Một trắc nghiệm tính cách đáng tin khi nó đạt hai điều: độ tin cậy (đo nhiều lần, đo bằng nhiều câu khác nhau vẫn ra kết quả gần giống nhau) và độ hiệu lực (đo đúng cái nó nói là đo, và kết quả dự báo được điều gì đó ngoài đời). Các bảng hỏi Big Five được kiểm định kỹ đạt cả hai ở mức khá; nhiều bài trắc nghiệm lan truyền trên mạng thì chưa từng được ai kiểm tra. Nói gọn: câu hỏi đúng không phải "trắc nghiệm có chính xác không" mà là "trắc nghiệm nào, đã được kiểm định ra sao, dùng vào việc gì".
Đo tính cách khác đo cân nặng ở chỗ nào
Cân nặng là thứ đặt lên bàn cân là thấy. Tính cách thì không. Không ai cầm được "mức hướng ngoại" hay "mức tận tâm" trong tay. Giới tâm lý học gọi những thứ như vậy là cấu trúc (construct): một khái niệm được suy ra từ rất nhiều hành vi, cảm nghĩ, thói quen lặp đi lặp lại.
Vì không đo trực tiếp được, người ta đo gián tiếp: đặt ra nhiều câu mô tả (chẳng hạn "Thường là người bắt chuyện trước", trong bảng hỏi gốc tiếng Anh là "Start conversations"), rồi nhờ người trả lời tự chấm mức đồng ý. Gộp điểm nhiều câu lại thành điểm một nét. Cách làm này có hai chỗ có thể hỏng:
- Các câu hỏi có thể không nhất quán: hôm nay trả lời thế này, tuần sau thế khác; câu này kéo một hướng, câu kia kéo hướng khác. Đó là chuyện độ tin cậy.
- Các câu hỏi có thể nhất quán nhưng đo nhầm thứ: tưởng đo hướng ngoại mà thực ra đo mức tự tin, hay đo tâm trạng hôm đó. Đó là chuyện độ hiệu lực.
Một chiếc cân lệch hai ký vẫn có thể rất "tin cậy" — lần nào cũng lệch đúng hai ký. Nhưng nó không "hiệu lực". Ngược lại, một chiếc cân nhảy số lung tung thì chắc chắn không thể đo đúng. Nên độ tin cậy là điều kiện cần, độ hiệu lực mới là đích.
Độ tin cậy: ba cách kiểm tra phổ biến
Đo lại sau một thời gian (test–retest)
Cho cùng một nhóm người làm bài hai lần, cách nhau vài tuần hoặc vài tháng, rồi xem thứ hạng của họ có giữ nguyên không. Tính cách được hiểu là xu hướng tương đối bền, nên một bảng hỏi tốt phải cho kết quả gần giống nhau giữa hai lần đo gần nhau. Các bảng hỏi Big Five lớn như NEO-PI-R của Costa và McCrae (1992) hay BFI của nhóm Oliver John thường cho kết quả đo lại khá ổn định trong khoảng thời gian ngắn — đó là một trong những lý do chúng được giới nghiên cứu tin dùng.
Độ nhất quán bên trong
Nếu tám câu cùng đo một nét, thì người đồng ý mạnh với câu này cũng nên đồng ý tương đối với câu kia. Chỉ số hay dùng nhất là hệ số alpha do Lee Cronbach đề xuất năm 1951. Trong sách giáo khoa, mốc khoảng 0,7 thường được nêu như mức tạm chấp nhận cho mục đích nghiên cứu, còn dùng để ra quyết định về một cá nhân thì đòi hỏi cao hơn. Mốc này là quy ước, không phải định luật — nhưng một thang chỉ đạt 0,4 thì gần như chắc chắn đang gộp những thứ không cùng loại.
Độ nhất trí giữa người chấm
Với những công cụ mà người đánh giá phải diễn giải câu trả lời — như trắc nghiệm vết mực Rorschach hay phỏng vấn — người ta kiểm tra xem hai chuyên gia chấm cùng một bộ câu trả lời có ra kết quả giống nhau không. Bảng hỏi tự khai chấm bằng đáp án cố định nên ít gặp vấn đề này, nhưng công cụ "phóng chiếu" thì gặp nhiều.
Độ hiệu lực: đo đúng thứ cần đo
Độ hiệu lực khó chứng minh hơn nhiều, vì không có "đáp án chuẩn" nào để so. Năm 1955, Lee Cronbach và Paul Meehl viết bài báo nổi tiếng về hiệu lực cấu trúc, gợi ý rằng phải xây cả một mạng lưới bằng chứng: điểm trắc nghiệm phải liên quan đến những thứ lẽ ra nó liên quan, và không liên quan đến những thứ lẽ ra nó không dính dáng. Các dạng bằng chứng thường gặp:
| Loại bằng chứng | Câu hỏi đặt ra | Ví dụ với nét tận tâm |
|---|---|---|
| Hiệu lực nội dung | Các câu hỏi có phủ đủ các mặt của khái niệm không? | Có câu về ngăn nắp, giữ lời hứa, chăm chỉ, cân nhắc trước khi làm — không chỉ toàn câu về dọn phòng |
| Hiệu lực hội tụ | Điểm có khớp với cách đo khác cùng khái niệm không? | Điểm tự khai khớp tương đối với điểm do người thân chấm |
| Hiệu lực phân biệt | Điểm có tách khỏi những khái niệm khác không? | Điểm tận tâm không trùng gần hết với điểm trí thông minh hay điểm hướng ngoại |
| Hiệu lực tiêu chí / dự báo | Điểm có dự báo được kết quả ngoài đời không? | Trung bình, điểm tận tâm có liên quan tới kết quả học tập và công việc |
Năm 1959, Donald Campbell và Donald Fiske đề xuất cách kiểm tra hiệu lực hội tụ và hiệu lực phân biệt cùng lúc: đo nhiều nét bằng nhiều phương pháp (tự khai, người khác chấm, quan sát), rồi xem cùng một nét đo bằng hai cách có gặp nhau không, còn hai nét khác nhau đo cùng một cách có tách ra không. Ý tưởng này đến nay vẫn là nền của việc kiểm định trắc nghiệm.
Về dự báo: các tổng hợp lớn như Barrick và Mount (1991) cho hiệu quả công việc, hay Poropat (2009) cho kết quả học tập, đều thấy nét tận tâm có liên quan đáng kể, dù mức liên quan ở dạng "khiêm tốn mà ổn định" chứ không phải "nhìn điểm là biết người". Đây là chỗ hay bị hiểu sai: một mối tương quan có thật ở cấp nhóm hàng nghìn người không có nghĩa là nó dự báo chắc chắn cho từng cá nhân.
Vì sao có bài kiểm định kỹ, có bài thì không
Làm ra một trắc nghiệm tính cách nghiêm túc tốn nhiều năm. Người ta viết dư câu hỏi, thử trên nhiều nhóm mẫu, loại câu kém, chạy phân tích nhân tố để xem các câu có tự gom thành đúng những nét đã định không, đo lại sau vài tuần, đối chiếu với người thân chấm, rồi công bố số liệu để người khác soi. Khi dịch sang ngôn ngữ khác, phải làm lại một phần quy trình: dịch xuôi, dịch ngược, thử trên mẫu mới, xem cấu trúc nhân tố có giữ được không.
Một bài trắc nghiệm viết trong một buổi chiều để đăng mạng xã hội thì bỏ qua gần hết các bước đó. Nó có thể vẫn vui, vẫn gợi suy nghĩ, nhưng không ai biết nó đo gì. Đáng chú ý là các lời nhận xét chung chung kiểu "bạn bề ngoài vui vẻ nhưng bên trong có lúc thấy cô đơn" khiến gần như ai đọc cũng thấy đúng — cảm giác "trúng quá" ấy không phải bằng chứng hiệu lực.
Mấy câu hỏi nhanh để tự lượng một trắc nghiệm
- Ai làm ra nó, có công bố trên tạp chí khoa học hay sách chuyên môn không?
- Có số liệu về độ tin cậy (đo lại, độ nhất quán) không, hay chỉ có lời quảng cáo?
- Kết quả trả về là điểm trên thang hay là một cái nhãn? Thang liên tục thường gần với cách giới nghiên cứu hiểu tính cách hơn.
- Bản tiếng Việt có được kiểm định lại trên người Việt, hay chỉ dịch máy?
- Nó có tự nhận là "chính xác 99%", "đọc vị toàn bộ con người" không? Tuyên bố càng lớn, càng nên dè chừng.
Những giới hạn ngay cả bảng hỏi tốt cũng có
Một bảng hỏi đạt chuẩn vẫn chỉ cho biết người trả lời tự mô tả mình ra sao, vào thời điểm đó, so với một nhóm mẫu nào đó. Có ít nhất bốn giới hạn nên nhớ:
- Sai số đo lường luôn tồn tại. Điểm số nên hiểu là một khoảng, không phải một điểm chính xác. Chênh nhau vài điểm giữa hai người hoặc giữa hai lần làm thường không nói lên điều gì.
- Điểm là tương đối. "Cao" hay "thấp" là so với nhóm chuẩn (norm). Nhóm chuẩn là sinh viên Mỹ thì so với người Việt trung niên có thể lệch.
- Tự khai có bẫy. Muốn tỏ ra tốt đẹp, hiểu sai câu hỏi, hay đồng ý theo quán tính đều làm điểm lệch đi.
- Tình huống vẫn quan trọng. Từ cuộc tranh luận do Walter Mischel khơi lên năm 1968, giới nghiên cứu đều thừa nhận hành vi cụ thể phụ thuộc nhiều vào hoàn cảnh; điểm tính cách dự báo tốt hơn cho xu hướng chung qua nhiều tình huống hơn là cho một lần cụ thể.
Góc nhìn hôm nay: dùng trắc nghiệm thế nào cho đúng mức
Điểm trắc nghiệm tính cách hữu ích nhất khi được xem như một tấm gương có vết mờ: đủ rõ để gợi ra câu hỏi về bản thân, không đủ rõ để kết luận "mình là kiểu người như thế". Vài cách dùng hợp lý:
- So kết quả với những gì người đọc đã biết về mình qua nhiều năm; chỗ nào lệch thì coi là gợi ý để quan sát thêm, không phải phán quyết.
- Ưu tiên công cụ công khai số liệu kiểm định, như các thang lấy từ kho IPIP hay các phiên bản BFI có bản dịch đã thử nghiệm.
- Không dùng một bài trắc nghiệm duy nhất để quyết định việc lớn về người khác — chọn người yêu, xếp lớp cho con, đánh giá đồng nghiệp.
- Muốn hiểu sâu hơn về đo lường, có thể đọc chương "đánh giá nhân cách" trong các giáo trình nhập môn tâm lý học (ví dụ bộ Psychology của David Myers), hoặc trang hướng dẫn về kiểm định trắc nghiệm của Hiệp hội Tâm lý học Hoa Kỳ (APA).
Câu hỏi thường gặp
Độ tin cậy và độ hiệu lực của trắc nghiệm khác nhau thế nào?
Độ tin cậy là mức ổn định, nhất quán của kết quả: làm lại vẫn ra gần giống, các câu cùng đo một nét thì đi cùng hướng. Độ hiệu lực là trắc nghiệm có đo đúng thứ nó định đo và dự báo được điều gì ngoài đời hay không. Một bài có thể tin cậy mà không hiệu lực, nhưng không thể hiệu lực nếu không tin cậy.
Trắc nghiệm tính cách có chính xác không?
Tuỳ công cụ. Các bảng hỏi Big Five được kiểm định kỹ cho kết quả khá ổn định và có liên quan tới hành vi ngoài đời ở cấp nhóm. Nhiều bài trên mạng chưa từng được kiểm tra nên không biết chúng đo gì. Ngay cả bài tốt cũng chỉ cho xu hướng, không cho "sự thật tuyệt đối" về một người.
Hệ số alpha Cronbach là gì?
Đó là chỉ số đo độ nhất quán bên trong của một thang, do Lee Cronbach đề xuất năm 1951. Nó cho biết các câu hỏi trong cùng một thang có cùng "kéo" về một hướng hay không. Mốc khoảng 0,7 thường được nêu như mức tạm chấp nhận cho nghiên cứu, nhưng đó là quy ước chứ không phải luật cứng.
Vì sao làm trắc nghiệm hai lần lại ra kết quả khác nhau?
Mọi phép đo đều có sai số, cộng thêm tâm trạng, hoàn cảnh và cách hiểu câu hỏi mỗi lần một khác. Với thang điểm liên tục, chênh vài điểm là chuyện bình thường. Với bài chia nhóm, người đứng gần ranh giới dễ "nhảy" sang nhóm khác dù tính cách không đổi.
Làm sao biết một trắc nghiệm tính cách có được kiểm định?
Xem tác giả là ai, có công bố trên tạp chí khoa học không, có số liệu đo lại và độ nhất quán không, bản tiếng Việt có được thử trên người Việt không. Bài chỉ có lời quảng cáo, hứa "chính xác tuyệt đối", hoặc trả về nhãn mà không có điểm thì nên xem như để giải trí.