摘要：为单位准备人才称号候选人的支持材料时，八维评分表的价值不在总分，而在三个结构性信息：优势维度、短板维度、数据可信度。本文逐一说明读法。
一、先看清"分从哪来"
MuchSci 人才画像的八维评分，八个维度、口径固定、权重不可调：
其中主要科研成绩（权重 20）与代表作（权重 15）占大头。这意味着：一个候选人的分数基本盘，由其硬成果决定——这正是称号评审最看重的部分。
二、优势维度：找到"有明细支撑的亮点"
得分靠前的维度，逐一下钻看明细。主要科研成绩高，背后是哪些核验项目？代表作得分高，具体是哪几项成果？只有能落到"批准号、年份、承担单位"这个颗粒度的优势，写进支持材料才是硬亮点。
三、短板维度：如实呈现，比修辞有用
薄弱维度同样要读。比如著作维度偏弱、学术社交维度偏弱——这些信息对单位的价值在于：支持材料里写"补短板的计划"，比遮短板的修辞更有说服力。遴选支持从来不是包装工程。
四、数据可信度：覆盖率是隐藏的第三列
读任何一维得分前，先看数据覆盖率。覆盖率低的维度，分数的解释力打折扣；未收录的信息，画像明确标注"当前画像未提供"，材料中相应表述也要留有余地。
小结：八维评分给的是事实与相对位置。它回答"候选人的公开画像长什么样"，不回答"该不该支持"——后者的判断权，在单位与候选人自己。把事实读透，决策才有落点。