원래 Vectors of Mind에 게재되었다.


Mystery Factors Revisited의 이미지

거대 이론에서 한 걸음 물러나, 이 글에서는 미스터리 어휘 요인들을 다시 살펴본다. 단어 적재량을 바탕으로, 하나의 요인을 결속하는 일반 원리를 설명할 수 있는가? 이 연습은 성격 모형이 궁극적으로 질적인 성격을 지닌다는 점을 짚어 준다. 단어 적재량을 산출하는 데 통계적 방법이 사용되기는 하지만, 모형은 결국 숫자가 아니라 단어를 사용해 전달되어야 한다. 그런 다음 이러한 설명을 활용해 각 구성개념을 근사하는 검사 목록(예: BFI)을 생성한다.

문제의 요인에 관한 데이터는 두 출처에서 왔다. 한 요인은 단어 벡터에서, 다른 요인은 전통적인 설문 접근법에서 도출되었다. 두 과정에 대한 설명은 여기에 있다. 라벨이 붙지 않은 도표를 보고 요인의 이름을 한번 맞혀 보고 싶다면, 아래 내용을 읽기 전에 글을 확인해 보라.

미스터리 요인 1#

상위 단어: exacting, strict, decisive, stern, firm meek, lax, wishy-washy, gullible, naive

댓글 작성자들은 이를 다음과 같이 설명했다: 성실성, 자기주장성, 근면성, 그리고 Attended Action

잘했다, 여러분! 이 요인의 핵심을 거의 모두 짚었다. 이는 단어 벡터 데이터의 회전되지 않은 세 번째 주성분으로부터 도출되었다. 과거에 나는 이를 Big Five의 성실성과 구별하기 위해 질서(Order)라고 불렀다. 둘은 유사하지만, 이것은 약간 더 날카로운 면을 지닌다(예: exacting, vengeful). 질서는 무슨 일이 있어도 자신의 목표를 관철하는 것과 관련된다. Big Five는 PC1(PFP)에서 분산을 가져와 질서와 혼합함으로써 성실성을 산출한다. 따라서 unforgiving은 질서와 강하게 연관되지만, 성실성과는 중립적이다.

내 생각에는 자신의 목표를 달성할 능력과 사회의 목표를 달성하려는 욕구를 결합한 구성개념은 상황을 혼란스럽게 만든다. 예를 들어 산업·조직(I/O) 연구에서는 성실성이나 grit보다 질서를 사용하는 편이 더 나을 것이다. 관심을 끄는 상관관계(승진과 같은 것)는 분명 질서와 더 직접적으로 관련되어 있다. 정상에 오른 사람 중 순전히 팀 플레이어인 사람은 만나 본 적이 없다. 언제나 개인적인 날카로움이 있다.

미스터리 요인 2#

상위 단어: unimaginative, unsophisticated, moral, empathic, principled crafty, cunning, sly, creative, clever

댓글 작성자들은 이를 다음과 같이 설명했다: 부정적 개방성, 근면성, 그리고 Trust of Word.

이 요인은 실제로 Big Five를 정의하는 데 처음 사용된 고전적 논문의 데이터에서 나온 회전되지 않은 여섯 번째 주성분이기 때문에 더 까다롭다. THIS IS WHAT THEY ARE HIDING FROM YOU! 이것은 최종 선정되지 않은 요인이다. 그 데이터에서 다섯 번째 요인과 여섯 번째 요인이 모두 경험에 대한 개방성과 관련되어 있다는 점은 흥미롭다. 물론 통계적으로는 모형을 다섯 요인에서 중단해야 할 이유가 있을 수 있다. 그러나 질적으로 보면 마지막 요인은 두 요인에 걸쳐 분할되어 있으며, 신호의 절반만 포함되었다. 이는 다른 무엇보다 특이한 현상에 가깝다. 다른 데이터셋에서도 이러한 결과가 유지되는지는 전혀 모르겠다.

단어 벡터와 설문조사의 데이터를 사용해 435개 단어를 요인화했다. 단어 벡터(NLP)에서는 회전되지 않은 세 번째 요인을, 설문조사에서는 여섯 번째 요인을 선택했다. 단어를 배치하기 위해 435개 중 150개만 표시했다. 이 단어들은 무작위로 선택되었으므로 지난 글과는 다른 부분집합이 생성된다.
단어 벡터와 설문조사의 데이터를 사용해 435개 단어를 요인화했다. 단어 벡터(NLP)에서는 회전되지 않은 세 번째 요인을, 설문조사에서는 여섯 번째 요인을 선택했다. 단어를 배치하기 위해 435개 중 150개만 표시했다. 이 단어들은 무작위로 선택되었으므로 지난 글과는 다른 부분집합이 생성된다.

이 짧은 연습을 즐겼기를 바란다. 대학원 시절 단어 벡터에서 단어 적재량을 추출하는 방법을 개발할 때, 그 결과가 신호인지 잡음인지 전혀 알지 못했다. 처음에는 잡음인 경우가 더 많았고, 나는 통합된 심리학적 구성개념이 나타나기를 기대하며 단어 적재량에 담긴 징후를 해석하는 데 많은 시간을 보냈다. 시간은 부족해지고 있었고, Big Five에서 처음 2~3개의 NLP 요인만 찾아낼 수 있었지만, 자세히 들여다보아야 했다. 내가 완벽하게 복원해 낼 수 있었던 Big Two를 발견했을 때의 감정적 해방감은 내가 Big Two에 애착을 갖게 된 이유 중 하나다. Big Five의 절반을 어설프게 복원했다는 이야기보다, 그것은 학위논문에 담기에 훨씬 더 설득력 있는 이야기다.