性格診断テストを正確にするものとは？

1948年、心理学者のバートラム・フォアラーは、学生たちに性格分析を配りました。これは各自の診断回答に基づいて個別に作成されたものだと説明しましたが、実際には、全員が新聞の占星術コラムから作られた同じレポートを受け取っていました。各分析の科学的根拠は、Buzzfeedの「あなたの性格に合うゴミは？」というクイズと大差ないものでした。それにもかかわらず、自分をどれほど正確に表しているかを評価するよう求められると、学生たちは平均5点満点中4.26点を付けました。この結果は、その後数十年にわたり、ほぼ同じ得点で繰り返し再現されています。 

後にフォアラー効果として知られるようになったこの現象は、曖昧で一般的な性格の説明が、自分にだけ特別かつ正確に当てはまると人が信じる心理現象を指します。その説明はほとんど誰にでも当てはまり得るにもかかわらず、人は非常に正確だと評価します。また、説明がより好意的であるほど、人はそれを真実だと信じやすくなります。 

これが起こる理由は複雑です。私たち人間には意味を求める欲求があり、一般的な記述を自分の人生に結び付けようと懸命になります。また、私たちにはポジティビティ・バイアスがあり、好意的な特性を自分にも当てはまる真実として容易に受け入れます。さらに、心理学者は、いくつかの画期的な実験（ミルグラムの電気ショック実験、ビックマンの制服研究）を通じて、私たちが権威を深く信頼し、それに従うことを証明してきました。これらの研究は、専門家とされる人物から与えられたものであれば、人はどのような評価の結果でも信じることを示唆しています。

これらを総合すると、ほとんどの人は性格診断テスト、特に専門家の裏付けがある診断について、その結果がしっくりくるかどうかで正確性を判断することがわかります。しかしこれは、測定の裏付けがまったくなくても作り出せる主観的な感覚です。これはビジネスリーダーにとって問題です。組織が「本当らしく感じる」という理由だけで診断を信頼するなら、チーム作りの意思決定の根拠として安全に使える実在の何かを実際に測定しているのか、それとも高価なフォーチュン・クッキー型の疑似科学にすぎないのかを、どうやって見極められるのでしょうか。 

正確な性格診断テストの条件

共感できることが正確性の証拠ではないなら、何が証拠になるのでしょうか。 

その答えは、受検者が目にする診断結果の完全に外側にあり、最初の質問が作成されるはるか以前に完了した研究の蓄積の中にあります。その研究では、提供者が測定対象をどのように定義しているか、項目がどれほど厳密に作成・検証されたか、基準値を支えるサンプルがどれほど大きく代表性を持つか、そしてスコアが実際の行動に対してどれほど徹底的に検証されたかを扱います。 

この研究が広範であるほど、診断はフォアラーが借用した占星術コラムから距離を置くことができます。信頼できる診断は、いくつかの重要な仕組みによってバイアスに対抗します。

1. 診断は実際に何を測定しているかを定義しているか？

統計が関わる前に、信頼できる診断は、算出するすべてのスコアについて、曖昧で誰にでも好ましく響く記述ではなく、具体的で客観的に定義された特性を明示しなければなりません。心理学者はこれを構成概念と呼びます。例としては、誠実さ、恐怖、やり抜く力、完璧主義、親しみやすさなどがあります。 

性格の構成概念は目に見えないため、研究者がその特性を正確に狙った質問を書けるほど明確に定義しなければなりません。たとえば、Extraversionや、「社交性」「自己主張」といった類似の形容詞的特性は、直接見ることのできない内面的な性質です。私たちは、人々の行動を観察し、「知らない人と話すのが好きだ」「注目の中心になるのはよいことだ」といった質問への回答を見ることで、これらを研究します。

確立されたすべての性格フレームワークには、時間をかけて検証されてきた明確な構成概念があります。たとえばDISCには、Drive、Influence、Support、Clarityという構成概念があります。 ビッグファイブには、OCEANという頭字語で知られる5つの構成概念があります。それはOpenness、Conscientiousness、Extraversion、Agreeableness、Neuroticismです。 Myers-Briggsは、16の異なる性格タイプを生み出す4つの二分法による選好対（構成概念）に基づいています。すなわち、Extraversion（E）対 Introversion（I）、Sensing（S）対 Intuition（N）、Thinking（T）対 Feeling（F）、Judging（J）対 Perceiving（P）です。 これらの構成概念は一夜にして定まったものではありません。数十年にわたる研究の中で洗練され、議論され、再検証されてきたため、新しく独自に作られた尺度の多くには蓄積する時間がなかった証拠の体系を、それぞれが備えています。 

確立された体系に基づかず、一から作られた独自の診断を使用している場合は、どの構成概念が評価され、それらがどのように具体化されたかを確認することをお勧めします。この作業は、質問がまとめられるずっと前に行われているべきです。提供者が尺度で測定する正確な特性を明示できないなら、その後の検証研究が主張どおりの意味を持つと信頼することはできません。

2. 診断には信頼性があるか？ 

科学的に妥当な診断は、時間が経っても安定した結果を出さなければなりません。性格特性は週ごとに劇的に変化するものではないため、今日診断を受け、同じ条件で6週間後に再び受けた場合、スコアはほぼ同一であるはずです。これを信頼性と呼び、再検査信頼性のような統計手法で測定します。再検査係数は0.70以上であれば一般に許容範囲とされ、0.80以上は高い信頼性を示します。

信頼性の2つ目の基準は内的一貫性です。これは、同じ特性を測定する診断内の質問どうしに矛盾がなく、互いに整合していることを意味します。たとえば、ある診断が「Extraversion」という構成概念を測定している場合、混雑したパーティーを楽しむことに関する質問への回答は、知らない人に話しかけることに関する回答と統計的に整合するはずです。技術文書では、クロンバックのアルファ係数（α）という指標を確認してください。信頼できる心理アセスメントは、測定する各構成概念について0.70以上のアルファ値を備えています。

EnneagramやMyers-Briggsのような類型論システムは、再検査信頼性が比較的低いことについて、主流の心理学者から継続的な批判を受けている点にも触れておく価値があります。これは通常、タイプ理論そのものに対する批判です。なぜなら、性格特性は、タイプシステムが人を当てはめる明確な箱よりも、流動的なスペクトラム上に存在することが多いからです（より広く受け入れられている科学モデルであるビッグファイブの性格特性やホランド・コードが測定するように）。さらに、自己報告式アセスメントでは、気分、状況、自己認識により、根底にある特性がまったく変わっていなくても、回答が実施ごとにわずかに変動することは珍しくありません。  

とはいえ、信頼性の低さを示す研究がある一方で、高い信頼性を示す研究もあります。特にMyers-Briggsには、80年にわたる検証と活用の蓄積があります。組織は、提供者の技術文書で安心材料を見つけられます。たとえばTruityは、各アセスメントについて技術文書を公開しており、非常に大規模なデータセットでの検証（数百万人のユーザー）と、各構成概念にわたる標準的な信頼性指標を示しています。そのような文書が存在しない、または求めても提供されない場合は、提供者のマーケティングがどれほど洗練されていても、その診断は未検証とみなしてください。 

3. 診断は現実世界の結果を予測できるか？

妥当性の分析は複雑であり、信頼できる診断が公開される前には複数の検証が行われます。これらを総合して、診断自体の外にある実際の結果と照らし合わせ、診断が測定すると主張するものを本当に測定していることを確認します。 

詳しく見ると、診断が測定すると主張する特性が、実際にデータから現れる特性なのかを検証するものがあります。たとえば、診断作成者がビッグファイブのExtraversionを測定するために10問、Agreeablenessを測定するために10問を作ったとします。人々の回答によって、この2つの質問群が混ざり合って混乱したものになるのではなく、完全に別のまとまりとして維持されることが示されたとき、いわゆる因子妥当性が達成されます。

別の手法では、診断スコアがその人の将来の行動、パフォーマンス、または現実世界での結果をどの程度正確に予測するかを評価します。たとえば、チームメンバーのConscientiousnessが高い場合、6か月後にその人が実際に高い成果を上げ、整理整頓ができ、信頼できる従業員であることが判明すれば、予測的妥当性が証明されます。ここでも、提供者の分析は技術文書に掲載されているはずです。

性格フレームワークには、他より予測力が高いものがあります。とりわけビッグファイブは、学術文献において最も強い予測的妥当性を持ち、各因子が職務パフォーマンス、人間関係の満足度、さらには寿命といった具体的な結果に結び付くことを示す数十年分の研究があります。

Myers-Briggsのような類型論ベースのシステムには、より評価が分かれる実績があります。主な理由は、各二分法で人を二つの箱のどちらかに当てはめることで、その人がどちらにどれほど強く傾くかという重要な情報が失われるためです。たとえば2人ともIntrovertedと分類されることがありますが、51% Introvertedの人と99% Introvertedの人を同じ「I」カテゴリに入れることは、自然界には実際に存在しないカテゴリを作り出します。

しかし研究者のジョン・A・ジョンソンは、Myers-Briggsの4つの尺度がビッグファイブの4因子と意味のある相関を示すことを指摘しています（E-IはExtraversion、S-NはOpenness、T-FはAgreeableness、J-PはConscientiousness）。これは、古典的なMyers-Briggsの形式では十分に捉えられなくても、根底にある特性自体には現実的な予測価値があることを示唆します。 彼が提案する解決策は、厳格な二者択一の二分法をやめ、連続尺度で結果を報告することです。そうすることで、人を単に「E」または「I」とラベル付けした際に失われるニュアンスを保てます。 

Truity独自のTypeFinder性格アセスメントを含め、MyersとBriggsの原理に基づく新しいアセスメントの一部は、この尺度ベースのアプローチを採用しています。

4. 診断は、よく見せようとして回答する人を考慮しているか？

人気のある性格アセスメントの多くは自己報告式であり、特に人事評価や評判が結果に左右される場合、回答者が自分をよく見せるように答えて制度を利用するリスクがあります。研究者はこれを「社会的望ましさ」バイアスと呼びます。診断がこれを考慮しなければ、肯定的な特性のスコアは人為的に高くなり、否定的ではあっても重要な特性は隠れたままになります。 

社会的望ましさバイアスを最小限に抑えるため、信頼できる診断は、非現実的に徳の高い回答パターンを避ける形で質問を作成します。たとえば、「正しい」道徳的選択や社会的に好ましい回答を暗示する誘導的な言葉を避け、質問を中立的に表現します。または、肯定的・否定的な選択肢が同数になるよう、バランスの取れた多肢選択式の回答選択肢を用意します。一部の診断では、回答者に複数の記述の順位付けを求める「強制選択」形式を採用しています。適切に設計する診断作成者は、社会的な魅力または望ましくなさが同程度の記述を、2つ、3つ、または4つの組で提示します。これにより回答者は真のトレードオフを迫られ、最も好意的に見える選択肢を単に選ぶことができなくなります。 

重大な判断を伴う場面で診断結果を使用するリーダーは、提供者がこの問題に具体的にどう対処しているかを確認すべきです。この質問に答えられない診断は、水増しされた結果を生み出します。

5. スコアは大規模で関連性のあるサンプルに裏付けられているか？

多くの性格診断テストでは、回答者の回答を基準集団と比較して、パーセンタイルまたは特性スコアを算出し、人どうしを比較できるようにする規準準拠スコアリングを用います。規準準拠スコアリングは、他者との相対的な位置で受検者を評価します。つまり、同じ集団の他者と比べて、誰がある特性をより多く、またはより少なく持つかを示します。 

ここではサンプルサイズが非常に重要です。大学生100人の規準集団が示す「高い」「低い」「平均的」の像は、業界、年齢、国をまたぐ数万人の就業成人から得られたものとは、言うまでもなく大きく異なります。信頼できる提供者は、しばしば数百万人規模の真に大規模な規準サンプルを構築し、そのサンプルを人口統計学的に幅広く維持するか、評価対象の特定集団により適している場合には業界別（例：テクノロジー、医療）にカスタマイズします。

規準準拠スコアリングではなく、個人内比較スコアリングを用いるアセスメントもあります。これは、個人の特性をその人自身の他の特性とのみ比較し、相対的な強みと弱みについて自己参照型のプロフィールを作る強制選択形式です。個人内比較スコアリングでは、同程度に魅力的な記述間のトレードオフを強いることで、前節で述べた社会的望ましさバイアスを大幅に低減できます。しかし欠点は、AさんのスコアとBさんのスコアを数学的に比較できないことです。2人がまったく同じプロフィールであっても、その特性の絶対的な水準は大きく異なる可能性があります。

どちらの方法が客観的に優れているわけでもなく、診断の中にはその中核的な考え方として個人内比較を採用するものもあります。たとえばMyers-Briggsは、2つの対立する選好（例：Introversion対Extraversion）の間で選択を迫るため、一般集団に対するパーセンタイル順位ではなく、受検者の内的な選好を互いに比較して、4文字のタイプ（INFJ）に到達するのは明らかです。ビッグファイブはより規準準拠型であり、ほかのフレームワークでは、さまざまな質問形式と検証を組み合わせて精度の高い性格プロフィールを作成するハイブリッド適応型診断を用いています。 

最終的には、これは透明性の問題に帰着します。信頼できる提供者は、どのスコアリング手法をなぜ用いるのか、それを支える規準集団の規模と構成とともに、明確に説明します。その情報が見つけにくい、または曖昧な表現にとどまるなら、提供者が基礎となる作業を行っていない可能性を示すサインです。そしてそれは、どの種類のスコアリングを使うかよりも、正確性に関してはるかに大きな警告信号です。  

すべてを総合すると

この5項目の「正確性」チェックリストは、組織が実際に活用するコーチングの対話、育成計画、チームの意思決定を支えるツールと、ただ本当らしく感じるだけのツールを分けるものです。フォアラー効果が働くのは、曖昧な称賛を信じるのが容易だからです。称賛を洞察と取り違えないために必要なのは、診断設計の厳密さです。

したがって、裏付けとなるデータのない診断を評価しているなら、フォアラーの星占いを購入しようとしている可能性があることを理解してください。診断の正確性を信頼するには、技術マニュアルを確認し、その裏側で何が行われているかを把握する必要があります。従業員を統計で退屈させる必要はありませんが、その数値が存在することは知っておく必要があります。なぜなら、結果を説明・擁護しなければならないのはあなた自身だからです。そして、その結果が正式な人事またはコンプライアンスのプロセスに用いられるとき、求められるのはその文書です。