为什么大多数网络人格测试不可靠

一个网上的免费人格测试和一个经过验证的心理测量工具，产生的输出看起来一模一样：一个分数、一个百分位数、一段描述你的文字。区别完全在于结果页面上看不到的那些工作。

这一点值得说清楚，因为通常的说法——网络测试是骗局——大多是错误的，也没什么用。大多数测试的制作者并没有欺骗的意图。它们不可靠是出于结构性的原因。

通常被跳过的环节

题目分析。 在一个构建良好的量表中，大多数起草的题目在试测后都会被舍弃：没有人在其上产生差异的题目、与总分相关性差的题目、在多个因子上都有负荷的题目、在不同年龄或语言群体中表现不同的题目。一个没有经过试测就发布的测试，保留了所有题目，包括那些不起作用的。

独立的结构确认。 对用来构建量表的数据做因子分析，一定会恢复出你设计时预设的结构。在一个新样本中确认它是一项独立的研究，而这正是相当一部分量表失败的环节。

常模。 百分位数总得有个来源。如果网站没有说明其参照人群，那这个数字要么来自之前的访问者——一个构成情况未知的自选群体，要么根本没有任何具体依据。

重测数据。 要确认人们下个月的得分是否相同，需要重新找到这些人。几乎没有人这样做，这意味着"特质"这个词所暗示的稳定性，其实从未被证实过。

设计激励的方向不对

一个为了参与度而设计的测试，与一个为了准确性而设计的测试，优化的是不同的目标，而这两者会以可预测的方式渐行渐远。

讨喜的结果表现更好。一个告诉你不受欢迎的事情的结果，被分享的次数更少，所以结果会逐渐趋向于每个人都能在自己身上找到共鸣的描述。这就是巴纳姆效应，早在20世纪40年代就已被证实，此后一再被重复验证：人们会认为泛泛而谈的人格描述精确地契合了自己。

类型比维度表现更好。"你是建筑师型"比"你在开放性上处于第68百分位，置信区间较宽"更容易被分享。类型还会掩盖测量误差，因为一个在类别边界一分之差的人，会得到完全不同的标签。

简短比充分表现更好。每多一道题都会流失一些受测者，所以测试会被压缩到能最大化完成率的长度，而不是能充分覆盖构念的长度。

这些都不是谎言。它们只是针对准确性以外的其他指标做的优化。

三十秒左右的辨别方法

寻找一个有具名作者和年份的原始测评工具。寻找一个说明常模来自哪个人群的声明。寻找任何关于局限性或测量误差的说明。看看结果是一个连续分数还是一个类别。看看同一个页面是否还承诺仅凭二十道题就能识别你理想的职业、伴侣或人生目标。

一个注明了其所实现的测评工具、引用了来源、说明了常模、并说明了它无法确定什么的测试，是下了功夫的。一个什么都没做的测试，可能依然是消磨五分钟的愉快方式——但它产生的数字只是装饰。

NOESIS 目录中的每一个测评工具都注明了它实现的是哪个已发表的测试、由谁编写、哪一年编写、如何评分，以及其结果无法确定什么。最后这一点，正是最值得比较的内容。