論文の概要: Inferred vs traditional personality assessment: are we predicting the same thing?

• arxiv url: http://arxiv.org/abs/2103.09632v1
• Date: Wed, 17 Mar 2021 13:22:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 16:14:42.416495
• Title: Inferred vs traditional personality assessment: are we predicting the same thing?
• Title（参考訳）: 推論と従来の性格評価:我々は同じことを予測しているのか?
• Authors: Pavel Novikov, Larisa Mararitsa, Victor Nozdrachev
• Abstract要約: 機械学習の手法は、デジタル記録から心理的特徴を予測するために研究者によって広く使われている。 自動パーソナリティ推定が元の特性の性質を保持するかどうかを調べるために、220の最近の記事をレビューしました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning methods are widely used by researchers to predict psychological characteristics from digital records. To find out whether automatic personality estimates retain the properties of the original traits, we reviewed 220 recent articles. First, we put together the predictive quality estimates from a subset of the studies which declare separation of training, validation, and testing phases, which is critical for ensuring the correctness of quality estimates in machine learning. Only 20% of the reviewed papers met this criterion. To compare the reported quality estimates, we converted them to approximate Pearson correlations. The credible upper limits for correlations between predicted and self-reported personality traits vary in a range between 0.42 and 0.48, depending on the specific trait. The achieved values are substantially below the correlations between traits measured with distinct self-report questionnaires. This suggests that we cannot readily interpret personality predictions as estimates of the original traits or expect predicted personality traits to reproduce known relationships with life outcomes regularly. Next, we complement quality estimates evaluation with evidence on psychometric properties of predicted traits. The few existing results suggest that predicted traits are less stable with time and have lower effective dimensionality than self-reported personality. The predictive text-based models perform substantially worse outside their training domains but stay above a random baseline. The evidence on the relationships between predicted traits and external variables is mixed. Predictive features are difficult to use for validation, due to the lack of prior hypotheses. Thus, predicted personality traits fail to retain important properties of the original characteristics. This calls for the cautious use and targeted validation of the predictive models.
• Abstract（参考訳）: 機械学習手法は、研究者によってデジタルレコードから心理的特徴を予測するために広く用いられている。 自動パーソナリティ推定が原形質の性質を維持するかどうかを明らかにするため,最近の220件の論文をレビューした。 まず、トレーニング、検証、テストフェーズの分離を宣言する研究のサブセットから予測品質推定をまとめ、機械学習における品質推定の正確性を保証するために重要となる。 レビューされた論文の20%はこの基準を満たした。 報告された品質推定値を比較するために, 近似ピアソン相関に変換した。 予測と自己報告のパーソナリティ特性の相関に対する信頼性の高い上限は、特定の特性によって 0.42 から 0.48 の範囲で異なる。 得られた値は、異なる自己申告アンケートで測定された特徴の相関よりもかなり低い。 このことは,個性予測を本来の特徴の推定として容易に解釈できないこと,あるいは予測された個性特性が生活成果との既知の関係を定期的に再現することを期待できないことを示唆している。 次に,予測形質の心理測定特性の証拠と品質評価を補完する。 既往の結果から,予測特性は時間とともに安定せず,自己報告人格よりも有効性が低いことが示唆された。 予測テキストベースのモデルは、トレーニングドメインの外では大幅に悪化するが、ランダムなベースラインの上に留まる。 予測形質と外部変数の関係に関する証拠は混在している。 予測機能は、事前仮説が欠如しているため、検証に使用するのが難しい。 したがって、予測された性格特性は元の特性の重要な特性を保持できない。 これにより、慎重な使用と予測モデルのターゲット検証が求められます。

関連論文リスト

• Beyond Confidence: Reliable Models Should Also Consider Atypicality [43.012818086415514]
  サンプルやクラスが非典型的であるかとモデルの予測の信頼性との関係について検討する。 非定型入力や非定型クラスの予測は、より過信であり、精度が低いことを示す。 モデルの信頼性だけでなく,不確かさの定量化や性能向上にも非定型性を用いるべきである。
  論文  参考訳（メタデータ） (2023-05-29T17:37:09Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Testing using Privileged Information by Adapting Features with Statistical Dependence [41.64621679913436]
  テスト時に追加機能を利用することで、再トレーニングや予測関数の知識のない予測を改善する。 我々は,初期雑音予測器と付加特徴との統計的依存を実験的に推定し,強化する。 一例として,本手法が実世界の視覚的ランキングの改善につながることを示す。
  論文  参考訳（メタデータ） (2021-11-04T13:45:34Z)
• Double Perturbation: On the Robustness of Robustness and Counterfactual Bias Evaluation [109.06060143938052]
  テストデータセットを超えたモデル弱点を明らかにするための"ダブル摂動"フレームワークを提案する。 この枠組みを,モデルの頑健さと英語における反事実バイアスの分析に使用される2つの摂動に基づくアプローチに応用する。
  論文  参考訳（メタデータ） (2021-04-12T06:57:36Z)
• Stable predictions for health related anticausal prediction tasks affected by selection biases: the need to deconfound the test set features [12.272975892517037]
  健康関連機械学習アプリケーションでは、トレーニングデータはターゲット集団の非表現的なサンプルに対応することが多い。 テストセットの機能を分解することで、安定性の向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-11-09T01:17:58Z)
• Individual Calibration with Randomized Forecasting [116.2086707626651]
  予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。 我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
  論文  参考訳（メタデータ） (2020-06-18T05:53:10Z)
• Jointly Predicting Job Performance, Personality, Cognitive Ability, Affect, and Well-Being [42.67003631848889]
  本研究では,身体的および生理的行動,心理的状態と特徴,職能を統合した個人予測分析のためのベンチマークを作成する。 我々は、データマイニング技術をベンチマークとして設計し、ウェアラブルセンサから得られた真のノイズと不完全なデータを用いて、12の標準化された精確なテストに基づいて19の構造を予測する。
  論文  参考訳（メタデータ） (2020-06-10T14:30:29Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。