Predikce vybraných osobnostních charakteristik prostřednictvím veřejně dostupných stop činnosti na internetu.

Abstract

Diplomová práce se zabývá osobnostními charakteristikami z pohledu jejich souvislosti se stopami činnosti na internetu. V literárně-přehledové části práce čtenáře seznamuje s vybranými teoriemi osobnostních rysů, přibližuje nejpoužívanější sociální sítě a popisuje aktuální výzkumy týkající se vztahu digitálních stop činnosti a osobnostních charakteristik. Empirický výzkum je věnovaný testování spojitosti mezi profily uživatelů sociální sítě LinkedIn a nástroji MVPI a HDS od Hogana a Hoganové na výzkumném vzorku (N=238, po redukci na jedince s profilem na LinkedInu N=129). Výsledky ukazují, že na základě dat z linkedinových profilů, redukovaných do 6 nových proměnných, je možné vytvořit modely k predikci skóre některých škál z obou metod, ale pouze s nízkým adjustovaným koeficientem determinace (maximum 15,5%). Z MVPI bylo predikovatelných více škál než z HDS. Nejlépe predikovatelnou škálou byla v našem výzkumu Péče z MVPI.

This master thesis investigates linkage between personality characteristics and digital records on the Internet. The theoretical part is focused on selected theories of personality traits, brief description of social networks and on current studies connected with relationship between digital records and personality characteristics. Empirical research is dedicated to test interdependences between user profiles at the LinkedIn and Hogan's MVPI and HDS using the research sample (N=238, after reduction N=129 due to limited number of LinkedIn users). Based on LinkedIn data which were reduced to 6 new variables, results describe statistically significant models predicting scores for some scales of MVPI and HDS. However, maximum adjusted R2 was only 15,5% for the best regression model which was predicting Altruistic scale (MVPI).