ज्योतिर्मय व्यक्तिमत्वाचे गुण कसे मोजते (पद्धती)
ज्योतिर्मयचा पर्सनॅलिटी मॉडेल हा प्रॅक्टिकल आणि हलका प्रोफाइलिंग सिस्टम म्हणून तयार केला आहे. तो प्रश्नावलीतील उत्तरांना स्टँडर्ड फाइव्ह-फॅक्टर स्ट्रक्चरच्या मदतीने स्पष्ट ट्रेट स्कोर्समध्ये बदलतो, ज्यामुळे रोजची गाइडन्स अधिक पर्सनलाइज करता येते. या पेजवर हा मेथड सरळ आणि सोप्या शब्दांत समजावून सांगितला आहे - आपण कोणता ट्रेट फ्रेमवर्क वापरतो, आपण देत असलेल्या दोन इन्व्हेंटरीज कोणत्या, आयटम्स कसे लिहिले जातात, रिस्पॉन्सेसना स्कोअर करून समजण्यास सोपे आउटपुट्स कसे बनवले जातात, कोणती माहिती स्टोअर केली जाते, आणि इंटरप्रिटेशनच्या मर्यादा काय आहेत. उद्देश असा की पर्सनलायझेशन कसे काम करते हे पारदर्शकपणे दिसावे; आणि हेही स्पष्ट व्हावे की हा गाइडन्स आणि सेल्फ-रिफ्लेक्शनसाठीचा नॉन-क्लिनिकल ट्रेट प्रोफाइल आहे, डायग्नोसिस किंवा ट्रीटमेंट टूल नाही. हा डॉक्युमेंट डेली गाइडन्सच्या पर्सनलायझेशनसाठी वापरल्या जाणाऱ्या ज्योतिर्मयच्या पर्सनॅलिटी मेझरमेंट फ्रेमवर्कचे वर्णन करतो. ही सिस्टम ब्रिफ सेल्फ-रिपोर्ट इन्वेंटरींमधून फाइव-फॅक्टर मॉडेल (बिग फाइव) स्ट्रक्चर वापरून स्टेबल ट्रेट डिस्पोझिशन्सचे एस्टिमेशन करते. आउटपुट नॉन-क्लिनिकल कोचिंग गाइडन्स टेलर करण्यासाठी एक प्रॅक्टिकल ट्रेट प्रोफाइल आहे. हे डायग्नोसिस, ट्रीटमेंट प्लॅनिंग, रिस्क स्ट्रॅटिफिकेशन, किंवा सायकियाट्रिक डिसऑर्डरचे डिटरमिनेशन यांसाठी इंटेंडेड नाही.
1. ऑब्जेक्टिव्ह आणि इंटेंडेड यूज
ज्योतिर्मय ट्रेट एस्टिमेशनचा उपयोग पुढीलसाठी करतो:
बिहेवियरल सजेशन्सचा फॉर्म आणि फ्रिक्शन लेव्हल पर्सनलाइज करणे, अडॉप्ट होण्याची शक्यता जास्त असलेली कोचिंग मायक्रो-स्किल्स सेलेक्ट करणे, वन-साईझ-फिट्स-ऑल अॅडव्हाईस कमी करणे.
ट्रेट एस्टिमेशनचा उपयोग पुढीलसाठी केला जात नाही:
सायकियाट्रिक डायग्नोसेस इन्फर करणे, क्लिनिशियन इव्हॅल्युएशनचा पर्याय म्हणून वापरणे, मेडिकेशन किंवा थेरपी प्लॅन्स ठरवणे.
2. कन्स्ट्रक्ट मॉडेल: फाइव-फॅक्टर मॉडेल
ही सिस्टम पाच ब्रॉड डोमेन्स वापरून पर्सनॅलिटी ऑपरेशनलाइज करते:
एक्स्ट्राव्हर्जन अग्रीएबलनेस
कॉनशिएन्शसनेस
इमोशनल स्टॅबिलिटी (न्यूरोटिसिझमचा इन्व्हर्स पोल)
ओपननेस / इंटेलेक्ट (टर्मिनॉलॉजी वेगवेगळी असते; कन्स्ट्रक्टला एक्स्प्लिसिटली ट्रीट केले जाते)
फाइव-फॅक्टर स्ट्रक्चरला फिक्स्ड “टाइप्स”बद्दलचा ऑन्टोलॉजिकल क्लेम म्हणून नव्हे, तर मेझरमेंट मॉडेल (लेटेन्ट ट्रेट अप्रॉक्सिमेशन) म्हणून ट्रीट केले जाते. डोमेन स्कोर्स कंटिन्यूअस आहेत.
3. इन्स्ट्रुमेंट्स आणि अॅडमिनिस्ट्रेशन
3.1 इन्वेंटरी फॉर्म्स
दोन फॉर्म्स सपोर्टेड आहेत:
शॉर्ट फॉर्म (≈10 आयटम्स): रॅपिड इनिशियल एस्टिमेट, लो यूझर बर्डन. लाँग फॉर्म (≈60 आयटम्स): हायर रिझोल्यूशन, इम्प्रूव्ह्ड पर्सनलायझेशन स्टॅबिलिटी. सिस्टम शॉर्ट फॉर्म एंट्री पॉइंट म्हणून प्रेझेंट करू शकते आणि पर्सनलायझेशन क्वालिटीवर भर दिला गेल्यास लाँग फॉर्म रेकमेंड करू शकते.
3.2 रिस्पॉन्स फॉरमॅट
आयटम्स बाउंडेड अॅग्रीमेंट स्केल (उदा., 5-पॉईंट लिकर्ट) वापरतात. हा स्केल ऑर्डिनल म्हणून ट्रीट केला जातो, आणि डोमेन अॅग्रीगेशनसाठी इंटरव्हल स्कोरिंगचा प्रॅक्टिकल अप्रॉक्सिमेशन म्हणून हाताळला जातो. 3.3 आयटम-राइटिंग प्रिन्सिपल्स
आयटम्स असे डिझाइन केलेले असतात की ते असावेत:
बिहेवियरली अँकरड (अॅब्स्ट्रॅक्ट लेबल्सपेक्षा ऑब्झर्व्हेबल टेन्डन्सीज), लो रीडिंग कॉम्प्लेक्सिटी,
डोमेन्स आणि फॅसेट्समध्ये बॅलन्स्ड,
अक्वीएसन्स बायस कमी करण्यासाठी रिव्हर्स-कीड आयटम्स इन्क्लुसिव्ह.
जिथे मल्टिपल लँग्वेजेस सपोर्टेड असतात, तिथे ट्रान्सलेशन प्रोसेसमध्ये समाविष्ट असावे:
सेमॅन्टिक इक्विव्हॅलन्स चेक्स, कल्चरल्ली लोडेड इडिअम्स टाळणे, आणि शक्य असल्यास, बॅक-ट्रान्सलेशन रिव्ह्यू.
4. स्कोरिंग पाइपलाइन
4.1 प्री-प्रोसेसिंग
रिस्पॉन्सेस न्यूमेरिक व्हॅल्यूजमध्ये मॅप करा.
डिझिग्नेटेड रिव्हर्स-कीड आयटम्स खालीलप्रमाणे रिव्हर्स-स्कोर करा:
reverse = (max + min) − response
(e.g., for 1..5, reverse = 6 − response)
4.2 डोमेन अॅग्रीगेशन
प्रत्येक डोमेनसाठी:
त्याच्या आयटम्सवर मीन (किंवा सम) कॅम्प्यूट करा,
कम्प्लीटनेस फ्लॅग कॅम्प्यूट करा (मिनिमम आन्सर्ड आयटम्स थ्रेशहोल्ड).
4.3 यूझर-फेसिंग रिप्रेझेंटेशनसाठी स्केलिंग
स्कोर्स कन्सिस्टंटली प्रेझेंट करण्यासाठी, सिस्टम रॉ डोमेन मीन्स 0–100 स्केलमध्ये (मोनोटोनिक ट्रान्सफॉर्म) ट्रान्सफॉर्म करते, मुख्यतः रीडेबिलिटीसाठी.
महत्त्वाचे म्हणजे:
0–100 स्केल स्वभावतः परसेंटाइल नाही, जोपर्यंत नॉर्मेटिव्ह कॅलिब्रेशन सॅम्पल एक्स्प्लिसिटली डिफाईन केला जात नाही. नंतर नॉर्म्स इंट्रोड्यूस केल्यास, पेजने रॉ स्कोर, स्टँडर्ड स्कोर, आणि परसेंटाइल यांमधील फरक स्पष्ट करावा.
4.4 अनसर्टन्टी आणि स्टॅबिलिटी इंडिकेटर्स (रेकमेंडेड)
स्कॉलरली ट्रान्सपेरन्सीसाठी, सिस्टम खालीलप्रमाणे सिम्पल इंडिकेटर्स कॅम्प्यूट करू शकते:
रिस्पॉन्स कन्सिस्टन्सी फ्लॅग्स (स्ट्रेटलाइनिंग डिटेक्शन), आयटम नॉनरिस्पॉन्स रेट,
फॉर्म लेंथ फ्लॅग (शॉर्ट बनाम लाँग),
आणि (रिपीटेड मेजर्स अस्तित्वात असल्यास) टेस्ट-रीटेस्ट ड्रिफ्ट मेट्रिक्स. हे इंडिकेटर्स क्लिनिकल रिस्क अस्सेसमेंट सूचित न करता पर्सनलायझेशनमधील कॉन्फिडन्स क्वालिफाई करण्यासाठी वापरता येतात.
5. सायकोमेट्रिक कन्सिडरेशन्स
5.1 रिलायबिलिटी
शॉर्ट इन्वेंटरीझ स्पीडसाठी रिलायबिलिटीमध्ये ट्रेड-ऑफ करतात; लाँग फॉर्म्स साधारणतः स्टॅबिलिटी इम्प्रूव्ह करतात. इंटरनल कन्सिस्टन्सी मेट्रिक्स (उदा., ω/α) ट्रॅक करता येतात, पण इंटरप्रिटेशन करताना अतिशय ब्रिफ फॉर्म्समध्ये प्रति डोमेन आयटम्सची कमी संख्या लक्षात घ्यावी.
5.2 व्हॅलिडिटी
हा फ्रेमवर्क पुढीलना टार्गेट करतो:
कंटेंट व्हॅलिडिटी (डोमेन मीनिंगचे कव्हरेज),
कन्स्ट्रक्ट व्हॅलिडिटी (अपेक्षित डोमेन इंटर-रिलेशन्स),
कोचिंग बिहेवियर्स टेलर करण्यासाठी प्रेडिक्टिव्ह युटिलिटी (प्रॉडक्टचे प्रायमरी उद्दिष्ट). क्लिनिकल व्हॅलिडिटी हा डिझाइन टार्गेट नाही आणि त्याचा इन्फरन्स करू नये.
5.3 क्रॉस-लँग्वेज मेझरमेंट इन्व्हेरियन्स (रेकमेंडेड)
स्कोरिंग कंपॅरेबिलिटीसाठी मल्टीलिंग्वल इन्वेंटरीझ वापरल्या असल्यास, इव्हॅल्युएशन प्लॅनमध्ये समाविष्ट असावे:
शक्य असल्यास, डिफरेंशियल आयटम फंक्शनिंग चेक्स,
लँग्वेजेसमध्ये डोमेन-लेव्हल इन्व्हेरियन्स टेस्टिंग,
आणि ट्रान्सलेशनमुळे (अॅट्रिब्यूटेबल) होणारे सिस्टमॅटिक स्कोर शिफ्ट्स मॉनिटर करणे. 6. डेटा स्टोरेज आणि प्रायव्हसी बाउंड्रीज (मेथड-रिलेव्हंट)
रिप्रोड्यूसिबिलिटी आणि यूझर कंटिन्युइटीसाठी, ज्योतिर्मय स्टोअर करतो:
यूझरचे ट्रेट डोमेन स्कोर्स आणि कोणत्याही डिराइव्ड समरीज,
पर्सनॅलिटी इन्वेंटरी रिस्पॉन्सेस (यूझरच्या रेकॉर्डचा भाग म्हणून), आणि अॅडमिनिस्ट्रेशनचे टाइमस्टॅम्प्स.
ज्योतिर्मयला पुढीलची आवश्यकता नाही:
ट्रेट कंप्युटेशनसाठी यूझरचे नाव किंवा फोन नंबर. मेथडोलॉजिकली क्लीन अॅप्रोच म्हणजे रेकॉर्ड्स प्स्यूडोनिमस यूझर आयडेंटिफायरखाली स्टोअर करणे आणि जिथे आयडेंटिफायर्स सिस्टमच्या इतर भागांत अस्तित्वात असतील तिथे आयडेंटिफायर्स आणि सायकोमेट्रिक डेटा यांमध्ये स्ट्रिक्ट सेपरेशन मेंटेन करणे.
7. इंटरप्रिटेशन लिमिट्स आणि क्लिनिकल बाउंड्री स्टेटमेंट
ट्रेट प्रोफाइल्स सेल्फ-रिपोर्ट टेन्डन्सीजच्या प्रोबॅबिलिस्टिक समरीज आहेत; डायग्नोसिस नाहीत. स्कोर्स लाइफ कॉन्टेक्स्ट, सेल्फ-इन्साइट चेंजेस, आणि मेझरमेंट नॉईज यांमुळे शिफ्ट होऊ शकतात. आउटपुट्स क्लिनिकल डिटरमिनेशन्स करण्यासाठी किंवा सायकियाट्रिक केअर रिप्लेस करण्यासाठी वापरू नयेत.
References
Widiger, T. A. (2019). “The Five Factor Model of personality structure: an update.” (Open access, PMC):
https://pmc.ncbi.nlm.nih.gov/articles/PMC6732674/ (PMC)
McCrae, R. R. (1992). “An introduction to the five-factor model and its applications.” (PubMed record):
https://pubmed.ncbi.nlm.nih.gov/1635039/ (PubMed)
Gosling Lab, University of Texas at Austin — Ten-Item Personality Measure (TIPI) overview and usage context:
https://gosling.psy.utexas.edu/scales-weve-developed/ten-item-personality-measure-tipi/ (Gosling)
Thørrisen, M. M., et al. (2023). “The Ten-Item Personality Inventory (TIPI): a scoping review…” (Open access, PMC):
https://pmc.ncbi.nlm.nih.gov/articles/PMC10330951/ (PMC)
International Personality Item Pool (IPIP) — official site and item bank context:
https://ipip.ori.org/ (IPIP)
