Méthodologie
Ce que mesure UR.SKILLS, comment, et avec quelles limites. Sans marketing.
Version bêta-recherche. Les paradigmes sont publiés et reconnus, mais la calibration des scores sur une population réelle (calibration sur une cohorte UR.SKILLS, N≥300) est en cours. Lis tes résultats comme des indicateurs de tendance, pas comme des verdicts. C'est le prix de l'honnêteté scientifique.
Le modèle : 10 dimensions croisées avec 3 sources
UR.SKILLS s'appuie sur trois modèles complémentaires pour capturer un profil sans le réduire :
Initiative, Décision, Exécution, Ajustement, Accomplissement. Basé sur le modèle Rubicon (Heckhausen & Gollwitzer, 1987) et la Goal-Setting Theory (Locke & Latham, 2002).
Ouverture (Ancré ↔ Explorateur), Rigueur (Flexible ↔ Méthodique), Énergie (Réservé ↔ Expansif), Harmonie (Direct ↔ Conciliant), Sérénité (Réactif ↔ Stable). Basé sur le modèle Big Five (McCrae & Costa, 1992 ; Goldberg, 1990) — le modèle de personnalité le plus validé au monde.
Comment lire les scores de personnalité. Chaque dimension est un axe à deux pôles (ex. Sérénité = Réactif ↔ Stable). Un score de 0 à 100 te place sur cet axe : 50 = équilibre. On affiche toujours le score vers ton pôle dominant : si tu es à 30 du côté Stable, on lit « Réactif 70 » (et inversement). Une zone neutre (proche de 50) est notée « équilibré ». Dans le détail chiffré, chaque source (ce que tu déclares vs ce que ton comportement révèle) garde sa valeur propre : il est donc possible que ton déclaré penche d'un côté (ex. Conciliant) et ton comportement de l'autre (ex. Direct) — cet écart est une information, pas une erreur. Un score < 50 sous un pôle signifie simplement que cette source-là penche vers le pôle opposé.
BART (Lejuez 2002), Proactive Personality (Bateman & Crant 1993), Go/No-Go (paradigme Donders 1868 ; inhibition Nigg 2000), Rythme/SART (Robertson 1997), Emotional Stroop (Williams, Mathews & MacLeod 1996), Stop-Signal (Logan & Cowan 1984), WCST (Berg 1948), Forced-choice deadline (Ratcliff & McKoon 2008), Information Sampling Task (Clark 2006), SVO Slider (Murphy, Ackermann & Handgraaf 2011), approche sociale / extraversion (Lucas & Diener 2001), AUT — Alternative Uses (Silvia 2008), EEfRT effort/récompense (Treadway 2009), Persistence (Feather 1961 ; Eisenberger 1992 ; Lucas et al. 2015), Free Writing + LIWC (Mehl 2006 ; Park et al. 2015). Chaque tâche s'appuie sur un paradigme publié.
Le triple miroir
Pour chaque dimension, on croise trois sources indépendantes :
- Toi — ce que tu déclares de toi (questionnaire Likert)
- Entourage — ce que 3-8 référents perçoivent de toi (questionnaire miroir, pondéré par relation)
- Actes — ce que ton comportement révèle (15 mises en situation comportementales)
C'est ce croisement qui révèle les angles morts, les sous-estimations systématiques, et les zones de cohérence. Peu d’outils accessibles croisent ces trois sources en un seul passage.
Comment on calcule
Likert 1-5 → moyenne par dimension → transformation linéaire en score 0-100 (non normé sur une population de référence — normalisation prévue à N≥100). Reverse-coding sur items négatifs pour éviter le biais d'acquiescement. Pondération 360° : manager ×2, collègue ×1, client ×0.5, reports directs ×0.5 (inspirée de Conway & Huffcutt, 1997).
Benchmark : comparaison à une population de référence sectorielle (voir sections norms). En attendant N≥100 users réels, on utilise des distributions mockées mais ancrées sur la littérature publiée (Big Five FR, Hogan norms, HEXACO). Cette phase est transitoire et explicitement labellisée dans ton rapport.
Indicateurs de fiabilité
Cohérence interne (α de Cronbach) visée par dimension. Notre règle de conception : tout facteur doit atteindre α ≥ 0,70, sinon les items qui le dégradent sont retirés.
Les valeurs ci-dessous sont des estimations théoriques, déduites de la structure des items — elles n'ont pas encore été mesuréessur une vraie population. La mesure réelle (α empirique + validité convergente) est prévue à N≥300 (objectif Q3 2026). D'ici là, lis-les comme une cible de conception, pas comme un résultat.
| Dimension | α estimé (théorique) | Cible |
|---|---|---|
| Initiative | 0.82 | Bon |
| Décision | 0.79 | Acceptable |
| Exécution | 0.84 | Bon |
| Ajustement | 0.76 | Acceptable |
| Accomplissement | 0.83 | Bon |
| Ouverture | 0.80 | Bon |
| Rigueur | 0.83 | Bon |
| Énergie | 0.81 | Bon |
| Harmonie | 0.77 | Acceptable |
| Sérénité | 0.79 | Acceptable |
Rappel : aucune de ces valeurs n'est encore un α de Cronbach mesuré. Ce sont des estimations issues de la structure des items, à confirmer empiriquement (N≥300, objectif Q3 2026).
Ce qu'on ne fait PAS encore (transparence)
- Étude de validité prédictive sur cohorte longitudinale (en cours de construction, objectif : publication 2027)
- α de Cronbach calculé sur population UR.SKILLS ≥ 300 users (objectif : Q3 2026)
- Invariance de mesure FR / EN testée empiriquement
- Test adaptatif (IRT / Rasch) — infrastructure prête mais calibration en attente de N≥200
- Normalisation par tranche d'âge / genre / ancienneté (simplification pour MVP)
On te dit ce qu'on sait ET ce qu'on ne sait pas encore. Un assessment qui prétend être validé à 100% sans données publique est un assessment qui te ment.
Le rôle de l'IA
Les scores (0-100) et les archétypes sont déterministes— calculés par formule mathématique, pas par IA. Les narratives (analyses, plans d'action, pitch) sont générées par des modèles de langage (Google Gemini, Anthropic Claude selon les sections) à partir de tes scores. Chaque sortie IA passe par un triple filtre : détection de platitudes corporate (100+ patterns bannis), post-validation qualité (juge LLM, seuil 7/10), scrub déterministe si résidus.
Transparence art. 22 RGPD : aucune décision ayant un impact juridique ou significatif n'est prise automatiquement. UR.SKILLS est un outil d'auto-connaissance, pas un filtre de recrutement.
Les questions qu'on nous pose — réponses directes
Ça veut dire qu'un 72 ne te situe pas encore par rapport à une population de référence. Tes scores sont calculés sur des barèmes issus de la littérature publiée (seuils des paradigmes académiques), pas sur la distribution de milliers d'utilisateurs — on n'en a pas encore assez. La normalisation se déclenchera automatiquement à N≥100 par mesure. D'ici là, la lecture juste est : compare tes dimensions ENTRE ELLES (ton relief), et tes trois sources entre elles (tes écarts) — c'est là que se trouve l'information, pas dans la valeur absolue.
Ni cassé, ni « la vérité sur toi ». Chaque mise en situation mesure un COMPORTEMENT PRÉCIS dans une tâche courte et contrainte (freiner un geste lancé, générer des usages inattendus, persister sur un problème ingrat) — un proxy étroit d'un trait large, dans les conditions où tu as passé le test. Ton auto-évaluation, elle, agrège 20 ans de vécu — avec les biais de l'auto-perception. Quand les deux divergent fortement, aucune des deux n'a raison « contre » l'autre : l'écart est l'information. C'est précisément ce que la 3ᵉ source (ton entourage) départage.
Non, et c'est structurel : (1) rien ne s'affiche en dessous de 3 réponses ; (2) tu ne vois JAMAIS une réponse individuelle — uniquement des moyennes pondérées par type de relation, toutes réponses confondues ; (3) il n'y a aucun champ de commentaire libre, donc aucun verbatim attribuable ; (4) tu ne sais pas qui, parmi tes invités, a répondu ou non. Une moyenne de 3+ réponses pondérées ne permet pas de reconstituer une réponse individuelle.
Pour générer les textes, on transmet aux modèles de langage (Google Gemini, Anthropic Claude, OpenAI en secours) : ton prénom, ton poste, ton secteur et tes scores. JAMAIS ton email ni ton nom complet. Ces appels passent par les API professionnelles de ces fournisseurs, dont les conditions excluent l'utilisation des données pour entraîner leurs modèles. Le stockage est chez Supabase (hébergement UE). Tu peux exporter ou supprimer l'intégralité de tes données en un clic depuis ton rapport (pied de page) — suppression réelle, y compris les réponses de tes référents.
Réponse honnête : la fidélité test-retest n'a pas encore été mesurée sur UR.SKILLS — c'est exactement ce que la phase bêta et la cohorte N≥300 serviront à établir. Le questionnaire déclaratif devrait être très stable (c'est le cas des instruments Big Five dont il s'inspire) ; les mises en situation comportementales sont par nature plus sensibles à ta forme du jour. C'est aussi pour ça que le rapport croise les deux au lieu de n'en croire qu'une.
Non. Le deal de la bêta est explicite : accès complet gratuit contre ton retour critique. Tes données ne sont ni vendues, ni partagées avec un employeur, ni utilisées pour autre chose que générer TON rapport et calibrer les barèmes (en agrégé, anonymisé). Le produit sera payant pour les suivants — c'est le business model, il n'y en a pas d'autre.
Références académiques
- Ashton, M. C., & Lee, K. (2007). Empirical, theoretical, and practical advantages of the HEXACO model. Personality and Social Psychology Review, 11(2).
- Campbell, J. P. (1990). Modeling the performance prediction problem in industrial and organizational psychology. In Handbook of Industrial and Organizational Psychology.
- Conway, J. M., & Huffcutt, A. I. (1997). Psychometric properties of multisource performance ratings. Human Performance, 10(4).
- Costa, P. T., & McCrae, R. R. (1992). NEO PI-R Professional Manual. Psychological Assessment Resources.
- Güth, W., Schmittberger, R., & Schwarze, B. (1982). An experimental analysis of ultimatum bargaining. Journal of Economic Behavior & Organization, 3(4).
- Lejuez, C. W., et al. (2002). Evaluation of a behavioral measure of risk taking: The Balloon Analogue Risk Task (BART). Journal of Experimental Psychology: Applied, 8(2).
- Mõttus, R., et al. (2014). Personality traits below facets: The consensual validity of French personality descriptors. Journal of Personality, 82(3).
- Stroop, J. R. (1935). Studies of interference in serial verbal reactions. Journal of Experimental Psychology, 18(6).