第6章: 適性検査・ワークサンプル — SPI3から海外ツールまで

適性検査とワークサンプルの位置づけ

第2〜4章で構造化面接（行動面接・状況面接・コンピテンシーBEI）、第5章で評価センター法を扱いました。 本章ではこれらに加える「第3の選考軸」——適性検査とワークサンプルを扱います。

2つの手法は性格が異なります。

• 適性検査（Assessment Tests）: 認知能力・パーソナリティ・価値観などを 標準化された心理測定ツールで数値化する。大量スクリーニングに向く。
• ワークサンプル（Work Sample Tests）: 実際の仕事そのものを切り取って課題として実施する。 「仕事ができるかどうか」を直接観察する。

Sackett et al.（2022）の修正後妥当性マップ（第1章参照）では次の値が示されています。

構造化面接（r=.42）に並ぶ高い予測妥当性を持つ手法群です。 これらを組み合わせることで、選考の合成予測妥当性をさらに高められます。

認知能力テスト（GMAテスト）の概要

GMA（General Mental Ability / 一般認知能力）とは、言語・数理・空間・推理など 複数の認知能力を統合した「知的処理能力の総合指標」です。 第1章で確認したように、Sackett（2022）の修正後でも r=.31 の予測妥当性を持ち、 単独でも有力な選考手法です。

なぜGMAは職務パフォーマンスを予測できるのでしょうか。最も支持されているモデルは「学習能力説」です——認知能力が高い人は新しい知識・スキルをより速く習得し、 複雑な問題解決を効率的に行えるため、幅広い職種でパフォーマンスが高い、という説明です。

日本市場では、以下のテストが主に使われています。

海外では Criteria Cognitive Aptitude Test（CCAT）、Wonderlic、Google の gHire などが広く使われています。 これらは日本のSPI3より「純粋なGMA測定」に絞った設計が多く、カスタム職種適用がしやすい傾向があります。

SPI3の詳細と「対策問題」の罠

SPI3は大きく2つのパートで構成されます。

• 能力検査: 言語（同義語・反意語・語句の用法・文章読解）と 非言語（推論・数列・計算・資料解釈・確率・割合）の2領域
• 性格検査（Personality）: 心理学のBig Five（外向性・協調性・誠実性・情緒安定性・開放性）に近い構造で、 「行動的側面・意欲的側面・情緒的側面・社会関係的側面」を測定

新卒就活では「SPI3対策本」が毎年大量に出版されており、受験者の多くが事前学習を行います。 これは選考者にとって設計上の問題をはらんでいます。

また、玉手箱・TG-WEBのような自宅Web受験には代理受験・AI使用の懸念が常につきまとっています。 2026年時点では、テストセンター（監視下での受験）との併用や、 通過後に別途同種のテストを実施して「再確認」する企業も増えています。

パーソナリティ検査とBig Five

適性検査の第2軸がパーソナリティ検査です。 多くの適性検査（SPI3性格・OPQ・NEO-PI-R等）は、心理学の標準的人格モデルであるBig Five（OCEAN モデル）を基盤にしています。

誠実性（Conscientiousness）はBig Fiveの中で最も職種を横断して予測妥当性が高く、 r=.22 という値は Sackett（2022）後も変わりません。 これは「計画的に行動し、責任を持って課題に取り組む能力」が職務パフォーマンスと普遍的に相関するためと説明されています。

ワークサンプルテストの設計

ワークサンプルテストは、実際の職務の一部をそのまま切り取って候補者に実施させる選考手法です。 「現場で実際に何ができるか」を直接観察するため、他の手法とは異なる強みがあります。

• 高い表面妥当性（Face Validity）: 候補者が「仕事に直結している」と感じやすく、選考体験（Candidate Experience）が高い
• Adverse Impactが少ない: GMAテストは人種・性別間のスコア差（adverse impact）が出やすいが、 ワークサンプルはこの差が小さい傾向がある（Roth et al. 2005）
• 予測妥当性: r=.33（Sackett et al. 2022）

エンジニア採用でのワークサンプルは、次のような課題タイプが主流です。

AI時代のコーディング課題設計

2024〜2026年にかけて、コーディング課題の設計は根本的な見直しを迫られています。 GitHub Copilot・ChatGPT・Claude などの AIコーディングアシスタントが普及し、 LeetCodeスタイルの標準問題は「AIに解かせる」ことが容易になったためです。

従来の設計（「問題を解いて提出してください」）では、 候補者が AI を使ったかどうかを判別できなくなっています。 この状況で取り得る戦略は主に2つです——「AI使用禁止を徹底する」か「AI使用を前提にした設計に転換する」か。

AI時代のコーディング課題設計に向けた5つの原則を示します。

1. ① 過程重視——最終コードより「なぜそう設計したか」を問う
   コード提出後に「なぜこのデータ構造を選んだか」「トレードオフをどう判断したか」を 説明させる口頭フォローアップを必ず設ける。 AIが生成したコードを本当に理解しているかを確認できる。
2. ② AI使用を明示的に許可する
   「AIを使って解いてください。どのAIを使い、どうプロンプトを書き、 出力をどう修正したかも含めて説明してください」と課題文に明記する。 AI活用能力そのものを評価軸に加える。
3. ③ LeetCodeの定番問題を避ける
   Two Sum・FizzBuzz・バイナリサーチなど、AIトレーニングデータに大量含まれる問題は使わない。 AIが模範解答をそのまま出力できる問題は選考効力がゼロ。
4. ④ 自社ドメイン・架空コードベースをコンテキストとして付与する
   「当社の架空の在庫管理システム（コード添付）に機能追加してください」など、 架空の固有コンテキストを使うことでAI解答を非自明化できる。 同時に候補者の「文脈読解力」も測定できる。
5. ⑤ ライブデバッグで理解を確認する
   提出されたコードについてリアルタイムで質問する（「この部分を変えると何が壊れますか？」）。 AIが生成したコードを理解していない候補者は、ここで詰まる。

SJT（状況判断テスト）と日本での位置づけ

SJT（Situational Judgment Test / 状況判断テスト）は、 職場の具体的な状況を提示し、「最も適切な行動」「最も不適切な行動」を選ばせる測定手法です。 認知能力よりも職務判断力・組織内行動のプラグマティックな知識を測ります。

McDaniel et al.（2007）のメタ分析では予測妥当性 r=.26 が示されています。 GMAより低いものの、次の特性から有力な補完手法です。

• インターネット自宅受験との相性が良い: 「解き方を調べてもスコアが上がりにくい」設問設計ができる
• 大量一次スクリーニングに向く: 構造化面接（r=.42）より予測妥当性は低いが、コストが低く数千人規模で実施可能
• Adverse Impactが小さい: GMAテストと比べて人種・性別間のスコア差が出にくい傾向がある

日本でのSJTの実装例としては、TG-WEBの「構造的把握力」テストや、 一部の大手企業・コンサルが導入している「職場場面判断テスト」があります。 ただし欧米（特にLSAT・GMAT等が普及する北米）に比べると、日本市場での普及はまだ限定的です。

リファレンスチェック — 「最も使われていない手法」の復権

リファレンスチェックは予測妥当性 r=.26（Schmidt & Hunter 1998）と数値上では中程度ですが、構造化した実施方法に切り替えると r=.40 近くまで上昇するという研究があります。 それにもかかわらず、日本では長らく「やってもやらなくても同じ」という扱いで軽視されてきました。

外資系企業・スタートアップを中心に、構造化リファレンスチェックの実装が広がっています。 ポイントは次の3点です。

• ① 同じ質問を複数の回答者に行う: 元上司・元同僚・元部下など、最低2〜3名から聞くことで 1名による主観バイアスを平均化できる
• ② 行動描写質問（BBI形式）を使う: 「〇〇さんはどんな人ですか？」ではなく 「〇〇さんが困難なプロジェクトをリードした具体的なケースを教えてください。 その時どんな課題があり、どう対処しましたか？」と聞く
• ③ 構造化スコアリング: 回答を事前に定義したルーブリックで評価し、数値化する

選考ポートフォリオの設計

ここまで紹介してきた各手法を単独で使うより、複数を組み合わせた「選考ポートフォリオ」として設計することで、 合成予測妥当性を大幅に高められます。 各手法が「独立した異なる能力側面を測定している」場合、情報の重複が少なくなるためです。

flowchart TD
  A[ポジションのジョブ分析] --> B{職種は？}
  B -->|エンジニア職| C[一次: 書類審査\n+ 認知能力テスト/SPI3]
  B -->|営業職| D[一次: 書類審査\n+ SPI3 + パーソナリティ（外向性・誠実性）]
  B -->|管理職・マネジメント| E[一次: 書類審査\n+ 評価センター事前課題]
  C --> F[二次: コーディング課題\nワークサンプル r=.33]
  D --> G[二次: ロールプレイ / SJT]
  E --> H[二次: アセスメントセンター\nインバスケット+GD]
  F --> I[三次: 構造化面接\nBBI + SI\nr=.42]
  G --> I
  H --> I
  I --> J[最終: カルチャーフィット面接\n構造化SI・価値観確認]
  J --> K[リファレンスチェック\n構造化 r=.26〜.40]
  K --> L[採用判断]

  style A fill:#10b981,stroke:#059669,color:#fff
  style L fill:#10b981,stroke:#059669,color:#fff
  style C fill:#3b82f6,stroke:#1d4ed8,color:#fff
  style D fill:#3b82f6,stroke:#1d4ed8,color:#fff
  style E fill:#3b82f6,stroke:#1d4ed8,color:#fff
  style F fill:#8b5cf6,stroke:#6d28d9,color:#fff
  style G fill:#8b5cf6,stroke:#6d28d9,color:#fff
  style H fill:#8b5cf6,stroke:#6d28d9,color:#fff
  style I fill:#f97316,stroke:#ea580c,color:#fff
  style J fill:#f97316,stroke:#ea580c,color:#fff
  style K fill:#ec4899,stroke:#db2777,color:#fff

エンジニア採用の推奨ポートフォリオを具体的に示します。

これらが独立した情報を測定しているとき、合成予測妥当性は r = .60〜.65 程度に達します。 なお選考ステージを増やすことは候補者の負担にもなるため、 各ステージの目的と測定コンピテンシーを明確にした上で、「合格ラインを確認したら次のステージに進む」ゲーティング方式で設計することが重要です。 序盤に合格可能性の低い候補者を絞り込むことで、互いの時間コストを最適化できます。