मेथडोलॉजी

वैज्ञानिक आधार की तीन श्रेणियाँ

हमारे रेकमेंडेशन सिस्टम का हर हिस्सा तीन श्रेणियों में से किसी एक में आता है, और हम हर एक को स्पष्ट रूप से लेबल करते हैं:

1. वैलिडेटेड साइकोमेट्रिक्स — असल इंस्ट्रूमेंट जो हम चलाते हैं (Holland RIASEC, Big-5 BFI-2, MBTI, SRQ-A, Vallerand Passion, VARK, Schwartz Values, ICAR)। पीअर-रिव्यूड, सिटेड, असली।
2. रिसर्च-सूचित दिशा — हर इंस्ट्रूमेंट किसी अक्ष पर जिस दिशा में योगदान करता है वह प्रकाशित साहित्य से डिफेंसिबल है। इफेक्ट साइज़ Schmidt & Hunter (1998), Sackett et al. (2017), और इंस्ट्रूमेंट-विशेष मेटा-विश्लेषण से आते हैं।
3. प्रैग्मैटिक इंजीनियरिंग वेट्स — सटीक न्यूमेरिक वेट्स (जैसे RIASEC 0.30, Big-5 Agreeableness 0.08) हमारे इंजीनियरिंग डिफ़ॉल्ट हैं, किसी मेटा-विश्लेषण से नहीं निकले। हम इन्हें आंतरिक रूप से कैलिब्रेट करते हैं और यहाँ मान प्रकाशित करते हैं ताकि चुनाव पारदर्शी हो।

वैलिडेटेड इंस्ट्रूमेंट्स (Tier 1)

• Holland RIASEC — Holland (1997)। करियर इंटरेस्ट इन्वेंटरी। Cronbach's α = 0.80–0.90।
• Big-5 (BFI-2) — John, Naumann & Soto (2008)। व्यक्तित्व आयाम। Cronbach's α = 0.84–0.88।
• MBTI — Myers-Briggs। टेस्ट-रीटेस्ट विश्वसनीयता 0.60–0.70। साइकोमेट्रिकली विवादित लेकिन व्यापक रूप से इस्तेमाल किया जाता है।
• SRQ-A — Ryan & Connell (1989)। सेल्फ़-डिटरमिनेशन थ्योरी मोटिवेशन क्वालिटी।
• Vallerand Passion Scale — Vallerand et al. (2003)। हार्मोनियस बनाम ऑब्सेसिव पैशन।
• Schwartz Values — Schwartz (1992)। 70+ संस्कृतियों में 10 सार्वभौमिक मानवीय मूल्य।
• ICAR — Condon & Revelle (2014)। ओपन-सोर्स कॉग्निटिव रीज़निंग; CHC-अलाइंड।
• VARK — Fleming (2001)। लर्निंग स्टाइल्स।

चार Ikigai अक्ष

❤️ Love — जो आपको पसंद है

वेट्स: interest_content 0.70 · personality_fit 0.30 · RIASEC 0.30 · Vallerand passion 0.20। SRQ-A मल्टीप्लायर शामिल (Relative Autonomy Index के आधार पर 0.6–1.4)।

💪 Good at — जहाँ आप उत्कृष्ट हैं

वेट्स: subject_aptitude 0.25 · strength_match 0.15 · follow_through 0.05 · CHC 0.30 · behavioural taste-test 0.25। इंस्ट्रूमेंट न होने पर वेट्स पुनः संतुलित हो जाते हैं।

💰 Paid for — आर्थिक व्यवहार्यता

वेट्स: salary_level 0.50 · salary_consistency 0.20 · education_ROI 0.30। Big-5 Neuroticism कंसिस्टेंसी वेट को ±0.10 तक झुकाता है।

🌍 World needs — योगदान

वेट्स: mission 0.20–0.30 · Schwartz prosocial 0.15 · market_demand 0.22–0.25 · AI_durability 0.22–0.25 · sustainability 0.20–0.21 · Big-5 Agreeableness 0.08।

कम्पोज़िट

चारों अक्ष एक हार्मोनिक मीन से मिलते हैं (किसी भी कमज़ोर अक्ष पर जानबूझकर सख़्त, Ikigai मॉडल के प्रति ईमानदार)। फिर एक पीसवाइज़ लीनियर कैलिब्रेशन रॉ स्कोर 0–10 को प्रदर्शित 0–10 रेंज में मैप करता है जहाँ सटीक मैच 7+ के रूप में पढ़े जाते हैं।

कैलिब्रेशन फ़ॉर्मूला:

• raw ≤ 4 → displayed = raw × 1.75
• raw > 4 → displayed = 7 + (raw − 4) × 0.5

यानी raw 4 = displayed 7, raw 5 = displayed 7.5, raw 6 = displayed 8, raw 10 = displayed 10। पूरी तरह एक UX चुनाव, साइकोमेट्रिक नहीं।

कैलिब्रेशन से पहले दो रैंकर एडजस्टमेंट

• ऑथेंटिसिटी मल्टीप्लायर — रेट्रोस्पेक्टिव इंटेक से निर्णय ड्राइवर −1..+1 स्कोर बनाते हैं, जिसे Ikigai-सीड कंपोनेंट वेट्स पर 1 + 0.30 × score के रूप में लगाया जाता है। Sheldon & Elliot (1999) सेल्फ़-कॉनकॉर्डेंस मॉडल पर आधारित।
• रीग्रेट पेनल्टी — पिछले निर्णयों के अफ़सोस SOC प्रीफ़िक्स से कीवर्ड-मैच किए जाते हैं; मैचिंग करियर को raw × (1 − penalty) मिलता है। प्रैग्मैटिक।

प्रोप्रायटरी बनाम वैलिडेटेड

• Career DNA क्विज़, Career Taste Test, और पर्सनलाइज़ेशन प्रश्नावली (Ikigai सीड) प्रोप्रायटरी डिस्कवरी टूल हैं — वैलिडेटेड साइकोमेट्रिक्स नहीं। ये सिग्नल देते हैं पर Holland / Big-5 की जगह नहीं ले सकते।
• Ikigai चार-वृत्त वेन डायग्राम Marc Winn का 2014 का पश्चिमी रूपांतरण है, न कि प्रामाणिक पारंपरिक जापानी ikigai। फिर भी उपयोगी फ़्रेमवर्क है।

डेटा स्रोत

• ऑक्युपेशन प्रोफ़ाइल — U.S. Bureau of Labor Statistics (BLS) Occupational Employment Statistics + O*NET Database
• यूनिवर्सिटी डेटा — College Scorecard (US Dept. of Education) + NIRF (India) + UCAS (UK) + सार्वजनिक यूनिवर्सिटी वेबसाइटें
• भारत-विशेष सैलरी — सार्वजनिक रिपोर्टों से संकलित (PayScale, Ambition Box, Glassdoor)
• AI-एक्सपोज़र स्कोर — Felten, Raj & Seamans (2023)

Third-party data attributions

WhatTNext AI stands on the shoulders of several publicly-licensed datasets. We disclose each below, per each publisher's licence terms.

• O*NET-SOC (US Department of Labor) — occupation descriptions, skill/knowledge lists, and AI-exposure baselines are sourced from O*NET Online, a service of the US Department of Labor / Employment & Training Administration. Used under the O*NET Data Licence.
• ESCO (European Commission) — modern occupation titles (Data Engineer, ML Engineer, DevOps, etc.) not covered by O*NET are sourced from ESCO v1.2+. This service uses the ESCO classification of the European Commission. ESCO occupations are cross-referenced with O*NET where a crosswalk exists, and inserted as supplementary rows (identified by source="esco") where no O*NET analog exists. We have modified ESCO by generating pseudo-SOC codes (ESC-XXXX) for internal keying and by merging with O*NET; these modifications are indicated in the data itself via the source and esco_uri fields. The Commission does not guarantee the accuracy of ESCO data and shall not be liable for consequences of use.
• Lightcast Open Skills — skill category and taxonomy metadata is sourced from Lightcast Open Skills under CC-BY-4.0. Used for canonical skill naming and category rollups.

McKinsey durability framework

Several surfaces on this platform — the Skills Browser, My Report's Durable Skills Portfolio panel, the Skill Gap Analysis SCI chips (🔻 declining, 🔄 evolving, 🏛️ enduring), the Pivot Planner adjacency count, and the AI Fluency vs Technical AI tagging — are framework informed by McKinsey Global Institute's Agents, robots, and us: Skill partnerships in the age of AI (November 2025). The report is the source of the eight high-prevalence "durable" skills (communication, management, operations, problem-solving, leadership, detail orientation, customer relations, writing), the Skill Change Index (SCI) concept, the AI Fluency vs Technical AI distinction, and the skill-adjacency-count mechanic.

Important honesty caveat: our SCI values, path assignments, and AI-content tags are derived from our own Rubric v2 exposure scores weighted across ESCO occupation-skill mappings — they are not the numbers McKinsey published. We approximate their framework; we do not replicate their methodology (they computed SCI on 3.4M occupation-DWA-skill pairings with GPT-4o). Every derived signal in our data carries sci_source: "derived_v1". When we display or reference these concepts we say "framework informed by McKinsey Global Institute (2025)", never "per McKinsey". Prevalence percentages we cite for the 8 durable skills (99% communication, 94% management, etc.) are drawn directly from the report and used descriptively.

चुने हुए सिटेशन

• Schmidt & Hunter (1998). "The validity and utility of selection methods in personnel psychology." Psychological Bulletin.
• Sackett, Zhang, Berry & Lievens (2017). "Revisiting meta-analytic estimates of validity in personnel selection." Journal of Applied Psychology.
• Ryan & Connell (1989). "Perceived locus of causality and internalization." Journal of Personality and Social Psychology.
• Vallerand et al. (2003). "Les passions de l'âme: On obsessive and harmonious passion." J. Pers. Soc. Psychol.
• John, Naumann & Soto (2008). "Paradigm shift to the integrative Big Five trait taxonomy."
• Holland (1997). Making vocational choices: A theory of vocational personalities and work environments.
• Condon & Revelle (2014). "The International Cognitive Ability Resource." Intelligence.
• Schwartz (1992). "Universals in the content and structure of values." Advances in Experimental Social Psychology.
• Sheldon & Elliot (1999). "Goal striving, need satisfaction, and longitudinal well-being."
• Felten, Raj & Seamans (2023). "Occupational, industry, and geographic exposure to AI." Strategic Management Journal. Dataset. Primary source for our AI-exposure scores where SOC coverage exists (~774 US occupations); other rows fall back to our 6-dimension internal rubric.