什么让人格测试更准确？

1948 年，心理学家 Bertram Forer 向学生发放了一份人格分析报告。他告诉学生，这份报告是根据他们各自的测试答案量身定制的；但实际上，每位学生拿到的都是同一份报告，其内容拼凑自报纸上的 占星 专栏。这些分析报告的科学依据，大概和 Buzzfeed 上的“什么垃圾与你的人格相符？”小测验差不多。然而，当被要求评价报告对自己的描述有多准确时，全班给出的总体评分是满分 5 分中的 4.26 分；此后数十年间，类似实验也反复得出了几乎相同的分数。 

后来被称为福勒效应的现象，描述了一种心理现象：人们会相信模糊而笼统的 人格描述 是专门且独特地针对自己的。即使这些描述几乎适用于任何人，人们仍会认为它们非常准确。而描述越是恭维人，人们就越可能相信它是真的。 

这种现象出现的原因很复杂。我们人类渴望意义，并会努力将概括性的陈述与自己的生活联系起来。我们也有积极性偏差，很容易接受那些恭维性的特质确实符合自己。当然，心理学家还通过多项里程碑式实验，证明了我们对权威根深蒂固的信任和服从（米尔格拉姆电击实验；比克曼制服研究）。这些研究表明，只要是所谓的专家给出的，人们会相信任何评估结果。

综合来看，我们会发现，大多数人会通过结果是否感觉正确来评估人格测试是否准确，尤其是有专家背书的测试。然而，这种主观感受即使完全没有任何测量依据，也可以被制造出来。对于企业领导者而言，这就成了问题：如果一个组织仅仅因为测试“感觉是真的”就信赖它，又该如何知道该测试实际测量的是真实存在、可以放心据以作出团队建设决策的东西，而不是一张昂贵的算命饼干式伪科学纸条？ 

准确人格测试的特质

如果共鸣感并不能证明准确性，那么什么可以？ 

这个问题的答案，完全不在 受测者所看到的结果 之中，而完全存在于在写下第一个问题之前很久便已完成的一整套研究中。这些研究涵盖：发布者如何界定其所测量的内容、题目如何被严谨地构建和测试、常模背后样本的规模和代表性如何，以及测试分数如何被全面地与现实行为进行核验。 

这些研究越广泛，测试与福勒所借用的占星专栏之间的距离就越大。可信的测试会通过几项关键机制来对抗这种偏差。

1. 测试是否界定了它实际测量的内容？

在涉及任何统计数据之前，可信的测试必须为它给出的每项分数命名一个具体、客观且经过界定的 特质（而不是模糊、普遍恭维人的说法）。心理学家将其称为构念。例子包括诚实、恐惧、坚韧、完美主义和友善。 

由于人格构念不可见，因此必须对其作出足够精确的定义，使研究者能够编写恰好针对该特质的问题。例如，Extraversion以及“外向性”和“自信果断”等类似的形容词性特质，都是我们无法直接看见的内在品质。我们通过观察人们的行为，以及他们对“我喜欢与陌生人交谈”或“成为关注的中心是一件好事”等问题的回答来研究它们。

所有成熟的人格框架都具有定义清晰、且已历经时间检验的构念。例如，DISC 包含 Drive、Influence、Support 和 Clarity 四项构念。 大五人格 有五项构念，以缩写 OCEAN 为人所知： Openness、Conscientiousness、Extraversion、Agreeableness 和 Neuroticism。 Myers-Briggs 建立在四对二分偏好（构念）之上，组合形成 16 种不同的人格类型： Extraversion (E) 与 Introversion (I)、Sensing (S) 与 Intuition (N)、Thinking (T) 与 Feeling (F)，以及 Judging (J) 与 Perceiving (P)。 这些构念并非一夜之间确定的——它们经过数十年研究不断修正、讨论和重新检验，使每个构念都积累了大多数全新专有量表根本来不及获得的证据基础。 

如果您使用的专有测试并非建立在成熟体系之上，而是从零开始创建的，最好核查其中评估了哪些构念，以及这些构念是如何被具体界定的。这项工作应当早在题目编制之前就已完成。如果发布者无法说出一个量表所测量的确切特质，那么之后的任何效度验证研究都不值得相信其确实证明了所声称的内容。

2. 测试是否可靠？ 

一项科学严谨的测试必须能随时间推移产出稳定的结果。人格特质不会每周都发生剧烈变化，因此，如果您今天参加测试，并在相同条件下六周后再次参加，分数应当几乎完全相同。我们将此称为 信度，并通过重测信度等统计方法来衡量。 重测系数通常达到 0.70 或以上便被视为可接受，达到 0.80 或以上则表示信度较强。

第二项信度基准是内部一致性，即测试中的问题在测量同一特质时彼此一致、不互相矛盾。例如，如果测试在测量“外向性”这一构念，您对是否喜欢拥挤派对的问题所作的回答，在统计上应当与您对是否会主动和陌生人攀谈的回答一致。请在技术文档中寻找一项称为 Cronbach’s alpha（α）的指标。声誉良好的心理评估工具，对于其测量的每一项构念，alpha 值都应达到 0.70 或以上。

值得一提的是，Enneagram 和 Myers-Briggs 等类型学系统，因其重测信度相对较低，持续受到主流心理学家的批评。这通常是对类型理论本身的批评，因为 人格特质 往往存在于流动的连续谱上（如更广受认可的科学模型——大五人格特质和 霍兰德代码——所测量的那样），而不是这些类型系统将人们划入的彼此分明的格子中。此外，自我报告式评估的表现存在波动并不罕见，因为情绪、情境和自我认知都可能让一个人的回答在两次测试间略有变化，即使其底层特质完全没有改变。  

不过，每有一项研究显示信度较差，就会有另一项研究显示信度很强，尤其是 Myers-Briggs，它已有 80 年的测试和应用积累。组织可以从发布者的技术文档中获得保障。例如，Truity 为我们的每项评估发布 技术文档，其中引用了我们规模极大的数据集测试（数百万用户）以及各构念的标准信度指标。若不存在这类文档，或无法应要求提供，无论发布者的营销看起来多么精美，都应将该测试视为未经证实。 

3. 测试能否预测现实世界的结果？

效度分析很复杂，一项可信的测试在发布前会经过多项检验。它们共同确保测试测量的是其声称测量的内容，并将其与测试本身之外的现实结果进行核验。 

具体而言，有些检验会验证测试声称测量的特质，是否确实会从数据中呈现出来。因此，如果一个测试创建者设计了 10 个问题测量大五人格中的 Extraversion，再设计 10 个问题测量 Agreeableness，那么，当人们的回答证明这两组问题彼此完全区分开来，而非混合成一团令人困惑的内容时，便实现了所谓的因素效度。

其他方法则评估测试分数能够多准确地预测一个人未来的行为、表现或现实结果。例如，如果一名团队成员的 Conscientiousness 得分较高，而六个月后此人确实表现为高绩效、有条理且可靠的员工，那么预测效度便得到了证明。同样，您应能在发布者的技术文档中找到其分析结果。

某些人格框架比其他框架具有更强的预测力。尤其是大五人格，在学术文献中拥有最强的预测效度；数十年的研究已将每个因素与工作绩效、关系满意度，甚至寿命等具体结果联系起来。

Myers-Briggs 等基于类型学的系统有着较为参差的记录，这在很大程度上是因为，在每个二分维度上强制将人们归入两个类别之一，丢弃了有关一个人偏向某一方向程度的重要信息。例如，两个人都可能被归类为 Introverted，但将一个 51% Introverted 的人和一个 99% Introverted 的人置于同一个“I”类别中，会造成实际上并不存在于自然界中的分类。

不过，研究者 John A. Johnson 指出，四项 Myers-Briggs 量表与大五人格中的四个因素具有显著相关性（E-I 对应 Extraversion、S-N 对应 Openness、T-F 对应 Agreeableness、J-P 对应 Conscientiousness），这表明即使经典 Myers-Briggs 格式未能很好地捕捉到这种价值，底层特质本身仍具有真实的预测价值。 他提出的改进方案是放弃严格的非此即彼二分法，转而在连续量表上报告一个人的结果，以保留当人们仅被标记为“E”或“I”时丢失的细微差异。 

一些建立在 Myers 和 Briggs 原始理论基础上的较新评估工具，包括 Truity 自家的 TypeFinder 人格评估，已经采用了这种基于量表的方法。

4. 测试是否考虑到人们为了显得更好而作答？

大多数流行的人格评估都是自我报告式的，因此存在受访者通过以有利于自身形象的方式作答来操纵系统的风险，尤其是在绩效考核或个人声誉取决于结果时。研究人员将其称为“社会期许”偏差。如果一项测试没有对此加以考虑，您最终会得到人为抬高的积极特质分数，而消极但相关的特质则会被隐藏起来。 

为了尽可能减少社会期许偏差，可信的测试会以避免产生不切实际的完美作答模式的方式编写问题。例如，测试会中立地表述问题，避免使用暗示“正确”道德选择或社会偏好答案的引导性词汇，和／或提供正负选项数量均衡的多项选择答案。有些测试采用“强制选择”格式，要求受访者对陈述进行相互排序。了解如何设计测试的开发者，会将具有相同社会吸引力或社会不吸引力程度的陈述（成对、三项一组或四项一组）放在一起，使受访者必须做出真实的取舍，而不能只是选择最恭维自己的选项。 

在任何高风险情境中使用测试结果的领导者，都应具体询问发布者如何处理这一问题。对于这个问题没有答案的测试，将会产生虚高的结果。

5. 分数是否有规模庞大且相关的样本支持？

许多人格测试采用常模评分，即将受访者的回答与参照群体进行比较，从而生成可在人群之间比较的百分位数或特质分数。常模评分评估受测者相对于他人的表现——它显示与同侪相比，谁具备更多或更少的某项特质。 

样本规模在此极为重要。由 100 名大学生组成的常模群体，与从跨行业、跨年龄和跨国家的数万名职场成年人中抽取的常模群体相比，显然会对“高”“低”和“平均”产生截然不同的图景。可信的发布者会以真正的大规模建立常模样本，通常达到数百万；他们也会根据所评估的特定人群，保持样本在人口统计学上的广泛性，或按行业（如科技、医疗保健）进行定制。

有些评估采用自比评分，而不是常模评分。这是一种强制选择格式，只将一个人的特质与其自身的其他特质进行比较，从而得出一份以自我为参照、呈现相对优势和劣势的画像。自比评分通过强制在同样有吸引力的陈述之间进行取舍，大幅减少了我们在上一节讨论的社会期许偏差；但缺点是，您无法在数学上将甲的分数与乙的分数进行比较。两个人可能拥有完全相同的画像，却在这些特质的绝对水平上存在巨大差异。

没有哪一种方法客观上优于另一种，有些测试在其核心理念上就是自比式的。例如，Myers-Briggs 强制您在两种相反偏好之间做出选择（如 Introversion 与 Extraversion），因此它显然是将受测者的内部偏好相互比较，从而得出四字母类型（如 INFJ），而不是得出相对普通大众的百分位排名。大五人格更偏向常模式，其他框架则采用混合式自适应测试，结合多种问题格式和测试方式来构建高度准确的人格画像。 

归根结底，这取决于透明度：可信的发布者会清楚说明他们采用哪种评分方法、原因是什么，以及支持该方法的任何常模群体的规模和构成。如果这些信息难以找到或表述含糊，那就表明发布者可能没有完成底层工作；与所使用的评分类型相比，这才是对准确性而言大得多的警示信号。  

综合来看

这份包含五项内容的“准确性”核查清单，决定了一项工具究竟是能支持组织实际用于辅导沟通、发展计划和团队决策的工具，还是仅仅让人感觉真实。福勒效应之所以有效，正是因为模糊的恭维很容易令人相信；而测试设计中的严谨性，才能防止人们将恭维误认为洞见。

因此，如果您正在评估一项没有数据支持的测试，请明白您购买的或许就是福勒的星座运势。要相信一项测试的准确性，您需要查阅技术手册，了解其幕后运作。您不必用统计数据让员工感到厌烦，但您确实需要知道这些数字存在，因为您是需要能够为结果辩护的人。当这些结果被用于正式的人力资源或合规流程时，相关文档正是人们会向您索取的东西。