論文の概要: Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia
for Human Personality Profiling
- arxiv url: http://arxiv.org/abs/2106.10673v1
- Date: Sun, 20 Jun 2021 10:48:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:07:11.979043
- Title: Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia
for Human Personality Profiling
- Title（参考訳）: twitterとfacebookの2面人間: パーソナリティプロファイルのためのソーシャルマルチメディアの収集
- Authors: Qi Yang, Aleksandr Farseev, Andrey Filchenkov
- Abstract要約: 我々は、"PERS"と呼ばれる新しい多視点融合フレームワークを適用して、マイアーズ・ブリッグス・パーソナリティ・タイプインジケータを推定する。
実験の結果,多視点データからパーソナリティ・プロファイリングを学習する能力は,多様なソーシャル・マルチメディア・ソースからやってくるデータを効率的に活用できることが示唆された。
- 参考スコア（独自算出の注目度）: 74.83957286553924
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Human personality traits are the key drivers behind our decision-making,
influencing our life path on a daily basis. Inference of personality traits,
such as Myers-Briggs Personality Type, as well as an understanding of
dependencies between personality traits and users' behavior on various social
media platforms is of crucial importance to modern research and industry
applications. The emergence of diverse and cross-purpose social media avenues
makes it possible to perform user personality profiling automatically and
efficiently based on data represented across multiple data modalities. However,
the research efforts on personality profiling from multi-source multi-modal
social media data are relatively sparse, and the level of impact of different
social network data on machine learning performance has yet to be
comprehensively evaluated. Furthermore, there is not such dataset in the
research community to benchmark. This study is one of the first attempts
towards bridging such an important research gap. Specifically, in this work, we
infer the Myers-Briggs Personality Type indicators, by applying a novel
multi-view fusion framework, called "PERS" and comparing the performance
results not just across data modalities but also with respect to different
social network data sources. Our experimental results demonstrate the PERS's
ability to learn from multi-view data for personality profiling by efficiently
leveraging on the significantly different data arriving from diverse social
multimedia sources. We have also found that the selection of a machine learning
approach is of crucial importance when choosing social network data sources and
that people tend to reveal multiple facets of their personality in different
social media avenues. Our released social multimedia dataset facilitates future
research on this direction.
- Abstract（参考訳）: 人格特性は、私たちの意思決定の背後にある重要な要因であり、私たちの生活経路に日々影響を与えます。
myers-briggsのパーソナリティタイプのようなパーソナリティ特性の推論や、パーソナリティ特性とさまざまなソーシャルメディアプラットフォームにおけるユーザの行動の依存性の理解は、現代の研究や産業応用において重要な意味を持つ。
多様な多目的ソーシャルメディアの出現により、複数のデータモダリティにまたがるデータに基づいて、ユーザパーソナリティのプロファイリングを自動かつ効率的に行うことができる。
しかし,マルチモーダルソーシャルメディアデータからのパーソナリティ・プロファイリングに関する研究は,比較的まばらであり,異なるソーシャルネットワークデータによる機械学習性能への影響は未だ総合評価されていない。
さらに、ベンチマークを行うデータセットは研究コミュニティには存在しない。
この研究は、このような重要な研究ギャップを埋める最初の試みの1つです。
具体的には,Mers-Briggs Personality Typeインジケータを"PERS"と呼ばれる新しい多視点融合フレームワークに適用し,データモダリティだけでなく,異なるソーシャルネットワークデータソースについても,結果を比較して推定する。
実験の結果,多視点データからパーソナリティ・プロファイリングを学習する能力は,多様なソーシャル・マルチメディア・ソースからやってくるデータを効率的に活用できることが示唆された。
また、ソーシャルネットワークデータソースを選択する際には、機械学習アプローチの選択が極めて重要であることや、ソーシャルメディアのさまざまな道筋において、人の個性の複数の面を明らかにする傾向があることもわかりました。
当社がリリースしたソーシャルマルチメディアデータセットは,この方向性に関する今後の研究を促進する。
関連論文リスト
- Do We Trust What They Say or What They Do? A Multimodal User Embedding Provides Personalized Explanations [35.77028281332307]
ソーシャルネットワークのためのコントリビューション対応マルチモーダルユーザ埋め込み(CAMUE)を提案する。
提案手法は,信頼できない情報の影響を自動的に軽減し,パーソナライズ可能な予測を提供する。
私たちの仕事は、より説明しやすく、信頼性があり、効果的なソーシャルメディアユーザー埋め込みの道を開く。
論文 参考訳（メタデータ） (2024-09-04T02:17:32Z) - When LLM Meets Hypergraph: A Sociological Analysis on Personality via Online Social Networks [7.309233340654514]
本稿では,個人レベルのデータマイニングではなく,環境を考慮した視点で人格を社会学的に分析する枠組みを提案する。
ハイパーグラフノードをユーザとし,ハイパーグラフのハイパーエッジをソーシャル環境とする,効果的なハイパーグラフニューラルネットワークを設計する。
ユーザプロファイルデータ、性格特性、実世界のソーシャルプラットフォームから検出されたいくつかの環境を含む有用なデータセットを提供する。
論文 参考訳（メタデータ） (2024-07-04T01:43:52Z) - SocialBench: Sociality Evaluation of Role-Playing Conversational Agents [85.6641890712617]
大規模言語モデル(LLM)は、様々なAI対話エージェントの開発を進めてきた。
SocialBenchは、ロールプレイングの会話エージェントの社会的性を個人レベルとグループレベルで評価するために設計された最初のベンチマークである。
個人レベルで優れたエージェントは,集団レベルでの熟練度を示唆しない。
論文 参考訳（メタデータ） (2024-03-20T15:38:36Z) - Large Language Models Can Infer Psychological Dispositions of Social Media Users [1.0923877073891446]
GPT-3.5とGPT-4は、ゼロショット学習シナリオにおいて、ユーザのFacebookステータス更新からビッグファイブの性格特性を導出できるかどうかを検証する。
その結果, LLM-inferred と self-reported trait score の間には r =.29 (range = [.22,.33]) の相関が認められた。
予測は、いくつかの特徴について、女性と若い個人にとってより正確であることが判明し、基礎となるトレーニングデータやオンライン自己表現の違いから生じる潜在的なバイアスが示唆された。
論文 参考訳（メタデータ） (2023-09-13T01:27:48Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳（メタデータ） (2022-07-20T13:37:57Z) - My tweets bring all the traits to the yard: Predicting personality and
relational traits in Online Social Networks [4.095574580512599]
本研究は,オンラインソーシャルネットワーク(OSN)における全体像プロファイルの予測モデルを提供することを目的とする。
我々はまずOSNアカウントから幅広い機能を抽出する機能エンジニアリング手法を考案した。
そして,抽出した特徴に基づいて,ユーザの心理的特徴のスコアを予測する機械学習モデルを設計した。
論文 参考訳（メタデータ） (2020-09-22T20:30:56Z) - Vyaktitv: A Multimodal Peer-to-Peer Hindi Conversations based Dataset
for Personality Assessment [50.15466026089435]
本稿では,ピアツーピアのHindi会話データセットであるVyaktitvを提案する。
参加者の高品質な音声とビデオの録音と、会話ごとにヒングリッシュのテキストによる書き起こしで構成されている。
データセットには、収入、文化的指向など、すべての参加者のための豊富な社会デコグラフィー的特徴が含まれています。
論文 参考訳（メタデータ） (2020-08-31T17:44:28Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳（メタデータ） (2020-07-07T17:19:56Z) - I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2020-02-05T11:10:44Z)
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。