人格和情緒的關係

人類的情感特質大致上可以依照觀察的時間長度分成兩種，情緒與人格。情緒往往會在短時間內出現又消失，但我們定義的人格是一種長時間不易改變的特質。

舉例來說：有越來越多公司在語音客服中心[1]加設情緒識別系統[2]，在面對客戶投訴或者是詢問時，如果可以了解客戶情緒，便能給予更良好的回應。例如，客訴者情緒較為不滿時，公司首要任務是安撫客訴者當下的需求[3]；或是客戶心情愉快，客服或許就可以進一步介紹商品等等。倘若加入人格特質這一因素[4]，更能提升系統情緒辨識的穩定度。

其他的應用還有，情緒和人格都和一個人的領導特質有關係，這就和公司招聘員工有很大的關係[5]。諸如此類的應用不勝枚舉，讓我們繼續來了解人格與情緒的關係吧！

情緒差異性

情緒相關的研究指出對於不同的個體，有著不同的情緒表達[6]與感知方式[7]。這些個人化的差異常常與年紀、性別、社會文化和語言有關。

這些部分也與人格的塑造有著極大的相關性，也就是說情緒與人格其實是我們在不同的情況下描述個人特質的方式。這也讓我們想到，如果在自動化情緒辨識的系統上引入人格特質因素，能不能可以讓我們有更佳的辨識結果呢?

人格塑形

人格的塑型上，存在著兩種觀點：人格是天然形成的，以及，人格是社會文化影響的產物。然而，

1. 在當今的腦科學研究並沒有明確的證據證明人格與特定的腦區有相關性
2. 在跨文化的研究上有非常多論證可以證明社會文化對人格的影響

如何界定一個準確、跨文化的人格量化系統是當今心理學還在努力研究的目標，如何量測人格，是目前學家們還在努力的範疇，所以之後我們會選擇較廣為人知的五大人格系統，進行研究及介紹。

廣為人知的五大人格量表

在英語體系下，五大人格量表提供我們一個可信度高、界定清楚地一種人格量化方式。

此量表分別將人格分成經驗開放性、盡責性、外向性、親和性、情緒不穩定性等五個向度。在每個向度的得分高低並不代表好壞，而是代表一種傾向。

最一開始的五大人格，已經無法考據，不過大多學者認為，是一群以 Gordon Willard Allport 為首的心理學家們，找出了四千多個人格形容詞，經過Norman等學者，經過因素分析統計方法，找出五種人格，Goldberg 命名為五大人格（Big Five）。

五大人格量表

量表的好壞，直接影響有關人格的相關應用。 可以看到下列，列舉的九個人格量表，是目前全球比較廣為人知的量表；人格和文化與語言非常有關，而大多數的量表都是先從英語系國家發展而來，目前 BIIC Lab 用於實驗的有兩個量表，分別是以下第一個和參考第四、六個量表，經過中文母語心理學家翻譯而來的中文版量表，並根據台灣文化與用詞，校正、修改而來。

之後本文將以第九個 BFI-2 的人格量表為主軸進行介紹，這個量表是去年剛提出來的人格量表，主要是改良第二個BFI人格量表而來，並參考了其他量表，但目前並沒有中文的版本可以使用，期待有這個中文版的量表誕生！

1. Manual of the Eysenck Personality Questionnaire [8]
2. Big Five Inventory (BFI) [9]
3. NEO-FFI [10]
4. AB5C facets [11]
5. Lexical subcomponents [12]
6. IPIP [13]
7. Big Five aspects [14]
8. NEO PI-R facets [15]
9. Big Five Inventory 2 (BFI-2) [16]

人格量表的設計原則

良好的人格量表很重要，如前述所說，五大人格是從四千多個形容詞演變而來，基本上所有的量表都是由形容詞題目所構成，而好的量表必須符合注重、效率和清楚。

• 聚焦性（Focus）：題目要和五大人格有關係
  • 有一些詞彙，完全和人格沒有關係，這會影響到受試者和研究人員的分析。
     
• 效率性（Efficiency）：題目數量盡量能在10分鐘內完成
  • 如果太多，受試者的注意力會下降，甚至開始亂填量表。
     
• 明確性（Clarity）：題目不能模糊不清
  • 假如一道題目和兩個人格向度都有關係，研究人員會比較難歸屬該題是哪一個人格向度的分數。

人格量表的兩大結構

以BFI-2的人格量表舉例，有兩大結構：

1. Domain-level：也就是人格五大向度
2. Facet-level：也就是層次結構，是基於五大向度下，為了要更清楚釐清人格資訊，所細分出來的子向度

假設這個標靶的中心是人格， 帶寬高，就像是這個綠色的大圓，面積較廣，包含資訊較多 帶寬低，就像是這個紫色的小圓，面積較小，包含資訊較少； 對保真度而言，就像是黃色小圓和紫色小圓的關係， 黃色小圓較靠近中心，就是保真度高，紫色小圓則是保真度低。

BFI-2的層次結構和組成

BFI-2而言，參考了許多量表，層次結構子向度有15個，每一個五大向度下，有三個子向度，如下列表的左邊：

BFI-2子向度之間關係-親合度為例

一個新的量表，對研究人員最重要的是量表的穩定性。作者們請了約一千位的學生，填完BFI-2量表和其他量表，來分析此量表的穩定性。

下列表格是呈現15個子向度和五大向度的關係，這邊以親合度（Agreeableness）的大向度為例，可以看到，親和性下的三個子向度，和親和性有較高的相關性，與其他向度的子向度，則有較低的相關性，這樣就可以知道保真度的功用，可以更精準地評量出人類的五大人格。

BFI-2題目之間關係—外向性為例

再來，更深入來看，下列表格呈現了，子向度下的題目與五大向度的關係。

這邊以外向性（Extracversion）為例，而外向性的每一個子向度，都有四個題目，這個表格探討了題目和五大向度的關係；從此表格中，我們可以發現，外向性的題目只與自己所屬於的外向性向度，有最大的相關度；與其他四個向度相關度比較低，可以了解，BFI-2人格量表提供一個較廣也較穩定的人格量表。

泛化

泛化，和 Domain-level association and Facet-level association 有關係。

前面提到 BFI-2 是參考各式五大人格量表設計的，同時 BFI-2 對其他量表的泛化的能力也相當不錯，以下分成 Domain-level 和 Facet-level 來做介紹。

BFI-2 的作者把 BFI-2 和其他人格量表做在五大向度上相關度分析（如下列表格），並用 BFI 做對照組。可以看到 BFI-2 和 BFI 的相關度平均高達 92%、和 BFA 的相關度平均也有82%，和其他量表的相關度也都有7 成以上；整體相關度 BFI 高了 2~3%，從比較中我們發現 BFI-2 比起 BFI 對其他現有的人格量表在 Domain-level 有更強的解釋力。人格量表的五大向度相關度分析
 

Facet Level

作者同樣做了在子向度間的相關度分析，以外向性下的三個子向度舉例（如下列表格）：社交能力、自信、能量層級。

我們發現和 BFI-2 自信相關度最高的是 BFAS 自信和 NEO 自信項目；BFI-2 社交能力最高點是落在 NEO 合群和 BFAS 熱情；BFI-2 能量層級相關度最高的是 BFAS 熱情。

正好呼應了 BFI-2 和其他量表的對應關係（如下列折線圖），同時間接說明了 BFI-2 在 Facet Level 的詮釋力。

反應偏誤

反應偏誤（Response Bias）是指個人在回答試題時所用的方法或模式。這類方法或模式足以影響考試或測驗的效度，自然也不足代表個人的知識或能力。反應偏誤有分幾類:

社會期許偏差

• 受訪者為了令人產生正面印象，傾向在調查中以不實意願取代其真實意願，以符合社會期望。例如在公司進行人力測驗的時候，面試者往往為了符合「年輕人要刻苦耐勞」的社會期待，在填寫問卷時會傾向選擇「我不怕苦」、「我喜歡逆境」等等口是心非的答案。
   

• 如果量表題目太多在填寫到越後面的題目時往往會導致受試者疲乏，而出現「亂答」的狀況，造成研究人員在分析結果時的誤差。
   

• 默認偏誤是在傳統在設計自評量表最常見的誤差因素，大部分是因為受試者的背景知識不足或是對題目不了解，而出現的「不理性猜答」狀況。受試者會用自己認為能有較高答對率的傾向去猜答，像是全部都答非常同意，或是都答非常不同意等等。
• BFI-2 用了兩個方法降低默認偏誤的影響：
  • 平衡量表內容
    例如 BFI 的 Open-Mindness 向度有8個正向問題但只有2個反向問題，如此不平衡的數量遇到受試者都答”Yes”的話就失去了量表的客觀性和準確性，所以 BFI-2 平衡了每個向度的正反向題目數量。
  • 正規化
    計算受試者得分時也會把每一題的得分去扣掉受試者在整份問卷得分的平均值，如此一來即使受試者的答案都集中在某個分數，在經過標準化後的得分也不會太高。

結論與討論

情緒和人格都是人類擁有的一種高層次複雜的機制，它牽涉生理（性別、年紀）與心理（語言、社會文化）多面向的因素在裡面，人格量表則是客觀量化這些機制的工具；然而，所有的量測方法都會有所限制，沒有十全十美的人格量表可以去定義每一個人，即使是 BFI-2 仍存在一些限制，如樣本年齡層過於集中、未考慮語言文化差異、沒辦法全面性的評估單一向度的所有特性，都是有待改進的地方；因此，科學家和心理學家還必須不斷地改進人格量表，來提供更客觀、更穩定的方法來分析個體間的差異性以更進一步的去量化所謂的「人格」和情緒。