用人格分类模型筛简历靠谱吗：从基于Transformer架构的MBTI分类研究看招聘测评的边界

摘要：MBTI等性格测试正被越来越多企业用于招聘筛选，其信度与效度以及算法分类的标签泄漏风险值得审视。本文从Transformer人格分类研究出发，结合SHRM测评原则、中国本土信度数据与EEOC合规框架，探讨招聘测评的合理边界。

一、当性格测试成了简历关的"隐形门槛"

求职者做完三轮面试，最后卡在性格测试上——这类经历在校园招聘季并不鲜见。据媒体报道，MBTI、卡特尔16PF、PDP、九型人格等性格测试在职场招聘中频繁出现，越来越多公司开始在面试中加入相关内容，甚至在岗位调整和晋升时也会用到，有企业还提出性格测试不通过一年内不能再投简历的要求[2]。有求职者因此质疑其科学性，认为这可能成为就业歧视的"新马甲"[2]。

我在人力资源岗位做招聘的几年里，亲历过至少两次"性格测试否决"的案例。印象最深的一次：一位应聘内容运营岗的候选人，笔试和两轮专业面都排在当批前三，终面后被性格测试卡住——企业用的是一套PDP测评，结果显示其"老虎型"特质偏低，HR给出的理由是"缺乏主导性，可能不适合快节奏团队"。但复盘时我们发现，这位候选人在面试中展现的项目推进能力恰恰是当批最强的。问题出在哪里？出在把描述性的人格标签直接等同于绩效预测。这个经历促使我在此后设计招聘流程时，坚持一条原则：性格测评只作为面试提问的参考素材，绝不作为淘汰依据。

从人才测评的专业视角看，这类现象背后有一个值得拆解的问题：企业到底在用什么逻辑做筛选？如果底层工具本身的分类效度存疑，那么无论包装成问卷还是算法模型，筛选决策的可靠性都会打折扣。要回答这个问题，需要依次厘清三层：工具的理论出身是否支持招聘用途、招聘测评领域对这类工具的专业定位是什么、算法化之后又引入了哪些新的效度风险。

二、MBTI的理论出身：不是伪科学，但也不是为招聘而生

要判断MBTI能否用于筛人，先要看清它的来路。MBTI全称"迈尔斯—布里格斯性格分类指标"，由美国作家迈尔斯和她的母亲布里格斯在20世纪40年代编制，是一种自我报告式的人格测评工具，用以描述人们在获取信息、做出决策、对待生活等方面的心理活动规律和人格类型表现[4]。其理论基础源自荣格在20世纪20至30年代出版的《心理类型》，荣格在该书中首次对人格进行类型划分，内向与外向等概念即出自此书[4]。伊莎贝尔在1940年代完成了MBTI的初步构建，并于1962年出版《请理解我：人格类型手册》，详细阐述其理论体系与应用方法，此后MBTI逐渐在职业发展、团队建设、教育等领域得到广泛应用[5]。

这里有一个关键区分：MBTI的设计初衷是帮助个体自我探索与理解差异，而非预测工作绩效。这一区分之所以重要，是因为它决定了工具效度的评价标准——一个为"描述与自我理解"设计的类型学框架，其分类维度（如内向/外向、感觉/直觉）并不必然对应岗位绩效的预测因子。换言之，即便MBTI在自我探索场景中信效度可接受，也不能直接推导出它在录用决策中同样有效，因为两者的目标效标不同。

这一判断有实证支撑。McCrae与Costa于1989年发表的研究，从大五人格模型视角重新解释了MBTI——发现MBTI的四个维度在很大程度上可以映射到大五模型的相应因子上，但MBTI的二分法分类丢失了人格特质的连续性信息[45]。这意味着，MBTI将连续分布的得分硬性切割为"非此即彼"的类型，在测量精度上存在固有损耗。对于招聘筛选而言，这种损耗直接表现为：两个在"内向—外向"维度上得分接近的人，可能因跨过人为设定的分界线而被归入截然不同的类型，进而得到差异化的筛选结论。

中国科学院心理研究所教授陈祉妍在接受采访时明确指出，任何测试都有局限性，MBTI测试可以帮我们更好地了解人的性格特征，但不能仅以单一的测试结果就推断一个人的心理特征；要想真正考察一个人，必须用多种方法、从多个角度来考察，再用心理测试结果进行辅助分析[4]。这一判断与招聘测评领域的专业共识方向一致。

三、招聘测评的"四个V"：心理能力测验的效度定位

招聘测评领域并非没有专业标准。据SHRM（美国人力资源管理协会）2018年人才大会的报道，评估策略咨询公司ProActive Consulting总裁Whitney Martin在会上提出，面对测评供应商的推销，招聘方应记住"四个V"原则；报道援引专家观点称心理能力测验是"工作绩效的最佳单一预测指标"[1]。同一报道援引Talent Board 2016年北美候选人体验研究报告称，82%的企业正在使用某种形式的预雇佣测评[1]。

这组信息值得反复咀嚼。一边是82%的企业在用测评，另一边是专业领域对性格分类测验用于录用决策持审慎态度。两者之间的落差，恰恰是许多招聘争议的根源：工具被用在了它不被推荐使用的场景里。

需要特别注意的是，SHRM报道中"工作绩效的最佳单一预测指标"这一判断，指向的是心理能力测验（即认知能力测验），而非人格分类测验。这是两类不同的工具：前者测量的是通用认知加工能力，后者描述的是人格类型偏好。将前者的效度声誉迁移到后者身上，是一种常见的概念混淆。企业在采购测评工具时，如果供应方以"心理能力测验效度高"来论证其人格分类产品的合理性，这种论证在逻辑上是不成立的。

更深一层看，人格问卷在人员选拔中的可用性本身就是学术争议的焦点。《心理科学进展》刊发的一篇综述指出，个性调查问卷旨在通过一系列专门设计问题的施测结果来预测候选人的工作绩效，但以往研究由于对工作绩效内涵及对应参照效标的界定、问题设计的逻辑基础等方面存在各自的局限，一直以来对个性调查问卷的有效性存在分歧[28]。换言之，"人格测验能否预测绩效"这个问题在学术共同体内部尚无定论，企业将其作为硬性筛选门槛，缺乏足够的证据基础。

此外，美国平等就业机会委员会（EEOC）在其官方页面中明确，雇主使用测试和其他选拔程序筛选应聘者和晋升员工时，这些程序须接受合规审查——包括是否对不同受保护群体产生差别性影响[7]。这为性格测试用于录用决策划出了一条法律红线：即便工具本身有效，如果其对特定群体构成系统性不利影响，仍可能面临就业歧视的法律风险。

四、Transformer做MBTI分类：算法能"读懂"人格吗？

近年随着自然语言处理技术发展，利用社交媒体文本预测人格类型成为研究热点。辅仁大学统计资讯学系的一篇硕士论文即以此为題，采用階層式Transformer模型进行MBTI分类：先以BERT编码器取得单篇贴文的语意表示，再透过使用者层级的Transformer编码器整合同一使用者的多篇贴文[3]。

这项研究最有价值的发现，不是模型准确率有多高，而是它揭示了一个方法论陷阱。研究者指出，常见的人格类型分类数据集（如该研究使用的Kaggle MBTI Personality Type Dataset）多源自人格讨论社群，文本中可能直接出现MBTI类型、人格维度的缩写或认知功能等相关词汇；若未处理，模型可能依赖显性标签线索进行分类，造成"标签泄漏"并高估模型效能[3]。

"标签泄漏"在机器学习中是一个具体的效度威胁：当训练数据中包含了与目标标签直接相关的特征时，模型会优先学习这些"捷径特征"，而非真正需要推断的潜在模式。在本例中，如果一条贴文本身就写着"作为INTJ我……"，模型只需识别"INTJ"这个字符串即可完成分类，完全不需要理解文本的语义内容。这样的模型在实验室数据集上表现良好，但一旦部署到不含显性标签的真实场景（如简历筛选），其预测能力就会大幅下降。

实验结果显示，未遮蔽设定下模型平均Accuracy为0.6537、Macro F1-score为0.5414、Weighted F1-score为0.6493，但研究者对标签泄漏问题的处理，恰恰说明了一个事实：让算法从文本中"读出"人格类型，远比表面数字复杂。值得注意的是，Macro F1-score（0.5414）明显低于Weighted F1-score（0.6493），这一差距通常意味着模型在样本量较少的类别上表现较差——即分类器对某些人格类型的识别能力显著弱于其他类型。对于招聘场景而言，这种类别间的不均衡表现意味着：模型对某些类型的候选人可能系统性误判，而这类误差在录用决策中会直接转化为不公平。

从人才测评的角度看，这项研究的启示在于：如果一个模型的高准确率部分来自文本里明晃晃的"我是INTJ"这类标签，那么它学到的是标签识别，而非人格推断。同理，企业若用类似模型筛简历，模型可能只是在捕捉简历中的自我标签或社群用语，而非真正预测岗位适配度。

五、本土信度证据：人格测验的中国化应用需要审慎

即便退一步，假设分类模型技术上可靠，人格测验本身在中国语境下的信度也需审视。一项发表于北师大相关学术平台的信度概化分析，对1994至2013年间国内大五人格测验研究文献进行了系统梳理。结果表明，检索到的文献中约68.15%存在"信度引入"现象；未加权估计中，A（宜人性）和O（开放性）的均值最低，N（神经质）和C（尽责性）的均值最高，国内所得结果均略低于国外（O除外）；回归分析显示，分数均值、量表来源和南北地域差异是N维度信度的预测变量，量表来源、文章专业类型、测验版本和测验记分对E（外向性）维度信度具有预测作用[18]。该研究明确指出，这为MBTI等同类人格测验的中国化应用提供重要参照[18]。

这段数据传递的信号很直接：人格测验的测量结果会随量表来源、地域、版本等因素波动，"信度引入"现象普遍存在意味着不少研究报告的信度指标可能被高估。所谓"信度引入"，指的是研究者在使用已有量表时，直接引用原量表或他人研究报告的信度系数，而非基于自己收集的数据重新计算——这会导致信度指标与实际样本不匹配，形成系统性高估。企业在招聘中直接套用未经本土校验的人格分类工具，测量误差可能被系统性放大。

本土化问题不止于信度。北京大学王登峰、崔红编制的中国人人格量表（QZPS）在《心理学报》发表的研究中明确指出，直接采用或修订西方人格量表存在问题和潜在危险，目前国内使用的各种人格量表存在局限；该研究按照人格研究的"词汇学假设"，基于中国人人格结构的本土特征编制量表[29]。这一研究路径提示：西方人格理论框架下的分类工具（包括MBTI），在中国语境中可能遗漏或扭曲了本土人格结构的重要维度。企业在招聘中使用未经本土化验证的进口测评工具，本质上是在用一个"外来坐标"丈量本土候选人，测量偏差不可忽视。

六、人格分类模型在招聘中的合理位置

那么，人格分类模型在招聘中到底该怎么用？先看反例与正例的对照。

反例是把它当"硬杠杠"。将测试结果作为录用与否的决定性门槛，既违背了陈祉妍所强调的"多方法、多角度考察"原则[4]，也与招聘测评领域对性格分类测验用于录用决策的审慎态度相悖[1]。更值得警惕的是，MBTI作为自评量表存在社会期望偏差——企业青睐社交能力强的E人和执行能力强的J人，求职者在测试时可能根据企业对人才的选拔要求而有所倾向[33]。这意味着，当测试结果与录用挂钩时，候选人会有动机"策略性作答"，测试测量的可能不是真实人格，而是候选人对企业偏好的猜测能力。

正例则出现在心理护理等辅助场景。一项针对初次试管婴儿治疗前不孕不育夫妇的研究，选取2020年1月至2023年6月在广西壮族自治区生殖中心就诊的夫妻，通过随机数字表法分为对照组和实验组，实验组基于MBTI性格分析结果进行个性化心理护理。结果显示，实验组干预后抑郁自评量表和焦虑自评量表得分显著低于对照组，生活质量评估得分高于对照组[10]。需要说明的是，该研究为单一中心研究，且原始材料中样本量数据存在不一致（原文提及247对，同时称每组92对），引用时应予注意。这个案例的价值在于：MBTI在这里的角色是"个性化沟通与干预的参考框架"，而非"筛选淘汰的依据"。同一工具，用法不同，效果与伦理意涵截然不同。

从人力资源与组织发展的视角看，人格分类模型的合理定位大致有三条边界：

其一，用于辅助理解，而非决定去留。 测评结果可以帮助管理者预判沟通风格、团队搭配方式，但不应成为否决候选人的单一理由。这一原则的底层逻辑是：人格类型与岗位绩效之间缺乏直接的因果证据链，而录用决策的不可逆性要求工具具备足够的预测效度——这是人格分类测验目前无法提供的。

其二，算法分类需警惕标签泄漏与效度虚高。 辅仁大学的研究已经证明，文本中的显性标签会显著影响模型表现[3]，企业若采购基于社交文本或简历文本的人格预测工具，应要求供应方说明标签泄漏的处理方式，包括但不限于：训练数据中是否剔除了显性标签、模型在无标签数据上的表现如何、是否存在类别间预测不均衡的问题。

其三，本土信度证据不可跳过。 大五人格测验的信度概化分析显示，国内研究存在普遍的"信度引入"现象，量表来源与地域差异均影响信度[18]。MBTI等同类工具的中国化应用，同样需要这类审慎校验。王登峰、崔红的本土人格量表研究也提醒我们，直接移植西方工具存在结构性风险[29]。

七、结语：测评的边界，就是决策的边界

回到最初的问题：用人格分类模型筛简历靠谱吗？综合现有资料，证据不支持将其作为独立的筛选依据。MBTI的理论出身是自我探索工具[4][5]，招聘测评领域的专业意见对将其用于录用决策持审慎态度[1]，Transformer分类研究揭示了算法效度可能被标签泄漏高估的风险[3]，而本土信度分析则提醒我们测量误差不容忽视[18]。与此同时，82%的企业正在使用预雇佣测评[1]，说明测评需求真实存在——问题不在于要不要用，而在于用在哪、怎么用、边界划在哪里。

从合规角度看，EEOC的框架要求选拔程序接受差别性影响审查[7]，《人力资源市场暂行条例》也明确规定通过人力资源市场求职、招聘和开展人力资源服务应当遵循合法、公平、诚实信用的原则[20]。这些法规为测评工具的使用划定了底线：工具可以辅助决策，但不能替代公平判断。

测评工具能提供的是概率性参考，不是确定性判决。把参考当判决，越界的不是工具，是使用工具的人。