By: 
Tradicionalmente, os testes de personalidade tenderam a enquadrar as pessoas em perfis rígidos a partir de regras simplificadas. Essa abordagem, embora prática, limita a compreensão da complexidade do comportamento humano e reduz a riqueza de nuances que influenciam o desenvolvimento individual e profissional.
No entanto, esse panorama está em constante evolução. Amirhosseini (2026) propõe uma alternativa inovadora, mostrando como o machine learning pode transformar e otimizar essas avaliações. Ao diminuir significativamente o tempo necessário para medir traços psicológicos, esse avanço questiona as metodologias tradicionais e abre novas possibilidades para analisar o comportamento em ambientes profissionais contemporâneos.
Desarmando as caixas psicológicas
Antes de abordar os aspectos algorítmicos, é pertinente introduzir o modelo DISC. Esta ferramenta classifica o comportamento individual em quatro estilos principais: Dominância, Influência, Estabilidade e Consciência. Em termos práticos, o DISC pode ser entendido como um framework conceitual que facilita a compreensão das dinâmicas de comunicação em ambientes de trabalho, permitindo identificar padrões de liderança e reações em situações de pressão.
Contudo, a avaliação tradicional do DISC apresenta uma limitação metodológica relevante: impõe a atribuição dos indivíduos a uma única categoria a partir da soma de suas respostas. Esse enfoque reduz a complexidade do comportamento humano, ao tentar descrevê-lo por meio de um conjunto restrito de categorias, dificultando a captura da coexistência de múltiplos traços em uma mesma pessoa.
Nesse contexto, surge a proposta do estudo, sustentada em uma hipótese clara: o uso de técnicas de machine learning poderia permitir modelar relações complexas e não lineares para oferecer avaliações mais flexíveis, precisas e eficientes. Para isso, os pesquisadores desenharam um experimento voltado a avaliar se a inteligência artificial é capaz tanto de reproduzir os resultados do modelo tradicional quanto de otimizar o instrumento de medição mediante a identificação das variáveis mais relevantes.
Descobertas que redefinem a avaliação
A análise das respostas revelou vários padrões que transformam a maneira como podemos aplicar a psicometria no futuro próximo.
A poda inteligente do questionário
O avanço mais notável descoberto por Amirhosseini tem relação com a pura eficiência. Utilizando uma técnica chamada Recursive Feature Elimination, os pesquisadores descobriram que um teste padrão de 40 perguntas poderia ser reduzido a apenas 10 itens chave. Apesar de recortar 75% do teste, o modelo reteve uma acurácia preditiva superior a 91%.
Isso significa que os departamentos de recursos humanos poderiam avaliar grandes volumes de candidatos em uma fração do tempo, minimizando a fadiga mental dos postulantes sem sacrificar a qualidade dos perfis resultantes.
A precisão matemática supera as regras rígidas
Quando os pesquisadores testaram seis modelos distintos de inteligência artificial com as 40 perguntas originais, a Regressão Logística e o modelo XGBoost conseguiram classificar os tipos de personalidade com um surpreendente 93,53% de exatidão.
Este altíssimo nível de concordância confirma que as máquinas podem aprender a nos agrupar com uma eficácia técnica que rivaliza com as fórmulas clássicas, mas estabelecendo bases tecnológicas para análises dinâmicas muito mais profundas.
A descoberta de perfis híbridos
Talvez a descoberta conceitual mais profunda tenha vindo da aplicação de técnicas de “clustering” (agrupamento). Ao deixar a inteligência artificial organizar os participantes baseando-se unicamente na similaridade de suas respostas, o sistema confirmou a existência dos quatro grupos clássicos do DISC, mas também iluminou zonas cinzentas previamente ignoradas. O sistema foi capaz de detectar perfis híbridos, como indivíduos que combinam altos níveis de Dominância com fortes traços de Consciência.
Ao abandonar a necessidade de atribuir rótulos mutuamente exclusivos, a inteligência artificial nos permite refletir a verdadeira fluidez do comportamento humano, onde a maioria de nós navega entre diferentes estilos dependendo do contexto.
Por trás dos algoritmos e seus limites
Para chegar a essas conclusões, a equipe coletou e analisou as respostas de mais de 1.000 participantes utilizando um design rigoroso. Eles empregaram um conjunto diverso de algoritmos, desde Redes Neurais até Support Vector Machines (SVM), dividindo os dados cuidadosamente (80% para treinar a máquina e 20% para testá-la) para garantir que os modelos não simplesmente memorizassem as respostas.
Para visualizar como as pessoas se agrupavam, utilizaram o Principal Component Analysis (PCA), uma técnica estatística que comprime dados altamente complexos em um mapa bidimensional fácil de interpretar. Surpreendentemente, ao mapear tanto o teste de 40 perguntas quanto a versão reduzida de 10, as estruturas de personalidade resultantes foram notavelmente consistentes.
É claro que, como em toda investigação rigorosa, devemos estar cientes do que os dados não podem nos dizer. Visto que o estudo mediu as percepções em um único ponto no tempo por meio de auto-relatos, não podemos afirmar com certeza se essas categorizações aceleradas predizem o sucesso profissional real a longo prazo. Além disso, a falta de uma fronteira perfeitamente definida nos gráficos de agrupamento nos lembra que a mente humana opera em um espectro contínuo, não em blocos matemáticos perfeitos.
O fim dos testes intermináveis?
Durante décadas, operamos sob a premissa de que perfilar a personalidade humana exigia sacrificar ou o tempo do avaliado, ou a riqueza de seus matizes. Esta ponte construída pelo machine learning demonstra que a eficiência operacional e a profundidade psicológica não precisam ser forças opostas.
Temos perguntas para explorar. Serão esses modelos reduzidos igualmente eficazes em culturas organizacionais marcadamente diferentes? É possível que a extrema brevidade de um teste de 10 perguntas amplifique nossos vieses ao momento de autoavaliarmos?
Poderemos estar à porta de uma verdadeira revolução na gestão de talentos? Talvez a intervenção da inteligência artificial na psicometria não sirva para mecanizá-lo, mas sim para reconhecer, apoiados por dados massivos, que nossa forma de ser é um canvas muito complexo para caber em um único rótulo.
Fonte
Amirhosseini, M. (2026). Reinventing DISC personality assessment: Machine learning approaches for deeper insights and greater efficiency. Journal of Artificial Intelligence & Robotics, 3, (1). DOI: [10.52768/3067-7947/1037]
