大型语言模型作为判断器在理论无关的自适应度量对齐原型网络用于人格识别

# 大语言模型作为理论无关自适应度量对齐中的裁判用于原型网络在人格识别中的应用

来源: https://arxiv.org/html/2607.08374

Jing Jie Tan¹, Ban\-Hoe Kwan¹, Danny Wee\-Kiat Ng¹, Yan\-Chai Hum¹, Shih\-Yu Lo², Po\-An Chen³, Noriyuki Kawarazaki⁴, Kosuke Takano⁴, Anissa Mokraoui⁵

电子邮箱: tanjingjie@1utar\.my, \{kwanbh, ngwk, humyc\}@utar\.edu\.my,\{shihyulo, poanchen\}@nycu\.edu\.tw,\{kawara@rm, takano@ic\}\.kanagawa\-it\.ac\.jp, anissa\.mokraoui@univ\-paris13\.fr

###### 摘要

人格识别传统上受到理论依赖公式的限制，模型被训练来拟合预定义的心理分类体系，而非发现共享的潜在行为结构。这限制了泛化能力，因为人格本身更适合被理解为理论不变性，它源于稳定的心理模式，这些模式应在不同框架中一致显现，而现有标注仅反映了相同潜在特质的部分且有时不一致的视图。在这项工作中，我们引入JAM（\(J\)udge for \(A\)daptive \(M\)etric\-Alignment，自适应度量对齐裁判），一个理论无关框架，将学习从适应预定义人格理论转变为发现统一的潜在“伪层面”，以捕捉共享的心理结构。该框架在训练或推理过程中不将模型约束于任何人格分类体系，而是学习可泛化的心理表征，并能直接从文本样本中推断个体的潜在心理轮廓，无需理论特定标签。JAM通过注意力池化图原型网络实现这一点，该网络在嵌入空间中通过聚类学习结构化表征，并结合跨理论协调（CTH）方法，整合(i)人工引导链接和(ii)机器诱导共识，以统一异构数据集，而无需依赖预定义标签。为了进一步提高鲁棒性和数据质量，我们引入了两种配置的LLM-as-a-Judge机制：(i)循环前LLM和(ii)循环中LLM，用于识别模糊、错误标注和边界样本，以指导自适应度量学习。在Essays和Kaggle人格数据集上的实验表明，JAM提高了跨框架泛化能力和性能，为理论无关的人格推断奠定了坚实基础，并支持低资源人格理论。相关代码仓库、模型权重和工件可在https://research.jingjietan.com/JAM获取。

## 一、引言

人格识别变得越来越重要，尤其在推荐系统中[11](https://arxiv.org/html/2607.08374#bib.bib2)。通过理解用户人格，这些系统可以提供个性化建议，提高用户满意度和信任度。理解用户人格对于提供卓越用户体验至关重要，因此这是一个重要的研究领域[2](https://arxiv.org/html/2607.08374#bib.bib10)。通过将交互和推荐定制到个体人格特质，AI系统和机器人可以实现更高水平的个性化，从而增加用户满意度和信任度[24](https://arxiv.org/html/2607.08374#bib.bib5)。此外，将人格特质融入推荐算法有助于解决冷启动和数据稀疏等问题，产生更准确且以用户为中心的推荐[31](https://arxiv.org/html/2607.08374#bib.bib3), [12](https://arxiv.org/html/2607.08374#bib.bib4)。同时，这种方法可以通过为所做出的推荐提供更清晰的解释，贡献于可解释AI。尽管取得了这些进展，当前的人格识别模型仍然受到一些根本性限制的约束。大多数方法围绕特定的心理学理论构建，例如大五人格或MBTI，限制了它们在数据集和文化背景间的泛化能力。这种依赖性因大规模标注数据的稀缺而进一步加剧。广泛使用的myPersonality数据集[41](https://arxiv.org/html/2607.08374#bib.bib64)，最初包含数百万用户的数据，因隐私问题被**停用**，只留下相对较小的公开数据集。此外，现有方法将人格识别视为静态分类任务，未能利用心理学洞察，限制了其可泛化性。这些限制推动了一个**理论无关框架**的提出，该框架在训练和推理过程中消除了对预定义人格分类体系的依赖。模型不是学习理论特定表征，而是发现捕捉异构数据源间潜在心理结构的潜在**伪层面**。在推理时，模型直接从行为或文本样本中推断个体的潜在心理轮廓，而无需理论特定标签或遵循特定人格框架。这种设计使得整合异构数据集成为可能，同时提高了跨现有理论的人格泛化能力。

### 1-A 贡献

在本研究中，我们做出以下关键贡献：

1. 1.我们采用基于心理学的方法论，整合不同人格理论下构建的数据集，并通过人工引导链接使模型泛化，支持低资源人格理论。
2. 2.我们通过引入机器诱导共识进行伪层面构建，增强原型网络，改善跨理论协调并缓解类别不平衡，从而提升性能。
3. 3.我们研究了LLM-as-a-Judge机制，评估其在预学习阶段（循环前LLM）与学习过程内（循环中LLM）用于过滤模糊或嘈杂人格相关文本样本时的比较效果。

## 二、文献综述

### 2-A 人格理论

近期研究表明，人类通过语言使用表达人格，这为人格识别提供了丰富的数据来源[34](https://arxiv.org/html/2607.08374#bib.bib20),[9](https://arxiv.org/html/2607.08374#bib.bib21),[23](https://arxiv.org/html/2607.08374#bib.bib22),[1](https://arxiv.org/html/2607.08374#bib.bib24)。社交媒体的兴起提供了丰富的数据源，可以理解特定个体如何通过在线活动留下人格足迹[34](https://arxiv.org/html/2607.08374#bib.bib20)。这为从这种间接背景数据中提取人格信息创造了重大机会，这对于初始化新机器人或应用中的人格感知功能特别有益。主要有两种类型的评估来测量、量化和分类人格特质[40](https://arxiv.org/html/2607.08374#bib.bib28),[37](https://arxiv.org/html/2607.08374#bib.bib29]：

- •自我报告测试：这些测试要求被试理解提供的陈述，并评估它们描述自己的程度。结果可以定量标准化，确保高信度和效度[51](https://arxiv.org/html/2607.08374#bib.bib27)。
- •投射测试：这些测试要求被试对场景、情景或物体提供他们的解读[28](https://arxiv.org/html/2607.08374#bib.bib30)。这种测试考虑多个方面，如语气、信息或肢体语言，使其更能处理潜在问题，如被试对问题的误解或不诚实[47](https://arxiv.org/html/2607.08374#bib.bib26)。

已经提出了各种人格理论，使用不同的维度集合来建模人格[36](https://arxiv.org/html/2607.08374#bib.bib18),[8](https://arxiv.org/html/2607.08374#bib.bib19)。例如，Myers–Briggs Type Indicator（MBTI），有时根据四个二分法来描述，将人格按配对偏好分类[29](https://arxiv.org/html/2607.08374#bib.bib11),[13](https://arxiv.org/html/2607.08374#bib.bib14)。大五框架（OCEAN）定义了五个广泛特质：开放性、尽责性、外向性、宜人性和神经质[14](https://arxiv.org/html/2607.08374#bib.bib12),[26](https://arxiv.org/html/2607.08374#bib.bib17)。HEXACO模型通过添加诚实-谦逊到情绪性、外向性、宜人性、尽责性和开放性上扩展了这一结构[3](https://arxiv.org/html/2607.08374#bib.bib15),[52](https://arxiv.org/html/2607.08374#bib.bib16)。表I（https://arxiv.org/html/2607.08374#S2.T1）总结了这三个主要框架之间的对应关系，提供了它们维度的一般比较。基本上，层面通常被视为共同定义更广泛人格维度或特质的较低层次构念或描述。它们通过捕捉每个维度内的特定行为和心理学倾向，提供了更细粒度的人格表征。术语可以概括为图1（https://arxiv.org/html/2607.08374#S2.F1）。

**表I：映射三个主要人格框架的维度：大五、MBTI和HEXACO。**
| 符号 | 大五 | MBTI | HEXACO | 一般描述 |
|------|------|------|--------|----------|
| O | 开放性（O） | 感觉（S）-直觉（N） | 开放性（O） | 创造力、好奇心、新奇性 |
| C | 尽责性（C） | 感知者（P）-判断者（J） | 尽责性（C） | 组织、责任、纪律 |
| E | 外向性（E） | 内向（I）-外向（E） | 外向性（X） | 社交性、精力、自信 |
| A | 宜人性（A） | 思考者（T）-情感者（F） | 宜人性（A） | 同理心、善良、合作 |
| N | 神经质（N） | - | 情绪性（E） | 敏感性、焦虑、敌意 |
| H | - | - | 诚实-谦逊（H） | 真诚、公平、谦虚 |
注意：呈现的对应关系作为参考点，将这些理论对齐到广泛认可的大五框架。这种对齐支持评估模型跨不同人格理论的性能，促进比较分析和对它们独特特征的更深入洞察。

**图1：人格评估模型的关系、术语和理论结构概述，说明理论如何定义维度、特质、层面和人格类型。**

这些映射应谨慎解读：它们反映的是部分概念重叠而非等价。例如，大五的开放性包括好奇心和偏好新奇等层面，而MBTI的感觉-直觉维度区分了具体的、注重细节的感知与抽象的、未来导向的思维。同样，相关构念在不同框架中的分布也不同；大五神经质中的情绪反应性与MBTI思考-情感维度的对应关系较为松散，后者主要反映决策风格而非情感稳定性。这突显了一个**局限**：人格模型是**人类构建的抽象概念**，而非直接可观察的客观类别。因此，它们在机器学习中的使用可能会引入**系统性噪声和不一致性**，尤其是在研究之间定义不同的层面水平。在实践中，可用的数据集很少能提供足够细粒度和一致标注的信号来支持可靠的自下而上的学习稳定心理成分，这不仅是因为标注成本，还因为人格本质上是复合且依赖上下文的。据我们所知，没有先前工作直接解决了心理学定义的特质层级与其在数据驱动环境中的操作化之间的这种不匹配，或提出了缓解由此产生的标签歧义的有效策略。

### 2-B 相关算法

人格识别随着自然语言处理和表征学习的发展而演进[42](https://arxiv.org/html/2607.08374#bib.bib60)。早期研究主要集中在开发任务特定模型，用于预测由特定框架（如大五或MBTI）定义的人格标签。随着语言模型越来越能够捕捉语义和上下文信息，研究人员开始采用预训练Transformer架构作为人格相关任务的通用表征。最近，大语言模型使得基于提示的推理成为可能，减少了对框架特定训练过程的依赖，并扩展了跨不同理论公式迁移人格知识的可能性。为了将这些发展置于上下文中，本节首先回顾现代人格识别背后的语言模型基础，包括(i)句子Transformer语言模型（仅编码器模型）和(ii)自回归Transformer大语言模型（仅解码器模型）。接着调查基于这些表征的(iii)先前人格识别方法，然后是(iv)近期越来越支持灵活人格推断的生成式方法。这些发展共同为研究超越单一预定义人格理论的人格识别提供了基础。

#### 2-B1 句子Transformer语言模型（仅编码器模型）

这些模型在大型文本语料库上训练，使它们能够捕捉复杂的语言模式和关系[50](https://arxiv.org/html/2607.08374#bib.bib35),[39](https://arxiv.org/html/2607.08374#bib.bib36),[30](https://arxiv.org/html/2607.08374#bib.bib37),[6](https://arxiv.org/html/2607.08374#bib.bib38),[16](https://arxiv.org/html/2607.08374#bib.bib39)]。产生的嵌入表示输入文本的语义含义，促进下游任务如文本分类、聚类和相似性分析。MiniLM[50](https://arxiv.org/html/2607.08374#bib.bib35)通过深度自注意力蒸馏压缩大型Transformer模型，其中一个小学生模型模仿教师最后一层的自注意力。它在SQuAD 2.0和GLUE基准上保留了超过99%的准确率，同时将Transformer参数和计算量减少50%。此外，MPNet[39](https://arxiv.org/html/2607.08374#bib.bib36)整合了排列语言建模（PLM）和辅助位置信息，改善了依赖建模并减少了位置差异。它在GLUE和SQuAD上超越了BERT、XLNet和RoBERTa。此外，Sentence-T5[30](https://arxiv.org/html/2607.08374#bib.bib37)探索了来自T5模型的句子嵌入，引入了一种仅编码器的方法，在STS任务中优于Sentence-BERT和SimCSE。将T5扩展到数十亿参数进一步提升了性能，为句子嵌入设立了新的最先进结果。鉴于这些模型的效率和强大的语义表征能力，我们选择了一个相对轻量但有效的仅编码器模型，专门针对人格领域进行定制，确保在平衡计算效率的同时实现最优性能。

#### 2-B2 自回归Transformer大语言模型（仅解码器模型）

生成式预训练Transformer 3（GPT-3）是第一个通过其少样本学习能力在自然语言理解（NLU）方面展示效果的方法，这得益于诸如思维链（CoT）提示等技术。这个仅解码器模型家族在情感检测、情感分析和人格识别等任务中增强了推理、连贯性和适应性[46](https://arxiv.org/html/2607.08374#bib.bib47),[38](https