人格测试在职场中被广泛用于招聘、领导力培训和团队建设。东伦敦大学（UEL）一项研究指出，机器学习方法有望提升DISC人格评估的分析效率与准确性，并在不削弱工具可用性的前提下提供更细致的行为洞察。

DISC模型及其常见用法

DISC评估通常将个体行为风格划分为四类：主导型（Dominance）、影响型（Influence）、稳健型（Steadiness）和尽责型（Conscientiousness）。组织常借助该模型理解员工的沟通方式、领导风格与团队协作特征。研究提到，DISC的优势在于结构简洁，便于组织心理学家和管理者快速把握行为倾向。

研究同时指出，传统DISC评估多依赖相对简单的评分规则，通常以最高得分将个体归入单一类别。尽管这种方式高效，但可能在一定程度上简化人格特征，对同时呈现多种行为风格特征的个体刻画不足。

机器学习方法的测试结果

该研究探讨机器学习能否为DISC问卷提供更灵活、数据驱动的分析方式，以获得更准确、细致的人格洞察。研究称，这类方法不仅可进行单一类别预测，也可识别混合行为模式。

研究人员基于超过1000名参与者的问卷回答，测试多种机器学习模型，用于预测标准40题DISC评估所对应的人格类型。研究结果显示，表现最佳的模型准确率超过93%，表明相关方法能够较为可靠地复现传统DISC分类结果。

研究还评估了问卷精简的可行性。通过识别最具信息量的问题，研究团队展示了缩短版问卷仍可产生较高可靠性。研究称，在仅使用10个精选问题的情况下，模型准确率仍超过91%，意味着测评完成时间可显著缩短，同时预测能力损失有限。

此外，研究人员使用聚类技术分析参与者的自然分组。结果显示存在四个清晰的人格聚类，与既有DISC类别高度吻合，同时也呈现出不同风格之间的细微重叠。

研究人员观点与应用场景

研究负责人、东伦敦大学计算机科学与数字技术副教授Mohammad Hossein Amirhosseini表示，研究结果展示了数据科学在强化传统心理测评工具方面的潜力。

他称，DISC长期受到职场青睐的重要原因在于其易用性；研究表明，机器学习能够在保持简洁性的同时提供更深层次的洞察，帮助组织更准确、更灵活地理解行为模式。他还表示，更短的测评工具有助于在时间紧张的职业环境中推广应用；若仅需10题仍能捕捉核心人格结构，将提升其在招聘、领导力发展与团队建设等场景中的实用性。

研究发表信息

研究认为，机器学习有助于突破传统刚性分类，识别传统评分方法可能遗漏的混合或复合行为特征。该研究题为《重新定义DISC人格评估：机器学习方法实现更深洞察与更高效率》，已发表于《人工智能与机器人学杂志》（Journal of Artificial Intelligence & Robotics）。