PTEI：整合人格特质以增强大型语言模型的情商

# PTEI：整合人格特质以增强大型语言模型的情感智能

来源：https://arxiv.org/html/2607.10245  
Amir Reza Jafari, Praboda Rajapaksha（阿伯里斯特威斯大学计算机科学系，威尔士阿伯里斯特威斯），Reza Farahbakhsh（萨莫瓦尔，巴黎高等电信学院，巴黎理工学院，法国帕莱索），Noel Crespi（萨莫瓦尔，巴黎高等电信学院，巴黎理工学院，法国帕莱索）

###### 摘要。

尽管情感智能（EI）取得了进展，但大型语言模型（LLMs）在复杂情感推理方面仍显著落后于人类。这种差距部分源于对个体差异（尤其是人格特质）的有限纳入，而人格特质是人类情感推断的基础。为解决这一问题，我们提出了 PTEI，一种新颖的框架，用于将人格特质整合到使用 LLMs 的情感智能任务中。在 PTEI 中，首先直接从给定的情感场景中提取 MBTI 和 OCEAN 人格特质，然后将其作为个性化提示中的上下文知识，引导 LLMs 准确推断情感及其潜在原因。为了确保最佳的上下文基础，我们采用对比学习来构建一个优化的检索系统，该系统能够呈现情感和个人层面一致的情景，从而增强推理质量。在已建立的情感智能基准上进行的大量实验表明，PTEI 增强了各种 LLMs 在情感智能中的情感理解（EU）能力，其中 GPT 模型的改进最为显著，将 PTEI 与思维链（CoT）推理相结合，准确率额外提高了 4%。这些发现强调了 PTEI 在推动具有更复杂社交和心理基础的 AI 系统方面的贡献。

情感智能、情感检测与分析、语言建模、人格特质、社会科学、大型语言模型

## 1. 引言

参见图注 图 1. PTEI 对 LLMs 情感推理影响的示意图。(a) 一个情感模糊的场景，主角是 Jacob。(b) LLM 的任务：一个多项选择题，询问 Jacob 的情感及其潜在原因。(c) 为 Jacob 提取的人格特质信息。(d) 没有性格知识的基线 LLM 将 Jacob 的独处错误解释为悲伤。(e) 我们的 PTEI 框架正确地将情感推断为快乐，认识到 Jacob 内向和自立的人格使得独处时间在情感上是有益的，而非孤独。情感智能（EI），即感知、理解、调节和表达情感的能力，对于有效沟通、社交互动和决策至关重要 (Salovey and Mayer,1990 (https://arxiv.org/html/2607.10245#bib.bib1); Goleman,1996 (https://arxiv.org/html/2607.10245#bib.bib14); Hess and Bacigalupo,2011 (https://arxiv.org/html/2607.10245#bib.bib4))。随着大型语言模型（LLMs）越来越多地部署在面向人类的应用中，评估和改进其情感能力的兴趣日益增长 (Wanget al.,2023 (https://arxiv.org/html/2607.10245#bib.bib12))。虽然最近的研究表明，像 GPT-4 这样的模型可以在情感意识和理解等任务上表现良好 (Elyosephet al.,2023 (https://arxiv.org/html/2607.10245#bib.bib13))，但它们的能力仍然有限，尤其是在涉及隐含情感情境或主观解释的场景中 (Marufet al.,2024 (https://arxiv.org/html/2607.10245#bib.bib15))。这给自然语言处理（NLP）带来了持续的挑战：使 LLMs 能够在上下文中可靠地解释和推理人类情感。因此，增强 LLMs 的情感智能对于更自然、更有效的人机协作至关重要。

最近的情感智能基准，如 EQ-Bench (Paech,2023 (https://arxiv.org/html/2607.10245#bib.bib11)) 和 EmoBench (Sabouret al.,2024 (https://arxiv.org/html/2607.10245#bib.bib27))，为 LLMs 的情感智能提供了结构化评估，但它们仍然难以处理复杂方面，如情感推理、调节以及在模糊社交情境中的应用。虽然这些基准代表了向前迈出的重要一步，但一个关键限制是缺乏个人背景；它们忽略了诸如人格特质等个体特征，而这些特征已知会显著影响情感推断和行为 (Robinson and Clore,2002 (https://arxiv.org/html/2607.10245#bib.bib23); Sapet al.,2022 (https://arxiv.org/html/2607.10245#bib.bib28))。在心理学中，人格特质指的是思维、感受和行为模式中持久的个体差异，如特质理论所述 (McCrae and Costa,1997 (https://arxiv.org/html/2607.10245#bib.bib24))。这种差距反映了一个问题，即 LLMs 通常如何被提示或微调以用于情感理解（EU）等情感智能任务：目前大多数方法在操作时没有纳入足够的个人背景，并且倾向于将所有情感场景视为一刀切。因此，情感智能评估常常停留在表面水平，无法捕捉到现实世界情感理解所需的个性化、基于心理学的推理，如图 1 (https://arxiv.org/html/2607.10245#S1.F1) 所示。

长期以来，人格一直被认为是塑造情感感知和行为的关键因素 (McCrae and John,1992 (https://arxiv.org/html/2607.10245#bib.bib2); Myers,1987 (https://arxiv.org/html/2607.10245#bib.bib3))。在人类中，诸如开放性、神经质或外向性等特质的个体差异与情感如何被解释、调节和表达相关 (Izardet al.,1993 (https://arxiv.org/html/2607.10245#bib.bib19))。最近的研究表明，LLMs 可以在其响应中表现出一致且可测量的人格特质，并且这些特质可以被塑造并与期望的形象对齐 (Safdariet al.,2023 (https://arxiv.org/html/2607.10245#bib.bib16))。尽管从文本中进行人格预测的研究广泛存在 (Stajner and Yenikent,2020 (https://arxiv.org/html/2607.10245#bib.bib6); Mehtaet al.,2020 (https://arxiv.org/html/2607.10245#bib.bib7); Amirhosseini and Kazemian,2020 (https://arxiv.org/html/2607.10245#bib.bib9); Sorokovikovaet al.,2024 (https://arxiv.org/html/2607.10245#bib.bib8))，但大多数现有研究要么侧重于情感识别中的说话者特征 (Fuet al.,2025 (https://arxiv.org/html/2607.10245#bib.bib29))，要么依赖于单一框架（例如 OCEAN (McCrae and John,1992 (https://arxiv.org/html/2607.10245#bib.bib2))，MBTI (Myers,1987 (https://arxiv.org/html/2607.10245#bib.bib3))）在狭窄的设置中探索人格与情感的互动，并且很少将情感智能作为一个更广泛的结构来研究 (Wanget al.,2024 (https://arxiv.org/html/2607.10245#bib.bib30))。因此，人格特质在增强 LLMs 情感智能中的作用在很大程度上仍未得到充分探索。

本文提出了 PTEI（情感智能中的人格特质），一种新颖的框架，系统性地整合 OCEAN 和 MBTI 人格特质以增强 LLMs 的情感智能。PTEI 直接从文本场景中提取个体人格特质，并通过个性化提示利用这些信息来改进情感和原因预测。此外，PTEI 采用基于对比学习的嵌入方法和检索机制，以识别情感和个性化相似的情景，这有助于在心理对齐的示例中奠定模型的推理基础，并提高其上下文敏感性。我们的方法专门针对隐含和模糊的情感场景，显著提高了 LLMs 在情感智能任务中的能力，并促进了更基于心理学的推理策略。

总之，我们的贡献如下：

- • 我们提出了 PTEI，第一个利用 MBTI 和 OCEAN 人格特质完成 LLMs 情感理解任务的综合框架，同时解决了特质的类型理论和特征理论。
- • 我们设计了一个高效的人格检测模块，利用结构化少样本提示来推断 MBTI 和 OCEAN 特质，并将这些知识纳入定制提示中，用于情感和原因预测。
- • 我们构建了一个合成记忆库，其中包含与情感智能基准相似的情感理解场景，并用细粒度的人格注释进行了丰富。我们还引入了一个人格感知的对比学习（CL）目标，以结构化场景嵌入空间，从而更有效地检索情感和个性对齐的示例，以支持我们少样本设置中的上下文推理。
- • 我们证明，通过少样本和思维链（CoT）提示整合人格特质可以增强 LLMs 的情感智能，一致优于人格无关的基线，并显著缩小了在具有挑战性的情感智能基准上与人类水平推理的性能差距。

## 2. 相关工作

### 2.1. 基于人格的方法

从心理学角度分析人格特质在理解和预测人类行为与情感方面起着至关重要的作用。在各种模型中，大五人格框架（称为 OCEAN），包括开放性、尽责性、外向性、宜人性和神经质 (McCrae and John,1992 (https://arxiv.org/html/2607.10245#bib.bib2))，以及迈尔斯-布里格斯类型指标（MBTI），基于四个类别：内向与外向、感觉与直觉、思考与情感、判断与感知 (Myers,1987 (https://arxiv.org/html/2607.10245#bib.bib3))，是两种最广泛使用的描述个体人格特征的方法。

从文本中预测人格已成为 NLP 中的一个突出任务 (Stajner and Yenikent,2020 (https://arxiv.org/html/2607.10245#bib.bib6); Mehtaet al.,2020 (https://arxiv.org/html/2607.10245#bib.bib7); Amirhosseini and Kazemian,2020 (https://arxiv.org/html/2607.10245#bib.bib9))。大量研究集中在利用 LLMs 增强人类生成文本中人格特质的检测 (Sorokovikovaet al.,2024 (https://arxiv.org/html/2607.10245#bib.bib8))。例如，PADO (Yeoet al.,2025 (https://arxiv.org/html/2607.10245#bib.bib31)) 引入了人格诱导的智能体，通过使用 GPT-4o 和 LLaMA3-8B 来估计 OCEAN 特质水平。类似地，PsyCoT (Yanget al.,2023 (https://arxiv.org/html/2607.10245#bib.bib32)) 使用 LLMs 作为 AI 助手，利用基于特制问卷的 CoT 方法来促进人格推断。除了识别人格特质，理解它们与其他认知功能（如情感处理）的相互作用至关重要，这是我们工作的核心。

情感特征已被证明可以增强 LLMs 中的人格预测性能 (Liet al.,2025 (https://arxiv.org/html/2607.10245#bib.bib33),2022 (https://arxiv.org/html/2607.10245#bib.bib10))，而人格特质本身也是情感识别的有价值特征，特别是在对话场景中；LaERC-S (Fuet al.,2025 (https://arxiv.org/html/2607.10245#bib.bib29)) 利用说话者特征来改进对话中的情感预测，ERC-DP (Wanget al.,2024 (https://arxiv.org/html/2607.10245#bib.bib30)) 提出了一种动态人格检测模块，从对话中提取说话者的 OCEAN 特质，而不是假设静态特质，从而改进了对话情感识别。

虽然先前的工作探索了情感与人格之间的相互作用，并且通常侧重于 OCEAN 或 MBTI 中的某一个，但我们研究了它们在识别隐含情感表达时的综合影响，通过更全面的心理特征实现更细致的情感推断。

参见图注

图 2. PTEI 系统架构。首先，人格检测模块为记忆库和测试场景提取人格特质。然后，记忆库场景被编码并用于对比学习设置，以生成对比嵌入库[蓝色箭头]。对于每个测试用例，其编码表示用于从对比嵌入中检索相似场景[绿色箭头]。最后，测试场景与其人格特质以及检索到的示例相结合，以评估 PTEI 的框架[黄色箭头]。
### 2.2. 情感智能（EI）

情感智能，即识别、理解和调节情感的能力，是心理学和社会计算中的关键 (Salovey and Mayer,1990 (https://arxiv.org/html/2607.10245#bib.bib1))。随着 LLMs 进入情感敏感领域，情感智能在 AI 中变得日益重要。早期工作 (Schuller and Schuller,2018 (https://arxiv.org/html/2607.10245#bib.bib18)) 将情感识别、生成和增强确定为人工情感智能（AEI）的支柱。

LLMs 在实际领域的情感相关任务上取得了高性能，例如使用 CoT 提示进行情感-原因对提取 (Wuet al.,2024 (https://arxiv.org/html/2607.10245#bib.bib17))，以及通过显式策略建模进行情感支持性对话生成 (Wanet al.,2025 (https://arxiv.org/html/2607.10245#bib.bib34))。尽管取得了这些有希望的结果，但对 LLMs 情感推理的严格评估仍然有限。最近的情感智能基准，如 EmoBench (Sabouret al.,2024 (https://arxiv.org/html/2607.10245#bib.bib27)) 和 EQ-Bench (Paech,2023 (https://arxiv.org/html/2607.10245#bib.bib11))，旨在评估更深入的情感智能能力，如情感理解、管理和社会推理，因此这些基准显示 LLMs 在情感智能任务上落后于人类。

然而，现有的情感智能基准和系统通常将情感智能视为一种通用技能，忽略了塑造情感反应的个体层面因素。人格特质，如 OCEAN 和 MBTI 所定义的，在情感如何被感知、解释和表达中至关重要，但在当前基于 LLMs 的情感智能评估中仍未得到充分利用。我们通过引入一个个性化框架来解决这一差距，该框架促进更个性化和基于心理的情感推理。为了增强上下文基础，我们采用对比学习来构建一个检索系统，该系统能够呈现情感和个人层面一致的情景。

## 3. 方法论

### 3.1. 问题定义

给定一个情感理解场景数据集 S = {s1, s2, ..., sN}，每个场景 si 是一个自然语言描述，涉及一个主体 ai，该主体在特定情境中体验一种或多种情感。任务是推断出对 (ê_i, r̂_i) ∈ E × R，其中 ê_i 表示从预定义情感类别集合 E（例如，感激、焦虑、沮丧）中预测的情感标签，r̂_i 表示相应的预测原因或触发因素。每个场景还被分配一个类别标签 ci ∈ C，指定解释所需的推理类型。

我们的关键创新在于基于人格特质进行推理。目标是学习一个函数 f_EI，其中 P(si, ai) = (Mi, Oi) 表示场景 si 中主体 ai 的人格特征，Mi 是 MBTI 类型，Oi 是 OCEAN 特征。

(1) f_EI: (si, ai, P(ai)) ↦ (ê_i, r̂_i)  
函数 f_EI 通过上下文感知和人格信息推理，将场景 si 及其主体 ai 和相关的主体人格特征 P(ai) 映射到对应的情感-原因对。

### 3.2. 架构概述

图 2 (https://arxiv.org/html/2607.10245#S2.F2) 展示了整体架构