同一份霍兰德结果，为什么不同匹配算法会改变职业排序

同一组霍兰德兴趣分数，用不同算法比较职业，排序确实可能改变。原因在于算法保留的信息不同：只比首码看最高一项，比三字母代码考虑前三项顺序，六维剖面相关则比较整组分数的高低起伏。下面用可以复算的教学数据，具体看两种真实指标如何得出不同结果。

先固定资料，只改变比较方法

以下数字全部是假设的教学分数，不对应任何真实个人、岗位或平台算法，也不是正式量表的分数范围。为了单独观察算法差异，假定个人与两种环境的六项均已处在可解释的共同维度上，排列顺序固定为 R、I、A、S、E、C。

个人的前三码是 RIA，环境A也是 RIA，环境B为 IRA。环境A前三项与个人完全一样，但后三项也很高；环境B仅把最高两项交换，其余数值与个人一致。

如果只问首码是否相同，环境A会胜出。这样的比较没有用到其余五项。

Brown与Gore提出的C指数，是有明确规则的三字母一致度指标。它把个人和环境的第一、第二、第三个字母分别配对，按照 R-I-A-S-E-C 六边形上的关系赋值：相同为3，相邻为2，隔一位为1，相对为0；随后对三个位置分别乘以3、2、1，再相加。

即：C指数＝3×首位配对值＋2×次位配对值＋第三位配对值。这里采用原始0至18的形式；一些报告会另作标准化。O*NET技术报告列出了该计算方法及其限制。

个人RIA与环境A的RIA逐位相同，得到3×3＋2×3＋1×3＝18。

个人RIA与环境B的IRA相比，第一位R与I相邻，第二位I与R相邻，第三位A相同，得到3×2＋2×2＋1×3＝13。

因此，C指数将环境A排在前面。它看到了字母顺序和类型位置，却没有看到环境A的S、E、C都接近7，也没有使用个人最高两项究竟相差多少。

另一种真实使用的方法是皮尔逊相关。O*NET在2025年职业匹配报告中说明，它使用相关系数比较个人与职业兴趣剖面的形状。相关系数关注高低起伏是否一致，而不是两组分数的总体水平是否相同。

复算方法是：每组分数先减去该组六项的平均数；将两组对应偏差相乘后求和，再除以“两组偏差平方和的乘积”的平方根。

在这组教学数据中，个人平均数为5，环境A为7.4，环境B为5。个人偏差平方和为58；环境A、B分别为4.18和58。个人与环境A的偏差乘积和为13，与环境B为57。因此：

这次环境B排在前面。它保留了个人前三项较高、后三项较低的整体形状；环境A虽然前三码完全相同，整组起伏却不同。排序变化有具体的数学原因，无须假定其中一份报告出错。

不过，相关也会舍弃信息。给环境A的六个数同时加上相同常数，相关系数不变；等比例放大整组数值，也不改变相关。因此，使用了六项分数，不代表把六项的所有信息都保留了。六项完全一样、没有起伏的平坦剖面，还会使普通相关无法定义，需要按工具说明处理。

这个例子证明的是“不同指标可能给出不同顺序”，没有证明某指标更能预测这位读者的工作满意度或表现。Brown与Gore的原始比较研究也专门讨论了不同一致度指标的测量特点，不能把指标选择视为无关紧要的后台细节。

实际使用还至少有两层资料需要核对：职业画像是否可靠、能否代表正在考虑的岗位；个人分数及细小排序差异有多稳定。公式再清楚，也无法补救过时的岗位资料或不恰当的分数解释。

看到两份清单顺序不同，可以先要求提供比较方法，再判断变化来自首码、三字母还是六维剖面。匹配值也不应被读成录用概率、胜任程度或幸福概率。把它用于挑选值得进一步了解的职业，再核对能力、资格、工作条件和现实机会，才是这些计算能够支持的下一步。