MBTI 人格类型指标（Myers-Briggs Type Indicator）

📍 位置：心理测评体系 / MBTI人格类型 📌 核心发现：MBTI 基于荣格认知功能理论，将人格分为 16 型，商业影响力极大但学术信效度存疑（重测一致率仅 50%），实际编程实现应采用连续分数而非二分法 📥 输入：Myers-Briggs 官方文献、Wikipedia、Open-Source Psychometrics Project、Personality Junkie、学术批评论文、GitHub 开源实现 📤 流向：→ findings.md

一、理论基础

1.1 荣格心理类型理论（Psychological Types, 1921）

卡尔·荣格（Carl Jung）在 1921 年出版的《心理类型》（Psychologische Typen）中提出了人格类型的理论基础。他的核心框架包含：

两种态度取向（Attitude）：

• 外倾（Extraversion）：心理能量指向外部客体世界
• 内倾（Introversion）：心理能量指向内部主观世界

四种心理功能（Function）：

8 种心理功能（态度 × 功能）：

荣格的原始理论只定义了 8 种心理类型（每种对应一个主导功能）。他没有提出 16 种类型的分类系统，也没有系统化地描述功能栈。

1.2 Myers-Briggs 对荣格理论的发展

Isabel Briggs Myers 和她的母亲 Katharine Cook Briggs 在 1940 年代开始将荣格理论发展为实用的测评工具：

关键创新：

1. 增加 J/P 维度：荣格原始理论中没有明确的”判断-感知”维度。Myers 添加了这个维度来表示个体在外部世界中优先使用的是判断功能（T/F）还是感知功能（S/N）
2. 从 8 型扩展到 16 型：通过 4 个二分维度的组合（2^4 = 16），创造了 16 种类型
3. 开发自评问卷：将理论转化为可标准化施测的心理测量工具（MBTI）
4. 引入功能栈系统：为每种类型定义了主导、辅助、第三、劣势四个功能的层级

1.3 四个维度的详细定义

E/I — 外倾 vs 内倾（能量方向）

S/N — 感觉 vs 直觉（信息获取方式）

T/F — 思维 vs 情感（决策方式）

注意：T/F 是唯一一个存在显著性别差异的维度。约 2/3 的男性偏好 T，约 2/3 的女性偏好 F。

J/P — 判断 vs 感知（生活方式）

J/P 维度的深层含义：J 型在外部世界优先展示判断功能（Te 或 Fe），P 型在外部世界优先展示感知功能（Se 或 Ne）。这决定了功能栈的排列方式。

二、16 种人格类型

2.1 完整类型描述

分析师组（NT）

外交官组（NF）

哨兵组（SJ）

探险家组（SP）

2.2 认知功能栈

每种类型有 4 个意识层面的认知功能，按主导程度排列：

功能栈排列规则：

1. 主导功能与辅助功能必须一个是判断功能（T/F），一个是感知功能（S/N）
2. 主导功能与辅助功能的态度取向（内/外倾）相反
3. 第三功能与辅助功能是同类但态度相反（如辅助 Te → 第三 Fi）
4. 劣势功能与主导功能是同类但态度相反（如主导 Ni → 劣势 Se）
5. J 型：外倾功能中判断功能排在前面；P 型：外倾功能中感知功能排在前面

2.3 完整 16 型 × 认知功能栈对照表

扩展：8 功能模型（含阴影功能）

John Beebe 发展了 8 功能模型，在意识层面的 4 个功能之外增加了 4 个”阴影”功能（Shadow Functions），代表人格中较无意识的对立面：

以 INTJ 为例的完整 8 功能栈：Ni → Te → Fi → Se → Ne → Ti → Fe → Si

三、测评量表和计分

3.1 官方 MBTI 量表

Form M（Step I）— 标准版：

• 题目数量：93 题
• 施测时间：20-30 分钟
• 产出：四字母类型代码 + 每个维度的偏好清晰度指数（Preference Clarity Index, PCI）
• 题目形式：
  • A 类：二选一的行为偏好描述（“你更喜欢 A 还是 B？”）
  • B 类：词对选择（如 “scheduled” vs “unplanned”）
• 版权：由 The Myers-Briggs Company 持有，必须由认证施测者（MBTI Certified Practitioner）管理施测
• 费用：每次施测约 $50-150（含解读）

Form Q（Step II）— 深度版：

• 题目数量：144 题
• 施测时间：30-45 分钟
• 产出：四字母类型 + 20 个子维度（每个维度 5 个 facets）的分数
• 20 个子维度分布：

3.2 计分方法

官方 Form M 计分流程：

1. 原始得分统计：每道题的回答被归入对应维度的某一极（如 E 或 I）
2. 维度得分计算：统计每个维度两极的得分
3. 偏好判定：比较两极得分，得分高的一极即为该维度的偏好
4. PCI 计算：Preference Clarity Index 表示偏好的清晰程度
   • PCI 分为 5 级：Very Clear > Clear > Moderate > Slight > 无明显偏好
   • 分数越高，说明在该维度上的偏好越明确
5. 类型确定：将四个维度的偏好字母组合为四字母类型代码

简化版计分逻辑（用于开源实现）：

对于每个维度（如 E/I）：
  E_score = 该维度中选择 E 倾向选项的题数
  I_score = 该维度中选择 I 倾向选项的题数

  if E_score > I_score:
      preference = "E"
  else:
      preference = "I"

  clarity = abs(E_score - I_score) / (E_score + I_score)  # 归一化清晰度

3.3 公开可用的替代量表

Open Extended Jungian Type Scales (OEJTS)

• 来源：Open-Source Psychometrics Project (openpsychometrics.org)
• 题目数量：48 题（每个维度 12 题）
• 题目形式：双极陈述对，5 级量表
• 开发方式：
  • 初始阶段：从 2,230 名有类型学经验的被试中收集 278 个候选项目
  • 项目筛选：使用 25,568 名被试的数据，筛选出 48 个最优项目
  • 被试标准：对自己类型判断有信心、且至少花 2 小时学习过 MBTI 理论
• 许可证：CC BY-NC-SA 4.0（非商业使用免费）
• 在线测试：https://openpsychometrics.org/tests/OEJTS/

Sakinorva 认知功能测试

• 测量目标：直接测量 8 个认知功能的强度
• 计分模型：
  • Grant/Brownsword 模型
  • 轴基模型（Axis-based）
  • Myers 模型
• 特点：提供连续分数而非二分类型，可以看到所有 8 个功能的相对强度
• 在线测试：https://sakinorva.net/functions

3.4 连续分数 vs 二分法的争议

二分法（Dichotomy）的问题：

MBTI 官方将人格特质视为”二分”的——你要么是 E 要么是 I，没有中间状态。但实际测量数据显示：

• 人群在每个维度上的得分呈正态分布，而非双峰分布
• 大量人群的得分落在中间区域（如 E/I 得分各约 50%）
• 这些”中间型”的人在重测时最容易被归入不同类型

连续分数的优势：

• 更真实地反映人格特质的渐变性质
• 避免”差一分就变一个人”的荒谬（如 E 得分 51% vs 49% 就被归为完全不同的类型）
• 与大五人格等学术认可的模型保持一致
• 16Personalities 的 NERIS 模型已经采用百分比连续分数

3.5 16Personalities 的 NERIS 模型

16Personalities.com 是全球访问量最大的人格测试网站，但它使用的并非传统 MBTI：

NERIS 模型的特点：

第五维度：身份（Identity）= A/T

• Assertive（-A，自信型）：情绪稳定、抗压、自信，对应大五的低神经质
• Turbulent（-T，动荡型）：情绪敏感、追求完美、自我怀疑，对应大五的高神经质

关键区分：16Personalities 本质上是一个披着 MBTI 外衣的大五人格简化版本。它使用 MBTI 的四字母标签和类型名称，但底层测量逻辑更接近大五模型。MBTI 社区中许多人认为 16Personalities 的结果并不代表真正的 MBTI 类型。

四、类型间关系

4.1 认知功能互补关系

类型间的兼容性理论主要基于认知功能栈的互补：

最佳互补模式：

4.2 类型兼容性矩阵（基于认知功能理论的经验模型）

高兼容性配对（共享功能轴或互补功能栈）：

挑战性配对：

重要提醒：类型兼容性理论缺乏严格的实证研究支持。实际关系质量取决于沟通能力、成熟度、共同价值观等因素，远非类型匹配所能预测。

4.3 Socionics 的类型间关系体系

Socionics（社会类型学）是东欧发展出的一套独立体系，虽然也源于荣格理论，但定义了 16 种类型间关系（Intertype Relations），是最系统化的兼容性理论：

注意：Socionics 与 MBTI 之间的类型转换并非简单的一一对应（特别是 INTj/INTp 的对应关系与 MBTI 的 INTJ/INTP 并不直接等同）。

五、学术争议

5.1 信度问题（Reliability）

重测信度（Test-Retest Reliability）：

• 核心数据：重测时约 39%-76% 的人获得不同的四字母类型（具体比例取决于间隔时间和研究方法）
• 5 周间隔重测：约 50% 的人至少有一个维度发生变化
• Myers-Briggs 官方声称：Form M 的偏好一致率为 75-90%（单个维度），四字母完全一致率约 65-75%
• 学术界的批评：即使官方数据为真，25-35% 的四字母变化率对于一个声称测量”稳定人格特质”的工具来说也太高了

信度问题的根本原因：

• 人格特质在各维度上呈正态分布，大量人群集中在中间区域
• 处于中间区域的人得分波动（即使很小）就会导致类型翻转
• 二分法分类将连续分布强行切割为两类，制造了大量假阳性变化

5.2 效度问题（Validity）

结构效度（Construct Validity）：

• 因子分析研究并不总能重现出 4 因子结构
• 各维度之间并非完全独立（如 T/F 与 J/P 存在相关）
• 认知功能栈理论（如”INFJ 使用 Ni-Fe-Ti-Se”）几乎没有实证支持

预测效度（Predictive Validity）：

• MBTI 类型与工作绩效的相关系数仅 0.10-0.20（几乎无预测力）
• 相比之下，大五人格的尽责性维度与工作绩效的相关可达 0.20-0.30
• 多项元分析表明 MBTI 不应用于人员选拔和职业分配

聚合效度（Convergent Validity）：

• 认知功能理论的核心假设未得到验证——没有证据表明 INTJ 真的优先使用 Ni 而非 Ne

5.3 Barnum 效应（Forer Effect）

MBTI 类型描述的感知准确性很大程度上来自 Barnum 效应：

• 类型描述使用的语言足够模糊，以至于任何人都能在其中找到与自己的共鸣
• 描述倾向于正面和讨好（如”INTJ 是战略思想家”），增强了被试的认同感
• 确认偏差放大了匹配感：人们倾向于记住符合类型的行为，忽略不符合的
• 研究显示：给被试随机分配的类型描述，他们的认同度与获得”真实”类型描述时没有显著差异

5.4 学术界 vs 商业界的态度差异

5.5 MBTI 与大五人格的对应关系

学术研究已揭示 MBTI 四维度与大五（OCEAN）之间存在显著但非一一对应的相关：

关键发现：大五的”神经质”维度在 MBTI 中完全缺失。这是 MBTI 被批评为”不够全面”的重要原因之一——它遗漏了情绪稳定性这个对心理健康和行为预测最重要的人格维度。这也是 16Personalities 添加 A/T 维度的原因。

六、可编程性

6.1 GitHub 开源实现

JavaScript 实现：

Python 实现：

6.2 计分算法的代码实现

# MBTI 简化计分算法示例

class MBTIScorer:
    """
    基于维度得分的 MBTI 计分器
    每个维度使用连续分数（0-100%），并提供二分类型判定
    """

    DIMENSIONS = {
        'EI': ('E', 'I'),
        'SN': ('S', 'N'),
        'TF': ('T', 'F'),
        'JP': ('J', 'P'),
    }

    def __init__(self):
        self.scores = {dim: {'left': 0, 'right': 0} for dim in self.DIMENSIONS}

    def add_answer(self, dimension: str, pole: str, weight: float = 1.0):
        """
        记录一道题的回答
        dimension: 'EI', 'SN', 'TF', 'JP'
        pole: 'left' (E/S/T/J) 或 'right' (I/N/F/P)
        weight: 题目权重（可选，用于 IRT 加权）
        """
        self.scores[dimension][pole] += weight

    def get_continuous_scores(self) -> dict:
        """返回每个维度的连续分数（0-100%，100% = 完全偏向右极）"""
        result = {}
        for dim, (left_label, right_label) in self.DIMENSIONS.items():
            total = self.scores[dim]['left'] + self.scores[dim]['right']
            if total == 0:
                result[dim] = 50.0
            else:
                result[dim] = (self.scores[dim]['right'] / total) * 100
        return result

    def get_type(self) -> str:
        """返回四字母类型代码"""
        type_code = ''
        for dim, (left_label, right_label) in self.DIMENSIONS.items():
            if self.scores[dim]['left'] >= self.scores[dim]['right']:
                type_code += left_label
            else:
                type_code += right_label
        return type_code

    def get_clarity(self) -> dict:
        """返回每个维度的偏好清晰度（PCI 的简化版）"""
        clarity = {}
        for dim in self.DIMENSIONS:
            total = self.scores[dim]['left'] + self.scores[dim]['right']
            if total == 0:
                clarity[dim] = 0
            else:
                diff = abs(self.scores[dim]['left'] - self.scores[dim]['right'])
                clarity[dim] = diff / total  # 0 = 无偏好，1 = 绝对偏好
        return clarity


# 认知功能栈查找
FUNCTION_STACKS = {
    'ISTJ': ['Si', 'Te', 'Fi', 'Ne'],
    'ISFJ': ['Si', 'Fe', 'Ti', 'Ne'],
    'INFJ': ['Ni', 'Fe', 'Ti', 'Se'],
    'INTJ': ['Ni', 'Te', 'Fi', 'Se'],
    'ISTP': ['Ti', 'Se', 'Ni', 'Fe'],
    'ISFP': ['Fi', 'Se', 'Ni', 'Te'],
    'INFP': ['Fi', 'Ne', 'Si', 'Te'],
    'INTP': ['Ti', 'Ne', 'Si', 'Fe'],
    'ESTP': ['Se', 'Ti', 'Fe', 'Ni'],
    'ESFP': ['Se', 'Fi', 'Te', 'Ni'],
    'ENFP': ['Ne', 'Fi', 'Te', 'Si'],
    'ENTP': ['Ne', 'Ti', 'Fe', 'Si'],
    'ESTJ': ['Te', 'Si', 'Ne', 'Fi'],
    'ESFJ': ['Fe', 'Si', 'Ne', 'Ti'],
    'ENFJ': ['Fe', 'Ni', 'Se', 'Ti'],
    'ENTJ': ['Te', 'Ni', 'Se', 'Fi'],
}

def get_function_stack(mbti_type: str) -> dict:
    """返回认知功能栈"""
    stack = FUNCTION_STACKS.get(mbti_type.upper())
    if not stack:
        return None
    return {
        'dominant': stack[0],
        'auxiliary': stack[1],
        'tertiary': stack[2],
        'inferior': stack[3],
    }

6.3 推荐的实现路径

如果要构建 MBTI 测评系统，建议的技术路径：

关键注意事项：

• MBTI 官方量表（Form M / Form Q）受版权保护，不可在产品中使用
• OEJTS 在非商业场景下免费使用
• 任何 MBTI 实现都应注明其局限性（信效度争议）
• 建议同时或替代性地实现大五人格测评，提供更学术可靠的结果

来源

• Carl Jung, Psychological Types (1921)
• The Myers-Briggs Company 官方文档 (themyersbriggs.com)
• Open-Source Psychometrics Project — OEJTS (openpsychometrics.org)
• Sakinorva 认知功能测试 (sakinorva.net/functions)
• Personality Junkie — Functional Stack Theory (personalityjunkie.com)
• Our Human Minds — Function Stack Cheat Sheet (ourhumanminds.com)
• 16Personalities — NERIS Model (16personalities.com/articles/our-theory)
• Simply Psychology — MBTI 综述 (simplypsychology.org)
• Wikipedia — Myers-Briggs Type Indicator
• GitHub: rojcode/MBTI, Kali-Hac/ChatGPT-MBTI, personality-prediction-ml
• McCrae & Costa (1989), “Reinterpreting the Myers-Briggs Type Indicator From the Perspective of the Five-Factor Model of Personality”
• Pittenger (2005), “Cautionary Comments Regarding the Myers-Briggs Type Indicator”

大五人格模型（Big Five / Five-Factor Model / OCEAN）

📍 位置：心理测评体系 / 大五人格 📌 核心发现：大五人格是心理学界公认的人格结构”黄金标准”，IPIP-NEO 完全开源（public domain），包含 120/300 题版本和完整计分键，是最适合编程实现的人格测评体系 📥 输入：IPIP 官方项目（ipip.ori.org）、NEO-PI-R 文献、BFI-2 开发论文、Wikipedia、Google Scholar 元分析、GitHub 开源实现 📤 流向：→ findings.md

一、理论基础

1.1 词汇假说（Lexical Hypothesis）

大五人格模型的理论基础是词汇假说——人格中最重要的差异会被编码进语言中。如果一种人格特征对社会交往足够重要，那么人们一定会为它发明一个词。

发展历程：

五因子结构的稳健性验证：

• 跨语言验证：在 50+ 种语言中独立重复出五因子结构
• 跨文化验证：在东亚、非洲、拉丁美洲等文化中均得到支持
• 跨方法验证：自评、他评、行为观察等多种方法均指向五因子
• 行为遗传学：五因子中每个维度都有约 40-60% 的遗传率
• 纵向稳定性：成年后五因子得分具有较高的跨时间稳定性（r ≈ .60-.80）

1.2 五个维度（OCEAN）的详细定义和子维度

O — 开放性（Openness to Experience）

反映个体对新体验、新想法、想象力和智识好奇心的偏好程度。

6 个子维度（NEO-PI-R Facets）：

C — 尽责性（Conscientiousness）

反映个体的自律性、组织性、目标导向性和责任感。

6 个子维度：

E — 外向性（Extraversion）

反映个体的社交能量、积极情感和外部刺激寻求程度。

6 个子维度：

A — 宜人性（Agreeableness）

反映个体的合作倾向、利他性、信任度和人际和谐追求。

6 个子维度：

N — 神经质（Neuroticism）

反映个体的情绪不稳定性、负面情绪倾向和应激脆弱性。

6 个子维度：

二、量表（Instruments）

2.1 NEO-PI-R（Revised NEO Personality Inventory）— 专业版

最新版本 NEO-PI-3（2005/2010）：

• 简化了部分题目的语言表达
• 适用于更年轻的被试（12 岁+）
• 核心结构和计分方式未变

2.2 NEO-FFI（NEO Five-Factor Inventory）— 简版

2.3 BFI（Big Five Inventory）— 研究版

BFI-1（原版，1991/1999）：

BFI-2（更新版，2017）：

BFI-2 的 15 个子维度：

BFI-2 反向计分题目（R = 反向）：

BFI-2 简短版本：

• BFI-2-S（Short）：30 题
• BFI-2-XS（Extra Short）：15 题

2.4 IPIP-NEO（International Personality Item Pool）— 开源版（重点）

这是最适合编程实现的量表——完全公开领域（Public Domain），任何人可以免费使用、修改和分发。

IPIP 项目背景：

• 创始人：Lewis R. Goldberg
• 网站：ipip.ori.org
• 许可证：Public Domain（完全无限制）
• 项目目标：提供科学级别的人格测量工具，让所有人都能免费使用

IPIP-NEO-300（完整版）：

IPIP-NEO-120（简版，推荐）：

IPIP-NEO-50（极简版）：

2.5 Mini-IPIP（20 题极简版）

2.6 TIPI（Ten Item Personality Inventory）— 10 题极简版

完整 10 题：

TIPI 计分：

• 反向题（2, 4, 6, 8, 10）：分数 = 8 - 原始分
• 每个维度分数 = 该维度两题分数的平均值
• 维度分数范围：1-7

三、计分规则

3.1 正向计分和反向计分

正向计分（+ keyed）：

反向计分（- keyed）：

本质：反向计分 = 6 - 原始分

3.2 IPIP-NEO 计分流程

步骤 1：反向计分处理

对于每道反向计分题：
    scored_value = 6 - raw_response
对于每道正向计分题：
    scored_value = raw_response

步骤 2：子维度（Facet）分数

facet_score = sum(该子维度所有题目的 scored_value)

IPIP-NEO-120：每个子维度 4 题 → 范围 4-20
IPIP-NEO-300：每个子维度 10 题 → 范围 10-50

步骤 3：维度（Domain）分数

domain_score = sum(该维度 6 个子维度的 facet_score)

IPIP-NEO-120：每个维度 24 题 → 范围 24-120
IPIP-NEO-300：每个维度 60 题 → 范围 60-300

步骤 4：T 分数转换（标准化）

T_score = 50 + 10 × (raw_score - mean) / SD

其中 mean 和 SD 来自常模数据（按性别和年龄分层）

T 分数的解读：

步骤 5：百分位排名

T 分数可转换为百分位：

• T = 50 → 50th percentile（正好在中间）
• T = 60 → 84th percentile（高于 84% 的人）
• T = 40 → 16th percentile（低于 84% 的人）
• T = 70 → 98th percentile

3.3 IPIP-NEO-120 完整计分键

以下是 IPIP-NEO-120 的 30 个子维度及其计分方向（基于 IPIP 官方数据）：

神经质（Neuroticism, N）：

外向性（Extraversion, E）：

开放性（Openness, O）：

宜人性（Agreeableness, A）：

尽责性（Conscientiousness, C）：

3.4 常模数据来源

IPIP 官方提供的常模数据可在 ipip.ori.org/newNorms.htm 获取，包括：

• 按性别分层的均值和标准差
• 按年龄段分层的常模
• five-factor-e 库使用的简化方法：当性别为 Neutral 时，取男女常模的平均值

四、结果解读

4.1 每个维度的高/中/低解读框架

4.2 维度间的组合解读

某些维度的组合会产生独特的人格画像：

4.3 职业匹配参考

重要提醒：大五人格的职业匹配是概率性的参考，不是决定性的。不应仅凭人格测评结果做出职业决策。

五、与 MBTI 的对比

5.1 维度映射关系

关键差异：MBTI 的每个维度都与大五的多个维度有交叉相关，并非简单的一一对应。例如，MBTI 的 J/P 不仅与大五的尽责性相关，也与开放性（负相关）和宜人性有弱相关。

5.2 为什么学术界更认可大五

5.3 两者可以互补的场景

虽然学术上大五更优，但两者各有长处：

最佳实践：用大五测量，用 MBTI 叙事。 即用大五提供精确的维度分数，但在向用户呈现结果时，可以借用 MBTI 的类型描述方式来增强可理解性和趣味性。

六、可编程性

6.1 IPIP 项目 — 完全公开可用

IPIP（International Personality Item Pool）是最适合编程实现的人格测评资源：

• 许可证：完全 Public Domain，无任何使用限制
• 官方声明：“Because the IPIP is in the public domain, anybody can distribute paper-and-pencil copies of IPIP measures or administer online versions without asking for permission.”
• 可用内容：
  • 完整题目列表（英文原版 + 多语言翻译）
  • 完整计分键（正/反向计分标识）
  • 常模数据（按性别和年龄分层）
  • 信度系数数据

6.2 GitHub 开源实现

Python 实现：

JavaScript 实现：

6.3 计分算法的代码实现

# 大五人格 IPIP-NEO 计分算法（Python 示例）

from typing import Dict, List, Optional
import math

class BigFiveScorer:
    """
    基于 IPIP-NEO 的大五人格计分器
    支持 120 题和 300 题版本
    """

    # IPIP-NEO-120 的 30 个子维度及其题目映射
    # 格式：facet_name: [(item_id, is_positive_keyed), ...]
    # 以下为结构示例（完整映射需从 IPIP 官方获取）
    FACETS_120 = {
        # 神经质
        'N1_Anxiety':       [(1, True), (31, False), (61, True), (91, False)],
        'N2_Anger':         [(2, True), (32, False), (62, True), (92, False)],
        'N3_Depression':    [(3, True), (33, False), (63, True), (93, False)],
        'N4_SelfConscious': [(4, True), (34, False), (64, True), (94, False)],
        'N5_Immoderation':  [(5, True), (35, False), (65, True), (95, False)],
        'N6_Vulnerability': [(6, True), (36, False), (66, True), (96, False)],
        # 外向性
        'E1_Friendliness':  [(7, True), (37, False), (67, True), (97, False)],
        'E2_Gregariousness':[(8, True), (38, False), (68, True), (98, False)],
        'E3_Assertiveness': [(9, True), (39, False), (69, True), (99, False)],
        'E4_ActivityLevel': [(10, True), (40, False), (70, True), (100, False)],
        'E5_ExciteSeeking': [(11, True), (41, False), (71, True), (101, False)],
        'E6_Cheerfulness':  [(12, True), (42, False), (72, True), (102, False)],
        # ... 其余 18 个子维度类似
    }

    DOMAINS = {
        'N': ['N1_Anxiety', 'N2_Anger', 'N3_Depression',
              'N4_SelfConscious', 'N5_Immoderation', 'N6_Vulnerability'],
        'E': ['E1_Friendliness', 'E2_Gregariousness', 'E3_Assertiveness',
              'E4_ActivityLevel', 'E5_ExciteSeeking', 'E6_Cheerfulness'],
        'O': ['O1_Imagination', 'O2_ArtisticInterests', 'O3_Emotionality',
              'O4_Adventurousness', 'O5_Intellect', 'O6_Liberalism'],
        'A': ['A1_Trust', 'A2_Morality', 'A3_Altruism',
              'A4_Cooperation', 'A5_Modesty', 'A6_Sympathy'],
        'C': ['C1_SelfEfficacy', 'C2_Orderliness', 'C3_Dutifulness',
              'C4_AchievementStriving', 'C5_SelfDiscipline', 'C6_Cautiousness'],
    }

    # 简化常模数据（实际应使用 IPIP 官方常模）
    NORMS = {
        'N': {'mean': 72.0, 'sd': 18.0},
        'E': {'mean': 78.0, 'sd': 16.0},
        'O': {'mean': 82.0, 'sd': 14.0},
        'A': {'mean': 84.0, 'sd': 14.0},
        'C': {'mean': 78.0, 'sd': 16.0},
    }

    @staticmethod
    def score_item(response: int, is_positive: bool) -> int:
        """
        计算单题得分
        response: 原始回答 (1-5)
        is_positive: 是否正向计分
        """
        if is_positive:
            return response
        else:
            return 6 - response  # 反向计分

    def compute_facet_scores(self, answers: Dict[int, int]) -> Dict[str, int]:
        """计算 30 个子维度分数"""
        facet_scores = {}
        for facet, items in self.FACETS_120.items():
            score = sum(
                self.score_item(answers[item_id], is_pos)
                for item_id, is_pos in items
            )
            facet_scores[facet] = score  # 范围：4-20
        return facet_scores

    def compute_domain_scores(self, facet_scores: Dict[str, int]) -> Dict[str, int]:
        """计算 5 个维度分数"""
        domain_scores = {}
        for domain, facets in self.DOMAINS.items():
            domain_scores[domain] = sum(
                facet_scores[f] for f in facets if f in facet_scores
            )  # 范围：24-120
        return domain_scores

    def compute_t_scores(self, domain_scores: Dict[str, int],
                          sex: str = 'N', age: int = 30) -> Dict[str, float]:
        """转换为 T 分数（均值 50，标准差 10）"""
        t_scores = {}
        for domain, raw in domain_scores.items():
            norm = self.NORMS[domain]
            t_scores[domain] = 50 + 10 * (raw - norm['mean']) / norm['sd']
        return t_scores

    @staticmethod
    def t_to_percentile(t_score: float) -> float:
        """T 分数转百分位（基于正态分布）"""
        z = (t_score - 50) / 10
        return 0.5 * (1 + math.erf(z / math.sqrt(2))) * 100

    @staticmethod
    def interpret_level(t_score: float) -> str:
        """T 分数解读"""
        if t_score < 35:
            return "非常低"
        elif t_score < 45:
            return "低"
        elif t_score <= 55:
            return "平均"
        elif t_score <= 65:
            return "高"
        else:
            return "非常高"

    def full_report(self, answers: Dict[int, int],
                     sex: str = 'N', age: int = 30) -> dict:
        """生成完整报告"""
        facet_scores = self.compute_facet_scores(answers)
        domain_scores = self.compute_domain_scores(facet_scores)
        t_scores = self.compute_t_scores(domain_scores, sex, age)

        report = {}
        for domain in self.DOMAINS:
            pct = self.t_to_percentile(t_scores[domain])
            report[domain] = {
                'raw_score': domain_scores[domain],
                't_score': round(t_scores[domain], 1),
                'percentile': round(pct, 1),
                'level': self.interpret_level(t_scores[domain]),
                'facets': {
                    f: facet_scores[f]
                    for f in self.DOMAINS[domain]
                    if f in facet_scores
                }
            }
        return report


# 使用 five-factor-e 库（推荐的生产方案）
"""
pip install five-factor-e

from ipipneo import IpipNeo

# 初始化（120 题版本）
ipip = IpipNeo(question=120)

# 准备答案（JSON 格式）
answers = {
    "answers": [
        {"id_question": 1, "id_select": 4},  # 4 = Moderately Accurate
        {"id_question": 2, "id_select": 2},  # 2 = Moderately Inaccurate
        # ... 120 道题
    ]
}

# 计算结果
result = ipip.compute(sex="M", age=25, answers=answers)

# 结果包含：
# - 5 个维度的 raw score、T score、percentile、level
# - 30 个子维度的详细分数
# - 按性别和年龄的标准化得分
"""

6.4 推荐的实现路径

与 MBTI 实现的区别：

来源

• International Personality Item Pool (ipip.ori.org) — 官方量表和计分键
• Johnson, J.A. (2014). “Measuring thirty facets of the Five Factor Model with a 120-item public domain inventory” — IPIP-NEO-120 开发论文
• Costa, P.T. & McCrae, R.R. (1992). Revised NEO Personality Inventory (NEO-PI-R) and NEO Five-Factor Inventory (NEO-FFI) Professional Manual
• Soto, C.J. & John, O.P. (2017). “The Next Big Five Inventory (BFI-2)” — BFI-2 开发论文
• Goldberg, L.R. (1993). “The structure of phenotypic personality traits” — 大五模型经典论文
• Gosling, S.D., Rentfrow, P.J., & Swann, W.B. (2003). “A very brief measure of the Big-Five personality domains” — TIPI 开发论文
• Donnellan, M.B. et al. (2006). “The Mini-IPIP Scales” — Mini-IPIP 开发论文
• McCrae, R.R. & Costa, P.T. (1989). “Reinterpreting the Myers-Briggs Type Indicator from the perspective of the five-factor model of personality” — MBTI 与大五对比研究
• Wikipedia — Big Five personality traits, Revised NEO Personality Inventory
• GitHub: NeuroQuestAi/five-factor-e, kholia/IPIP-NEO-PI, bigfive-test.com
• Simply Psychology — Big Five Personality Traits 综述
• Positive Psychology — Using the Big Five Personality Traits in Practice

荣格分析心理学：理论体系与可编程性分析

📍 位置：心理测评体系 / 理论基础 📌 核心发现：荣格体系中”心理类型”已高度结构化（MBTI），“原型识别”和”象征解读”可半结构化，但完整的个体化过程评估仍需 LLM 级别的语境理解 📥 输入：荣格原著体系、MBTI 研究文献、原型心理学文献、炼金术心理学文献 📤 流向：→ findings.md 可编程性评估部分、→ 3-心理沙盘.md 符号解读体系

一、心理结构模型

荣格将人类心灵分为三个层次，构成其整个理论体系的基础：

1. 意识（Consciousness）

• 核心：自我（Ego），是意识的中心，负责身份认同、连续性感知和现实检验
• 功能：感知外部世界、做出决策、维持自我同一性
• 局限：仅占心灵总量的极小部分，如同冰山露出水面的尖端

2. 个人无意识（Personal Unconscious）

• 由被压抑、遗忘或忽视的个人经验组成
• 情结（Complex）：围绕某一主题聚集的情感-记忆群。例如”母亲情结”包含与母亲相关的所有记忆、情感和行为模式
• 情结具有自主性——可以独立于自我意志运作，在特定触发下”接管”意识
• 与弗洛伊德的区别：荣格的个人无意识范围更广，不仅限于被压抑的性驱力

3. 集体无意识（Collective Unconscious）

• 荣格理论最核心的原创贡献
• 不来自个人经验，而是全人类共享的心理遗产
• 内容为原型（Archetype）——先天的、普遍的心理模式
• 跨文化的神话、宗教、梦境中出现相似主题即为证据
• 原型本身不可直接观察，只能通过其**意象化表现（Archetypal Images）**在梦、幻想、艺术、沙盘中被感知

二、原型理论（Archetype Theory）

四大主要原型

次要原型

原型的运作机制

1. 原型 ≠ 原型意象：原型本身是抽象的心理模式（不可直接观察），原型意象是其在具体文化中的表现形式
2. 双极性：每个原型都有正面和负面表达（如大母神的滋养与吞噬）
3. 补偿性：原型出现往往是对意识态度的补偿（意识过度理性→无意识中阿尼玛/阿尼姆斯活化）
4. 自主性：原型可以独立于自我意志运作，在梦和幻想中”自行出现”

三、心理类型理论（Psychological Types）

荣格原始的 8 种心理类型

荣格在1921年《心理类型》中提出：2 种态度 × 4 种功能 = 8 种认知功能

两种态度

四种基本功能

八种认知功能详解

与 MBTI 的关系

MBTI 的16型与功能栈示例

四、个体化过程（Individuation）

定义

个体化（Individuation）意为”成为一个不可分割的整体”——即自我实现。荣格称其为”心灵自身朝向完整性的驱力”，是意识与无意识之间的终身对话。

主要阶段

第一阶段：认识人格面具（Persona）

• 认识到自己在社会中扮演的角色不等于真实的自己
• 区分”我是谁”与”别人期待我成为谁”
• 风险：与人格面具过度认同→失去真实自我

第二阶段：面对阴影（Shadow）

• 荣格称此为个体化的”学徒作品”（apprentice-piece）
• 承认和整合自己被否认、压抑的特质
• “没有认识阴影，就不可能认识阿尼玛/阿尼姆斯”
• 方法：梦的分析、积极想象、沙盘投射

第三阶段：整合阿尼玛/阿尼姆斯（Anima/Animus）

• 荣格称此为个体化的”大师作品”（master-piece）
• 整合心灵中的异性面向
• 建立与无意识更深层的关系
• 表现：在关系中投射减少，内在男性/女性能量更加平衡

第四阶段：接近自性（Self）

• 发展与自性（Self）的关系——心灵的整体性
• 自性是”整个心灵的总和”，区别于自我（Ego）
• 自我不再是心灵的中心，而成为围绕自性运转的一部分
• 表现：梦中出现曼荼罗意象、对称图案、整合性象征

个体化在沙盘/咨询中的体现

个体化是终身过程

荣格本人强调：个体化持续到死亡——总有另一层需要整合，总有自性的另一面等待发现。这不是一个有终点的目标，而是持续的转化过程。

五、符号与象征体系

荣格的象征解读框架

荣格区分了符号（Sign）和象征（Symbol）：

• 符号：固定含义的指代（如交通标志）
• 象征：指向尚未完全被意识理解的内容，含义是活的、多层次的

“象征是心灵的语言。” ——荣格

常见自然象征及其荣格式解读

曼荼罗（Mandala）的心理学意义

• 梵语意为”圆”，荣格视之为自性（Self）的核心象征
• 当意识在冲突下碎片化时，圆形意象可能在梦或积极想象中自发出现，作为自性重新安定心灵经济的补偿性尝试
• 荣格偏好四元结构（Quaternity）：基于个体化理论——四代表完整性、稳定性和秩序，对应四种心理功能（思维、情感、感觉、直觉）
• 曼荼罗揭示自性——超越自我偏好的、整序心灵的轴心原则

炼金术象征在心理学中的应用

荣格在《心理学与炼金术》（CW12）和《炼金术研究》（CW13）中系统论述了炼金术与心理学的对应：

六、可结构化/可编程性评估

高度可编程（已有成熟实现）

中度可编程（需要查表 + 上下文理解）

低可编程性（需要人类临床判断）

推荐的 AI 实现架构

┌─────────────────────────────────────────────────────┐
│                   用户交互层                          │
│  问卷 / 叙事输入 / 梦境描述 / 沙盘操作 / 图像输入     │
└──────────────────────┬──────────────────────────────┘
                       │
        ┌──────────────┼──────────────┐
        ▼              ▼              ▼
┌──────────────┐ ┌──────────┐ ┌────────────────┐
│ 规则引擎      │ │ 评分算法  │ │ LLM 语义分析    │
│ - 象征查表    │ │ - MBTI   │ │ - 原型检测      │
│ - 空间位置    │ │ - PMAI   │ │ - 叙事分析      │
│ - 颜色映射    │ │ - STR    │ │ - 梦境解读      │
└──────┬───────┘ └────┬─────┘ └───────┬────────┘
       │              │               │
       └──────────────┼───────────────┘
                      ▼
            ┌──────────────────┐
            │ 整合报告生成引擎  │
            │ （LLM + 模板）    │
            └──────────────────┘

关键可查表体系

1. MBTI 类型-功能栈对照表：16型 × 8功能的完整映射，已完全标准化
2. Pearson 12原型问卷评分表：标准化量表，可直接编程
3. 象征-心理含义基础对照表：Journal of Sandplay Therapy 的 Symbol Dictionary 提供了可结构化的基础映射
4. 炼金术阶段-心理过程对照表：Nigredo→Albedo→Rubedo 对应个体化阶段，可用作评估框架

参考来源

• Jungian Archetypes - Wikipedia
• 15+ Classic Jungian Archetypes
• Jungian Archetypes and the Hidden Architecture of the Psyche - Meridian University
• The 8 Cognitive Functions - Personality Junkie
• Jungian Cognitive Functions Guide - Personality Psychology
• The Individuation Process - Scott Jeffrey
• The Individuation Process - Morjun
• Jung on Alchemy: The Mandala - Symbol Reader
• Psychology and Alchemy - IAAP
• The Soul in Silicon: Building Bridges Between Jung and AI
• Puer Aeternus - Wikipedia
• Jungian Mandala Interpretation - Mandala Magic School

心理沙盘疗法：理论体系、实施规则与 AI 产品化路径

📍 位置：心理测评体系 / 核心疗法 📌 核心发现：沙盘疗法的”符号→心理含义”映射和”空间位置→心理维度”映射可高度结构化；整体场景解读需要 LLM；测测 App 已验证 3D 沙盘 AI 化的商业可行性（2400万+次解读） 📥 输入：Dora Kalff 原著体系、Sandplay Therapists of America 文献、Journal of Sandplay Therapy 符号词典、测测 App 产品分析、沙盘疗法标准化评估研究 📤 流向：→ findings.md AI产品化方案部分

一、沙盘疗法基础

1.1 起源与理论脉络

1.2 核心理论基础

• 荣格象征理论：象征是心灵的语言，通过象征表达无意识可实现疗愈
• 原型理论：沙具和场景配置是原型意象的具体化表现
• 个体化理论：沙盘系列（多次沙盘疗程）可以追踪来访者的个体化进程
• Kalff 的核心原则：“做什么都不做比做什么都难。” 沉默的、尊重的接纳让来访者感到安全和自由。不做解读——让过程自然展开

1.3 Sandplay vs. Sandtray 的区别

1.4 在中国的发展现状

• 心理沙盘已广泛应用于学校心理辅导室、心理咨询机构、医院心理科
• 中国心理学会注册系统认可沙盘疗法
• 数字化方面：测测 App 的3D心理沙盘是目前最大规模的数字化实践，用户超5000万，沙盘解读超2400万次
• 沙盘游戏疗法被视为”表达性心理辅导技术”，以荣格分析心理学象征理论和原型理论为主要支撑

二、实施规则

2.1 标准沙盘的物理设置

沙箱规格

环境要求

• 安静、私密的空间，确保来访者感到安全和舒适
• 沙具陈列架放在来访者可及的位置
• 治疗师坐在旁边，不干预、不评判

2.2 沙具分类体系

主要分类及心理学含义

三、符号解读体系（核心）

3.1 空间象征

沙盘的空间位置具有系统性的心理含义。据 Joel Ryce-Menuhin 的研究，95%的沙盘游戏遵循以下空间分布规律：

水平轴（左右）

┌─────────────────────────────────┐
│                                 │
│   左半部                右半部   │
│   无意识               意识     │
│   内在世界             外部世界  │
│   过去                 未来     │
│   母亲/女性            父亲/男性 │
│   内省                 行动     │
│                                 │
└─────────────────────────────────┘

垂直轴（上下）

┌─────────────────────────────────┐
│   上部：意识、精神世界、思维       │
│   社会化、同伴/家庭关系           │
│─────────────────────────────────│
│   中间：个人无意识、自我           │
│─────────────────────────────────│
│   下部：集体无意识、本能           │
│   创造性、母亲/原始依附           │
└─────────────────────────────────┘

中心与边缘

四象限详细含义

3.2 元素象征

3.3 动物象征

3.4 人物象征

3.5 建筑象征

3.6 颜色象征

四、3D 心理沙盘的 AI 化——测测 App 的做法

4.1 产品背景

4.2 数字化沙盘的产品逻辑

用户操作层

用户在3D空间中进行类似实体沙盘的操作：

• 地形塑造：堆山、造海、挖河（对应实体沙盘中的塑沙操作）
• 放置物品：从分类沙具库中选取物品，放置在3D场景中
• 自由创作：没有固定步骤，“像游戏一样完成在线测试”

主题框架

测测沙盘提供四个主题场景：

1. 自我探索——我是谁？
2. 亲密关系——关系中的我
3. 职业发展——工作中的我
4. 原生家庭——家庭中的我

每个主题引导用户从特定角度构建沙盘，便于 AI 分析有明确的上下文。

AI 分析逻辑

AI 分析基于以下维度（根据公开报道推测的逻辑架构）：

用户操作数据
├── 物品放置位置（空间象征分析）
│   ├── 在沙盘的哪个区域（左/右/上/下/中心/边缘）
│   ├── 物品之间的距离和朝向
│   └── 整体布局的对称性/混乱度
│
├── 沙具选择（符号象征分析）
│   ├── 近千种沙具的心理学含义映射
│   ├── 选择的类别分布（人物多/动物多/建筑多...）
│   └── 特定沙具的组合关系
│
├── 地形特征（元素象征分析）
│   ├── 是否有水/山/洞穴
│   ├── 地形的高低起伏
│   └── 开放空间 vs 封闭空间的比例
│
├── 视角数据
│   ├── 用户查看沙盘的角度
│   └── 关注焦点
│
└── 行为序列（过程分析）
    ├── 放置顺序
    ├── 犹豫/修改行为
    └── 总用时和节奏

AI 报告输出维度

根据公开信息，AI 解读报告覆盖四个角度：

1. 人格特质——用户的性格倾向
2. 行为风格——行为模式和应对方式
3. 价值体系——核心价值观和优先级
4. 心理状态——当前的情绪和心理健康状况

4.3 多人协作沙盘的心理学依据

测测 App 还支持多人协作沙盘，其心理学依据：

• 群体动力学：多人在同一空间的操作反映关系动力
• 投射互动：不同人的放置物可能产生冲突或协调，反映现实关系模式
• 荣格的”共时性”（Synchronicity）：多人同时操作产生的巧合性配置可能有心理学意义

4.4 商业模式

• 基础沙盘体验免费（引流工具）
• AI 深度解读报告付费
• 与AI虚拟咨询师、MBTI测试、星座分析等构成完整的泛心理服务矩阵
• 2024年7月上线”AI心情小镇”——沉浸式AI情感陪伴

五、标准化评分体系

5.1 现有的标准化工具

5.2 其他评估方法

• 标准化心理量表：用前后测设计评估沙盘疗法效果（如SCL-90、SAS、SDS等）
• 行为观察编码：对沙盘过程中的行为进行系统编码
• 生理测量：记录沙盘过程中的心率、皮肤电导等指标
• 质性分析：来访者叙事和自我报告的主题分析

5.3 标准化的局限

西方和日本发表的大量案例研究并未采用标准化方法或标准化的结果报告形式。

这意味着：沙盘疗法的循证基础主要依赖案例研究和质性方法，缺少大样本RCT。对 AI 产品化来说，这既是挑战（缺少”金标准”）也是机会（AI 可以大规模收集数据，建立新的标准化框架）。

六、可编程性评估与 AI 实现路径

6.1 可结构化程度评估

6.2 推荐的 AI 实现架构

┌──────────────────────────────────────────────────────────┐
│                    3D 沙盘交互层                          │
│  用户在3D空间中：堆山造海 / 选择沙具 / 放置物品 / 视角切换  │
└─────────────────────────┬────────────────────────────────┘
                          │ 实时采集
                          ▼
┌──────────────────────────────────────────────────────────┐
│                    数据采集层                              │
│  位置坐标 / 沙具ID / 地形高度图 / 操作时间序列 / 视角数据  │
└─────────────────────────┬────────────────────────────────┘
                          │
          ┌───────────────┼───────────────┐
          ▼               ▼               ▼
┌────────────────┐ ┌──────────────┐ ┌──────────────────┐
│  规则引擎       │ │  模式识别     │ │  知识图谱查询     │
│  - 空间象征     │ │  - 对称性检测 │ │  - 沙具→含义      │
│  - 四象限分析   │ │  - 聚类分析   │ │  - 动物→原型      │
│  - 距离/朝向    │ │  - 布局类型   │ │  - 颜色→含义      │
│  - 颜色分析     │ │  - 行为模式   │ │  - 组合→关系      │
└───────┬────────┘ └──────┬───────┘ └────────┬─────────┘
        │                 │                   │
        └─────────────────┼───────────────────┘
                          │ 结构化分析结果
                          ▼
┌──────────────────────────────────────────────────────────┐
│                    LLM 解读层                             │
│  输入：结构化分析结果 + 主题上下文 + 用户历史               │
│  任务：生成连贯的心理解读报告                              │
│  原则：                                                   │
│  - 基于象征体系生成解读，不做临床诊断                       │
│  - 正面引导为主，避免贴负面标签                             │
│  - 提供"可能性"而非"确定性"——"这可能反映..." 而非 "你是..."  │
└─────────────────────────┬────────────────────────────────┘
                          ▼
┌──────────────────────────────────────────────────────────┐
│                    报告输出层                              │
│  人格特质 / 行为风格 / 当前心理状态 / 成长建议              │
│  （可选：与前次沙盘的对比分析）                            │
└──────────────────────────────────────────────────────────┘

6.3 核心知识图谱结构建议

沙具知识图谱
├── 节点类型
│   ├── 沙具（~1000个）
│   │   ├── 属性：名称、分类、颜色、大小
│   │   └── 基础含义：1-3个核心心理含义
│   ├── 原型（~15个）
│   │   ├── 正面表达
│   │   └── 负面表达
│   ├── 心理主题（~30个）
│   │   └── 如：安全感、控制感、关系焦虑、自我认同...
│   └── 空间位置（9个区域）
│       └── 基础含义映射
│
├── 关系类型
│   ├── 沙具 → 原型（表达）
│   ├── 沙具 → 心理主题（暗示）
│   ├── 沙具 + 沙具 → 组合含义
│   ├── 沙具 + 位置 → 位置增强含义
│   └── 原型 → 个体化阶段（对应）

6.4 实现路径建议

第一阶段：规则引擎 MVP

• 建立沙具-含义知识图谱（约1000条映射）
• 实现空间位置分析算法
• 使用固定模板 + 变量填充生成基础报告
• 价值：快速验证产品逻辑，无需 LLM 成本

第二阶段：LLM 增强解读

• 将结构化分析结果作为 LLM 的 context 输入
• LLM 负责将碎片化分析综合成连贯叙事
• 引入主题上下文（自我探索/亲密关系/职业/原生家庭）
• 价值：报告从”拼接感”升级为”对话感”

第三阶段：纵向追踪与个体化评估

• 记录用户多次沙盘数据
• 分析跨时间的变化模式
• 引入个体化阶段评估
• 价值：从”一次性测试”升级为”心理成长伴侣”

第四阶段：多模态融入

• 用户可拍照上传实体沙盘→图像识别→AI分析
• 语音引导式沙盘体验
• VR 沙盘（更沉浸的3D体验）

参考来源

• Introduction to Sandplay Therapy - Dora Kalff / SPA
• Jungian Sandplay Therapy - Barbara A. Turner
• Symbol Dictionary - Journal of Sandplay Therapy
• Symbol Dictionary PDF - Institute of Child Psychology
• Sandplay Therapy - EFPT Psychotherapy Guidebook
• Sandplay with Dora Kalff - Psychotherapy.net
• Guidelines for Sandplay Setup
• Sandtray Specs - Southern Sandtray Institute
• Analysis of Initial Sandplay Characteristics - BMC Psychiatry
• Sand Tray Test of Resilience - ScienceDirect
• 测测App 用户指南 - GeekPark
• 测测App AI分析 - 36氪
• 心言集团 心元大模型 - 新华报业
• 测测App 3D心理沙盘 - 界面新闻
• 心言集团 品玩报道
• 任永亮 牛津中国论坛演讲 - 中国日报
• 沙盘游戏疗法 - 百度百科
• 沙盘空间象征分析 - 济南市卫健委
• Toy Categories - Transpersonal Sandplay Therapy Center
• The Soul in Silicon: Jung and AI

其他主流心理测评工具

📍 位置：心理测评体系 / 其他测评工具 📌 核心发现：7 种测评工具中，DISC、RIASEC、依恋类型和爱情语言具备高可编程性（公开量表 + 清晰计分规则），九型人格和 EQ 中等，盖洛普因专有算法最难复现 📥 输入：Enneagram Institute、Gallup、openpsychometrics.org、ECR-R 官方文档、学术文献、GitHub 开源实现 📤 流向：→ findings.md

1. 九型人格（Enneagram）

1.1 理论基础

九型人格起源于古代灵性传统，由 Oscar Ichazo 和 Claudio Naranjo 在 20 世纪 60-70 年代系统化，后由 Don Riso 和 Russ Hudson 进一步发展出心理学框架（含健康层级理论）。核心假设：每个人有一个主导人格类型，该类型由核心恐惧和核心渴望驱动。

1.2 九种人格类型定义

1.3 翼型（Wings）

每个类型受到相邻两个类型之一的影响，称为「翼型」。翼型不会改变基本类型，但会为其增添色彩：

9 型 x 翼型 = 18 种组合（每种基本类型有 2 种翼型变体）。

1.4 健康层级（Levels of Development）

由 Don Riso 于 1977 年提出，是九型人格理论中独特的纵向维度。每个类型有 9 个发展层级，分三段：

层级越低（数字越大），防御机制越重，行为越偏离健康状态。同一类型的人因层级不同可以表现截然不同。

1.5 压力/成长方向（Stress/Growth Arrows）

九型人格图中的箭头连接线指示每个类型在压力和成长状态下移动的方向：

成长（整合）方向：1→7→5→8→2→4→1 和 9→3→6→9

压力（解离）方向：1→4→2→8→5→7→1 和 9→6→3→9

1.6 RHETI 量表结构

RHETI（Riso-Hudson Enneagram Type Indicator）v2.5 是最广泛使用的九型人格测评工具。

• 题目数量：144 道配对陈述题
• 题目格式：迫选法（forced-choice），每题给出两个陈述，选一个更符合自己的
• 完成时间：约 40 分钟
• 结果：不仅给出基本类型，还提供 9 个类型的全谱分数（full-spectrum profile）

1.7 计分方式

• 144 道配对题覆盖所有 9 个类型的交叉比较
• 每个类型获得一个独立分数，得分最高的为基本类型
• 翼型判定：基本类型两侧相邻类型中得分更高的为主导翼型
• 翼型与基本类型的分数比例也需考虑（有人翼型分很高，有人翼型不明显）
• 具体计分算法为专有（proprietary），未完全公开

1.8 可编程性评估

2. DISC 行为风格

2.1 理论基础

DISC 模型源于 William Moulton Marston 在 1928 年出版的《Emotions of Normal People》。Marston 提出人的行为可以沿两个轴线分类：主动 vs 被动（对环境的态度）和友好 vs 对抗（对环境的感知）。注意：Marston 只提出了理论，并未创建测评工具；后来由 Walter Clarke 在 1956 年开发了第一个 DISC 量表。

2.2 四种行为风格定义

行为矩阵：

• D 和 I 位于上方（外向/主动）；S 和 C 位于下方（内向/被动）
• D 和 C 位于左方（任务导向）；I 和 S 位于右方（人际导向）

2.3 DISC 量表的典型结构

经典 DISC（迫选法）：

• 24 组题目，每组 4 个形容词
• 每组中选出”最像你的”和”最不像你的”各一个
• 总计 48 次选择

现代 DISC（Everything DiSC，等级评定法）：

• 79-126 道题目（采用计算机自适应测试 CAT）
• 5 点 Likert 量表评定同意程度
• 内部一致性系数 0.85-0.95
• 重测信度 0.85-0.90

2.4 计分方法

迫选法计分：

1. 将”最像”选项标记为正分（+），“最不像”标记为负分（-）
2. 按 D/I/S/C 四个维度分别统计正分和负分
3. 正分 - 负分 = 各维度原始分
4. 将原始分转换为标准分（0-100 范围）
5. 生成行为剖面图（Profile Pattern）

等级评定法计分：

• 对各维度题目的 Likert 分数求和
• 经过常模校准后转换为百分位分数
• 分数范围 0-100

两种方法对比：

2.5 结果解读

• 主导风格：四维度中得分最高的维度
• 次要风格：得分第二高的维度
• 风格组合：如 DI（高 D 高 I）= 结果导向的社交者，SC（高 S 高 C）= 稳健的分析者
• 特殊模式：得分图中的特定形态可指示压力状态、自然状态等
• 共 15 种经典 DISC 模式（如 Developer、Promoter、Counselor 等）

2.6 可编程性评估

3. 霍兰德职业兴趣（Holland RIASEC）

3.1 理论基础

由 John Holland 在 1950 年代提出，核心假设：人的职业兴趣可以分为 6 种类型，当个人类型与工作环境类型匹配时，工作满意度和绩效最高。该理论已成为职业咨询领域的主导框架。

3.2 六种职业兴趣类型

六种类型按照六边形排列，相邻类型相关度高（如 R-I），对角类型相关度低（如 R-S）。

3.3 SDS 量表结构

SDS（Self-Directed Search）是 Holland 本人开发的自助式测评工具，包含 4 个部分：

总计约 228 道题目。

3.4 三字母代码生成规则

1. 分维度计分：将 4 个部分中每个 RIASEC 类型的分数分别求和
   • Activities：每个”喜欢” = 1 分
   • Competencies：每个”是” = 1 分
   • Occupations：每个”是” = 1 分
   • Self-Estimates：直接使用 1-7 的评分
2. 得到 6 个维度总分（R/I/A/S/E/C）
3. 排序取前三：总分最高的 3 个维度代码依序组成三字母代码
4. “8 分规则”（Rule of 8）：SDS Form R 中，维度分差小于 8 分时应视为无显著差异（在标准误范围内），需要考虑多种代码组合

示例：如果某人 R=35, I=42, A=28, S=40, E=15, C=22 → 三字母代码 = ISR

3.5 职业匹配数据库

• 《职业代码词典》（Dictionary of Holland Occupational Codes, DHOC）：收录数千个职业及其对应 RIASEC 代码
• O*NET（美国劳工部）：在线数据库，每个职业标注了 Holland 代码，可通过 API 查询
• 三字母代码的 6 种排列组合都可用于搜索匹配职业

3.6 可编程性评估

4. 盖洛普优势识别（CliftonStrengths）

4.1 理论基础

由 Donald Clifton 在 1998 年开发，基于盖洛普 40+ 年对全球成功人士的研究。核心理念：与其修补弱点，不如识别和发展天赋（talent），将其转化为优势（strength = talent + 投入的时间和练习）。

4.2 34 种才干主题

34 种才干主题分属 4 个领域：

执行力（Executing）—— 让事情发生

影响力（Influencing）—— 让想法被听见

关系建立（Relationship Building）—— 凝聚团队

战略思维（Strategic Thinking）—— 分析和想象未来

4.3 测评方式和计分

• 题目数量：约 177 道配对陈述题
• 答题方式：看到两个陈述，选择更符合自己的（类似 RHETI 的迫选法）
• 时间限制：每题 20 秒（强制快速反应，减少过度思考）
• 总时长：约 30 分钟
• 计分：专有算法（Gallup 从未公开），基于每题的选择模式和一致性分析
• 结果：34 个主题按强度排序
  • Top 5（签名主题）：最显著的天赋
  • 6-10：支撑主题
  • 11-34：较少使用或需要更多投入的领域
  • 底部 5 个：最不突出的主题

4.4 Top 5 优势的应用

• 自我认知：了解自然优势所在，用优势而非弱点定义自己
• 团队组建：将不同优势的人互补配对
• 职业发展：选择能发挥 Top 5 的角色和任务
• 管理：根据下属的 Top 5 分配工作
• 配对分析：34^5 的排列组合使每个人的 Top 5 几乎独一无二（概率约 1/3300 万）

4.5 可编程性评估

5. 爱情语言（Five Love Languages）

5.1 理论基础

由 Gary Chapman 博士在 1992 年出版的《The 5 Love Languages》中提出。核心假设：每个人有一个主要的”爱情语言”——一种最能让 TA 感受到被爱的表达方式。当伴侣用错误的语言表达爱意时，对方可能感受不到。

5.2 五种爱情语言定义

5.3 测评方式

• 题目数量：30 道配对题
• 题目格式：迫选法——每题两个陈述，选更有共鸣的那个
• 每个选项标记一个字母（A/B/C/D/E，各对应一种爱情语言）

计分规则：

1. 完成 30 道题后，统计每个字母被选中的次数
2. 字母对应关系：A = 肯定的言辞，B = 精心时刻，C = 接受礼物，D = 服务行动，E = 身体接触
3. 得分最高的字母 = 主要爱情语言
4. 得分第二高的 = 次要爱情语言
5. 每种语言分数范围：0-12 分
6. 总分恒等于 30（因为是迫选法）
7. 两种语言分数相同时视为”双语”

5.4 配对应用

• 伴侣配对分析：两人各测出主要语言后，比较匹配度
• 沟通策略：用对方的主要语言表达爱，而非自己的
• 冲突理解：很多冲突源于双方用不同语言”说爱”导致对方没收到
• 也有针对儿童、职场（The 5 Languages of Appreciation in the Workplace）的变体版本

5.5 可编程性评估

6. 依恋类型（Attachment Styles）

6.1 理论基础

源于 John Bowlby（1960s-80s）的依恋理论和 Mary Ainsworth 的陌生情境实验。后由 Kim Bartholomew（1991）将成人依恋扩展为四分类模型，Brennan、Clark 和 Shaver（1998）开发了 ECR 量表。核心假设：早期照料者关系形成的内部工作模型（Internal Working Model）影响成人亲密关系中的行为模式。

6.2 四种依恋类型

依恋类型由两个正交维度定义：

安全型 (Secure)：

• 对亲密关系感到舒适，能依赖他人也能被依赖
• 对自己和伴侣都有正面看法
• 约占人群 50-60%

焦虑型 (Anxious-Preoccupied)：

• 渴望极度亲密，担心被抛弃
• 对自己有负面看法，对他人有正面看法
• 过度敏感于伴侣的回应速度和态度
• 约占人群 20%

回避型 (Dismissive-Avoidant)：

• 重视独立和自给自足，回避亲密
• 对自己有正面看法，对他人有负面看法
• 倾向于在情感上保持距离
• 约占人群 15-20%

混乱型 (Fearful-Avoidant)：

• 既渴望亲密又害怕亲密
• 对自己和他人都有负面看法
• 行为矛盾——时近时远
• 约占人群 5-10%

6.3 ECR 量表（Experiences in Close Relationships）

ECR-R（修订版） 是最广泛使用的成人依恋测量工具。

• 题目数量：36 道题
• 量表格式：7 点 Likert 量表（1 = 非常不同意，7 = 非常同意）
• 两个分量表：
  • 第 1-18 题：焦虑维度（attachment-related anxiety）
  • 第 19-36 题：回避维度（attachment-related avoidance）

6.4 焦虑和回避两个维度的计分

焦虑维度计分（第 1-18 题）：

1. 反向计分第 9 题和第 11 题（即 1→7, 2→6, 3→5, 4→4, 5→3, 6→2, 7→1）
2. 将全部 18 题的分数取平均值 = 焦虑分数

回避维度计分（第 19-36 题）：

1. 反向计分第 20、22、26、27、28、29、30、31、33、34、35、36 题（注意：多数回避题需要反向计分）
2. 将全部 18 题的分数取平均值 = 回避分数

依恋类型判定：

• 以第 75 百分位为切分点（或使用样本中位数）
• 焦虑 < 75th 且 回避 < 75th → 安全型
• 焦虑 > 75th 且 回避 < 75th → 焦虑型
• 焦虑 < 75th 且 回避 > 75th → 回避型
• 焦虑 > 75th 且 回避 > 75th → 混乱型

也可保留连续维度分数而不做类型判定（维度方法比类型方法信息量更大）。

6.5 可编程性评估

7. 情商测评（EQ）

情商测评存在两大范式：能力模型（把 EI 当作认知能力来测）和混合模型/特质模型（把 EI 当作人格特质和自我报告能力的混合体来测）。

7.1 Mayer-Salovey-Caruso 能力模型（MSCEIT）

理论框架：Mayer 和 Salovey（1997）定义情商为一种认知能力——“准确感知、使用、理解和管理情绪的能力”。

四个能力分支：

MSCEIT 测评结构：

• 题目数量：141 题（原版），MSCEIT 2 扩展至 12 种题型
• 题目格式：主要为多选题和排序题（非自我报告）
• 完成时间：约 30-45 分钟

计分方式：

• 两种计分方法：共识计分（与大众样本的回答一致度）和专家计分（与情绪研究专家的回答一致度）
• 两种方法的相关度约 0.90
• 总分均值 = 100，标准差 = 15（类似 IQ 计分）
• 产出：1 个总分 + 2 个领域分（经验性 EI、策略性 EI）+ 4 个分支分 + 8 个任务分

7.2 Bar-On EQ-i 混合模型

理论框架：Reuven Bar-On 将情商定义为”影响个人应对环境需求和压力的情感和社会能力的集合”。是混合模型，包含能力和人格特质。

EQ-i 2.0 结构（1-5-15 模型）：

EQ-i 2.0 测评结构：

• 题目数量：133 道自我报告题
• 量表格式：5 点 Likert 量表
• 完成时间：约 20 分钟

计分方式：

• 原始分自动转换为标准分（均值 = 100，标准差 = 15）
• 产出：1 个总 EI 分 + 5 个复合量表分 + 15 个子量表分
• 总分由 118 题计算（排除了正向印象、负向印象和幸福感量表的题目及第 133 题）

7.3 两大模型对比

7.4 可编程性评估

可编程性总结排名