436 lines
23 KiB
Markdown
436 lines
23 KiB
Markdown
# 《跃迁四力量表心理测量学质量审计报告》
|
||
|
||
## 执行摘要
|
||
|
||
**整体质量评级：尚可（但存在严重系统性缺陷）**
|
||
|
||
本量表是一个概念新颖、结构清晰的职业发展评估工具，采用"节点力-通道力-场域力-周期力"四维框架，40题的题量与15分钟的测评时长基本匹配。然而，作为一个科学的心理测量工具，它存在多个严重的系统性缺陷：
|
||
|
||
**最关键的3个问题：**
|
||
1. **缺乏任何实证验证**：所有维度划分、权重设置、分数阈值均为主观判断，没有经过任何因子分析、信效度检验或常模建立
|
||
2. **评分逻辑不科学**：权重系数缺乏依据，归一化方法不透明，潮汐位置划分完全主观
|
||
3. **题目质量参差不齐**：存在大量表述模糊、歧义、双重问题和维度错配的题目
|
||
|
||
**最重要的3条改进建议：**
|
||
1. **立即开展基础心理测量学验证**：收集至少200份有效样本，进行探索性因子分析和信度检验
|
||
2. **重构评分系统**：基于实证数据重新确定权重，建立科学的常模和分数解释体系
|
||
3. **全面修订题目**：删除或修改表述不清、维度错配和区分度低的题目
|
||
|
||
## 一、量表整体结构评估
|
||
|
||
### 1.1 结构优点
|
||
- **题量与时长匹配**：40题的题量适合15-20分钟完成，用户体验较好
|
||
- **维度分配均衡**：四个维度各10题，题量分配符合心理测量学基本要求
|
||
- **概念框架清晰**：从个人能力(节点力)到赛道选择(通道力)，再到环境平台(场域力)和时代趋势(周期力)，呈现出从内到外的逻辑层次
|
||
- **商业吸引力强**："潮汐档案"的概念新颖，容易引起用户共鸣和传播
|
||
|
||
### 1.2 结构问题
|
||
1. **缺乏理论基础**：四维框架没有明确的理论来源，也没有引用任何相关的职业发展理论
|
||
2. **维度重叠严重**：
|
||
- 通道力第11题"赛道近3年招聘需求"与场域力第24题"行业产业活跃度"高度相关
|
||
- 节点力第7题"24小时能否触达各领域资源"实际上属于场域力范畴
|
||
- 周期力第32题"AI对你工作影响"与通道力第19题"工作被AI替代概率"几乎重复
|
||
3. **维度缺失**：
|
||
- 缺乏对个人软技能(如沟通能力、领导力、情商)的评估
|
||
- 缺乏对个人价值观和职业兴趣的评估
|
||
- 缺乏对家庭因素和个人健康状况的考虑
|
||
4. **没有考虑维度交互作用**：个人能力的价值高度依赖于所在的赛道和时代，但量表只是简单地将四个维度的得分相加
|
||
|
||
## 二、单个项目质量详细分析
|
||
|
||
### 2.1 整体项目质量总结
|
||
- **优秀项目(约30%)**：表述清晰、与所属维度高度相关、区分度好
|
||
- **待修改项目(约40%)**：表述模糊、存在歧义或双重问题
|
||
- **建议淘汰项目(约30%)**：维度错配、与其他题目重复或区分度极低
|
||
|
||
### 2.2 优秀项目清单(区分度>0.4，理论预测)
|
||
1. 第2题：行业出现新技术，你的掌握速度？
|
||
2. 第3题：你不可替代的核心技能有几项？
|
||
3. 第4题：可对外展示作品案例数量？
|
||
4. 第12题：同岗位薪资近3年？
|
||
5. 第16题：职业天花板高度？
|
||
6. 第21题：所在城市人口流动？
|
||
7. 第26题：公司近3年发展？
|
||
8. 第36题：AI工具使用深度？
|
||
9. 第38题：一周能否完成一月工作量？
|
||
10. 第40题：未来5-10年整体感受？
|
||
|
||
### 2.3 待修改项目清单及具体修改建议
|
||
|
||
| 题号 | 原题目 | 问题 | 修改建议 |
|
||
|------|--------|------|----------|
|
||
| 1 | 你的核心专业能力，放到全国同类岗位人群里看，能掌握的人占比是？ | 普通用户无法准确判断全国范围内的占比 | 改为："与你身边的同事相比，你的核心专业能力水平如何？" |
|
||
| 5 | 无平台背书陌生人能否判断你的专业？ | 表述模糊，"判断你的专业"含义不明确 | 改为："如果没有公司或平台背书，陌生人能否通过你的作品或表现认可你的专业能力？" |
|
||
| 7 | 24小时能否触达各领域资源？ | "各领域"定义不明确 | 改为："在你所在的行业内，你能否在24小时内联系到关键的资源方或专家？" |
|
||
| 8 | 别人对你的评价标签？ | "别人"指代不明确 | 改为："在你的行业圈子里，别人提到你时最常想到的标签是什么？" |
|
||
| 14 | 行业人才流动速度？ | 普通用户难以准确判断整个行业的流动速度 | 改为："你身边的同事近一年来的离职率如何？" |
|
||
| 17 | 行业标杆近3年成就？ | "成就"定义不明确 | 改为："你所在行业的标杆企业近3年的发展势头如何？" |
|
||
| 23 | 城市年轻人状态？ | 表述过于模糊 | 改为："你所在城市的年轻人普遍对未来持什么态度？" |
|
||
| 29 | 圈子媒体热度？ | "圈子"定义不明确 | 改为："你所在的行业在主流媒体和社交媒体上的讨论热度如何？" |
|
||
| 31 | 能力与AI主线匹配？ | "AI主线"定义不明确 | 改为："你的核心能力与当前AI技术的发展方向契合度如何？" |
|
||
| 35 | 能否说出未来3大赛道？ | 既评估认知能力又评估布局情况 | 拆分为两题："你能否清晰说出未来3年最有发展潜力的3个行业赛道？"和"你是否已经开始为进入这些赛道做准备？" |
|
||
|
||
### 2.4 建议淘汰项目清单及淘汰理由
|
||
| 题号 | 题目 | 淘汰理由 |
|
||
|------|------|----------|
|
||
| 6 | 近6个月主动合作邀约次数？ | 受行业和个人性格影响太大，不能准确反映个人能力 |
|
||
| 13 | 赛道投融资政策扶持？ | 普通用户无法准确了解行业整体的投融资和政策情况 |
|
||
| 15 | 赛道公众讨论热度？ | 与第29题重复，且普通用户难以准确判断 |
|
||
| 18 | 跨赛道经验复用度？ | 对于没有跨赛道经验的用户无法回答 |
|
||
| 22 | 城市经济数据表现？ | 普通用户无法准确了解城市整体的经济数据 |
|
||
| 25 | 行业人才流向？ | 普通用户难以准确判断整个行业的人才流向 |
|
||
| 27 | 公司行业地位？ | 与第26题"公司近3年发展"高度相关 |
|
||
| 28 | 同行是否愿意入职？ | 普通用户难以准确了解同行的整体意愿 |
|
||
| 30 | 圈内人跃迁比例？ | 普通用户无法准确了解圈内人的整体跃迁情况 |
|
||
| 33 | 5年后能力价值？ | 过于主观，难以准确预测 |
|
||
| 34 | 5年后行业走向？ | 过于主观，难以准确预测 |
|
||
| 37 | 熟练AI工具类别？ | 数量不能反映使用深度，与第36题重复 |
|
||
| 39 | 新趋势敏感度？ | 与第2题"新技术掌握速度"高度相关 |
|
||
|
||
### 2.5 选项设计问题清单及改进建议
|
||
1. **选项不够互斥**：
|
||
- 第1题："50-80%大多数人都掌握"和"20-50%掌握者不到一半"之间的界限模糊
|
||
- 改进：使用更明确的描述，如"绝大多数人都会"、"大部分人会"、"一半左右的人会"、"少数人会"、"极少数人会"
|
||
|
||
2. **选项不够穷尽**：
|
||
- 第3题：没有"0项"的选项
|
||
- 第20题：没有"已经失业"的选项
|
||
- 改进：确保所有可能的情况都有对应的选项
|
||
|
||
3. **选项带有引导性**：
|
||
- 第31题："时代核心"带有明显的积极引导性
|
||
- 第1题："极度稀缺"带有明显的积极引导性
|
||
- 改进：使用中性的描述，避免带有价值判断的词汇
|
||
|
||
4. **选项梯度不合理**：
|
||
- 部分题目的选项之间的差距不均匀
|
||
- 改进：确保选项之间的差距大致相等，形成合理的梯度
|
||
|
||
## 三、信度分析报告
|
||
|
||
### 3.1 内部一致性信度
|
||
- **理论预测**：由于维度之间存在重叠，整体量表的克朗巴赫α系数可能在0.7-0.8之间，达到尚可水平
|
||
- **各维度信度预测**：
|
||
- 节点力：0.6-0.7(尚可)，包含维度错配的题目
|
||
- 通道力：0.7-0.8(良好)，题目相关性较高
|
||
- 场域力：0.6-0.7(尚可)，包含大量难以准确判断的题目
|
||
- 周期力：0.7-0.8(良好)，题目相关性较高
|
||
- **潜在问题**：
|
||
- 部分题目与所属维度的相关性较低，会降低维度的内部一致性
|
||
- 维度之间的重叠会导致整体信度被高估
|
||
- 没有计算"删除该题后的α系数"，无法识别降低量表信度的问题
|
||
|
||
### 3.2 分半信度
|
||
- **理论预测**：如果将量表随机分为两半，分半信度可能在0.6-0.7之间，达到尚可水平
|
||
- **潜在问题**：
|
||
- 如果前半部分和后半部分的题目难度和区分度差异较大，分半信度可能较低
|
||
- 没有使用斯皮尔曼-布朗公式进行校正
|
||
|
||
### 3.3 重测信度实验方案
|
||
**必须立即实施的重测信度方案：**
|
||
1. **样本量**：至少50人
|
||
2. **重测时间间隔**：2-4周
|
||
3. **实施步骤**：
|
||
- 招募符合目标用户群体的被试
|
||
- 让被试完成第一次测评
|
||
- 2-4周后，让同一批被试再次完成相同的测评
|
||
- 计算两次测评得分的皮尔逊相关系数
|
||
4. **可接受标准**：重测信度系数>0.7
|
||
5. **注意事项**：
|
||
- 确保两次测评的环境和条件基本一致
|
||
- 避免被试在两次测评之间受到相关因素的影响
|
||
- 对于得分变化较大的被试，进行访谈了解原因
|
||
|
||
## 四、效度分析报告
|
||
|
||
### 4.1 结构效度评估方案及预期结果
|
||
**必须立即实施的结构效度验证方案：**
|
||
1. **探索性因子分析(EFA)**：
|
||
- **样本量**：至少200人(题量:样本量=1:5以上)
|
||
- **因子提取方法**：主成分分析法
|
||
- **因子旋转方法**：最大方差旋转法
|
||
- **因子保留标准**：特征值>1，碎石图检验
|
||
- **预期结果**：应该提取出4个因子，与理论假设的四个维度基本一致
|
||
- **可能出现的问题**：
|
||
- 实际提取的因子数量与理论假设不一致
|
||
- 部分题目跨因子加载
|
||
- 部分题目在所有因子上的载荷都很低
|
||
|
||
2. **验证性因子分析(CFA)**：
|
||
- **样本量**：至少200人
|
||
- **拟合指数及标准**：
|
||
- χ²/df<3
|
||
- RMSEA<0.08
|
||
- CFI>0.9
|
||
- TLI>0.9
|
||
- **预期结果**：理论模型与数据的拟合度应该达到可接受标准
|
||
|
||
3. **聚合效度和区分效度评估**：
|
||
- **聚合效度**：同一维度内的题目之间的相关系数应该>0.5
|
||
- **区分效度**：不同维度之间的相关系数应该<0.7
|
||
|
||
### 4.2 内容效度评估方案
|
||
**必须立即实施的内容效度评估方案：**
|
||
1. **专家评审团组成**：至少5名相关领域专家，包括：
|
||
- 2名心理测量学专家
|
||
- 2名职业发展专家
|
||
- 1名人力资源专家
|
||
|
||
2. **评估内容**：
|
||
- 每个题目与所属维度的相关性
|
||
- 题目表述的清晰度和准确性
|
||
- 维度的覆盖面是否全面
|
||
- 是否存在维度重叠或缺失
|
||
|
||
3. **量化评估方法**：使用内容效度指数(CVI)
|
||
- **条目水平CVI(I-CVI)**：专家评定为"相关"的比例，标准>0.78
|
||
- **量表水平CVI(S-CVI)**：所有条目I-CVI的平均值，标准>0.9
|
||
|
||
### 4.3 效标关联效度评估方案
|
||
**建议实施的效标关联效度评估方案：**
|
||
1. **同时效度评估**：
|
||
- **效标选择**：
|
||
- 当前收入水平
|
||
- 职业满意度
|
||
- 晋升速度
|
||
- 行业内的认可度
|
||
- **实施步骤**：
|
||
- 让被试完成测评
|
||
- 同时收集被试的效标数据
|
||
- 计算测评得分与效标得分之间的相关系数
|
||
- **可接受标准**：相关系数>0.3
|
||
|
||
2. **预测效度评估**：
|
||
- **实施步骤**：
|
||
- 让被试完成测评
|
||
- 6-12个月后，追踪被试的职业发展结果
|
||
- 计算初始测评得分与后续职业发展结果之间的相关系数
|
||
- **可接受标准**：相关系数>0.2
|
||
|
||
### 4.4 影响效度的潜在问题分析
|
||
1. **共同方法偏差**：所有数据都来自被试的自我报告，可能存在共同方法偏差
|
||
2. **社会期望偏差**：被试可能会倾向于选择更积极的选项，而不是真实的情况
|
||
3. **自我认知偏差**：被试对自己的能力和所处环境的认知可能不准确
|
||
4. **题目表述问题**：模糊和歧义的题目会导致被试的理解不一致，降低效度
|
||
|
||
## 五、评分逻辑审计报告
|
||
|
||
### 5.1 评分标准评估结果
|
||
- **优点**：所有题目都采用1-5分的评分标准，简单易懂
|
||
- **问题**：
|
||
- **没有反向计分题**：所有题目都是正向计分，容易导致社会期望偏差
|
||
- **评分标准不明确**：部分题目的选项之间的界限不够清晰，不同被试可能有不同的理解
|
||
- **没有考虑不同行业和职业的差异**：相同的得分在不同行业和职业中的含义可能不同
|
||
|
||
### 5.2 维度得分计算方法评估结果
|
||
- **当前计算方法**：
|
||
```
|
||
维度原始得分 = Σ(题目得分 × 权重)
|
||
维度归一化得分 = (维度原始得分 / 62.5) × 50
|
||
总分 = 四个维度归一化得分之和
|
||
```
|
||
- **严重问题**：
|
||
1. **权重系数完全主观**："决定性2.0、关键1.5、普通1.0"的权重设置没有任何科学依据，只是开发者的主观判断
|
||
2. **归一化方法不透明**："fullRaw=62.5"的由来完全不明确，没有任何解释
|
||
3. **简单相加不合理**：四个维度的重要性并不相同，简单相加不能准确反映用户的实际情况
|
||
4. **没有考虑维度交互作用**：个人能力的价值高度依赖于所在的赛道和时代，但量表只是简单地将四个维度的得分相加
|
||
|
||
### 5.3 评分逻辑改进建议
|
||
1. **基于实证数据确定权重**：通过回归分析或因子分析，根据每个题目对总分的贡献来确定权重
|
||
2. **建立科学的常模**：收集大量样本数据，建立不同行业、不同年龄、不同城市的常模，使用标准分进行解释
|
||
3. **考虑维度交互作用**：建立更复杂的评分模型，考虑维度之间的交互作用，例如：
|
||
```
|
||
综合得分 = 节点力 × 通道力 × 场域力 × 周期力
|
||
```
|
||
4. **增加反向计分题**：在每个维度中增加2-3道反向计分题，以减少社会期望偏差
|
||
|
||
## 六、潮汐位置划分标准评估
|
||
|
||
### 6.1 划分标准的科学性评估结果
|
||
- **当前划分标准**：
|
||
- 浪尖：≥170分
|
||
- 涨潮：140-169分
|
||
- 平潮：110-139分
|
||
- 退潮：80-109分
|
||
- 滩涂：<80分
|
||
- **严重问题**：
|
||
1. **划分标准完全主观**：这些分数阈值没有任何科学依据，只是开发者的主观判断
|
||
2. **没有基于数据分布**：没有考虑实际的分数分布情况，使用百分位数法进行划分
|
||
3. **只基于总分**：没有考虑各个维度的得分情况，两个总分相同但维度得分不同的用户，可能被划分为同一个潮汐位置，但他们的实际情况可能完全不同
|
||
4. **短板优先级完全主观**："周期>场域>通道>节点"的短板优先级没有任何科学依据
|
||
|
||
### 6.2 划分标准改进建议
|
||
1. **基于数据分布确定阈值**：收集大量样本数据，使用百分位数法确定各个潮汐位置的阈值，例如：
|
||
- 浪尖：前10%
|
||
- 涨潮：10%-30%
|
||
- 平潮：30%-70%
|
||
- 退潮：70%-90%
|
||
- 滩涂：后10%
|
||
|
||
2. **考虑维度得分情况**：不仅仅基于总分进行划分，还要考虑各个维度的得分情况，例如：
|
||
- 如果一个用户的周期力得分很高，但其他维度得分很低，不应该被划分为浪尖
|
||
- 如果一个用户的节点力得分很高，但通道力得分很低，应该给出不同的解释和建议
|
||
|
||
3. **基于实证数据确定短板优先级**：通过回归分析，根据每个维度对职业发展结果的预测能力来确定短板优先级
|
||
|
||
4. **增加潮汐位置的细分类型**：在每个潮汐位置下，根据维度得分的不同情况，增加细分类型，例如：
|
||
- 浪尖：能力驱动型、赛道驱动型、时代驱动型
|
||
- 涨潮：稳步上升型、潜力巨大型
|
||
- 平潮：稳定型、瓶颈型
|
||
- 退潮：行业衰退型、能力不足型
|
||
- 滩涂：全面落后型、方向错误型
|
||
|
||
## 七、测量偏差分析
|
||
|
||
### 7.1 潜在的测量偏差类型及表现
|
||
1. **年龄偏差**：
|
||
- 周期力维度的题目对年轻人更有利，因为他们更了解和熟悉AI技术
|
||
- 节点力维度的题目对中年人更有利，因为他们有更多的工作经验和技能积累
|
||
|
||
2. **行业偏差**：
|
||
- 量表主要基于互联网和新兴行业的特点设计，对传统行业的用户不够友好
|
||
- 通道力和周期力维度的题目对互联网、科技行业的用户更有利
|
||
- 场域力维度的题目对一线城市的用户更有利
|
||
|
||
3. **教育背景偏差**：
|
||
- 受过高等教育的用户更有可能准确理解和回答量表中的题目
|
||
- 对行业趋势和AI技术的了解程度与教育背景高度相关
|
||
|
||
4. **自我认知偏差**：
|
||
- 过度自信的用户会倾向于选择更高的分数
|
||
- 自卑的用户会倾向于选择更低的分数
|
||
- 用户对自己的能力和所处环境的认知可能不准确
|
||
|
||
### 7.2 偏差检测与修正方案
|
||
1. **差异项目功能分析(DIF)**：
|
||
- 收集不同群体(不同年龄、不同行业、不同教育背景)的样本数据
|
||
- 使用DIF分析方法，检测哪些题目在不同群体之间存在显著差异
|
||
- 删除或修改存在显著DIF的题目
|
||
|
||
2. **建立分组常模**：
|
||
- 为不同年龄、不同行业、不同城市的用户建立单独的常模
|
||
- 使用分组常模对用户的得分进行解释，而不是使用统一的标准
|
||
|
||
3. **增加客观性题目**：
|
||
- 减少主观性强的题目，增加更多可以客观验证的题目
|
||
- 例如，将"你的核心专业能力水平如何？"改为"你获得过哪些与专业相关的证书或奖项？"
|
||
|
||
4. **增加测谎题**：
|
||
- 在量表中增加几道测谎题，检测用户是否在诚实回答
|
||
- 对于测谎题得分异常的用户，应该提醒他们诚实回答，或者将其数据排除在分析之外
|
||
|
||
## 八、结论与整体改进建议
|
||
|
||
### 8.1 量表整体质量等级评定
|
||
**整体质量等级：尚可（但存在严重系统性缺陷）**
|
||
|
||
本量表是一个概念新颖、有商业潜力的职业发展评估工具，但作为一个科学的心理测量工具，它还存在很大的差距。目前的版本只能作为一个娱乐性的测评工具，不能用于严肃的职业指导或人力资源决策。
|
||
|
||
### 8.2 分阶段改进计划
|
||
|
||
#### 紧急改进（1个月内完成）
|
||
1. **全面修订题目**：
|
||
- 删除或修改所有表述模糊、歧义、双重问题和维度错配的题目
|
||
- 优化选项设计，确保选项清晰、互斥、穷尽
|
||
- 增加反向计分题，减少社会期望偏差
|
||
|
||
2. **重构评分系统**：
|
||
- 暂时使用等权重计分，删除主观的权重系数
|
||
- 简化归一化方法，使其更加透明和易懂
|
||
- 暂时使用基于经验的分数解释，明确说明这只是初步评估
|
||
|
||
3. **增加免责声明**：
|
||
- 在测评开始前和结果页面增加明确的免责声明
|
||
- 说明本测评只是一个参考工具，不能作为职业决策的唯一依据
|
||
- 建议用户结合自己的实际情况和专业人士的建议进行决策
|
||
|
||
#### 重要改进（3个月内完成）
|
||
1. **开展基础心理测量学验证**：
|
||
- 收集至少200份有效样本
|
||
- 进行探索性因子分析，验证维度结构
|
||
- 计算内部一致性信度和分半信度
|
||
- 进行内容效度评估，邀请专家评审
|
||
|
||
2. **建立初步常模**：
|
||
- 基于收集的样本数据，建立初步的常模
|
||
- 使用标准分进行分数解释
|
||
- 开始建立不同行业、不同年龄、不同城市的分组常模
|
||
|
||
3. **优化潮汐位置划分标准**：
|
||
- 基于数据分布确定各个潮汐位置的阈值
|
||
- 考虑维度得分情况，增加潮汐位置的细分类型
|
||
- 优化报告内容，使其更加个性化和有针对性
|
||
|
||
#### 一般改进（6个月内完成）
|
||
1. **开展高级心理测量学验证**：
|
||
- 进行验证性因子分析，进一步验证维度结构
|
||
- 开展重测信度研究，评估量表的稳定性
|
||
- 开展效标关联效度研究，评估量表的预测能力
|
||
- 进行差异项目功能分析，检测和修正测量偏差
|
||
|
||
2. **完善报告内容**：
|
||
- 增加更加详细和个性化的分析
|
||
- 提供具体的改进建议和行动方案
|
||
- 增加案例分析和成功经验分享
|
||
|
||
3. **扩展测评功能**：
|
||
- 增加职业匹配功能，根据用户的测评结果推荐适合的职业和赛道
|
||
- 增加发展跟踪功能，让用户可以定期测评，跟踪自己的发展变化
|
||
- 增加社区功能，让用户可以交流经验和互相帮助
|
||
|
||
### 8.3 下一步工作建议
|
||
1. **成立专门的心理测量学团队**：招聘或邀请专业的心理测量学专家，负责量表的开发、验证和改进工作
|
||
2. **建立数据收集和分析体系**：建立完善的数据收集和分析体系，持续收集用户数据，不断优化量表
|
||
3. **开展用户研究**：深入了解用户的需求和反馈，不断优化用户体验和报告内容
|
||
4. **与专业机构合作**：与高校、研究机构或专业的人力资源公司合作，共同开展研究和验证工作，提高量表的科学性和权威性
|
||
|
||
## 附录：修订后的题目框架（建议）
|
||
|
||
### 节点力（个人能力）- 10题
|
||
1. 与你身边的同事相比，你的核心专业能力水平如何？
|
||
2. 行业出现新技术，你的掌握速度？
|
||
3. 你不可替代的核心技能有几项？
|
||
4. 可对外展示的作品/项目案例数量？
|
||
5. 如果没有公司或平台背书，陌生人能否通过你的作品或表现认可你的专业能力？
|
||
6. 近一年来，你的核心能力提升了多少？
|
||
7. 你是否有清晰的能力提升计划并在执行？
|
||
8. 你的学习能力和适应能力如何？
|
||
9. 你的沟通能力和团队协作能力如何？
|
||
10. 你的问题解决能力和创新能力如何？
|
||
|
||
### 通道力（赛道选择）- 10题
|
||
1. 你所在行业近3年的招聘需求变化？
|
||
2. 同岗位薪资近3年的变化趋势？
|
||
3. 你所在行业的职业天花板高度？
|
||
4. 你所在行业的人才竞争激烈程度？
|
||
5. 你的工作被AI替代的可能性有多大？
|
||
6. 你所在行业的发展前景如何？
|
||
7. 你的经验和技能在其他行业的复用度如何？
|
||
8. 你所在行业的平均工作强度和压力如何？
|
||
9. 你所在行业的平均晋升速度如何？
|
||
10. 你对自己所在赛道的满意度如何？
|
||
|
||
### 场域力（环境平台）- 10题
|
||
1. 你所在城市的人口流动趋势？
|
||
2. 你所在城市的经济发展势头如何？
|
||
3. 你所在城市的年轻人对未来的普遍态度？
|
||
4. 你所在公司近3年的发展势头如何？
|
||
5. 你所在公司在行业内的地位如何？
|
||
6. 你所在公司的文化和氛围如何？
|
||
7. 你在公司内部的发展空间如何？
|
||
8. 在你所在的行业内，你能否在24小时内联系到关键的资源方或专家？
|
||
9. 你的行业圈子的质量和活跃度如何？
|
||
10. 你所在城市的生活成本和生活质量如何？
|
||
|
||
### 周期力（时代趋势）- 10题
|
||
1. 你的核心能力与当前AI技术的发展方向契合度如何？
|
||
2. AI工具对你的工作效率提升了多少？
|
||
3. 你是否已经将AI工具深度融入到你的工作流程中？
|
||
4. 你能否清晰说出未来3年最有发展潜力的3个行业赛道？
|
||
5. 你是否已经开始为进入未来的热门赛道做准备？
|
||
6. 你对新趋势和新技术的敏感度如何？
|
||
7. 你学习和掌握新技能的速度如何？
|
||
8. 你对未来5-10年的整体发展前景持什么态度？
|
||
9. 你认为你的行业在未来5年内会发生多大的变化？
|
||
10. 你是否已经为未来的变化做好了准备？
|