Predicting Relationship Labels and Individual Personality Traits from Telecommunication History in Social Networks using Hawkes Processes
手机包含了大量的私人信息,所以我们试图保护它们的安全。我们提供了大量的证据表明,个人的心理概况和他们与同龄人的关系可以预测从看似匿名的通信痕迹-电话和短信日志,服务提供商例行收集。基于两个广泛的纵向研究,包括900多名大学生,我们使用点过程模型来描述通信模式。我们自动预测同伴关系类型和时间动态,并评估用户个性的基础上建模。对于某些人格特质,结果与从调查自我报告数据中获得的黄金标准表现相当。研究结果说明了如何信息通常居住在个人的控制之外,可以用来重建敏感信息。
2023-01-25 cs.CY cs.SI
Personality Traits and Echo Chambers on Facebook
IUSS Institute for Advanced Study(IUSS高等研究院);IMT Institute for Advanced Studies(IMT高等研究院)
在在线社交网络中,用户倾向于选择与他们的信仰体系相一致的信息,并形成由志同道合的人组成的两极分化的群体。极化及其对在线社交互动的影响已经得到了广泛的研究。尽管如此,群体形成和人格特征之间的关系仍然不清楚。更好地了解在线社会动态的认知和心理决定因素可能有助于设计更有效的沟通策略,并挑战数字错误信息的威胁。在这项工作中,我们专注于用户评论美国Facebook页面发布的支持科学和阴谋般的叙述的帖子,我们根据他们的在线行为对这些用户的个性特征进行分类。我们发现,不同的和冲突的社区由显示出相似心理特征的用户组成,并且主导人格模型在科学和阴谋回音室中是相同的。此外,我们观察到,回声室内的持久性稍微塑造用户的心理概况。我们的研究结果表明,个人的特定人格特质的存在导致他们相当大的参与,在虚拟回声室内支持叙事。
2016-06-15 cs.CL cs.CY cs.HC
Twitter adoption, students perceptions, Big Five personality traits and learning outcome: Lessons learned from 3 case studies
这项研究提出了在教育过程中引入Twitter的结果。它通过一系列组织良好的活动来考察工具的使用与参与者学习结果的关系。在两门学术课程的背景下进行了三项研究。参加Twitter活动是学生自愿的。在所有3项研究中,参与该过程的学生的实验成绩高于未参与的学生。在一项研究中,学生的责任心和经验开放性与他们的活动有关。然而,学生的人格特质和他们的成绩之间没有关系。此外,学生在活动中的干预措施进行检查,以及他们对社会媒体使用在学习中的态度的变化。进行的研究的影响进行了广泛的讨论,并与其他相关研究的比较。
2017-06-17 cs.CY
The Impact of Big Five Personality Traits on AI Agent Decision-Making in Public Spaces: A Social Simulation Study
University of Science and Technology of China(中国科学技术大学)
本研究基于AgentVerse框架与GPT-3.5-turbo开展社会仿真,探究大五人格特质对公共空间中AI智能体决策的影响,发现不同人格特质与决策模式显著相关,且公开表达与私人想法存在差异,为开发情境感知的AI系统提供参考。
2025-01-15 cs.AI cs.CY cs.HC
Personality-Enhanced Social Recommendations in SAMI: Exploring the Role of Personality Detection in Matchmaking
Georgia Institute of Technology(佐治亚理工学院)
本文提出利用GPT零样本能力推断大五人格特质,整合至SAMI社交推荐系统,探索人格检测对社交匹配的影响。
2026-01-06 cs.CL cs.CY cs.HC
Deep Inference of Personality Traits by Integrating Image and Word Use in Social Networks
社交媒体作为沟通和信息交流的主要平台,是23亿用户对广泛主题的意见和情感的丰富储存库。然而,为了理解某些社交用户的需求和文化驱动的兴趣,每天在公共档案中上传的18亿张图片中嵌入的知识刚刚开始被利用,因为这个过程通常是基于文本的。根据这种基于视觉的社会分析趋势,我们提出了一种基于深度学习的新方法,以构建一个基于图像和文本的人格特质模型,该模型使用与特定人格特质高度相关的图像和单词进行训练。因此,这里的关键贡献是探索OCEAN人格特质建模是否可以基于图像来解决,这里称为\emph{Mind{P}ics},出现某些具有心理见解的标签。我们发现,这些发布的图像及其附带的文本之间存在相关性,可以使用深度神经网络成功地进行人格估计。实验结果与以往基于文本或图像的网络心理学研究结果一致。此外,对一些特征的分类结果表明,一些模式出现在一个特定的文本,在本质上是那些代表一个抽象的概念的图像集。这些结果为在心理学专家的监督下进一步完善拟议的人格模型开辟了新的研究途径。
2018-02-06 cs.CL cs.CV cs.CY
Editing Personality for Large Language Models
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
本文提出大语言模型性格编辑任务,构建 PersonalityEdit 基准数据集,基于社会心理学选取神经质、外向性和宜人性三种特质,通过 GPT-4 生成数据并进行多基线实验,揭示该任务面临的挑战。
2024-09-01 cs.AI cs.CL cs.CY
Personality Assessment from Text for Machine Commonsense Reasoning
Washington State University(华盛顿州立大学);University of Idaho(爱达荷大学)
本文介绍了PerSense,一个框架来估计人类的个性特征的基础上表达的文本,并使用它们的常识推理分析。人格评估方法包括聚合概率密度函数(PDF)和机器学习(ML)模型。我们的目标是证明在人格特质数据上使用机器学习算法来预测人类对开放式常识问题的反应的可行性。我们通过进行一项专注于神经质的实验来评估PerSense算法在人格评估中的表现,神经质是一种重要的人格特质,通过从具有不同神经质分数的不同人群中收集数据来进行心理健康分析和自杀预防。我们的分析表明,该算法实现了与地面实况数据相当的结果。具体来说,当置信因子(第一次猜测概率与第二次猜测概率的对数比)大于3时,PDF方法达到97%的准确度。此外,ML方法获得了最高的准确率,82.2%,与多层感知器分类器。为了评估常识推理分析的可行性,我们训练ML算法来预测对常识问题的回答。我们对300名参与者收集的数据进行的分析表明,PerSense使用随机森林分类器预测常识问题的答案的准确率为82.3%。
2020-04-15 cs.CY cs.LG stat.ML
The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs
Caltech(加州理工学院);UIUC(伊利诺伊大学);University of Cambridge(剑桥大学)
该研究系统探究大语言模型的人格特征,发现指令对齐可稳定特质表达但自我报告的人格无法可靠预测行为,人格注入仅影响自我报告难改变实际行为,挑战了LLM人格相关假设,强调需深化对齐与可解释性评估。
2025-09-05 cs.AI cs.CL cs.CY
Dark Personality Traits and Online Toxicity: Linking Self-Reports to Reddit Activity
Institute of Informatics and Telematics, National Research Council(国家研究委员会信息与电信研究所);University of Pisa(比萨大学);University of Foggia(福贾大学);San Raffaele Telematic University(圣拉斐尔远程大学)
研究探讨了黑暗人格特质与在线行为之间的关系,发现自我报告的不文明互动与黑暗人格特质相关,但计算特征无法可靠预测人格特质。
2026-07-20 cs.CY cs.HC
Personality Traits in Large Language Models
Google DeepMind(谷歌DeepMind);University of Cambridge(剑桥大学);Keio University(庆应义塾大学);University of California, Berkeley(加州大学伯克利分校)
本文提出一种心理测量学上有效可靠的方法,用于在18个大型语言模型上测量、验证并塑造合成个性,发现较大且经指令微调的模型个性信效度更强,并探讨了其对负责任AI的伦理意义。
2025-03-11 cs.AI cs.CL cs.CY
Can Large Language Models Understand You Better? An MBTI Personality Detection Dataset Aligned with Population Traits
Harbin Institute of Technology(哈尔滨工业大学);Central South University(中南大学)
本文构建了首个带软标签的MBTI人格检测数据集MBTIBench,解决错误标注并反映人群特质分布,验证了软标签优于硬标签,并揭示了LLM的极化预测问题。
2024-12-17 cs.CL cs.CY
Can LLMs Infer Conversational Agent Users' Personality Traits from Chat History?
ETH Zurich, Switzerland(苏黎世联邦理工学院,瑞士)
研究探讨了大语言模型能否从用户与对话代理的交互中推断出人格特质,通过分析ChatGPT日志数据,发现模型在多个案例中能以高于随机水平的准确率推断出性格特质,揭示了与对话代理交互带来的隐私风险。
2026-03-31 cs.AI cs.CL cs.CR
Influence of Personality Traits on Plagiarism Through Collusion in Programming Assignments
基于印度高校105名学生的AI课程数据,研究发现学术诚信教育和荣誉承诺未能显著降低编程作业中的代码抄袭,且大五人格中外向性与抄袭倾向正相关、尽责性负相关,可用舞弊三角模型解释。
2024-06-29 cs.CY
Phishing, Personality Traits and Facebook
网络钓鱼攻击已成为对在线用户的日益严重的威胁。最近的研究已经开始关注导致人们对它们做出反应的因素。我们的研究探讨了大五人格特质和电子邮件钓鱼反应之间的相关性。我们还研究了这些因素如何影响用户在Facebook上的行为,包括发布个人信息和选择Facebook隐私设置。我们的研究表明,当使用奖品钓鱼电子邮件时,我们发现性别和对钓鱼电子邮件的响应之间存在很强的相关性。此外,我们发现,神经质是最相关的因素,以回应这封电子邮件。我们的研究还发现,在开放性因素上得分高的人往往在Facebook上发布更多信息,并且隐私设置不太严格,这可能导致他们容易受到隐私攻击。此外,我们的工作检测到参与者估计容易受到网络钓鱼攻击和实际被钓鱼之间没有相关性,这表明对网络钓鱼的敏感性并不是因为缺乏对网络钓鱼风险的认识,而且网络钓鱼的实时响应很难提前预测在线用户。我们相信,更好地了解导致在线漏洞的特征可以帮助开发未来提高用户隐私和安全性的方法。
2013-02-08 cs.CY cs.HC
Is Self-knowledge and Action Consistent or Not: Investigating Large Language Model's Personality
Shanghai Jiao Tong University(上海交通大学)
本文通过对照人类反应模式检验LLM输出,评估其自述人格特质与真实场景行为倾向是否一致,以揭示传统人格问卷用于LLM人格测量的有效性及自我认知与行动的断裂。
2024-12-10 cs.CL cs.CY
A Set of Distinct Facial Traits Learned by Machines Is Not Predictive of Appearance Bias in the Wild
社会心理学的研究表明,人们仅仅根据外表对另一个人的性格做出有偏见的主观判断,并不能预测他们的实际性格特征。但研究人员和公司经常利用计算机视觉模型来预测类似的主观人格属性,如“就业能力”。“我们试图确定最先进的黑盒人脸处理技术是否可以学习类似人类的外观偏见。通过使用FaceNet(一种广泛使用的人脸识别框架)提取的特征,我们根据社会心理学家测量的人类受试者对其他面孔中人格特质的第一印象,训练训练了一个迁移学习模型。我们发现,用FaceNet提取的特征可以用来预测人为操纵的人脸的外观偏见分数,但不能预测人为随机生成的人脸。此外,与社会心理学中的人类偏见相比,该模型没有发现一个显着的信号将政治家的投票份额与感知能力偏见联系起来。通过本地可解释模型不可知解释(LIME),我们为这种差异提供了几种解释。我们的研究结果表明,社会心理学中记录的一些外观偏见信号并没有被我们研究的机器学习技术所嵌入。我们揭示了外观偏见可以嵌入面部处理技术的方式,并进一步质疑基于外观预测主观特征的做法。
2021-01-13 cs.AI cs.CV cs.CY
Improved prompting and process for writing user personas with LLMs, using qualitative interviews: Capturing behaviour and personality traits of users
Abertay University(阿伯泰大学)
本文提出一种利用大语言模型(GPT3.5-Turbo-16k)结合定性访谈主题分析结果创建用户画像的工作流程,通过改进提示词和扩大主题池,旨在更有效地捕捉用户行为与人格特质,并探讨了与现有画像方法的关联。
2023-10-10 cs.CL cs.CY cs.HC
Modeling Personality vs. Modeling Personalidad: In-the-wild Mobile Data Analysis in Five Countries Suggests Cultural Impact on Personality Models
从智能手机收集的传感器数据提供了被动推断用户个性特征的可能性。这些模型可用于实现技术个性化,同时有助于我们对人类行为在日常生活中的表现方式的实质性理解。人格建模的一个重大挑战是提高人格推断的准确性,然而,研究尚未评估和考虑用户居住国对模型可复制性的文化影响。我们收集了来自五个不同国家(英国,西班牙,哥伦比亚,秘鲁和智利)的166名参与者(54名女性和112名男性)的移动传感数据和自我报告的大五特质。我们开发了基于机器学习的人格模型,使用文化多样的数据集-代表不同的国家-我们表明,当在新的国家进行测试时,这些模型可以达到最先进的准确性,从63%(可接受性)到71%(外向性)的分类准确性。我们的研究结果表明,使用特定国家的数据集可以提高外向性,责任心和尽责性的分类准确率3%至7%。我们表明,这些发现无论数据集中的性别和年龄平衡如何都成立。有趣的是,使用性别或年龄平衡的数据集以及性别分离的数据集可以将性状预测提高高达17%。我们揭示了五个国家的人格模型差异,突出了最具预测性的数据类别(位置,噪音,解锁,加速度计),并为对被动人格评估感兴趣的技术专家和社会科学家提供了外卖。
2019-08-13 cs.CY cs.HC
An Automated Vehicle (AV) like Me? The Impact of Personality Similarities and Differences between Humans and AVs
University of Michigan(密歇根大学)
为了更好地了解人类和AV个性的相似性和不同性的影响,我们对443名个体进行了实验研究。一般来说,人类和AV个性的相似性导致了更高的感知AV安全只有当两者都是高的特定人格特质。人类和AV个性的差异也产生了更高的AV安全感,但只有当AV在特定的个性特征上高于人类时。
2019-09-11 cs.AI cs.CY cs.HC
Perception of AI-Generated Music -- The Role of Composer Identity, Personality Traits, Music Preferences, and Perceived Humanness
TU Wien, Faculty of Informatics(维也纳技术大学信息学院);University of Innsbruck, Department of Psychology(因斯布鲁克大学心理学系)
本研究探讨了人工智能生成音乐的感知因素,发现对人工智能的态度是影响听众喜爱和情感反应的主要因素,同时揭示了伦理、文化等在评价中的重要作用。
2025-12-02 cs.AI cs.CY cs.HC