IBM Watson Personality Insights: использовать исходные или процентильные оценки?

Вы правы, что оценки имеют разное толкование. Необработанные оценки - это как раз то, что, поскольку нормализованная оценка относится к большей совокупности. Хотя диапазоны для исходных оценок черты составляют от 0 до 1 на практике, это не всегда так, и оценки могут быть сосредоточены в более узком диапазоне. Вот почему в примере, который вы показываете выше, небольшое изменение исходной оценки может иметь гораздо большее изменение в процентиле.

Обратите внимание, что для расчета процентилей мы запускали профили для большей совокупности (100 тыс.), Где вы наблюдали бы эти тенденции, которые могут не отображаться в меньшей выборке.

Что касается вашего другого вопроса; Какой счет вы бы использовали, очень зависит. В целом, большинство используют процентиль, поскольку он дает вам представление о том, как данная группа людей сравнивается с населением в целом. Например, если мне интересно посмотреть, как одна группа сравнивается с другой, использование процентилей упрощает интуитивное понимание различий (разницу в согласии в 25% легче понять, гораздо легче понять, чем грубую разницу в 0,1. так как вы не узнаете, важно это или нет). С другой стороны, необработанные оценки используются в основном, когда вы создаете более крупную модель и используете оценку PI в качестве одной из функций. В этом случае обычно полезно использовать исходные оценки, поскольку вы делаете собственные выводы из более крупной модели.