Fiabilitat en els tests de personalitat: què significa i quines puntuacions exigir
La fiabilitat fa referència a la constància d'una mesura. Un test és fiable si produeix els mateixos resultats, o molt similars, en condicions on el tret subjacent no ha canviat. N'hi ha dos tipus principals.
Fiabilitat test-retest
La fiabilitat test-retest pregunta: si la mateixa persona fa el mateix test dues vegades, amb unes poques setmanes de diferència, com de similars són els resultats? Les puntuacions poden diferir entre administracions per dues raons: un canvi genuí en el tret subjacent, o un error de mesura. Un test fiable minimitza l'error de mesura, de manera que els canvis de puntuació entre administracions reflecteixin principalment un canvi real més que no soroll.
El llindar estàndard per a una fiabilitat test-retest acceptable és una correlació d'aproximadament 0,70 o superior en un interval de dues a quatre setmanes. Els instruments del Big Five ben validats generalment aconsegueixen 0,80 o superior per a puntuacions a escala de domini. La fiabilitat test-retest del MBTI és menor: els estudis han trobat que aproximadament el 50% de les persones enquestades reben una classificació diferent de quatre lletres quan es tornen a avaluar cinc setmanes després, que és la signatura estadística d'un error de mesura elevat. Consulta MBTI enfront de Big Five per a la comparació completa.
Consistència interna
La fiabilitat de consistència interna pregunta si els ítems dins d'una escala mesuren el mateix constructe subjacent. Si una escala de Conscientiousness conté ítems sobre organització, diligència i fiabilitat, aquests ítems s'haurien de correlacionar entre si, perquè tots capten la mateixa disposició subjacent. L'estadística estàndard és l'alfa de Cronbach, on els valors per sobre de 0,70 es consideren generalment acceptables i per sobre de 0,80 són bons.
Una consistència interna baixa significa que els ítems dins d'una escala mesuren coses diferents, fet que dificulta la interpretació de la puntuació total de l'escala. Una puntuació de Conscientiousness derivada d'ítems que gairebé no es correlacionen entre si no és una mesura coherent. Per a una explicació de com la longitud de l'escala interactua amb la consistència interna, consulta per què 120 ítems és millor que 10.
Validesa en els tests de personalitat: quatre tipus que tot comprador hauria d'entendre
La validesa aborda una pregunta diferent: el test mesura realment el que pretén mesurar? Un test pot ser perfectament constant (fiable) mentre mesura quelcom completament equivocat. Les principals formes d'evidència de validesa aborden cadascuna un aspecte diferent d'aquesta pregunta.
Validesa convergent
La validesa convergent pregunta si el test es correlaciona amb altres mesures establertes del mateix constructe. Una nova escala d'Extraversion s'hauria de correlacionar positivament amb mesures d'Extraversion validades existents, perquè si totes dues mesuren l'Extraversion, haurien d'estar d'acord sobre qui en té més i qui menys.
Això sembla obvi, però és sorprenentment freqüent que es descuidi. Molts instruments propietaris no informen de dades de validesa convergent, cosa que fa impossible avaluar si mesuren els mateixos constructes que la literatura acadèmica. El banc d'ítems IPIP es va construir precisament per a permetre aquest tipus de comparació pública.
Validesa de criteri
La validesa de criteri, la forma més important a la pràctica, pregunta si el test prediu els resultats que el tret hauria de predir teòricament. Si una mesura de Conscientiousness és vàlida, hauria de predir el rendiment laboral, el rendiment acadèmic i l'assoliment d'objectius, perquè la Conscientiousness és el tret que s'associa de manera més constant a aquests resultats a la literatura. Si un test afirma mesurar la Conscientiousness però no mostra cap correlació amb el rendiment laboral, hi ha quelcom que no funciona en l'afirmació.
La validesa predictiva és un subtipus específic: el test prediu resultats futurs? La validesa concurrent pregunta si el test es correlaciona amb resultats avaluats al mateix temps. Tots dos importen, però la validesa predictiva és l'estàndard d'or per als instruments utilitzats en la selecció de personal. Per a les implicacions específiques per a la contractació, consulta els tests de personalitat en la contractació: què és legal i què és ètic.
Validesa discriminant
La validesa discriminant pregunta si el test es correlaciona massa amb mesures de constructes diferents. Si una escala que pretén mesurar l'Agreeableness es correlaciona tan fortament amb la Conscientiousness com ho fa amb altres mesures d'Agreeableness, pot ser que no mesuri l'Agreeableness de manera diferenciada — les dues escales poden estar mesurant gairebé el mateix, cosa que vol dir que la informació és parcialment redundant. Entendre el que mesura de manera única cada faceta del Big Five ajuda aquí; consulta què és una faceta en psicologia de la personalitat.
Validesa aparent enfront de validesa estadística
La validesa aparent és l'aparença de mesurar el que un test afirma. Un ítem que diu «Soc una persona organitzada» té una validesa aparent alta per a la Conscientiousness: sembla que mesura l'organització. Però la validesa aparent no és el mateix que la validesa estadística, i confondre-les és un dels errors més comuns en l'avaluació de tests de personalitat.
Molts instruments populars tenen una validesa aparent alta i una validesa estadística modesta o deficient. El contingut sembla rellevant; les prediccions són febles. Per a un desglossament de quins tests populars cauen en aquesta trampa, consulta els millors tests de personalitat gratuïts per a equips el 2026.
| Concepte psicomètric | Què mesura | Bon llindar | Instruments del Big Five | MBTI |
|---|---|---|---|---|
| Fiabilitat test-retest | Constància de les puntuacions al llarg del temps | r ≥ 0,70 durant 4 setmanes | Típicament 0,80–0,90 | ~0,50 (50% de canvi de tipus en el retest) |
| Consistència interna (alfa de Cronbach) | Coherència dels ítems dins d'una escala | α ≥ 0,70 | Típicament 0,80–0,90 | Moderada; varia segons l'escala |
| Validesa convergent | Acord amb altres mesures del mateix tret | r ≥ 0,50 amb una mesura establerta | Ben documentada en la revisió per parells | Dades limitades publicades entre instruments |
| Validesa de criteri | Predicció de resultats del món real | Varia; d ≥ 0,20 es considera significatiu | La Conscientiousness prediu el rendiment laboral de manera robusta | Predicció feble del rendiment laboral |
| Validesa discriminant | Independència de mesures de trets diferents | r baixa amb escales conceptualment diferents | Generalment avalada | Les dimensions no són clarament independents entre si |
Cinc preguntes per avaluar qualsevol afirmació de validesa d'un test de personalitat
Quan un venedor o un investigador afirma que un instrument de personalitat és «vàlid i fiable», les preguntes següents produeixen una valoració ràpida de qualitat.
Pregunta 1: l'evidència de validesa està publicada en revistes revisades per parells? Els informes tècnics propietaris, els llibres blancs i els textos de llocs web no compten. La revisió per parells sotmet les afirmacions de validesa a un escrutini independent. Si l'única evidència de validesa és la documentació pròpia de l'editor, es tracta d'un senyal d'alarma. Les implicacions més àmplies de com la ciència de la personalitat gestiona la replicació s'aborden a la crisi de replicació en ciència de la personalitat.
Pregunta 2: quina és la fiabilitat test-retest en un interval clínicament significatiu? De quatre a sis setmanes és l'estàndard. Si aquest nombre no s'informa o és inferior a 0,70, la mesura és sorollosa.
Pregunta 3: quins resultats prediu l'instrument? L'evidència de validesa de criteri hauria d'incloure resultats del món real, no només correlacions amb altres mesures d'autoinforme. Per als instruments rellevants per al treball, el rendiment laboral és el criteri clau.
Pregunta 4: grups de recerca independents han replicat els resultats de validesa? Un únic estudi dels mateixos desenvolupadors de l'instrument és insuficient. La replicació per part d'investigadors sense interès comercial en el resultat és l'estàndard significatiu.
Pregunta 5: la puntuació és transparent? Si l'algorisme de puntuació és propietari, les afirmacions de validesa no es poden verificar de manera independent. Els instruments de ciència oberta, inclòs l'IPIP en el qual es basa Cèrcol, permeten que qualsevol comprovi les afirmacions amb les dades. Consulta tests de personalitat: codi obert enfront de comercial per a la comparació completa.
Per què l'avaluació per parells afegeix una validesa que l'autoinforme no pot proporcionar
Una font de validesa poc valorada en l'avaluació de la personalitat és l'ús de valoracions d'avaluadors externs juntament amb l'autoinforme. La personalitat mesurada per persones que coneixen el subjecte —col·legues, gestors, subordinats directes— mostra típicament una validesa de criteri superior a l'autoinforme sol, especialment per predir el rendiment laboral.
Això es deu al fet que l'autoinforme està subjecte a la gestió d'impressions (puntuar-se de manera més favorable, conscientment o inconscientment) i al coneixement limitat d'un mateix (les persones sovint no saben com apareixen davant dels altres). Les valoracions dels avaluadors externs no estan lliures de biaixos, però estan afectades per biaixos diferents, cosa que significa que combinar dades pròpies i d'avaluadors externs produeix estimacions de personalitat més precises que qualsevol de les dues per separat. Per a l'argument complet, consulta per què l'autoavaluació sola no és suficient: el retorn de personalitat entre parells.
El model Testimoni de Cèrcol està dissenyat al voltant d'aquest principi. La història del Big Five i la pàgina de ciència proporcionen més context sobre l'evidència de validesa que sosté les decisions de disseny de Cèrcol.
«La fiabilitat i la validesa no són afirmacions de màrqueting. Són propietats estadístiques específiques amb llindars establerts, mesurables a través de mètodes estàndard i verificables a través de dades publicades. Un instrument que no pot proporcionar evidència revisada per parells per a totes dues hauria d'avaluar-se amb un escepticisme proporcional.»
Com Cèrcol compleix el nivell de fiabilitat i validesa
L'instrument de Cèrcol es basa en el banc d'ítems IPIP, els mateixos ítems de domini públic les propietats psicomètriques dels quals han estat documentades de manera independent per Goldberg i col·legues al llarg de dècades d'investigació publicada. La fiabilitat test-retest a escala de domini per a les escales del Big Five basades en l'IPIP generalment se situa per sobre de r = 0,80 en intervals de quatre setmanes. La consistència interna (alfa de Cronbach) per a les escales de 20 ítems per dimensió que utilitza Cèrcol és, de manera constant, per sobre de 0,87.
La validesa de criteri s'hereta de la literatura del Big Five més àmplia: la Conscientiousness (Disciplina) prediu el rendiment laboral en totes les principals categories ocupacionals (Barrick & Mount, 1991, doi: 10.1111/j.1744-6570.1991.tb00688.x). El Neuroticism (Profunditat) prediu la resposta a l'estrès i els resultats de benestar. L'Openness (Visió) prediu el rendiment creatiu.
L'avaluació de parells Testimoni afegeix puntuacions valorades per avaluadors externs en les mateixes cinc dimensions utilitzant un format d'elecció forçada que redueix el biaix de desitjabilitat social; consulta biaix de desitjabilitat social en tests de personalitat per a la metodologia completa. Fes l'avaluació gratuïta a cercol.team i revisa la documentació de validesa completa a cercol.team/science.
Lectura addicional: La història del Big Five: d'Allport a Goldberg · La ciència darrere de Cèrcol
Lectura addicional
- Per què 120 ítems és millor que 10: longitud del test de personalitat
- Com es calculen les puntuacions del test de personalitat
- Biaix de desitjabilitat social en tests de personalitat
- Tests de personalitat: codi obert enfront de comercial
- Ciència de la personalitat: la crisi de replicació
- Big Five enfront de MBTI: quin és més fiable?