《Frontiers in Neuroscience》：Improving career guidance accuracy through EEG-based vocational interest assessment and self-reported RIASEC profiles
编辑推荐：
本研究探讨了基于脑电图（EEG）的神经测量（neurometrics）在John L. Holland的RIASEC框架内增强职业兴趣评估的潜力，该框架将职业偏好分为六个维度：现实型（Realistic）、研究型（Investigative）、艺术型（Arti
本研究探讨了基于脑电图（EEG）的神经测量（neurometrics）在John L. Holland的RIASEC框架内增强职业兴趣评估的潜力，该框架将职业偏好分为六个维度：现实型（Realistic）、研究型（Investigative）、艺术型（Artistic）、社会型（Social）、企业型（Enterprising）和常规型（Conventional）。研究人员将通过广泛使用的自我报告工具获得的职业兴趣剖面与参与者完成相同评估项目时记录的EEG反应所衍生的剖面进行了比较。通过将神经生理学测量整合到职业剖面分析中，本研究探讨了神经测量指标是否能在有意识报告的兴趣之外，提供对潜在职业偏好的额外洞察。研究人员对33名参与者施测了O*NET迷你兴趣调查表（Mini Interest Profiler），同时记录EEG数据，生成了990对配对观测值，用于比较自我报告得分与神经测量衍生得分。研究结果显示两种评估方法之间存在较强的总体关联性，表明明确宣称的兴趣与基于EEG的指标之间具有实质性趋同。然而，分析也识别出个体RIASEC剖面中的有意义差异。这些差异常常导致不同的职业推荐，突显了职业兴趣评估中即便微小变化也具有实际意义，特别是在O*NET系统中RIASEC剖面映射到超过900种职业的情况下。结果表明，基于EEG的神经测量可能通过捕捉职业偏好中较不明确或有意识表达的维度，来补充传统的自我报告测量。在劳动力市场快速转型和教育路径日益多样化的背景下，更精细的个体职业兴趣识别方法可改善职业指导，并更好地协调个人偏好、教育选择和职业发展路径。本研究还讨论了对教育机构优化课程设置以支持可持续教育的启示，并提出了未来将神经生理学方法整合到职业评估中的研究方向。
**论文解读：基于EEG的神经测量在职业兴趣评估中的应用——一项与RIASEC框架的对比研究**
**研究背景与问题**
职业兴趣评估在个人职业规划与教育路径选择中具有核心作用，John L. Holland提出的RIASEC框架（现实型Realistic、研究型Investigative、艺术型Artistic、社会型Social、企业型Enterprising、常规型Conventional）是应用最广泛的分类体系之一。然而，传统自我报告方法存在固有局限：受试者可能受到社会期望、自我认知偏差或对特定活动缺乏实际体验的影响，导致报告的兴趣与真实偏好之间存在偏差。近年来，神经影像学（如脑电图EEG）在消费神经科学（consumer neuroscience）领域显示出捕捉潜意识偏好的能力，但在职业评估中的应用尚属初探。Gurres等人（2021）曾建议使用其他神经影像技术验证Holland工具，Schr?pel等人（2025）也强调需用客观方法深入探索职业兴趣与决策的关系。基于此，本研究旨在回答三个问题：EEG衍生的职业兴趣评分与自我报告O*NET迷你兴趣调查表得分的相关性如何？EEG衍生指标是否产生与传统自我报告不同的RIASEC剖面？EEG神经测量能否提供额外信息以改善职业兴趣评估的准确性？
**研究目的与意义**
本研究的主要目的是比较基于EEG指标的职业兴趣剖面与常规自我报告RIASEC量表所得剖面之间的差异，包括两种方法的一致性程度、是否导致不同的Holland代码及职业推荐，以及整合EEG神经测量对职业指导的潜在价值。研究结果发表在《Frontiers in Neuroscience》，为神经科学基础职业评估提供了实证依据，并展示了EEG作为自我报告补充工具的可行性。
**关键技术与方法**
研究人员采用横断面设计，在罗马尼亚布加勒斯特和雅西两个学术城市招募33名参与者（16女，17男，年龄21-58岁）。主要技术方法包括：使用O*NET迷你兴趣调查表（Mini Interest Profiler，30题，原1-5分Likert量表线性转换为1-10分以与EEG指标匹配）同时记录EEG数据；采用Emotiv EPOC X系统（16个电极按国际10-20系统放置，参考电极M1，降噪电极M2）采集原始EEG信号，并利用其专有算法生成的“Interest (Val)”指标作为EEG衍生兴趣得分；每个活动给予6秒阅读和10秒想象及评分时间，共收集990对自我报告与EEG指标配对观测值。
**研究结果**
**总体相关性**：990对数据的总相关系数为0.6381，在传统置信水平上均显著。
**个体相关性**：33名参与者的个体相关系数范围0.44-0.79，均达到0.05显著水平；其中28人在0.001水平显著。根据Holland代码，6人两种方法完全匹配（前三位类别顺序一致），10人共享相同主导类别。未发现主导类别源自自我报告却落在EEG指标前三位之外的情况。
**年龄与性别影响**：年龄与相关系数无显著相关（r=0.047），男女组间相关系数差异不显著（z=1.920335，p=0.0548）。
**RIASEC类别相关性**：六个类别相关系数均显著，但幅度差异大：现实型最高（0.70063），研究型最低（0.503325），其余依次为艺术型0.686256、社会型0.621797、企业型0.697716、常规型0.57577。
**30个条目相关性**：条目层面异质性较大，最强相关性p值达1.3e-7，但三个条目（第15、16、22项）相关性未达0.05显著水平。条目22（“在非营利组织做志愿者”）、15（“为电影制作特效”）、16（“进行康复治疗”）的自我报告与EEG指标对齐最弱。
**职业推荐差异**：以一位参与者为例（自我报告代码I_SA，EEG代码I_AS），两种方法虽总相关高达0.79且主导类别相同，但职业推荐完全不同：自我报告推荐“人类学家与建筑师”，而EEG推荐“社会学家、神经心理学家、政治科学家”等，且EEG推荐的前五名均被标记为“最佳匹配”。
**讨论与结论**
**讨论部分总结**：尽管总体相关性强，但代码完全匹配率低（仅6/33），且职业推荐差异显著，表明EEG指标能捕捉自我报告未充分反映的偏好维度。研究结果与Rasheed等人（2019）及Gurres等人（2021）的神经影像学发现一致，支持兴趣具有可测量的神经生理基础。同时，条目和类别层面的异质性提示措辞、文化背景及潜意识情绪可能影响响应。局限性包括小样本（N=33）、未对O*NET工具进行罗马尼亚人群校准、以及Emotiv专有算法不透明。未来研究需更大样本、纵向设计及基于开放神经生理指标（如额叶α不对称性FAA、晚期正电位LPP）的验证。
**研究结论翻译**：本研究通过回答三个研究问题实现了预定目标。研究结果表明，尽管EEG衍生与自我报告的职业兴趣得分之间存在强相关性，但两种方法可能产生不同的RIASEC职业剖面和职业推荐。这凸显了基于EEG的测量通过捕捉个体偏好的额外方面来改进传统职业评估的潜力。尽管两种方法得分之间的相关性非常强，但差异确实存在。鉴于对超过900种职业类型特征的大量评估工作，即使微小差异也可能导致兴趣-职业匹配的完全不同的顶级推荐。尽管每个推荐均可辅以大量相关信息（如平均薪资、职业前景等），但用户会考虑的建议数量仍然相当有限。鉴于EEG神经测量在评估认知和情感状态方面优于自我报告方法，强烈建议主要教育服务提供商将这些客观技术纳入其评估过程，从而更准确地了解用户偏好，支持开发更具针对性和更有效的服务。自我响应与指标值的对齐（以相关系数衡量）未受年龄和性别属性的显著影响。30个条目和六个RIASEC类别中，相关性和描述性统计的变异性更大。识别并恰当处理这些变异来源将显著改善两种方法的应用结果。本研究还假设，措辞可能在不同社会文化背景下诱导不同的情绪状态值，从而干扰活动诱发的响应，而RIASEC类别间的差异是算术结果。总体而言，这项探索性试点研究证明了将EEG衍生测量与传统自我报告评估相结合以调查职业兴趣的可行性。尽管结果表明基于EEG的指标可为职业评估和指导提供补充信息，但由于样本量有限，这些结果应视为初步结果，未经进一步验证不应推广。未来研究应纳入更大、更多样化的样本及纵向设计，以确认这些发现、检验其可重复性，并进一步阐明基于EEG的神经测量在职业指导中的潜在作用。
