Persönlichkeitstest: warum 120 Items besser sind als 10

Die Spearman-Brown-Formel: Warum die Testlänge die Big Five-Reliabilität vorhersagt

Den mathematischen Zusammenhang zwischen Testlänge und Reliabilität haben Charles Spearman und William Brown vor über hundert Jahren unabhängig voneinander formuliert. Die Spearman-Brown-Formel sagt vorher, wie sich die Reliabilität verändert, wenn man die Zahl der Items verändert, vorausgesetzt, die neuen Items sind von ähnlicher Güte wie die alten.

Aus der Formel folgt etwas Bestimmtes: Der Reliabilitätsgewinn durch zusätzliche Items folgt einer Kurve mit abnehmendem Ertrag. Wer von 2 auf 10 Items geht, gewinnt viel. Wer von 80 auf 120 Items geht, gewinnt sehr viel weniger. Die ersten Items leisten den größten Teil der Arbeit, jedes weitere trägt weniger bei als das davor.

Deshalb ist die Testlänge eine echte Konstruktionsentscheidung und keine schlichte Rechnung nach dem Muster „mehr ist immer besser“. Ab einem bestimmten Punkt wiegt der Aufwand für die Befragten schwerer als der Reliabilitätsgewinn. Praktisch geht es darum, wo dieser Punkt für den jeweiligen Zweck liegt. Wie Reliabilität definiert und gemessen wird, behandelt Was ist Reliabilität und Validität in Persönlichkeitstests im Detail.

„Die Spearman-Brown-Formel bringt den Zusammenhang von Reliabilität und Länge auf den Punkt: Wer die Reliabilität eines Tests verdoppeln will, muss ihn ungefähr vervierfachen.“

Was Big Five-Tests mit 10 Items übersehen und längere Instrumente erfassen

Mit zwei Items pro Dimension kann das TIPI konstruktionsbedingt keine Facettenunterschiede innerhalb einer Big Five-Dimension abbilden. Wie Was ist eine Facette in der Persönlichkeitspsychologie beschreibt, umfasst jede Big Five-Dimension sechs Facetten, also eng gefasste Untermerkmale, die bei zwei Menschen mit demselben Gesamtwert in unterschiedliche Richtungen zeigen können.

Eine Gewissenhaftigkeitsskala aus zwei Items kann durchaus einordnen, ob jemand auf dieser Dimension insgesamt hoch oder niedrig liegt. Sie kann aber nicht unterscheiden, ob die Gewissenhaftigkeit aus Ordnungsliebe und Pflichtgefühl erwächst oder ob Leistungsstreben und Selbstdisziplin das Profil prägen. Und genau dieser Unterschied zählt, wenn es um die Passung zur Rolle und um Entwicklung geht.

Dasselbe gilt für alle Dimensionen. Eine Offenheitsskala aus zwei Items trennt intellektuelle Neugier nicht von ästhetischem Empfinden. Eine Neurotizismusskala aus zwei Items unterscheidet nicht, ob die Reaktivität aus Angst oder aus Ärger gespeist wird.

Kurze Tests messen außerdem gerade dort ungenauer, wo sich die meisten Menschen auf den meisten Dimensionen befinden, nämlich in der Mitte der Verteilung. Wer eindeutig extrem liegt, sehr hoch oder sehr niedrig, lässt sich auch mit zwei Items noch vernünftig einordnen. Für die Mehrheit im mittleren Bereich ist der Messfehler einer Zwei-Item-Skala jedoch groß genug, dass eine zweite Messung eine andere Einordnung ergibt. Die statistische Erklärung dazu liefert Wie Persönlichkeitstest-Scores berechnet werden.

TIPI und IPIP-NEO-120: die Kompromisse im direkten Vergleich

Das IPIP-NEO-120 ist ein frei verfügbares Instrument mit 120 Items, das alle fünf Big Five-Dimensionen und alle dreißig Facetten misst. Entwickelt wurde es ausdrücklich als frei zugängliche Alternative zum kommerziellen NEO PI-R, und seine Validität ist in begutachteter Forschung dokumentiert.

Der Vergleich mit dem TIPI zeigt den Zusammenhang von Reliabilität und Länge unmittelbar:

Wann ein kurzer Persönlichkeitstest wirklich angemessen ist

Für kurze Persönlichkeitstests sprechen gute Gründe, und die sollte man nicht wegwischen. In manchen Zusammenhängen ist ein Instrument mit 10 Items die richtige Wahl.

Große Bevölkerungsstudien brauchen Tausende von Teilnehmenden. Eine Bearbeitungszeit von 10 Minuten führt zu erheblich mehr Abbrüchen als eine von 2 Minuten, und das verzerrt die Stichprobe. Geht es der Fragestellung um Trends in der Bevölkerung statt um einzelne Profile, ist die schwächere Reliabilität des TIPI vertretbar, weil sie sich über große Stichproben ausmittelt.

Beim Screening, wo es nur darum geht, wer von einer gründlicheren Erhebung profitieren würde, lassen sich kurze Instrumente sinnvoll einsetzen. Wenn ein Screening mit 10 Items diejenigen im oberen oder unteren Viertel einer Dimension für eine genauere Erhebung herausfiltert, ist die Kürze ein vernünftiger Preis.

Wiederholte Messungen stellen eine eigene Anforderung. Wer Persönlichkeitsveränderungen über die Zeit oder über mehrere Entwicklungsmaßnahmen hinweg verfolgen will, wird ein Instrument mit 120 Items nicht jedes Quartal vorlegen wollen. Eine validierte Kurzform, über die Zeit konsistent eingesetzt, liefert für Längsschnitte oft brauchbarere Daten als eine seltene Vollerhebung.

Selbsterkundung ohne Konsequenzen, wenn also jemand schlicht neugierig auf die eigene Persönlichkeit ist und keine folgenreiche Entscheidung darauf stützt, kommt mit kürzeren Instrumenten gut aus. Je geringer die Tragweite, desto weniger kostet der Messfehler. Welche kostenlosen Instrumente zu welcher Tragweite passen, vergleicht die besten kostenlosen Persönlichkeitstests für Teams in 2026.

Wann die Testlänge zählt: persönliche Entwicklung und Teamprofile

Je höher die Tragweite und je genauer die Aussage sein soll, desto stärker sprechen die Argumente für längere Instrumente.

Persönliche Entwicklung braucht Daten auf Facettenebene. Ein Instrument mit 10 Items kann einem Coach oder einer Führungskraft nicht sagen, warum der Gewissenhaftigkeitswert einer Person so ausfällt, wie er ausfällt, welche Facetten ihn tragen und welche Maßnahmen am ehesten wirken. Ein Instrument mit 120 Items und Auswertung auf Facettenebene liefert genau die Genauigkeit, die Entwicklungsgespräche verlangen.

Teamprofile setzen zuverlässige Einzelwerte voraus, denn sie gehen als Rohstoff in die Auswertung auf Teamebene ein. Sind die Einzelwerte stark fehlerbehaftet, erbt das Teamprofil diesen Fehler. Eine Teamkarte auf Basis von TIPI-Werten schwankt zwischen den Profilen deutlich stärker zufällig als eine auf Basis längerer Instrumente, und genau das macht sie für bewusstes Teamdesign weniger brauchbar. Wie sich Profile auf Facettenebene in Erkenntnisse über Teamrollen übersetzen, zeigen Cèrcols 12 Teamrollen.

Peer-Assessment verstärkt das Argument noch. Cèrcols Zeuge-Modell bittet Zeuginnen und Zeugen, die Persönlichkeit einer anderen Person über mehrere Dimensionen und Facetten hinweg einzuschätzen. Ein kurzes Instrument würde das Signal aus diesen Bewertungen so weit zusammenschrumpfen, dass die Abweichungen zwischen Fremd- und Selbstbild unzuverlässig würden, und das sind die aufschlussreichsten Daten im ganzen Bericht. Die Methodik erklärt Was das Zeuge-Instrument von Cèrcol misst ausführlich.

Entscheidungen mit hoher Tragweite, also Leistungsbeurteilung, Zuschnitt von Rollen oder Auswahl für Führungsprogramme, verlangen Daten, auf die man sich verlassen kann. Eine Messung mit α = 0.55 (beim TIPI der Normalfall) heißt: 45 % der Varianz sind Zufallsrauschen. Bei α = 0.90 sind es nur 10 %. Der Unterschied zwischen 55 % und 90 % Signal ist der Unterschied zwischen brauchbaren Daten und ausgewürfelten Entscheidungen.

Warum Cèrcol mit 120 Items arbeitet: Reliabilität gegen Ausfüllzeit

Cèrcols Instrument umfasst 120 Items, 24 pro Big Five-Dimension, misst auf Facettenebene und bleibt dabei deutlich kürzer als das vollständige NEO PI-R mit 240 Items. Dahinter steckt eine bewusste Abwägung: die Auflösung auf Facettenebene und eine Reliabilität über 0.87 pro Dimension erhalten und die Ausfüllzeit trotzdem bei etwa 15 Minuten halten.

Getragen wird diese Länge von den Reliabilitäts- und Validitätsbefunden zu IPIP-basierten Instrumenten in dieser Größenordnung und von der praktischen Einsicht, dass Teamprofile und persönliche Entwicklung Daten auf Facettenebene brauchen, die kürzere Instrumente strukturell nicht liefern können. Zur Wissenschaft dahinter siehe Persönlichkeitstests: Open Source und kommerziell im Vergleich und Soziale Erwünschtheit in Persönlichkeitstests. Längere Instrumente bieten außerdem mehr Gelegenheit für umgekehrt gepolte Items, die gegen Akquieszenz und soziale Erwünschtheit schützen.

Wie lang ein Persönlichkeitsinstrument sein sollte, entscheidet weder die Gewohnheit noch das, was gerade bequem wirkt. Es entscheiden der Verwendungszweck, die nötige Reliabilität und die Genauigkeit, die die Daten liefern müssen. Für persönliche Entwicklung und Teamentwicklung weist die Evidenz durchgängig auf Instrumente im Bereich von 100–120 Items als praktisches Optimum.

Warum Cèrcol 120 Items einsetzt und nicht 10

Ein Persönlichkeitstest mit 10 Items ist besser als gar kein Test. Für das, was den meisten Teams wichtig ist, also Rollenpassung, Entwicklungsplanung, das Vorhersehen von Konflikten und Coaching, reichen zwei Items pro Dimension jedoch nicht. Sie können keine Facetten unterscheiden, ordnen Menschen in der Mitte der Verteilung nicht zuverlässig ein und erzeugen einen Messfehler, der groß genug ist, um bei einer zweiten Messung die Schlussfolgerung zu kippen.

Cèrcol arbeitet mit 120 Items, weil das die kürzeste Länge ist, die volle Facettenauflösung und eine Test-Retest-Reliabilität über 0.87 auf allen fünf Big Five-Dimensionen liefert. Die Items stammen aus dem gemeinfreien IPIP-Item-Pool, derselben wissenschaftlichen Quelle, die in Hunderten begutachteter Studien verwendet wird. Das Ausfüllen dauert rund 15 Minuten.

Wenn Sie sehen wollen, wie Big Five-Daten auf Facettenebene für Ihr Team tatsächlich aussehen: Das Instrument ist kostenlos unter cercol.team. Das Zeuge-Peer-Assessment ergänzt für jede Person ein Profil aus der Außenwahrnehmung, also eine zweite Perspektive, die keine Selbstauskunft ersetzen kann, so lang sie auch sein mag. Die vollständige Begründung der Messmethodik steht unter cercol.team/science.

Weiterführende Lektüre: Was Reliabilität und Validität in Persönlichkeitstests bedeuten · Die Wissenschaft hinter Cèrcol

Weiterführende Lektüre

• Was ist Reliabilität und Validität in Persönlichkeitstests?
• Wie Persönlichkeitstest-Scores berechnet werden
• Was ist eine Facette in der Persönlichkeitspsychologie?
• Soziale Erwünschtheit in Persönlichkeitstests
• Forced-Choice-Assessment: Was es ist und warum es zählt
• Kann man einen Persönlichkeitstest fälschen?