类型在人群中的占比，是怎样估算的？

这里说明「人群占比（模型估算）」的计算方法和目前的依据。我们把用到的假设、计算过程和版本公开，方便你了解数字的来历。

目前，16型在真实人群中的比例未知。本页的百分比来自公开设定的假设情景，尚未用真实人群数据校准。 当前列出的是方法示范，后续结果页采用的数值应对应其标注的情景版本。

这个数字表达什么？

它表达的是：如果四种倾向按我们设定的比例分布，并满足所列的组合假设，各类型会在这个模型中占多少份额。

比如，某型的模型份额约为13%，表示在这个假设分布中，该型约占13%。它不能据此换算成“现实中每100人就有13人与你同型”。模型能把假设换算成数字，不能单靠计算证明假设接近现实。

这些类型描述人在相关情境中的策略倾向。“暴君”“掮客”等名称是人物化的表达，不能仅凭名字判断某型更少见，也不能用占比判断一个人有多坏、是否优秀或是否会伤害他人。

为什么从四条轴开始？

16型由四种倾向组合而成，顺序固定为：

轴	两端	关注的问题
目标	利／权	实际所得与决定权不能兼得时，更想保留哪一项？
影响路径	谋／压	更依赖安排信息、选项和关系，还是明确设置条件与后果？
冲突收束	用／惩	外部目标或补救已经完成后，是否仍希望对方额外付出代价？
正当化	饰／蔑	更依赖共同规则与共享理由，还是更能以自己的取舍授权选择？

每条轴取一个方向，就得到16种组合。例如，掮客对应“利谋用饰”，暴君对应“权压惩蔑”。先公开四条轴的分布假设，再用同一规则计算，能让16型的数值彼此一致，也便于检查。

这里的16种组合是本项目的分类定义。当前没有证据证明人群自然聚成这16类，也不能从“共有16型”直接得出每型都占6.25%。

当前示范采用哪些假设？

示范情景A，版本 type-share-scenario-0.1，记录日期为2026-09-07。

四条轴的输入比例

轴	示范输入	这组输入想考察的情景	数值依据
利／权	60%／40%	偏向实际所得的对象相对多一些	人为设定的演示参数，未经实测
谋／压	55%／45%	两条影响路径接近均衡，间接安排略多	人为设定的演示参数，未经实测
用／惩	65%／35%	外部目标完成后倾向收束的对象相对多一些	人为设定的演示参数，未经实测
饰／蔑	60%／40%	更依赖共同依据授权选择的对象相对多一些	人为设定的演示参数，未经实测

这些数值用于把一种设想具体化。我们目前没有数据证明60%比55%更接近真实，也没有证据证明上表中的多寡次序符合某个现实人群。 它们不是从心理学论文中摘取的统计结果，不是网站用户的测评分布，也不是AI模拟受试者得到的样本。

四条轴怎样组合

这个示范暂按四轴相互独立计算，即一个对象在某条轴上偏向哪端，不改变其在其他轴上的倾向比例。

这是简化计算所选的假设。四个问题在概念上可以区分，并不证明它们在现实中互不关联。同样的四组输入比例，采用不同的轴间关系，也能得到不同的16型分布。

100%的分母是谁

本示范的分母是一个理想化集合：其中每个模型对象都有四轴明确方向，并且归入唯一一型。表内16型合计100%，只针对这个集合。

真实测评可能出现方向平分、接近边界、信息不足或多个候选。本示范没有估计这些情况在人群中的比例，也没有估计“能明确分型的人占总人口多少”。因此，表内数字不能直接代表全体人口。

目前没有为某个国家、年龄、职业或其他现实人群校准这套分布。日常倾向的分类也不能被换成负面行为的发生率。

具体怎么算？

在这个独立假设下，某型的份额等于它在四条轴上对应端的比例相乘。

例如掮客对应“利谋用饰”：

掮客的模型份额
= 利的比例 × 谋的比例 × 用的比例 × 饰的比例
= 0.60 × 0.55 × 0.65 × 0.60
= 0.1287
= 12.87%

暴君对应“权压惩蔑”：

暴君的模型份额
= 0.40 × 0.45 × 0.35 × 0.40
= 0.0252
= 2.52%

其余类型使用完全相同的规则。每条轴两端之和为1，因此全部组合之和为：

(0.60 + 0.40) × (0.55 + 0.45) × (0.65 + 0.35) × (0.60 + 0.40)
= 1，即100%

示范情景A的16型明细

以下均为假设情景的计算值，真实人群比例未知。 阅读值按百分数四舍五入到一位小数；这是展示方式，不代表估计准确到0.1个百分点。

ID	类型	四字组合	未舍入的模型百分比	阅读值
T01	掮客	利谋用饰	12.87%	12.9%
T02	投机客	利谋用蔑	8.58%	8.6%
T03	笑面客	利谋惩饰	6.93%	6.9%
T04	追猎者	利谋惩蔑	4.62%	4.6%
T05	收割者	利压用饰	10.53%	10.5%
T06	掠夺者	利压用蔑	7.02%	7.0%
T07	清算者	利压惩饰	5.67%	5.7%
T08	悍客	利压惩蔑	3.78%	3.8%
T09	操盘手	权谋用饰	8.58%	8.6%
T10	煽动家	权谋用蔑	5.72%	5.7%
T11	权术家	权谋惩饰	4.62%	4.6%
T12	教主	权谋惩蔑	3.08%	3.1%
T13	铁腕者	权压用饰	7.02%	7.0%
T14	定局者	权压用蔑	4.68%	4.7%
T15	裁决者	权压惩饰	3.78%	3.8%
T16	暴君	权压惩蔑	2.52%	2.5%
—	合计	—	100.00%	100.0%

本情景的阅读值恰好也合计100.0%。其他参数组合经舍入后可能不恰好等于100%；应说明舍入差异，保留原始计算值，不为制造类型差异而单独调整某型。

换一组假设，数字会变多少？

我们用几种不同设定检查了数字对假设的依赖。

演示设定	利／谋／用／饰的比例	掮客的模型份额	暴君的模型份额
对称基线	50%／50%／50%／50%	6.25%	6.25%
示范情景A	60%／55%／65%／60%	12.87%	2.52%
扰动情景B	55%／50%／60%／55%	9.075%	4.05%
扰动情景C	65%／60%／70%／65%	17.745%	1.47%

上表都暂按四轴独立计算。对称基线只展示“每端各半且独立”的计算后果，不主张真实人群等分。B和C各把A的四个输入同时下调或上调5个百分点；这些变化幅度同样是人为选择的检查条件。

只保持四轴输入比例不变，也不足以固定答案。例如，A假设“谋且饰”占全部模型对象的33%；另一种关系设定可以让它占40%，同时仍维持谋55%、饰60%的边际比例。在其他条件不变时，掮客便从12.87%变为15.60%。两者都是可计算的情景，我们没有数据判断哪一种更接近现实。

这些结果说明模型对输入比例和轴间关系都很敏感。这里的变化范围是假设变化带来的计算范围，不是真实占比的误差范围，也不是95%置信区间。

它和我的测评匹配占比有什么关系？

你可能在结果中看到几类百分数，它们回答不同的问题：

数字	表达的含义
四轴倾向读数	本次回答在某一条轴上的相对倾向
角色匹配占比	本次回答按固定组合规则与各人物的相对贴合份额
人群占比（模型估算）	给定分布假设后，某类型在模型中的份额

人群占比估算不从某一个人的匹配分数换算。采用同一情景版本时，同一类型对应相同的模型份额。它不表示你属于该型的概率，也不表示测评准确率。

继续作答可能更新你的推荐类型，因此你正在查看的类型及其模型估算数字可能改变；这不表示人群分布随你的答案发生变化。

哪些部分有依据，哪些部分仍是判断？

部分	当前状态
四条轴的含义、类型名称与映射	来自本项目公开的分类定义
60%、55%、65%、60%这组输入	本页的人为示范假设，没有实测依据
四轴相互独立	为示范选择的简化假设，尚未验证
连乘公式、16型数值及合计	可复算的数学结果
真实人口比例、不同群体差异及模型误差	目前未知

黑暗人格研究可以帮助讨论相关概念。例如，D因子研究讨论的是多种黑暗倾向的共同核心。对照其定义与本项目的四轴定义，不能直接将D因子的统计结果换算为本项目16型的比例。研究团队的定义与论文索引

目前也没有完成从其他人格量表或公开调查数据到本项目四轴的对应验证。本页没有把其他测试的类型分布、职业数量或临床诊断比例作为16型的数值来源。

如果以后有网站用户数据，会怎样处理？

网站自然积累的测评结果，可以用于描述“本版本完成测评的结果中，各型分别占多少”。它们是否代表其他人群，还取决于用户来源和统计方法。自愿参与的线上样本需要交代样本来源及推断条件，人数增加不会自动保证人口代表性。AAPOR调查研究方法说明

如果以后公布这类数据，应另外标为「本站测评结果分布」，说明时间范围、题目与计分版本、基础或完整阶段、统计单位及重复作答处理，并交代未形成唯一类型的结果。仅能识别提交次数时，就报告结果记录数，不把它称为独立人数。

真实结果统计与假设模型各自保留来源。本页的发布不意味着已经收集、验证或计划新增收集用户的逐题答案。

如何追溯和更新？

每一组公开数值应能查到输入比例、轴间关系、分母、计算规则和日期。更换输入或关系假设时，应保留旧版与变化原因；结果页中的数字应链接到产生它的那一版说明。

日期	版本	记录
2026-09-07	内容0.1.0／示范情景 `type-share-scenario-0.1`	首次整理公开说明；收录四轴假设、16型示范表及敏感性演示；真实人群比例仍未知

公开假设让数字可以被理解、检查和讨论。估算与现实的距离，仍需要相应证据才能判断。