Metodikk

SELVETs designprinsipper

SELVET representerer en ny generasjon personlighetstesting som kombinerer akademisk stringens med moderne teknologi. Fire grunnprinsipper:

1. Vitenskapelig forankring: Spørsmål fra validerte instrumenter (IPIP, PVQ)
2. Kryssfunksjonell kartlegging: Svar oppdaterer scorer på tvers av rammeverk
3. Adaptiv presisjon: Oppfølgingsspørsmål der det trengs mest
4. Transparent metodikk: Du kan se hvordan resultatene beregnes

Spørsmålsbanken

SELVET benytter totalt 540 spørsmål fordelt på fire rammeverk:

Slik beregnes scorene dine

Big Five: Domene- og fasettnivå

Scorer beregnes på de 5 hoveddomenene, og på 30 fasetter (6 per domene) der datagrunnlaget rekker. Hver fasett bygges fra spørsmålenes egne fasett-koder, ikke fra rekkefølgen i testen, og krever minst 4 besvarte ledd. Fasettnivået vises først når alle seks fasettene i et domene er målt — derfor gir fullversjonen (300 spørsmål) fasetter, mens kortversjonen (50) bare gir domener. Reverserte spørsmål håndteres automatisk, og råscorer normaliseres til 0-100.

Kognitiv stil: Preferansestyrke

For hver dimensjon (E/I, S/N, T/F, J/P) beregnes både preferanse og styrke. 50 = ingen preferanse, 100 = sterk preferanse.

Motivasjon: Rangering med wing

Alle ni typer scores, primærtype er høyeste score, wing bestemmes ved å sammenligne nabotypene.

Verdier: Prioritert hierarki

Verdier presenteres som rangert liste, sentrert rundt personlig gjennomsnitt for å vise relative prioriteringer.

Adaptiv testing

Når en score ligger i "usikkerhetssonen" (typisk 45-55%), aktiveres oppfølgingsspørsmål designet for å diskriminere skarpt mellom alternativene.

Brukeren kan alltid velge å hoppe over, men får da informasjon om at resultatet er mindre sikkert på dette området.

Du ser usikkerheten i resultatet

SELVET rapporterer ikke bare punktestimater, men også konfidensintervaller. Standard Error of Measurement beregnes basert på antall spørsmål og skalaens reliabilitet (Cronbachs alpha).

Delbar personlighetskode

SELVET genererer en kompakt, delbar kode som oppsummerer profilen:

Koden inneholder kognitiv stil (4 bokstaver), Enneagram-type med wing, og de to høyest rangerte verdiene. Designet for å være kort nok for sosiale medier, mystisk nok til å vekke nysgjerrighet, og sammenlignbar med andres koder.

AI-generert dashboard

Premium-dashboardet bruker en stor språkmodell (LLM) for å generere personaliserte innsikter. Prompt-engineering sikrer:

• Spesifisitet: Refererer til konkrete score-kombinasjoner
• Kontrastive utsagn: Inkluderer hva profilen ikke indikerer
• Handlingsorientert: Konkrete forslag å teste

Kvalitetssikring inkluderer automatisert sjekk for at teksten refererer til faktiske scorer og unngår absolutter.

Datagrunnlag og modellering

Bruk av åpne datasett

SELVET benytter åpne, strukturerte datasett som grunnlag for modellutvikling, inkludert offentlige datasamlinger brukt i akademiske og analytiske miljøer (blant annet via Kaggle).

Disse datasettene brukes til:

• kalibrering av skalaer
• konsistenskontroll
• simulering av referanseprofiler

Datasettene brukes ikke som fasit for enkeltpersoner, men som et statistisk og strukturelt utgangspunkt.

Referanseprofiler og karakterer

Profiler av kjente karakterer fra fiksjon, historie og populærkultur er simulerte analyser basert på:

• offentlig tilgjengelig informasjon
• narrativ og biografisk materiale
• psykologisk tolkning innenfor rammeverkene over

Disse profilene er ment som pedagogiske referanser, ikke som påstander om virkelige personers faktiske personlighet.

Begrensninger og ansvar

• SELVET er et verktøy for selvinnsikt og refleksjon.
• Det er ikke et diagnostisk eller terapeutisk instrument.
• Resultatene representerer sannsynlighetsbaserte profiler, ikke objektive sannheter.
• For klinisk vurdering bør kvalifisert helsepersonell konsulteres.