연구자들이 쓰는 모델
성격 연구자에게 어떤 틀을 신뢰하느냐고 물으면 대답은 거의 항상 빅파이브입니다. 한 사람이 하나의 이론으로 만들어낸 모델이 아니라, 사람들이 서로를 실제로 어떻게 묘사하는지를 수십 년간 요인분석한 끝에 떠오른 것이고, 언어와 문화를 바꿔도 같은 다섯 차원이 계속 나타납니다. 점수는 중요한 것을 예측합니다. Barrick과 Mount의 1991년 직무 성과 메타분석에서 성실성은 조사된 모든 직군에서 성공을 예측한 유일한 특성이었습니다. 네 글자 유형을 두고 이런 말을 하는 사람은 없습니다.
여기 있는 검사는 진술문 50개로 이뤄집니다. 각각에 “전혀 그렇지 않다”부터 “매우 그렇다”까지 답하면 되고 10~15분 걸립니다. 유형이 아니라 차원별로 0에서 100 사이의 점수 다섯 개가 나옵니다. 성격은 정도의 문제라는 것이 이 모델의 요점이기 때문입니다.
다섯 가지 차원
흔히 OCEAN이라는 약자로 부릅니다.
- 개방성: 새로운 생각, 예술, 낯선 경험에 대한 식욕. 높은 사람은 뭔가 배우려고 직업을 바꾸고, 낮은 사람은 이미 잘 되는 것을 더 잘 만듭니다.
- 성실성: 자기 규율, 계획, 끝까지 해내는 힘. 일과 건강 관련 결과와 가장 밀접하게 얽힌 차원입니다.
- 외향성: 사회적 자극이 얼마나 기분 좋게 느껴지는지. 외향성이 낮은 것은 사회 불안이 아닙니다. 두려움이 아니라 식욕의 문제입니다.
- 친화성: 내 뜻을 관철하는 것보다 잘 지내는 것을 얼마나 앞에 두는지. 높으면 따뜻하고 잘 믿고, 낮으면 의심이 많고 직설적입니다. 협상가는 낮게 나오는 경우가 많고 간호사는 높게 나오는 경우가 많습니다.
- 신경성: 부정적 감정을 얼마나 쉽게, 얼마나 강하게 느끼는지. 높은 사람은 스트레스를 더 일찍 받고 더 오래 갑니다. 이름이 임상적으로 들리지만 누구나 어딘가에는 위치하는 평범한 차원입니다.
여기에 좋은 점수와 나쁜 점수는 없습니다. 높은 친화성은 돌봄 팀에서는 자산이고 협상 테이블에서는 부담입니다. 높은 신경성에는 실제 비용이 따르고, 동시에 위험을 먼저 느끼기 때문에 먼저 알아채는 사람들이 여기 있습니다.
여기서 나온 숫자가 뜻하는 것
한 가지는 분명히 해둡시다. 0-100 점수는 본인 답변을 눈금에 다시 맞춘 값이지 다른 사람과 비교한 값이 아닙니다. 성실성 문항에서 5점 만점에 평균 4점을 줬다면 75가 나옵니다. 제대로 규준을 갖춘 검사라면 “참조 표본의 82%보다 높습니다” 같은 식으로 알려줍니다. 이 검사를 포함해 무료 검사에는 규준 표본이 없습니다. 그러니 점수는 “내가 이 진술문들 위에서 나를 어디에 놓았는가”로 읽고, 개별 숫자보다 다섯 점수 사이의 격차에 더 주목하세요. 70이라는 숫자 하나는 별 의미가 없지만, 개방성이 성실성보다 30점 높다는 사실은 어떻게 굴러가는 사람인지 알려줍니다.
문항의 절반은 역채점입니다(“나는 물건을 여기저기 늘어놓는다”는 성실성에서 깎입니다). 무엇에나 그렇다고 답하는 경향을 막는 표준적인 장치입니다.
결과 읽는 법
가장 높은 차원과 가장 낮은 차원부터 보세요. 중간에 있는 것들은 정말로 중간이고 설명해주는 게 별로 없습니다. 그다음, 어떤 점수가 의외라면 그게 사실이려면 내가 나를 어느 쪽으로 읽고 있어야 하는지 따져 보세요. 자기 보고식 검사는 자신을 어떻게 보는지를 재는 것이고, 그래서 의외의 점수는 털어내기보다 좀 앉아서 들여다볼 가치가 있습니다. 점수는 생애 단계에 따라 움직입니다. 성실성은 20대와 30대를 지나며 올라가는 경향이 있고, 신경성은 나이가 들면서 누그러지는 경향이 있습니다. 1년 뒤에 다시 검사하는 편이 힘든 한 주를 보낸 직후에 다시 검사하는 것보다 알려주는 게 많습니다. 후자는 대체로 그 한 주를 재게 됩니다.
자주 묻는 질문
어떤 점수를 올려야 하나요? 특성은 기술이 아니라 안정적인 경향이라 “개방성 올리기”는 애초에 게임이 아닙니다. 바뀌는 것은 행동입니다. 성실성이 낮아도 달력 시스템을 잘 갖춘 사람이 성실성은 높은데 그런 시스템이 없는 사람보다 일을 더 잘 해냅니다. 점수는 어떤 행동에 받침대가 필요한지 알아내는 데 쓰세요.
왜 유형이나 이름표가 안 나오나요? 모델에 그런 게 없기 때문입니다. 연속적인 값을 잘라 이름 붙인 상자로 만드는 것, 그게 바로 빅파이브가 거부하는 단계이고 연구자들이 이 모델을 선호하는 이유입니다.