Точны ли тесты личности? Надёжность, повторное прохождение и эффект Барнума

Что значит «точный» для теста личности

Психологи делят точность на два вопроса:

• Надёжность: измеряет ли тест стабильно? Согласуются ли между собой пункты, которые должны отражать одну черту (внутренняя согласованность), и получаешь ли ты похожий балл при повторном прохождении (ретестовая надёжность)?
• Валидность: измеряет ли он то, что нужно? Согласуются ли баллы с другими сведениями о тебе, например с оценками людей, которые тебя знают, и предсказывают ли они поведение и жизненные исходы?

Тест может быть надёжным, но не валидным (напольные весы, которые всегда ошибаются на два килограмма), но не может быть валидным, не будучи надёжным.

Надёжность: стабильны ли баллы?

Внутреннюю согласованность обычно выражают через α Кронбаха — от 0 до 1. Значения около 0,80 и выше обычно считаются хорошими для исследовательских шкал. У общедоступных шкал IPIP, которые использует 64 Types, α составляет от 0,79 до 0,89 в наших нормативных выборках примерно по 20 000 человек каждая; полные цифры — на нашей странице о науке. Опубликованные исследования MBTI тоже сообщают о в целом высокой внутренней согласованности его четырёх шкал, хотя значения от исследования к исследованию различаются.^[8]

Стабильность при повторных измерениях на протяжении лет высокая, но далеко не идеальная. В 152 лонгитюдных исследованиях корреляция между баллами личности, измеренными с интервалом около 6,7 года, росла с 0,31 в детстве примерно до 0,74 в возрасте от 50 до 70 лет.^[9] Часть этой нестабильности — настоящие изменения: средние уровни черт сдвигаются на протяжении взрослой жизни.^[10] См. Может ли тип личности измениться?

Почему результаты на тип кажутся ненадёжными

Если шкалы надёжны, почему так многие при повторе получают другой тип? Из-за того, что происходит рядом с границей. Баллы личности сосредоточены в центре: большинство людей около середины, а не в двух горбах.^[4][11] Любой, кто близок к середине, может получить другую букву из-за небольшого обычного колебания. При четырёх буквах шансы, что сменится хотя бы одна, складываются. Обзоры MBTI называют эту нестабильность классификации ключевой причиной для осторожности.^[5]

Простой пример. По определению 20 % людей находятся между 40-м и 60-м процентилем по любой черте. Если бы шесть черт кода из 64 типов были полностью независимы, доля людей, у которых ни одна черта не попадает в эту зону, была бы 0,8⁶, то есть около 26 %, — значит, примерно у трёх из четырёх была бы хотя бы одна пограничная буква. (Черты немного коррелируют между собой, поэтому реальная цифра чуть другая, но суть остаётся.)

Валидность: видят ли тебя другие так же?

Одна из сильных проверок — совпадают ли оценки людей, которые тебя знают. Серия метаанализов, охватившая 44 178 человек, которых оценивали в 263 выборках, изучила, насколько оценки наблюдателей согласуются между собой и с самооценками. Точность росла по мере того, как оценивающий был ближе к человеку, особенно для менее заметных черт, таких как эмоциональная стабильность. Оценки других людей также предсказывали успеваемость и успешность работы заметно лучше самооценок и дополняли их.^[1]

И у самого человека, и у окружающих есть слепые пятна. В одном исследовании, где самооценки и оценки друзей и незнакомцев сравнивали с поведенческими показателями, сам человек лучше всех судил о чертах, связанных с нейротизмом, друзья — о чертах, связанных с интеллектом, а экстраверсию все оценивали примерно одинаково хорошо.^[12]

Валидность: предсказывают ли баллы реальную жизнь?

Черты «Большой пятёрки» предсказывают смертность, разводы и профессиональные достижения примерно так же хорошо, как социально-экономический статус и когнитивные способности.^[2] Добросовестность предсказывает успешность работы во всех профессиях,^[13] нейротизм — тревожные и депрессивные расстройства,^[14] а личность в целом предсказывает множество других исходов.^[15]

Эти результаты выдерживают проверку. Предварительно зарегистрированный проект заново проверил 78 опубликованных связей между чертами и исходами на больших выборках и обнаружил, что 87 % воспроизвелись, хотя эффекты обычно составляли около 77 % от исходно опубликованной силы.^[3] Так что правильная формулировка — «реальные, устойчивые, умеренные»: корреляции между чертами и исходами в крупных метаанализах в основном лежат примерно от 0,10 до 0,30, например 0,11 между добросовестностью и продолжительностью жизни и 0,31 между экстраверсией и лидерством.^[16][17] Это полезно, чтобы понимать тенденции у множества людей, и гораздо слабее помогает предсказать, что сделает один конкретный человек.

Эффект Барнума: почему любой результат кажется точным

В 1949 году психолог Бертрам Форер дал студентам пройти тест личности, а через неделю раздал каждому якобы персональный профиль. На самом деле все получили один и тот же текст, составленный в основном по астрологической книжке из газетного киоска, с фразами вроде «вам очень нужно, чтобы другие люди вас любили и восхищались вами». В среднем студенты оценили его как очень точное описание самих себя.^[6]

Более поздний обзор десятилетий повторных исследований показал, что люди охотнее принимают такую обратную связь, когда она лестная, когда она достаточно общая, чтобы подойти почти любому, и когда они верят, что она составлена специально для них.^[7]

Описания типов часто соответствуют всем трём условиям. Это не делает их бесполезными, но означает, что «это точно про меня» не может отличить валидный тест от гороскопа. А проверки выше — устойчивость, согласие с другими и предсказательная сила — могут.

Чек-лист для оценки любого теста личности

1. Сказано ли, откуда взяты вопросы? Научные тесты используют опубликованные наборы пунктов, например общедоступный IPIP.^[18]
2. Сравнивает ли он тебя с реальными людьми? Процентили по указанной нормативной выборке значат больше, чем «высокий» или «низкий» на произвольной шкале.
3. Сообщает ли он надёжность? Ищи цифры вроде α Кронбаха.
4. Показывает ли он баллы, а не только ярлык? Непрерывные баллы отражают то, как черты распределены на самом деле.^[11]
5. Говорит ли он, когда ты около середины? Пограничные результаты — главный источник смены типа.^[4]
6. Ссылается ли он на данные в своих утверждениях о карьере или отношениях? И честно ли сообщает величины эффектов?
7. Указывает ли он свои ограничения? Тест с самоотчётом — не клинический диагноз и не инструмент найма.

Как 64 Types выглядит по этому чек-листу

Мы строили 64 Types по этому чек-листу: 62 общедоступных пункта IPIP, процентили по сравнению примерно с 20 000 реальных ответов на каждую шкалу, опубликованные показатели надёжности, отметки пограничных результатов с альтернативными кодами и ссылки на источники по всему тексту. Ограничения тоже названы прямо: нормативные выборки — онлайн-добровольцы, среди которых больше молодых и англоязычных людей. Подробности — в статье Как устроен тест 64 Types и на нашей странице о науке.

Частые вопросы