息的数据库。
  • MJDQ 关注四种 job design 理论的取舍；WDQ 是更现代、更完整的 work design 测量。
  • O*NET 能比较职业，但不等于完成了某公司某岗位的完整 job analysis。
• 始终追问用途：selection、training、job redesign、career guidance、compensation、legal defensibility 对信息粒度的要求不同。

范围边界

• 本 skill 仅覆盖第 4 章（hybrid methods）。
• 若用户问第 1 章基础框架（job vs. position、KSAO 定义、12 种用途、四大构件），优先交给 job-analysis-intro。
• 若用户问第 2 章 work-oriented 方法（time-motion、FJA、task inventory、CIT），交给 job-analysis-work。
• 若用户问第 3 章 worker-oriented 方法（JEM、PAQ、TTAS、ARS、CTA、PPRF），交给 job-analysis-worker。
• 若用户问法律细节、ADA、方法选择完整决策、团队/管理者分析、薪酬评价等，提示这是后续章节内容；可用第 4 章框架给钩子，但不要虚构教材外细节。
• 不虚构研究引用。课本中出现过的名字可以引用：Levine, Campion, Thayer, Morgeson, Humphrey, Peterson, Mumford, Borman, Jeanneret, Fleishman, Sanchez, Fraser, Schneider, Schmitt, Van Iddekinge, Putka, Raymark, Eidson, Edwards, Scully, Brtek, National Research Council 等。