`
friend365
  • 浏览: 54520 次
  • 性别: Icon_minigender_2
  • 来自: 上海
最近访客 更多访客>>
社区版块
存档分类
最新评论

大学生求职七大昏招-故事二

阅读更多
1.2      故事二:自作聪明的暴露缺点
这已经是李子平在一个月内的第二次面试了。这次他晚得更离谱,比约定的时间晚了半个小时。这不,他正在和面试经理高方玄解释迟到的原因呢。

高方玄:“我们约的是9点,现在是9点半。”

李子平:“过来找了一会儿。”

高方玄:“是地点不太好找?”

李子平:“也没有。其实,我想的是9点你们刚上班可能会打点水或者什么的,以前也去过别的公司,9点还没开始工作呢。”

高方玄:“明白了,没事。如果有下次面试,还是希望能准时,谢谢!”

……

高方玄:“能举个在工作中不那么成功或者失败的例子吗?”

李子平:“面试中的失败可以讲吗?”

高方玄:“当然。”

李子平:“差不多一个月之前有个工作机会,前两轮都过了最后一轮见公司老板。平时我感觉自己英语还可以,也过了六级。那天面试时老板问了很多问题,我感觉回答的也还可以。他突然说我的简历上写着英语六级,想听我用英语简单自我介绍。因为应聘的职位没有标明英语要求,我就没太准备。但是当时还是比较镇定,利用大学上课时练习的内容介绍了一下自己,应该说介绍的不错。然后他又让翻译一封信,比较专业。我感觉翻译的很不好,自己都不满意。后来知道那个职位需要用英语处理日常事务,结果应该是因为翻译的不好,我被淘汰了。这应该算是个失败的例子,我感觉英语还是要学以致用,多用多学。从那次面试之后,我每天练习英语,已得到了非常大的提高,相信再有类似机会我是会成功的。”

“Would you like to introduce yourself simply now?”高方玄冷不丁地冒出这样一句。

“什么?”很明显,这对李子平来说有点突然。“明白了。I…..I am Li-Ziping come form Tianjin University.嗯。下面怎么说来着。I am study in Tianjin University and study Computer technical. Last year I came to Beijin in UN company as an editor.嗯, 接着怎么说来着。”

高方玄:“OK. Is that all?”

李埋:“啊?哦,Yes.”

李子平被干掉了。估计李子平一个月前的面试失败是从英语自我介绍开始的。如上次一样,他也因此失去了新潮公司这个机会。

面试结束后,赵旬觉得高方玄提出英语的要求给李子平并不合适。“这个职位不是不要求英语吗?不能用英语介绍自己就被干掉了,有必要吗?您是不是对他太苛刻了啊?”

高方玄诡异地笑了笑说,“正如他自己所说,当时以英语不过关导致失败,已在过去的一个月里勤学苦练提高了英语水平。可是从他用英语介绍自己的表现上来看,口语很差。我相信他上次被淘汰也是因为英语自我介绍这关没过,而非他自己所说的翻译成绩不理想。”  

赵旬恍然大悟的说:“哦,对啊”

高方玄说:“由此,他暴露出几个问题。其一,他的英语能力很差。其二,他自作聪明。他希望以此证明自己是一个勤奋的、闻过则改的优秀青年,突出自己的成长性,并把这个谈缺点的机会,变成一个证明自己的优点给自己加分的机会。但是,那也得看这是否与事实相符啊!他自作聪明的这个举动,却恰恰暴露出了我原本没有注意到的缺点。其三,这说明他不诚实,没有诚实的面试也就罢了,最令我担心的是他没有诚实的面对自己。”

赵旬不解的问:“他自作聪明暴露出了缺点,您干掉他,我能明白。您说他不诚实的面对自己是什么意思啊?”高方玄回答到:“他是否清楚的认识到了自己的英语水平究竟如何?他是否清楚的知道自己的状态,以及该怎么进步?如果他对自己不诚实,他的可成长性将非常低,这完全不符合公司的要求啊!”

1.2.1            技巧——如何回答类似于“缺点”的问题
招聘方常常会问到这个故事里的问题,“您觉得自己有什么缺点吗?能否举出一个自己的失败案例?”

这样的问题,除了是在考察应聘者对自己的认识能力之外,很大程度上在考察应聘者是否诚实。

李子平很聪明,他希望借助自己失败的例子来借此展示自己不断要求提高的特点,希望以此给招聘方留下好印象。他之所以会选择英语来表现,是因为他以为之后从事的职位不会用上英语,所以说谎不会被识破。但是,他犯了两个错误。

首先,他过分低估了我们的招聘经理。难道英语能力不是在非常短的时间内就能被检验的能力吗?

其次,他对自己过于不负责任。如果他侥幸在这次面试中蒙混过关进入公司,此后真遇到需要英语工作的情况而不能胜任给公司带来损失,他的职业生涯恐怕会遭遇重大挫折。

仅仅从面试过程上看,由于他自作聪明,反而暴露了没有被注意的缺点。而且,他在自作聪明过程中表现出来的不诚实,成为了他被干掉的最大理由。

分享一个有趣的故事吧。

一个刚毕业的女生面试公司某业务线的经理助理,当被问到最大的优点是什么时,女生毫不犹豫的说:“做事情认真仔细。”领导很满意的点点头,接着问,“那缺点呢?”女生笑了笑,调皮的回答“太仔细太认真!”领导哈哈一笑,不置可否,她通过了这次面试。

对于“经理助理”这个职位来说,“仔细认真”是非常重要的优点和加分项,而“太认真太仔细”这个所谓的缺点,又是不重要而且短时间内检验不出来的。不过,事实证明,她看起来取巧的回答并没有撒谎。一年后,她因为执着于与公司同事的情感而选择了离职,但此时她正被公司领导重视准备提升。她确实“太仔细太认真”。事情过去之后,记得她当初面试过程的人都会说,这个孩子是诚实的。

分享到:
评论

相关推荐

    大学生 求职七大昏招

    大学生求职七大昏招 大学生求职七大昏招 大学生求职七大昏招

    Java毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zip

    Java毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zip本资源中的源码都是经过本地编译过可运行的,评审分达到95分以上。资源项目的难度比较适中,内容都是经过助教老师审定过的能够满足学习、使用需求,如果有需要的话可以放心下载使用。 Java毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zipJava毕业设计-基于Springboot+Vue旅游网站设计-源码+数据库+使用文档+演示视频(高分项目).zip

    Music-app-master.zip

    Music-app-master

    基于springboot的权限管理系统.zip

    基于springboot的java毕业&课程设计

    外东洪路中段.m4a

    外东洪路中段.m4a

    基于matlab+Simulink模拟的微电网系统包括包括电源、电力电子设备等+源码+开发文档(毕业设计&课程设计&项目开发)

    基于matlab+Simulink模拟的微电网系统包括包括电源、电力电子设备等+源码+开发文档,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用~ 项目简介: 这是一个完整的微电网模型,包括电源、电力电子设备、使用MatLab和Simulink的负载和电源模型。该模型基于费萨尔·穆罕默德的硕士论文《微网格建模与仿真》。 什么是微电网 模拟的微电网使用一组电源和负载在与任何集中式电网(宏电网)断开连接的情况下工作,并自主运行,为其局部区域提供电力。该仿真对微电网在稳态下进行建模,以分析其对输入变化的瞬态响应。 此模拟的目的 对系统进行全年模拟,测量负载、产量、电压和频率。 给出简化规划和资源评估阶段的方法。

    MySQL8.4.0 LTS(mysql-server-8.4.0-1debian12-amd64.deb-bundle)

    MySQL8.4.0 LTS(mysql-server_8.4.0-1debian12_amd64.deb-bundle.tar)适用于Debian 12 Linux (x86, 64-bit)

    改进混沌游戏优化(ICgo)matlab代码.zip

    1.版本:matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    基于SpringBoot,SpringCloud的微服务大型在线学习平台实现.zip

    基于springboot的java毕业&课程设计

    圣经投屏软件(5种语言版本)

    圣经投屏软件(5种语言版本)

    基于SpringBoot,Spring Security实现的前后端分离权限管理简易系统.zip

    基于springboot的java毕业&课程设计

    jSP在线教学质量评价系统的设计与实现(源代码)

    在线教学质量评价系统可以方便和全面地收集教师教学工作的数据,提供师生网上评教的评分结果,快速集中收集各方面的评教信息,使教务管理部门能够及时了解教学动态和师资情况,为教务老师提供相关决策支持,为职称评聘提供教学工作质量的科学依据,同时减轻了教务老师的工作量。

    测障测角小车程序+仿真电路DSN文件+设计报告doc.zip

    包含作品的设计论文doc文档+测障测角小车程序+仿真电路DSN文件,可直接修改,适合于电赛备赛、课程设计、毕设参考等。 设计制作了一款具有智能判断功能的小车,功能强大。小车具有以下几个功能:自动避障功能;寻迹功能(按路面的黑色轨道行驶);趋光功能(寻找前方的点光源并行驶到位);检测路面所放置的铁片的个数的功能;计算并显示所走的路程和行走的时间,并可发声发光。作品可以作为大学生学习嵌入式控制的强有力的应用实例。     作品以两电动机为主驱动,通过各类传感器件来采集各类信息,送入主控单元AT89S52单片机,处理数据后完成相应动作,以达到自身控制。电机驱动电路采用高电压,高电流,四通道驱动集成芯片L293D。其中避障采用红外线收发来完成;铁片检测部分采用电感式接近开关LJ18A3-8-Z/BX检测;黑带检测采用红外线接收二极管完成;趋光部分通过3路光敏二极管对光源信号的采集,再经过ADC0809转化为数字信号送单片机处理判别方向。由控制单元处理数据后完成相应动作,实现了无人控制即可完成一系列动作,相当于简易机器人。 关键字:智能控制   蔽障  红外线收发  寻迹行驶  趋光行驶

    基于Python卷积神经网络人脸识别驾驶员疲劳检测与预警系统设计

    1412基于Python卷积神经网络人脸识别驾驶员疲劳检测与预警系统设计毕业源码案例设计 卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。

    基于Vue + SpringBoot实现的前后端分离的仿小米商城项目.zip

    基于springboot的java毕业&课程设计

    QKD 协议密钥率的数值评估matlab代码.zip

    1.版本:matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

    基于springboot校园社团管理.zip

    基于springboot的java毕业&课程设计

    基于卷积神经网络的城市感知评估.zip

    卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Po

    课设毕设基于SpringBoot+Vue的医院急诊系统 LW+PPT+源码可运行.zip

    课设毕设基于SpringBoot+Vue的医院急诊系统 LW+PPT+源码可运行.zip

    无人驾驶实战-无人驾驶高精地图

    无人驾驶高精地图,学习无人驾驶高精地图

Global site tag (gtag.js) - Google Analytics