Определение типа личности: Бесплатный тест личности | 16Personalities

Определение типа личности по тексту (на замену закрытому IBM Watson Personality Insights) / Хабр

Некоторое время назад к нам обратился заказчик с не совсем обычной задачей — воспроизвести сервис IBM Watson Personality Insights, который анализировал текст, написанный человеком и определял по нему ряд личностных характеристик. Задача возникла по причине того, что бизнес заказчика основывался на этом сервисе, в то время как IBM объявила, что сервис вскоре станет недоступен. В этой статье расскажем, что делал этот сервис и чем закончилась задача воспроизведения его функционала.

Введение. Как устроена эта статья

Сначала я расскажу, что делал Watson Personality Insights и зачем это было людям нужно. Потом будет описание данных, которые мы получили, структуры модели и основных результатов. Вторая часть написана несколько более сложным языком и рассчитана на специалистов, которые знают, что такое GRU, MLP, BERT, вектора слов и т. п. Если эти подробности вам не близки, то можно эту часть пропустить и прочитать только часть 1-ю и 3-ю части «Обсуждение результатов и анализ примеров», где результаты работы модели представлены более наглядно в интуитивно понятной форме.

Отмечу сразу, что работа описанная в статье была сделана почти два года назад, но соображения конфиденциальности позволили написать о ней только сейчас, поэтому методы и модели примененные в статье для решения задачи на сегодняшний день могли в ряде аспектов устареть. Кроме того, прошу простить, если сложится ощущение, что часть деталей упущена — некоторую информацию о проекте нельзя публиковать, например я не смогу объяснить чем занимался заказчик и зачем ему была нужна эта модель.

С этими оговорками, можем наконец перейти к делу.

Что делал Watson Personality Insights

Основная идея данного сервиса состояла в том, что он получает на вход текст написанный определенным человеком и определяет по этому тексту четыре группы характеристик личности.

1. Шкалы «Большая пятёрка»
2. Потребности
3. Ценности
4. Покупательские предпочтения

«Большая пятёрка» это психологическая модель описания личности через 5 основных свойств. В отличие от многих популярных тестов, «большая пятёрка» имеет под собой научную основу (многие исследователи считают, что это единственная модель свойств личности, которая имеет научное обоснование).

История создания этой модели коротко такова. В начале XX века несколько исследователей, независимо друг от друга пытались изучать способы, которыми люди описывают характеристики других людей. Они брали описания вроде «этот человек злобный» или «всегда выполняет работу добросовестно» и выделяли из них описательные слова (злобный, добросовестно…). Эта идея берет свое начало в «лексической гипотезе» высказанной Френсисом Гальтоном еще в конце XIX века [1]. Ее суть в том, что любые аспекты человеческой личности так или иначе отражаются в языке и путем изучения языка можно делать выводы о структуре личности. В 40-х годах XX века Гордон Олпорт и Генри Одберт собрали 18000 таких слов и сгруппировали их в 4000 разных характеристик личности. Далее с появлением компьютера другие исследователи начали применять факторный анализ и сократили число сначала до 18, потом до 16, ну и так далее, пока в 70-х годах XX века две группы (группа Поля Косты из Национального Института Здоровья США и Льюиса Голберга из Мичиганского университета) независимо друг от друга не пришли к 5 главным факторам.

На основании этих факторов был далее разработан опросник из 240 вопросов [2].

Пять основных факторов получили в итоге названия:

1. экстраверсия,
2. доброжелательность (дружелюбие, способность прийти к согласию),
3. добросовестность (сознательность),
4. нейротизм (эмоциональная нестабильность, негативные эмоции, эмоциональный диапазон)
5. открытость опыту

(в литературе встречаются разные варианты названий и их переводов, поэтому приведено несколько названий в скобках)

Внутри 5 главных факторов также можно выделить отдельные аспекты, до 7 штук на каждый основной фактор.

Потребности. Личные потребности описывают 12 измерений аспектов личности, которые могут резонировать с данным человеком: волнение, гармония, любопытство, идеал, близость, самовыражение, свобода, любовь, практичность, стабильность, вызов и структура. Потребности судя по всему продукт внутренних исследований IBM, по крайней мере ссылки на описание потребностей, которые мне удалось найти ведут только на страницы документации сервиса (которые сейчас более недоступны).

Ценности. Ценности, которые важны для человека и могут влиять на поведение при принятии решений помощь другим, традиции, удовольствие от жизни, достижения и открытость к изменениям. Эти ценности основаны на работе Шварца «Основные человеческие ценности: теория, измерение и приложения». [3], в которой автор с помощью опросов пытался найти ценности, встречающиеся во всех культурах. Шварц выделяет 10 различных ценностей, но Personality Insights умел определять пять: консерватизм/сохранение, открытость к изменениям, гедонизм, самосовершенствование, самопревосхождение (conservation, openness to change, hedonism, self-enhancement, self-transcendence)

Характеристики личности представляют собой числа от 0 до 1, причем это не значения шкал непосредственно, а персентили, т. е. 0.9 по шкале «доброжелательность» означает, что человек входит в 10% самых доброжелательных людей (среди популяции, на которой разрабатывался сервис, т. е. например для английского языка это англоговорящие люди).

Потребительские предпочтения. Судя по техническому отчету IBM [4] характеристики личности можно использовать для предсказания предпочтений в товарах/услугах, так как существует корреляция между свойствами личностью и тем, что человеку нравится/не нравится. Корреляция это статистическая, т. е. имея конкретного человека нельзя на 100% сказать, что вот он будет смотреть фильмы ужасов, или там покупать шоколадные батончики, но имея группу людей можно выделить аудиторию, которая с большей вероятностью будет склонна или не склонна покупать определенные группы товаров.

Watson непосредственно определял 41 параметр касающийся предпочтений человека, вроде «Ценит качество», «Любит фильмы ужасов», «Ценит безопасность продукта» и т. п. Их можно условно сгруппировать на общие («Ценит безопасность продукта», «Озабочен влиянием на экологию»), принцип выбора продуктов («По бренду», «Под влиянием соц. Сетей»), предпочтения в музыке, фильмах и книгах.

Данные параметры могут иметь только три фиксированных значения — 0, 0. 5 или 1 где 0 означает отсутствие признака, 1 — присутствие, а 0.5, присутствие до определенной степени

Применения и этические аспекты

Может показаться, что Personality Insights это исключительно вредный и общественно опасный продукт для вторжения в личную жизнь. Собственно, вероятно поэтому он и был закрыт. Поэтому возникает вопрос, насколько правильно публиковать статью о разработке подобного сервиса. Но нужно отметить два важных момента:

1. Существует довольно много общественно полезных применений такой модели. Например, Personality Insights использовался в психотерапии для оценки состояния пациентов [5], в искусстве (оценка личности персонажей пьес Шекспира) [6], определении спама [7] а также в научных исследованиях. Например, исследования установили связь между экологической политикой крупных компаний и личностными характеристиками их директоров [8], а также выявили оптимальные характеристики личности для команды разработчиков ПО [9,10]
2. Наивно полагать, что другие широко используемые модели, например показа таргетированной рекламы, рекомендации музыки и видео, ленты в соцсетях и. т.п. не имеют в каком-то виде репрезентации характеристик личности пользователя. Просто там данный аспект не выпячивается и соответственно не вызывает такой психологической реакции неприятия, но по сути происходит все то же самое.
3. Наконец, исчезновение Watson Personality Insights не привело к исчезновению доступности подобных сервисов — более мелкие компании продолжают их развивать, появляются системы определения личности по видео и т. п. В этом плане сокрытие информации об их устройстве и возможностях не кажется полезным, скорее наоборот, чем больше людей знают о том, что это такое, что может делать и в общих чертах как работает, тем лучше.

Разработка модели

Данные и метрики качества

Обучающую выборку для этой задачи предоставил заказчик. Где он ее взял достоверно неизвестно — возможно провел собственные исследования, а может быть просто собрал ответы сервиса. В любом случае мы получили таблицу, в которой был текст, написанный человеком и 94 параметра, в целом похожие на то, что выдавал Watson Personality Insights.

Всего в таблице было 28000 записей обучающих данных и 2000 — тестовых.

У текстов в выборке оказалось достаточно неравномерное распределение по длине (рис 1).

Рисунок 1. Распределение текстов по длине

Распределение не симметричное, максимум приходится на тексты длиной около 1500 слов, но имеется длинный хвост и в итоге существенную долю выборки составляют тексты длиннее 6000 слов.

На сайте Personality Insights качество моделей Watson оценивалось с помощью двух показателей — средней абсолютной ошибки (MAE) и коэффициента корреляции. До того как прийти к нам, заказчик провел свои работы и получил MAE 0.14, соответственно, задача была поставлена получить существенное улучшение по сравнению с ним, и основной метрикой заказчик считал именно MAE.

Данные представляют собой смесь нескольких языков с одним доминирующим (90%) и тремя другими (4%, 3%, 3%). Соглашение с заказчиком не позволяет, к сожалению обозначить конкретные языки набора данных.

Создание модели

В литературе для предсказания характеристик Big 5 использовались различные методы линейная регрессия с использованием признаков полученных латентным семантическим анализом [11], ридж-регрессия по большому набору собранных вручную признаков [12], SVM с признаками TF/IDF [13], word2vec и doc2vec [14]. В более современных работах присутствуют сверточные нейронные сети [15, 16], а также предобученные модели BERT [17]

Модель, которую построил заказчик использовала вектора слов word2vec и рекуррентную нейронную сеть на базе GRU (gated recurrent unit) (Рис 1а). Сначала все слова преобразовывались в вектора, потом к тексту применялось несколько слоев GRU и последнее состояние возникшее после «прочтения» нейросетью всего текста подавалось на вход слоя нейронов с сигмоидной функцией активации, выходы которого должны были предсказывать нужные значения. Обучалась модель с функцией ошибки MSE (среднеквадратичное отклонение).

Первый вариант модели

Посмотрев на модель заказчика, мы решили, что это не оптимальное решение и его должно быть легко улучшить достаточно простыми мерами. Во-первых, на практике использовать для анализа целого текста последнее состояние рекуррентной нейронной сети обычно плохая идея, так как оно будет отражать лишь концовку текста, установить связи с началом текста

Рисунок 2. Архитектура моделей. А) Модель заказчика Б) Первый вариант нашей модели

Для такой сети сложно, поэтому, если нужная информация есть только в начале, она легко переобучается используя случайные признаки из концовки. Сигмоидная функция активации обычно не очень хорошо подходит для задачи регрессии. В литературе для регрессии рекомендуют использовать линейную активацию или RelU. Наконец, как видно из краткого обзора литературы, системы использующие предобученные модели типа BERT дают лучший результат на этой задаче (ну и почти на любой другой задаче обработки текста). Для первого опыта была взята модель многоязычная версия BERT-base (uncased).

В этом тексте я не буду вдаваться в детали как работают предобученные языковые модели на базе трансформеров вроде модели BERT, так как на эту тему есть огромное число других статей. Скажу только, что это особый вид нейросети, который предварительно обучается на задаче определения нескольких пропущенных слов в тексте, состоят из нескольких слоев и в каждый слой формирует вектор кодирующий слово (фрагмент слова) и его контекст для каждого слова в тексте. Этот вектор можно взять и использовать в качестве признаков для решения различных задач.

В итоге для начала решили попробовать модель, показанную на рис 1 б. Суть ее очень проста — для каждого слова (точнее токена, так как BERT разбивает слова на части) берутся вектора BERT из определенного слоя, их значения усредняются по каждому измерению и подаются на вход полносвязной нейронной сети (функция активации Tanh), после чего следует слой с линейной активацией.

Важно отметить, что длина контекста BERT составляет 512 токенов, что для наших текстов составляет примерно 320-370 слов. Поэтому для начала мы просто обрезали все тексты до длины 350 слов, получили вектора для всех текстов, сохранили их в файл и далее с их использованием обучали полносвязную нейронную сеть предсказывать целевые значения (сразу все).

Может возникнуть вопрос, почему было сделано так много упрощений и допущений? Почему не дообучать BERT целиком, или не учесть как-то остальные слова? Дело в том, что мы обычно предпочитаем быстро собрать самый простой жизнеспособный вариант и посмотреть его в деле, чтобы потом его совершенствовать уже с учетом результатов. Как правило, такой подход быстрее позволяет получить понимание особенностей новой задачи и соответственно быстрее прийти к лучшему решению.

Таблица 1.

Слой BERT	МАЕ
12	0.305
11	0.31
10	0.315
9	0.32

Получив результаты мы увидели две вещи: 1. Признаки из 12 слоя BERT похоже работают лучше остальных и 2. результаты серьезно хуже того, что у заказчика уже есть.

Увидев такие цифры можно было бы начать оптимизировать обучение модели, но факт того, что BERT даже в таком варианте работает настолько хуже GRU показался странным и мы запросили у заказчика подробности про его решение.

Как выяснилось не зря.

Заказчик поделил все тексты на фрагменты по 800 слов и каждый фрагмент сделал отдельным обучающим примером, при этом тестирование проводилось тоже на таких фрагментах. С одной стороны это привело к увеличению размера выборки, но с другой тут появляется много вопросов и потенциальных проблем. Например, в результате этого действия у нас появляется много примеров с точно совпадающими значениями, чего в реальных данных не будет. В идеале, если мы делаем такую операцию для увеличения выборки, то мы должны тестовые данные не трогать, иначе можно увидеть искаженную картину.

Когда мы скопировали точно метод получения фрагментов заказчика, получилось MAE 0.132, что несколько лучше, чем 0.14, но не сильно. После объяснения заказчику ситуации, тот согласился, что то, что сделано «не хорошо», но не согласился с идеей считать MAE на немодифицированной тестовой выборке, «мы понимаем суть проблемы, но нам бы хотелось пока сделать так как есть».

Поэтому работа шла в дальнейшем по оптимизации значения, полученного таким методом (Впрочем, мы потом проверили, и все испробованные методы, которые улучшают значения MAE на выборке из фрагментов, также дают лучшие результаты на исходной, неизменной выборке. Так что принципиально хуже качество от этого не становится).

Разделение на две модели

Далее мы решили обратить внимание на то, что у нас два сильно различных вида выходных данных — характеристики личности с непрерывным значением от 0 до 1 и потребительские предпочтения где возможно только три числа 1.0, 0.0 или 0.5. Вычислив MAE отдельно для характеристики личности и отдельно для потребительских предпочтений получили значения 0.11 и 0.148 соответственно, т. е. потребительские предпочтения сильно портят общую картину. Так как потребительские предпочтения можно рассматривать как задачу классификации на три класса, мы решили отказаться тут от регрессии и сделали модель, где было всего 123 выходных нейрона (41*3 нейрона для каждого класса) при этом три нейрона относящиеся к одному классу собраны в группу имеющую активацию softmax (получается, что в выходном слое есть как бы 41 классификатор по три класса в каждом). Благодаря этому MAE у потребительских предпочтений сразу упало до 0. 129.

Увеличение контекста

Изначально у меня в голове почему-то засело представление о том, что тип личности определяется моделью за счет того, что она «цепляет» в тексте определенные словосочетания или слова, которые выдают личность владельца, некие детали. Когда мы обычно усредняем вектора слов, то чем больше векторов идет в усреднение, тем сильнее эти детали размываются, поэтому классификаторы, работа которых зависит от тонких деталей обычно хуже работают со входом в виде усредненного вектора (например, по усредненному вектору хорошо определять общую тематику текста, но не так хорошо тональность). Отсюда мне казалось, что в использовании только 350 первых слов большой беды нет, и если увеличивать контекст, то надо отказываться от усреднения, иначе пользы от этого не будет.

В действительности оказалось не так. Как видно из Таблицы 2, чем длиннее контекст, тем результат лучше.

Таблица 2.

Длина контекста, слов	MAE, свойства личности	MAE, потребительские предпочтения
320	0. 11	0.148
640	0.104	0.141
960	0.094	0.132

Завершающие штрихи

Замена BERT на более современную модель XLM RoBERTa large позволило улучшить результаты (эта модель более ресурсозатратная и медленная, но заказчик сказал, что скорость работы не критична). Кроме того, использование признаков сразу из 4-х слоев вместо одного также дало улучшение результатов. Итоговый MAE составил 0.073 для характеристик личности и 0.098 для потребительских предпочтений.

Анализ примеров

По итогам работ, нужные цифры были получены, но при этом у меня осталась некая неудовлетворенность в плане того, что вот мы получили какую-то цифру, но непонятно, что это на практике означает. Ну, то есть заказчик хотел определенных цифр и эти цифры получены, но действительно ли модель определяет что-то осмысленное относительно свойств личности? За счет чего это происходит? Насколько корректность определения сохраняется между различными языками?

Чтобы лучше понять, что происходит, я решил взять несколько конкретных примеров. Для начала, я собрал тексты своих сообщений в рабочем чате на русском в один текст из 600 слов и запустил модель на нем (в обучающих примерах, как я отмечал, не было русских текстов). Получились некоторые результаты (рис. 3)

Рисунок 3. Пример графического отображения результатов свойств личности (Big 5)

После этого, я перевел с помощью гугл тот же текст на 5 разных языков и повторил анализ. Получились немного разные цифры, но средний коэффициент корреляции по всем параметрам составил 0.68, что говорит о том, что характеристики, выдаваемые с разных переводов одного текста должны быть весьма похожи. Но возможно, все результаты всех текстов просто похожи между собой? Чтобы проверить это, я взял тексты другого человека и повторил данную операцию. Оказалось, что между переводами разных текстов корреляция составляет всего 0.43.

Само по себе это ничего особо не доказывает, так как взята для анализа слишком маленькая выборка, но ободряет, то что в целом модель ведет себя в соответствии со здравым смыслом, а не просто выдает случайные результаты как попало. Хотя проверки и рассмотрение вручную отдельных примеров не могут считаться за надежные данные, это все же помогает приобрести некоторое понимание и сформулировать гипотезы, которые в дальнейшем можно проверить более систематично.

Следующим действием я прошел онлайн тест Big 5 и получил там оценку. Сравнение основных показателей показало такую картину (рис. 4)

Рисунок 4. Сравнение результатов модели и онлайн теста по основным шкалам Big5 на одном примере

По рисунку кажется, что определенная связь между результатами теста и модели есть. Хотя конкретные значения отличаются, мы и не должны тут ожидать особой точности, потому что, как я писал, во-первых, обучающие данные могут представлять собой не очки Big 5, а персентили, а во-вторых по данным литературы хорошим результатом для моделей подобного рода является значение коэффициента корреляции 0.3-0.4. Ну и просто если пройти два разных теста Big5 (а есть вариации, предложенные разными исследователями, сокращения, разные переводы), цифры получаются несколько иные, хотя и похожие (в моем случае).

Можно также посмотреть на соответствие результатов по отдельным шкалам. Возьмем например шкалу экстраверсии (рис. 5).

Рисунок 5. Сравнение результатов модели и онлайн теста по дополнительным шкалам шкалы «экстраверсия» Big5 на одном примере

Снова чисто визуально кажется, что эти показатели имеют неплохое соответствие.

Каким же образом модель определяет тип личности? Было бы заманчиво предположить, что в ходе обучения больших языковых моделей типа BERT, в них образуется определенный нейрон, который, активируется, скажем, если текст написан человеком-экстравертом. В конце концов, характеристики личности человека, пишущего текст, являются важным фактором для предсказания слов в этом тексте и не исключено, что модель формирует некую репрезентацию этих характеристик. В действительности, однако, ситуация сложнее.

Чтобы выяснить относительную важность отдельных нейронов (точнее отдельных измерений в усредненном векторе, который мы берем как признаки), я обучил упрощенную модель, убрав слой MLP и оставив только слой линейной регрессии. Таким образом для каждого выходного нейрона, кодирующего определенную характеристику личности, был получен его вес в данной характеристики. После этого, я взял одну характеристику (открытость) и отсортировав веса по убыванию абсолютного значения, построил график (рис. 6)

Рисунок 6. Абсолютные значения весов признаков 22 слоя Roberta large в линейной регрессии значения характеристики личности «открытость»

Видно, что почти все нейроны вносят свой вклад, т. е. нет одного или 10 нейронов, которые отвечали бы только за характеристику открытости (примерно 85% вклада вносят самые важные 600 нейронов из 1024). Не изменяется принципиально картина и для других характеристик. Можно предположить, что заданное свойство личности влияет на целый комплекс разных свойств текста. Хотя надо отметить, что в репрезентациях XLM RoBERTa все же есть разряды среднее значение которых более существенно коррелирует с определенной характеристикой личности, поэтому оба утверждения могут оказаться верными — могут существовать одновременно нейроны «типа личности», скажем первые 10 на графике, и все остальные характеристики текста также могут быть отражать свойства личности в дополнение к этому.

Также, можно рассмотреть вклад каждого слоя целиком (рис. 7). Видно, что вклад верхних слоев больше, чем нижних. Надо сказать, что признаки, формируемые верхними слоями подобных моделей не всегда являются самыми лучшими, точнее даже сказать, как правило, не являются — в классических задачах, таких как поиск именованных сущностей или ответы на вопросы по тексту, признаки верхних уровней работают хуже, чем признаки промежуточных [18].

Рисунок 7. Относительный вклад слоев модели XLM RoBERTa в определение характеристик личности

Подводя итог, можно сказать, что анализ примеров не обнаружил ничего, что противоречило бы тому, что модель делает свою работу верно, даже если язык текста отличается от языка обучающих примеров, хотя тут, конечно, есть поле для более детальных исследований. Также интересным вопросом является изучение того, как различные свойства личности представлены в больших языковых моделях.

Список литературы

1. Galton F. Measurement of character. Fortnightly Review. 1884;36:179–185. galton.org/essays/1880-1889/galton-1884-fort-rev-measurement-character.pdf
2. Goldberg, L. R. (1993). The structure of phenotypic personality traits. American Psychologist, 48, 26–34.
3. Schwartz, Shalom H. «Basic human values: Theory, measurement, and applications.» Revue française de sociologie 47.4 (2007): 929.
4. watson-developer-cloud.github.io/doc-tutorial-downloads/personality-insights/Improving-Consumption-Preferences-Accuracy.pdf
5. Norman K. P. et al. Natural language processing tools for assessing progress and outcome of two veteran populations: cohort study from a novel online intervention for posttraumatic growth //JMIR Formative Research. – 2020. – Т. 4. – №. 9. – С. E17424.
6. Egloff, Mattia, Davide Picca, and Kevin Curran. «How IBM watson can help us understand character in Shakespeare: a cognitive computing approach to the plays.» digital Humanities 2016: Conference Abstracts. 2016.
7. McGetrick, Colm. «Investigation into the Application of Personality Insights and Language Tone Analysis in Spam Classification.» (2017).
8. Hrazdil, Karel, Fereshteh Mahmoudian, and Jamal A. Nazari. «Executive personality and sustainability: Do extraverted chief executive officers improve corporate social responsibility?.» Corporate Social Responsibility and Environmental Management 28.6 (2021): 1564-1578.
9. Chowdhury, Shuddha, Charles Walter, and Rose Gamble. «Toward increasing collaboration awareness in software engineering teams.» 2018 IEEE Frontiers in Education Conference (FIE). IEEE, 2018.
10. Chowdhury S., Walter C., Gamble R. Observing Team Collaboration Personality Traits in Undergraduate Software Development Projects //Proceedings of the 52nd Hawaii International Conference on System Sciences. – 2019.
11. Resnik P., Garron A., Resnik R. Using topic modeling to improve prediction of neuroticism and depression in college students //Proceedings of the 2013 conference on empirical methods in natural language processing. – 2013. – С. 1348-1353.
12. Park, Gregory, et al. «Automatic personality assessment through social media language.» Journal of personality and social psychology 108.6 (2015): 934.
13. Philip, Joel, et al. «Machine learning for personality analysis based on big five model.» Data Management, Analytics and Innovation. Springer, Singapore, 2019. 345-355.
14. Guo F. et al. Smarter people analytics with organizational text data: Demonstrations using classic and advanced NLP models //Human Resource Management Journal. – 2021.
15. Nilugonda, Manisha, Karanam Madhavi, and Krishna Chythanya Nagaraju. «Big Five Personality Traits Prediction Using Deep Convolutional Neural Networks.» International Conference on Advanced Informatics for Computing Research. Springer, Singapore, 2020.
16. Xue, Di, et al. «Deep learning-based personality recognition from text posts of online social networks.» Applied Intelligence 48.11 (2018): 4232-4246.
17. Jun, He, et al. «Personality Classification Based on Bert Model.» 2021 IEEE International Conference on Emergency Science and Information Technology (ICESIT). IEEE, 2021.
18. Van Aken, Betty, et al. «How does bert answer questions? a layer-wise analysis of transformer representations.» Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019.

Все упомянутые в статье торговые марки являются собственностью их правообладателей

Определение типа личности: что нужно знать

Типы личности, характер и психологические особенности определяются с помощью тестов. Существуют различные типологии, в них нет плохих и хороших, правильных и неправильных людей. Рассмотрим классификации, получившие наибольшее распространение. Их можно использовать как для подбора персонала, так и для личного общения, лучшего понимания себя.

Оценка

— 4.5 из 5 возможных на основе 2 голосов

Related video

Типология Майерс-Бриггс

Классификация типов личности основана на 4 параметрах: интроверт-экстраверт, ощущающий-интуитивный, чувствующий-думающий, решающий-воспринимающий. Всего в этой классификации 16 типов.

Пройдя тест, реализуйте свой тип личности в действии. Что это означает? Люди, знающие свой тип Майерс-Бриггс, лучше понимают свои наклонности и способности. Также предложите пройти тест своему партнеру, чтобы помочь ему познать себя. Примите во внимание его тип при построении отношений, и они улучшатся.

Портрет личности по Р. Кеттеллу

При помощи специального опросника можно получить 16-разрядный профиль личности. Тест часто используется при проведении профессионального отбора. Кеттелл выделил 16 пар качеств, по которым можно оценить индивида: замкнутый — общительный, менее сообразительный — более сообразительный, эмоциональный — эмоционально устойчивый, почтительный (подчинение) — независимый (доминирование), серьезный — легкомысленный, свободный от норм — законопослушный, робкий — смелый, мужественный — женственный, доверчивый — подозрительный, практичный — романтичный, прямолинейный — дипломатичный, уверенный в себе — тревожный, консервативный — радикальный, ориентированный на группу — ориентированный на себя, неуправляемый — управляемый, раскованный — напряженный.

Представьте ситуацию. Вам нужно взять на работу стюардессу или авиадиспетчера. При прохождении теста по типологии Кеттелла выясняется, что кандидат(-ка) обладает такими чертами, как тревожность, легкомысленность, капризность, замедленная реакция. Даже при наличии необходимых знаний и профессиональных качеств вы вряд ли возьмете на столь ответственную работу такого человека.

Типология акцентуаций характера К. Леонгарда

Акцентуация — усиленная черта личности, лишь при определенных условиях переходящая в патологию. Обычно для этого нужен сильный стресс, поэтому о своей акцентуации человек может не знать. Один вид акцентуации редок, чаще всего в личности их 2-3, что и делает ее уникальной. В типологии Леонгарда 10 акцентуаций.

Типология А.Е. Личко

Была разработана при наблюдении за подростками. В эту классификацию вошли 11 типов.

Астеноневротический тип

Люди со слабой нервной системой. Личности этого типа отличаются низкой выносливостью, раздражительностью и переутомляемостью, поэтому им нужны в работе частые перерывы.

Неустойчивый тип

Безответственный, склонен к вредным привычкам. Люди этого типа не любят учиться, им безразличны профессиональные достижения. Открытость и общительность можно считать положительными чертами такой личности.

Конформный тип

Очень не любит привлекать к себе внимание. Предпочитает работать один. Замкнут, зависим от чужого мнения, легко поддается влиянию извне. Это дружелюбные, преданные и исполнительные люди. Но им очень сложно выйти из зоны комфорта. К новому они не стремятся.

Лабильный тип

Открытые и дружелюбные люди, эмпаты. Из недостатков — обидчивость. Личности этого типа плохо переносят критику и перемены в жизни.

Циклоидный тип

О таком говорят «человек-настроение». Может быть чрезмерно возбудим, раздражителен и агрессивен. При этом он общителен.

Сенситивный тип

Ранимые и открытые, сострадательные и общительные личности. Хорошо понимают других, прекрасные друзья.

Психастенический тип

Большую часть времени психастеники занимаются самоанализом, любят размышлять, могут увлекаться психоанализом и философией. У них хорошая память, они надежны, но долго помнят личные промахи и чужие ошибки, обидчивы.

Шизоидный тип

Замкнутые, необщительные люди, но с нестандартным мышлением. Живут в своем мире, редко кого туда пускают. Умеют строить деловые связи. Но для них трудно распознавать чужие эмоции.

Эпилептоидный тип

Агрессивный и педантичный. Такие люди иногда могут срывать зло на других. Из них получаются неплохие руководители.

Истероидный тип

Любит внимание к себе, ради чего готов на все. Хорошие актеры и ведущие получаются из представителей истероидного типа.

Гипертимный тип

Активные люди, общительные, легкомысленные, оптимисты.

Интерес к различному роду классификациям существовал еще у древних людей. Тогда психология как наука еще не существовала. Астрология предлагала знаки зодиака, китайский гороскоп определял черты человека в зависимости от года рождения. Гиппократ выделил четыре типа темперамента.

• Флегматик — спокойный и невозмутимый, усерден в работе.
• Холерик — импульсивный, страстный человек,  быстро истощается, бросает начатые дела, если они не получаются.
• Сангвиник — подвижный человек, быстро на все реагирует, легко переносит неудачи.
• Меланхолик — человек  впечатлительный и ранимый, усердный в работе, но показывающий лучшие результаты, когда трудится один.

Классификация по типу восприятия

• Визуал — ему важно видеть. Обращает внимание на краски и жесты, ему очень важна внешность партнера.
• Аудиал — для него первична речь собеседника, важен смысл сказанного и тон.
• Кинестетик — воспринимает мир через прикосновения.
• Дискрет — для него особую важность имеют цифры, факты, логические доводы.

А к каким типам вы бы отнесли себя?

Читайте также: Техника таппинг: как достичь эмоциональной свободы?

теги: личностный рост

ENTJ Экстравертное интуитивное мышление. Оценка

РЕКЛАМА

Экстравертное интуитивное мышление.

ENTJ имеют естественную склонность к упорядочению и прямолинейности. Это может выражаться в обаянии и утонченности мирового лидера или в бесчувственности лидера культа. ENTJ не требует особого поощрения, чтобы составить план. Один ENTJ сказал об этом так: «Я строю эти маленькие планы, которые на самом деле не имеют никакого значения ни для кого другого, а затем чувствую себя обязанным их выполнять». Хотя «вынужденные» не могут характеризовать ENTJ как группу, тем не менее склонность к творческому планированию и воплощению этих планов в жизнь является общей темой для типов NJ.

ENTJ часто «великолепны», когда описывают свои проекты или предложения. Эта способность может выражаться в умении продавать, рассказывать истории или выступать в жанре стендап-комедии. В сочетании с природной склонностью к флибустьерству наш герой может очень сильно затруднить отказ заказчика.

ТОВАРНЫЙ ЗНАК: — «Мне очень жаль, что ты должен умереть.» (Я понимаю, что это преувеличение. Однако большинство F и других нежных душ обычно посмеиваются над этим описанием.)

ENTJ решительны. Они видят, что нужно сделать, и часто назначают роли своим товарищам. Немногие другие типы могут сравниться с ними в способности сохранять решимость в конфликте, отправляя доблестных (и часто возглавляющих атаку) в пасть ада. При вызове ENTJ может рефлекторно начать спорить. В качестве альтернативы он (она) может выпустить ледяной взгляд, который служит предупреждением: ENTJ не из тех, с кем можно шутить.

(ENTJ означает Экстраверт, Интуитивность, Мышление, Суждение и представляет индивидуальные предпочтения в четырех измерениях, характеризующих тип личности, в соответствии с теориями типа личности Юнга и Бриггса Майерса. )

Каков ваш тип личности? Пройди тест!

РЕКЛАМА

Основано на системе когнитивных функций Юнга

Экстравертное мышление

«Недвусмысленное» выражает решительность доминирующей функции ENTJ. Ясность убеждений наделяет этих Мыслителей склонностью к спорам или отсутствием ловкости, склонностью к спору. Свет и тепло, генерируемые Thinking у руля, могут быть впечатляющими; возможно, даже подавляющее. Опыт учит многих ENTJ, что сдержанность часто может быть лучшей частью доблести, чтобы не оказаться победителем, но в одиночестве.

Интровертная интуиция

Вспомогательная функция исследует схемы архетипических паттернов и наделяет Мышление свежим, динамичным пониманием того, как работают вещи. Импровизация на лету — это то, что у многих ENTJ получается очень хорошо. Как подчиненное Мышлению озарение ценно лишь постольку, поскольку оно способствует Верному, Истинному Cause celebre . [ n.b.: ENTJ способны жить на более высоком уровне, если хотите, и научиться ценить людей даже выше их принципов. Приведенная выше динамика предполагает меньшую индивидуализацию.]

Экстравертное восприятие

Восприятие тянется, чтобы охватить то, что физически касается его. ENTJ осознают реальность; того, что существует. Успокоив двигатели Мышления и Интуиции, этот тип может испытать Здесь и Сейчас и узнать вещи, о которых не мечтали и даже не постулировали в философии Интуиции. Однако второстепенная роль сенсорики подвергает ее риску искажения или крайней слабости из-за шума и суеты гигантов N и T.

Интровертное чувство

Чувство романтично, оно столь же эфирно, как и внутренний мир, из которого оно возникает. Когда оно бодрствует, чувство пробуждает великую страсть, не знающую нюансов пропорций и контекста. Возможно, эти меньшие функции вдохновляют на великолепные развлекательные квесты в мирах, которых никогда не было или может быть только в фантазиях. Когда Fi , вывернутый наружу, переусердствуют или воспринимаются слишком серьезно, он часто становится сентиментальным или мелодраматичным. Чувства этого типа кажутся наиболее аутентичными, когда они подразумеваются или выражаются скрыто в крепком рукопожатии, принятии поведения или акте жертвоприношения, тонко прикрытых оправданиями отсутствия какого-либо личного интереса к оставленному предмету.

(Джо Батт — опубликовано по лицензии)

ISTP Интроверты Сенсорные Мыслительные Воспринимающие

РЕКЛАМА

Интровертные Сенсорные Мышление Воспринимающие

Как и их коллеги SP, ISTP в своей основе являются Исполнителями (обратите внимание на заглавную букву «P»). :-)) но как Т их области интересов, как правило, механические, а не художественные, как у ISFP, и, в отличие от большинства экстрасенсов, они не производят впечатления постоянной активности. Наоборот, они бездействуют, сохраняя свою энергию до тех пор, пока не появится проект или приключение, достойное их времени, — и тогда они запустить на себя. Очевидное состояние бешенства, которое неизбежно возникает, на самом деле гораздо более контролируемо, чем кажется — ISTP, кажется, всегда знают, что делают, когда дело доходит до физических или механических препятствий — но вся цепочка событий представляет собой запутанную и парадоксальную картину. посторонний.

ISTP одинаково трудно понять из-за их потребности в личном пространстве, что, в свою очередь, влияет на их отношения с другими. Они должны иметь возможность «рассредоточиться» — как физически, так и психологически — что обычно подразумевает в некоторой степени посягательство на других, особенно если они решают, что что-то из чужого станет их следующим проектом. (Однако они, как правило, чувствуют себя вполне комфортно, когда с ними обращаются так же, как они обращаются с другими, — по крайней мере, в этом отношении.) стать как в гибкий как самый жесткий J, когда кто-то, кажется, угрожает их образу жизни (хотя они обычно реагируют классической яростью SP, что является еще одним ярким контрастом с их «спящим», бесстрастным, отстраненным режимом). Эти территориальные соображения обычно имеют решающее значение в отношениях с ISTP; общение также имеет тенденцию быть ключевым вопросом, поскольку они обычно выражают себя невербально. Когда они на самом деле говорят, ISTP являются мастерами остроты, часто демонстрируя вспышки юмора в самых напряженных ситуациях; это может привести к тому, что они будут выглядеть толстокожими или безвкусными.

Как и у большинства SP, у ISTP могут быть проблемы с зубрежкой и абстрактным обучением в классе, что, как правило, не является хорошим показателем их реального интеллекта. Они склонны, иногда вполне обоснованно, весьма скептически относиться к его практической ценности и часто тяготеют к занятиям промышленными искусствами; профессиональные/технические программы с частичной занятостью могут быть полезны даже для студентов ISTP, поступающих в колледж. С точки зрения карьеры, механика и любая из квалифицированных профессий являются традиционным выбором, и те ISTP с сильными способностями к числам, а также к механике, как правило, преуспевают в большинстве областей инженерии. Работа парамедиком или пожарным может удовлетворить потребность ISTP в жизни на грани; лучше всего они проявляют себя в условиях кризиса, когда их естественное пренебрежение к правилам и структурам власти позволяет им сосредоточиться на возникшей чрезвычайной ситуации и справиться с ней наиболее эффективным способом.

ISTP с более спокойной карьерой обычно берутся за такие опасные занятия, как гонки, прыжки с парашютом и мотоциклы. Осознавая связанные с этим опасности, они настолько связаны с физическим миром, что знают, что могут уйти с гораздо меньшим запасом прочности, чем другие типы.

(ISTP расшифровывается как интроверт, чувствующий, думающий, воспринимающий и представляет индивидуальные предпочтения в четырех измерениях, характеризующих тип личности, в соответствии с теориями типа личности Юнга и Бриггса Майерса.)

Какой у вас тип личности? Пройди тест!

РЕКЛАМА

Основано на системе когнитивных функций Юнга

Интровертное мышление

Мышление, доминирующая функция, обычно держит свое мнение при себе. Внутренний мир мыслителей-интровертов напоминает платоновскую комнату отдыха, где каждая неопробованная идея проходит сквозь перчатку Истины. Личный или политический источник предполагаемого факта не имеет большого значения для Мышления; каждый принцип должен стоять на своих собственных предпосылках. Мыслители-интроверты сосредотачивают свои директивы на себе и больше всего желают, чтобы другие поступали так же. Один друг ISTP демонстрирует плакат с изображением орангутанга с подписью: «Если мне нужно ваше мнение, я выбью его из вас». Достаточно сказать, что ISTP по своей природе свободные духи.

Экстравертное восприятие

Вспомогательное восприятие обеспечивает Мышление всевозможной информацией о физическом мире. ISTP обладают повышенной сенсорной осведомленностью. Как и другие SP, ISTP получают энергию, реагируя на свои импульсы. Спорт привлекает многих ISTP чисто сенсорным опытом.

Эта комбинация доминирующего интровертного мышления и вспомогательного экстравертного восприятия приводит к серьезному реализму. Невероятная способность устранять неполадки, которая предрасполагает многих ISTP к практической диагностике (особенно с машинами и компьютерами) или детективной работе, скорее всего, коренится в этой паре.

Интровертная интуиция.

Третичная интуиция.