Karex
امکانات
منابع
حساب
پشتوانه‌ی علمی

این آزمون بر چه چیزی استوار است؟

Karex از مدل RIASEC جان هالند و داده‌های رسمی O*NET وزارت کار آمریکا استفاده می‌کند. این صفحه دقیقاً توضیح می‌دهد چه چیزی پشتوانه‌ی پژوهشی دارد، عدد تطابق چطور حساب می‌شود، و — مهم‌تر — این آزمون چه کارهایی را نمی‌تواند انجام دهد.

01

مدل RIASEC هالند

در سال ۱۹۵۹، روان‌شناس آمریکایی جان هالند نظریه‌ای منتشر کرد با یک ادعای ساده: علاقه‌ی شغلی، بیانِ شخصیت است[1]. او پیشنهاد داد هم آدم‌ها و هم محیط‌های کاری را می‌توان با شش تیپ توصیف کرد — عمل‌گرا، پژوهشگر، هنرمند، اجتماعی، رهبر و منظم — که سرواژه‌شان می‌شود RIASEC.

نکته‌ی کلیدی نظریه این است که این شش تیپ روی یک دایره می‌نشینند و فاصله‌شان معنا دارد: تیپ‌های مجاور به هم شبیه‌اند و تیپ‌های روبه‌رو کمترین شباهت را دارند[2]. کسی که دو تیپ غالبش کنار هم باشند پروفایل منسجم‌تری دارد تا کسی که دو تیپ متضاد دارد.

چرا این مدل و نه مدل دیگری؟ چون بیش از شصت سال آزموده شده، و چون وزارت کار آمریکا آن را مبنای پایگاه داده‌ی رسمی مشاغل خود قرار داده[11]. این یعنی می‌توانیم پروفایل شما را با نمره‌های واقعی و منتشرشده‌ی مشاغل مقایسه کنیم، نه با حدس.

02

شش بُعد، و اینکه هرکدام چه می‌سنجند

نمونه‌ی هر بُعد یک شغل واقعی از دیتابیس O*NET است با نمره‌ی همان بُعد. توجه کنید که مشاغل ترکیبی‌اند: «توسعه‌دهنده نرم‌افزار» هم در بُعد منظم نمره‌ی بالا دارد هم در پژوهشگر.

Rعمل‌گراRealistic

کار با اشیاء، ماشین‌آلات و ابزار؛ نتیجه‌ی ملموس و فیزیکی.

ساختن و مونتاژتعمیر و نگهداریکار با تجهیزاتفعالیت بیرون از دفتر
توسعه‌دهنده نرم‌افزار15-1252.0044
IپژوهشگرInvestigative

تحلیل، مشاهده و حل مسئله‌های پیچیده و انتزاعی.

تحلیل دادهپژوهش و آزمایشمدل‌سازیکشف علت پدیده‌ها
دانشمند داده15-2051.00100
AهنرمندArtistic

بیان خلاق، طراحی و کار در فضاهای بدون قاعده‌ی از پیش تعیین‌شده.

طراحی بصرینوشتن و روایتایده‌پردازیکار بدون دستورالعمل ثابت
طراح رابط و تجربه کاربری15-1255.0058
SاجتماعیSocial

آموزش، مشاوره و کمک مستقیم به دیگران.

آموزش دادنمشاوره و راهنماییکار تیمی نزدیکحل تعارض بین افراد
مدیر بازاریابی11-2021.0030
EرهبرEnterprising

متقاعدسازی، رهبری و پذیرش ریسک برای رسیدن به هدف سازمانی.

مذاکره و فروشهدایت تیمتصمیم‌گیری در شرایط ابهامتوسعه‌ی کسب‌وکار
مدیر بازاریابی11-2021.00100
CمنظمConventional

کار با داده و رویه‌های مشخص؛ دقت و نظم بر ابهام ترجیح دارد.

سازمان‌دهی اطلاعاتکار با اعداد و سوابقپیروی از رویهکنترل کیفیت
توسعه‌دهنده نرم‌افزار15-1252.0077
03

شواهد کمّی — و اینکه چقدر قوی‌اند

اعداد زیر از فراتحلیل‌ها می‌آیند؛ یعنی پژوهش‌هایی که نتیجه‌ی ده‌ها مطالعه‌ی مستقل را با هم ترکیب می‌کنند. حرف r ضریب همبستگی است: صفر یعنی هیچ رابطه‌ای نیست و یک یعنی رابطه‌ی کامل. در علوم رفتاری، r حدود ۰٫۳ یک اثر متوسط و معنادار محسوب می‌شود.

r ≈ 0.32تطابق علاقه و عملکرد شغلی

فراتحلیل ۹۲ پژوهش و ۱٬۸۵۸ همبستگی: وقتی پروفایل علاقه‌ی فرد با شغلش هم‌خوان است، عملکردش بهتر پیش‌بینی می‌شود. همین رقم برای «نمره‌ی علاقه به‌تنهایی» فقط ۰٫۱۶ است — یعنی تطابق مهم‌تر از شدت علاقه است.

[4]
r ≈ 0.36ماندگاری در شغل و رشته

فراتحلیل ۶۰ پژوهش از ۱۹۴۲ تا ۲۰۱۱ با ۱۵٬۳۰۱ شرکت‌کننده: کسانی که کارشان با علاقه‌شان هم‌خوان است، دیرتر رها می‌کنند و در تحصیل هم پایدارترند.

[3]
r ≈ 0.65–0.77پایداری علاقه در بزرگسالی

فراتحلیل ۶۶ پژوهش طولی از ۱۲ تا ۴۰ سالگی: علاقه‌های شغلی از حدود ۱۸ تا ۲۲ سالگی تثبیت می‌شوند و بعد دو دهه تقریباً ثابت می‌مانند — حتی پایدارتر از صفات شخصیتی.

[5]
r ≈ 0.17تطابق و رضایت شغلی

فراتحلیل ۵۳ پژوهش. این رقم عمداً اینجا آمده چون کوچک است: تطابق علاقه، عملکرد و ماندگاری را بهتر از رضایت پیش‌بینی می‌کند. رضایت شغلی به حقوق، مدیر و شرایط کاری هم بستگی دارد که آزمون هیچ‌کدام را نمی‌سنجد.

[7]

این اعداد را بیش از حد بزرگ نکنیم

همبستگی ۰٫۳ یعنی علاقه یکی از عوامل مؤثر است، نه تعیین‌کننده‌ی سرنوشت. مهارت، فرصت، شبکه‌ی ارتباطی، شرایط اقتصادی و شانس هم نقش دارند و هیچ‌کدام در این آزمون سنجیده نمی‌شوند. هر ابزاری که ادعا کند شغل «درست» شما را با قطعیت پیدا می‌کند، دارد اغراق می‌کند.

04

داده‌ی مشاغل از کجا می‌آید

نمره‌های RIASEC هر شغل مستقیماً از دیتابیس O*NET نسخه‌ی ۳۰٫۰ نقل شده‌اند — پایگاه داده‌ی رسمی مشاغل وزارت کار ایالات متحده، منتشرشده در اوت ۲۰۲۵ با مجوز CC BY 4.0[11]. این اعداد از نظرسنجی از شاغلان و ارزیابی کارشناسان شغلی به دست می‌آیند.

هیچ نمره‌ای را ما نساخته‌ایم. اگر کد استاندارد شغل (مثل 15-1252.00) را در سایت O*NET جست‌وجو کنید، دقیقاً همان اعدادی را می‌بینید که ما استفاده می‌کنیم. داده‌های حقوق و اشتغال هم از اداره‌ی آمار کار آمریکا (BLS) می‌آید.

دو نکته‌ی صادقانه: اول اینکه نسخه‌ی فعلی O*NET حالا ۳۰٫۳ است و ما هنوز روی ۳۰٫۰ هستیم؛ نمره‌های RIASEC در این فاصله برای مشاغل ما تغییر نکرده‌اند ولی این را می‌نویسیم تا بدانید. دوم اینکه پایگاه ما در حال حاضر شامل پنج شغل است، نه هزاران شغل — در حال گسترش است و ترجیح می‌دهیم پنج پروفایل دقیق داشته باشیم تا هزار پروفایل حدسی.

05

درصد تطابق دقیقاً چطور حساب می‌شود

این بخش کامل و بدون ساده‌سازی نوشته شده تا بتوانید خودتان بررسی کنید. محاسبه کاملاً قطعی است: با ورودی یکسان، همیشه خروجی یکسان می‌دهد.

01

هر سؤال به یک بُعد برچسب می‌خورد

هنگام ساخت آزمون، هر سؤال به یکی از شش بُعد RIASEC نسبت داده می‌شود و هر شش بُعد باید حداقل یک سؤال داشته باشند. سؤال بدون برچسب در محاسبه شرکت نمی‌کند.

02

پاسخ‌ها به عدد ۰ تا ۱۰۰ تبدیل می‌شوند

در سؤال‌های طیفی، موقعیت روی طیف مستقیماً نگاشت می‌شود. در سؤال‌های چندگزینه‌ای، جایگاه گزینه در فهرست تعیین‌کننده است؛ گزینه‌ی نخست بیشترین همسویی با آن بُعد را دارد.

score = (value − min) / (max − min) × 100
03

میانگین هر بُعد، پروفایل شما را می‌سازد

نمره‌های هر بُعد میانگین گرفته می‌شوند و نتیجه یک بردار شش‌تایی است — همان چیزی که روی نمودار رادار می‌بینید.

user = [R, I, A, S, E, C]
04

شباهت با هر شغل حساب می‌شود

شباهت کسینوسی بین بردار شما و بردار همان شغل در O*NET. چرا کسینوس و نه فاصله: کسینوس به «شکل» پروفایل اهمیت می‌دهد نه شدت پاسخ‌دهی. کسی که به همه‌ی سؤال‌ها نمره‌ی بالا می‌دهد نباید با همه‌ی مشاغل صد درصد تطابق بگیرد.

sim = (u · v) / (‖u‖ × ‖v‖)
05

شباهت به درصد قابل‌خواندن تبدیل می‌شود

چون همه‌ی مقادیر مثبت‌اند، شباهت کسینوسی عملاً بین ۰٫۳ تا ۱ می‌افتد. این بازه به ۲۵ تا ۹۸ کشیده می‌شود. سقف عمداً زیر صد است چون هیچ تطابقی کامل نیست، و کف ۲۵ چون نمایش «صفر درصد» برای یک پیشنهاد شغلی گمراه‌کننده است.

match = 25 + (sim − 0.3) / 0.7 × 73
06

اگر داده کافی نباشد، عددی نشان داده نمی‌شود

اگر پاسخ‌های شما کمتر از سه بُعد را پوشش دهد، محاسبه معنا ندارد و درصد تطابق نمایش داده نمی‌شود. عدد نداشتن بهتر از عدد بی‌پایه است.

چرا قبلاً این‌طور نبود

در نسخه‌های اولیه‌ی Karex، درصد تطابق را مدل زبانی «حدس» می‌زد. آن عدد نه قابل تکرار بود و نه تعریف مشخصی داشت — دو بار اجرای یکسان می‌توانست دو عدد متفاوت بدهد. آن روش کنار گذاشته شد و جایش را همین محاسبه‌ی عددی گرفت. نوشتن این موضوع برای ما خوشایند نیست، ولی پنهان کردنش بدتر است.

06

هوش مصنوعی کجا دخالت دارد و کجا ندارد

شفافیت در این مورد مهم است، چون خیلی از ابزارهای مشابه مرز را روشن نمی‌کنند.

کارهایی که مدل زبانی انجام می‌دهد

  • نوشتن متن سؤال‌ها متناسب با حوزه‌ی تخصصی که وارد می‌کنید
  • برچسب‌گذاری اولیه‌ی هر سؤال به یکی از شش بُعد
  • نوشتن توضیح متنی نتیجه به زبان قابل‌فهم

کارهایی که انجام نمی‌دهد

  • محاسبه‌ی درصد تطابق — این کار با فرمول ثابت در کد انجام می‌شود
  • تعیین نمره‌ی RIASEC مشاغل — این اعداد مستقیماً از O*NET می‌آیند
  • رتبه‌بندی مشاغل پیشنهادی — بر پایه‌ی همان محاسبه‌ی عددی است

خلاصه: هوش مصنوعی متن می‌نویسد، اما عدد نمی‌سازد. هر رقمی که در نتیجه می‌بینید از فرمول ثابت یا از داده‌ی O*NET آمده است.

07

محدودیت‌ها

این بخش را عمداً مفصل نوشته‌ایم. ابزاری که محدودیت‌هایش را نگوید، قابل اعتماد نیست.

این آزمون توانایی شما را نمی‌سنجد

RIASEC فقط علاقه را اندازه می‌گیرد، نه استعداد یا مهارت. علاقه‌ی زیاد به یک حوزه به معنای خوب بودن در آن نیست، و برعکس. برای سنجش توانایی به ابزارهای دیگری نیاز است.

شش‌ضلعی منظم یک تقریب است، نه واقعیت[6]

مدل فرض می‌کند شش تیپ با فاصله‌ی مساوی روی یک دایره نشسته‌اند. پژوهش‌ها نشان داده ترتیب دایره‌ای درست است ولی فاصله‌ها دقیقاً برابر نیستند — به‌ویژه بین «عمل‌گرا» و «منظم».

اعتبار بین‌فرهنگی یکدست نیست[6]

ساختار مدل در نمونه‌های آمریکایی خوب برازش می‌کند ولی در فرهنگ‌های دیگر ناهمگون‌تر است. هیچ پژوهش معتبری که این مدل را روی جمعیت ایرانی اعتبارسنجی کرده باشد پیدا نکردیم — پس نتایج را با احتیاط بخوانید.

شش بُعد همه‌ی تنوع مشاغل را پوشش نمی‌دهد[9]

پژوهشی روی مشاغلی که ۸۵٪ بازار کار آمریکا را می‌سازند نشان داد RIASEC به‌تنهایی کافی نیست؛ دو عامل دیگر — پرستیژ شغلی و کلیشه‌ی جنسیتی — هم در انتخاب مردم اثر دارند که این مدل آن‌ها را نمی‌بیند.

داده‌های بازار کار برای ایران نیست[11]

حقوق، تعداد شاغلان و چشم‌انداز رشد در پروفایل‌های ما از اداره‌ی آمار کار آمریکا می‌آید. این اعداد برای شناخت ساختار شغل مفیدند ولی مستقیماً به بازار کار ایران قابل تعمیم نیستند.

تفاوت‌های جنسیتی در نمرات واقعی است[8]

فراتحلیل‌ها نشان می‌دهند میانگین نمره‌ی «عمل‌گرا» در مردان و «اجتماعی» در زنان بالاتر است. این یافته‌ی توصیفی است، نه تجویزی — نمره‌ی شما مال خودتان است، نه میانگین گروهتان.

08

منابع

همه‌ی مقالات زیر داوری‌شده‌اند و شناسه‌ی دیجیتال دارند. اگر ادعایی در این صفحه بدون منبع دیدید، به ما بگویید — یا منبعش را اضافه می‌کنیم یا حذفش می‌کنیم.

  1. [1]
    A theory of vocational choice
    Holland, J. L. (1959). Journal of Counseling Psychology, 6(1), 35–45
    doi:10.1037/h0040767
  2. [2]
    Making vocational choices: A theory of vocational personalities and work environments (3rd ed.)
    Holland, J. L. (1997). Psychological Assessment Resources
    https://www.worldcat.org/title/36126503
  3. [3]
    Vocational interests and performance: A quantitative summary of over 60 years of research
    Nye, C. D., Su, R., Rounds, J., & Drasgow, F. (2012). Perspectives on Psychological Science, 7(4), 384–403
    doi:10.1177/1745691612449021
  4. [4]
    Interest congruence and performance: Revisiting recent meta-analytic findings
    Nye, C. D., Su, R., Rounds, J., & Drasgow, F. (2017). Journal of Vocational Behavior, 98, 138–151
    doi:10.1016/j.jvb.2016.11.002
  5. [5]
    The stability of vocational interests from early adolescence to middle adulthood: A quantitative review of longitudinal studies
    Low, K. S. D., Yoon, M., Roberts, B. W., & Rounds, J. (2005). Psychological Bulletin, 131(5), 713–737
    doi:10.1037/0033-2909.131.5.713
  6. [6]
    Cross-cultural structural equivalence of RIASEC models and measures
    Rounds, J., & Tracey, T. J. (1996). Journal of Counseling Psychology, 43(3), 310–329
    doi:10.1037/0022-0167.43.3.310
  7. [7]
    Updated meta-analysis on the relationship between congruence and satisfaction
    Tsabari, O., Tziner, A., & Meir, E. I. (2005). Journal of Career Assessment, 13(2), 216–232
    doi:10.1177/1069072704273165
  8. [8]
    Men and things, women and people: A meta-analysis of sex differences in interests
    Su, R., Rounds, J., & Armstrong, P. I. (2009). Psychological Bulletin, 135(6), 859–884
    doi:10.1037/a0017364
  9. [9]
    The fit of Holland's RIASEC model to US occupations
    Deng, C. P., Armstrong, P. I., & Rounds, J. (2007). Journal of Vocational Behavior, 71(1), 1–22
    doi:10.1016/j.jvb.2007.04.002
  10. [10]
    The development, evolution, and status of Holland's theory of vocational personalities
    Nauta, M. M. (2010). Journal of Counseling Psychology, 57(1), 11–22
    doi:10.1037/a0018213
  11. [11]
    O*NET Database 30.0 — Career Interest Types (RIASEC)
    U.S. Department of Labor, Employment and Training Administration (2025). O*NET Resource Center — مجوز CC BY 4.0
    https://www.onetcenter.org/database.html
  12. [12]
    O*NET Interest Profiler Short Form psychometric characteristics: Summary
    Rounds, J., Su, R., Lewis, P., & Rivkin, D. (2010). National Center for O*NET Development
    https://www.onetcenter.org/reports/IPSF_Psychometric.html
صفحات مرتبط
روش کارشش مرحله از انتخاب حوزه تا نتیجهمقایسه‌ی مشاغلفرمول تطابق و منبع دادهپروفایل شغلیشش بُعد چطور اندازه گرفته می‌شوند