Was ist ein psychometrischer Test?

Ein psychometrischer Test ist ein objektives und standardisiertes Messverfahren, mit dem sich nicht direkt beobachtbare psychologische Phänomene anhand einer Stichprobe von Verhaltensweisen quantifizieren lassen.

Einfacher gesagt: Es ist ein Werkzeug, das Dingen, die man weder sehen noch anfassen kann, eine Zahl oder eine Kategorie zuordnet, etwa Intelligenz, Ängstlichkeit oder einem Persönlichkeitsmerkmal. Grundlage ist, wie sich eine Person verhält oder antwortet.

Fachleute der Psychologie setzen solche Instrumente in klinischen, pädagogischen und beruflichen Kontexten ein, um Merkmale von Menschen mit wissenschaftlicher Sorgfalt zu erfassen.

Das Prinzip: Man hält fest, wie jemand auf eine Reihe von Reizen reagiert (Fragen, Aufgaben oder eigens dafür entworfene Situationen), und gewinnt daraus einen Punktwert. Gut konstruiert und richtig eingesetzt, erlaubt dieser Wert Beschreibungen, Vergleiche oder Vorhersagen mit einer bekannten Fehlermarge.

Die Grundlagen der psychologischen Messung

Die Psychometrie ist der Zweig der Psychologie, der die Theorien und Methoden für die Konstruktion und Durchführung solcher Verfahren entwickelt.

Ihre zentrale Herausforderung besteht darin, messbar zu machen, was sich nicht direkt beobachten lässt: Niemand kann die Extraversion eines Menschen so sehen wie seine Körpergröße. Man muss sie aus konkreten Verhaltensweisen und Antworten erschließen.

Dafür definieren Fachleute sehr genau, was sie untersuchen wollen (das Konstrukt), und bestimmen die konkreten Verhaltensweisen, die als beobachtbarer Beleg dienen.

Außerdem braucht die Konstruktion eine theoretische Grundlage, die die Auswahl der Fragen oder Aufgaben begründet. Ziel ist, dass die erfasste Verhaltensstichprobe das Phänomen gut abbildet: Die Fragen sollen wirklich abdecken, was gemessen werden soll, und nicht nur einen kleinen oder verzerrten Ausschnitt davon.

Die wichtigsten Arten von Testverfahren

Man kann diese Instrumente nach Format oder Zweck einteilen. Eine grundlegende methodische Unterscheidung ordnet sie jedoch danach, wie mit den Antworten umgegangen wird.

• Tests der maximalen Leistung: Sie erfassen Kompetenz, Wissen oder Eignung einer Person, etwa eine Mathematikprüfung oder ein Intelligenztest. Sie unterscheiden zwischen richtigen und falschen Antworten, und darauf beruht die Bewertung der Leistung.
• Tests des typischen Verhaltens: Sie erkunden Motive, Einstellungen oder persönliche Vorlieben, also wie jemand gewöhnlich ist, nicht wie viel er weiß. Richtige oder falsche Antworten gibt es nicht; so sind Persönlichkeitsfragebögen und -inventare üblicherweise aufgebaut. Fragt ein Test, ob du deinen Urlaub lieber im Voraus planst oder spontan entscheidest, ist keine Antwort besser als die andere. Es gibt nur eine, die besser zu deiner Art passt.

Wissenschaftliche Kriterien für Qualität

Der internationale Bezugspunkt sind die Standards for Educational and Psychological Testing, gemeinsam herausgegeben von der American Educational Research Association (AERA), der American Psychological Association (APA) und dem National Council on Measurement in Education (NCME). Die Ausgabe von 2014 ordnet die Qualität eines Tests um zwei Begriffe: Reliabilität und Validität.

Reliabilität: die Beständigkeit der Messung

Die Reliabilität beschreibt, wie beständig und genau ein Test misst. Wiederholt eine Person denselben Test einige Wochen später unter ähnlichen Bedingungen, sollte ein reliabler Test ein ähnliches Ergebnis liefern und nicht jedes Mal ein völlig anderes.

Sie lässt sich auf mehrere Arten schätzen, und jede beantwortet eine andere Frage:

• Interne Konsistenz: Zeigen die Items einer Skala in dieselbe Richtung? Die gebräuchlichste Kennzahl ist Cronbachs Alpha (Cronbach, 1951). Ein Alpha von 0,80 bei einer Skala mit zehn Items bedeutet, dass diese Fragen recht abgestimmt variieren, als ob sie dasselbe messen; bei Persönlichkeitsskalen gelten Werte unter 0,70 meist als schwach.
• Retest-Stabilität: Erzielt die Person einen ähnlichen Wert, wenn sie den Test Tage oder Wochen später wiederholt? Ausgedrückt wird das als Korrelation zwischen beiden Durchgängen. Eine Korrelation von 0,85 nach vier Wochen heißt, dass sich die Rangfolge der Personen kaum verändert; bei einem Test, der Typen zuordnet, schaut man, welcher Anteil beim zweiten Mal denselben Typ erhält.
• Übereinstimmung zwischen Beurteilenden: Hängt der Wert von einem menschlichen Urteil ab (etwa bei der Auswertung einer Zeichnung oder eines Interviews), kommen zwei Auswertende zum selben Ergebnis?

Ein reliables Verfahren hält Zufallsfehler klein, sagt aber nichts darüber, was eigentlich gemessen wird.

Validität: messen, was man messen will

Die zweite Säule ist die Validität. Die Standards von 2014 definieren sie als das Ausmaß, in dem Belege und Theorie die Deutung der Punktwerte für die vorgesehenen Verwendungszwecke stützen.

Ein einfaches Beispiel: Eine Waage kann sehr reliabel sein, weil sie immer dasselbe Gewicht anzeigt. Wollten wir aber die Körpergröße messen, wäre sie nutzlos. Sie wäre reliabel, für diesen Zweck aber nicht valide.

Darum ist Validität kein festes Etikett eines Tests: Validiert wird eine bestimmte Verwendung. Die Standards unterscheiden fünf Quellen von Belegen, die sich mit der Zeit ansammeln:

• der Inhalt der Items (ob sie das Konstrukt gut abdecken),
• die Antwortprozesse (ob Menschen verstehen und beantworten, was beabsichtigt ist),
• die interne Struktur (ob statistische Analysen die Dimensionen finden, die die Theorie annimmt),
• die Beziehung zu anderen Variablen (ob der Test mit dem korreliert, womit er sollte, und nicht mit dem, womit er nicht sollte),
• und die Folgen seines Einsatzes für Entscheidungen.

Wie Ergebnisse interpretiert werden

Die Rohwerte am Ende eines Tests haben für sich genommen keine Bedeutung. Eine „7 von 10“ sagt wenig, solange man nicht weiß, womit man sie vergleicht.

Damit die Messung nützlich wird, braucht die Fachperson ein strukturiertes Bezugssystem.

Bei normorientierten Verfahren wird der Wert einer Person mit dem einer repräsentativen Vergleichsgruppe verglichen (zum Beispiel der erwachsenen Bevölkerung eines Landes) und meist in Prozenträngen angegeben: Ein Prozentrang von 70 bedeutet, dass die Person höher liegt als 70 % dieser Gruppe.

Kriteriumsorientierte Verfahren vergleichen das Ergebnis dagegen mit einem festen Maßstab (etwa „kann 25 Meter ohne Pause schwimmen“, ja oder nein), ohne Bezug auf andere Menschen.

Was das für das Enneagramm bedeutet

Das Enneagramm ist ein Persönlichkeitsmodell, kein bestimmtes Instrument: Es gibt mehrere Fragebögen, um den eigenen Typ zu bestimmen, und jeder müsste seine eigene Reliabilität und Validität nachweisen.

Die bislang umfassendste systematische Übersichtsarbeit (Hook und Kollegen, 2021, Journal of Clinical Psychology) wertete 104 unabhängige Stichproben aus und fand gemischte Belege. Dafür spricht: Einige Faktorenanalysen stimmen teilweise mit der Theorie überein, und die Skalen hängen wie erwartet mit Big-Five-Merkmalen zusammen. Dagegen spricht: Diese Analysen finden meist weniger als neun Faktoren, keine Studie hat die neun Typen mit Clusterverfahren hergeleitet, und für die Flügel oder die Bewegungen zwischen den Typen gibt es kaum Forschung.

Nach unserer Einschätzung sind Enneagramm-Tests, auch der auf dieser Website, damit Werkzeuge zur Selbstreflexion und keine validierten psychometrischen Tests. Wenn du sehen möchtest, wie du dein eigenes Ergebnis überprüfen kannst, oder das Modell praktisch ausprobieren willst, kannst du unseren Enneagramm-Test machen.

Quellen

• American Educational Research Association, American Psychological Association und National Council on Measurement in Education (2014). Standards for Educational and Psychological Testing. American Educational Research Association.
• Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297-334. https://doi.org/10.1007/BF02310555
• Hook, J. N., Hall, T. W., Davis, D. E., Van Tongeren, D. R. und Conner, M. (2021). The Enneagram: A systematic review of the literature and directions for future research. Journal of Clinical Psychology, 77(4), 865-883. https://doi.org/10.1002/jclp.23097