摘要：為單位準備人才稱號候選人的支援材料時，八維評分表的價值不在總分，而在三個結構性資訊：優勢維度、短板維度、數據可信度。本文逐一說明讀法。
一、先看清「分從哪來」
MuchSci 人才畫像的八維評分，八個維度、口徑固定、權重不可調：
其中主要科研成績（權重 20）與代表作（權重 15）佔大頭。這意味着：一個候選人的分數基本盤，由其硬成果決定——這正是稱號評審最看重的部分。
二、優勢維度：找到「有明細支撐的亮點」
得分靠前的維度，逐一下鑽看明細。主要科研成績高，背後是哪些核驗項目？代表作得分高，具體是哪幾項成果？只有能落到「批准號、年份、承擔單位」這個顆粒度的優勢，寫進支援材料才是硬亮點。
三、短板維度：如實呈現，比修辭有用
薄弱維度同樣要讀。比如著作維度偏弱、學術社交維度偏弱——這些資訊對單位的價值在於：支援材料裡寫「補短板的計劃」，比遮短板的修辭更有說服力。遴選支援從來不是包裝工程。
四、數據可信度：覆蓋率是隱藏的第三列
讀任何一維得分前，先看數據覆蓋率。覆蓋率低的維度，分數的解釋力打折扣；未收錄的資訊，畫像明確標註「當前畫像未提供」，材料中相應表述也要留有餘地。
小結：八維評分給的是事實與相對位置。它回答「候選人的公開畫像長什麼樣」，不回答「該不該支援」——後者的判斷權，在單位與候選人自己。把事實讀透，決策才有落點。