論文の概要: Traits Run Deep: Enhancing Personality Assessment via Psychology-Guided LLM Representations and Multimodal Apparent Behaviors
- arxiv url: http://arxiv.org/abs/2507.22367v1
- Date: Wed, 30 Jul 2025 04:12:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-31 16:14:17.983365
- Title: Traits Run Deep: Enhancing Personality Assessment via Psychology-Guided LLM Representations and Multimodal Apparent Behaviors
- Title(参考訳): トレーツ・ラン・ディープ:心理学的指導によるLLM表現とマルチモーダル・アンペア行動によるパーソナリティ・アセスメントの強化
- Authors: Jia Li, Yichao He, Jiacheng Xu, Tianhao Luo, Zhenzhen Hu, Richang Hong, Meng Wang,
- Abstract要約: 我々はtextittextbfTraits Run Deep という新しいパーソナリティ評価フレームワークを提案する。
テキストテキストbf心理学的インフォームドプロンプトを使用して、高いレベルの人格関連セマンティック表現を導き出す。
textittextbfText-Centric Trait Fusion Networkは、リッチテキストセマンティクスをアンロックして、他のモダリティからの非同期信号の整合と統合を行う。
- 参考スコア(独自算出の注目度): 46.55948528317124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and reliable personality assessment plays a vital role in many fields, such as emotional intelligence, mental health diagnostics, and personalized education. Unlike fleeting emotions, personality traits are stable, often subconsciously leaked through language, facial expressions, and body behaviors, with asynchronous patterns across modalities. It was hard to model personality semantics with traditional superficial features and seemed impossible to achieve effective cross-modal understanding. To address these challenges, we propose a novel personality assessment framework called \textit{\textbf{Traits Run Deep}}. It employs \textit{\textbf{psychology-informed prompts}} to elicit high-level personality-relevant semantic representations. Besides, it devises a \textit{\textbf{Text-Centric Trait Fusion Network}} that anchors rich text semantics to align and integrate asynchronous signals from other modalities. To be specific, such fusion module includes a Chunk-Wise Projector to decrease dimensionality, a Cross-Modal Connector and a Text Feature Enhancer for effective modality fusion and an ensemble regression head to improve generalization in data-scarce situations. To our knowledge, we are the first to apply personality-specific prompts to guide large language models (LLMs) in extracting personality-aware semantics for improved representation quality. Furthermore, extracting and fusing audio-visual apparent behavior features further improves the accuracy. Experimental results on the AVI validation set have demonstrated the effectiveness of the proposed components, i.e., approximately a 45\% reduction in mean squared error (MSE). Final evaluations on the test set of the AVI Challenge 2025 confirm our method's superiority, ranking first in the Personality Assessment track. The source code will be made available at https://github.com/MSA-LMC/TraitsRunDeep.
- Abstract(参考訳): 正確な人格評価は、感情知性、メンタルヘルス診断、パーソナライズされた教育など、多くの分野で重要な役割を担っている。
フリーティング感情とは異なり、性格特性は安定しており、しばしば言語、表情、身体行動を通じて意識的に漏洩し、モダリティにまたがる非同期パターンを持つ。
従来の表面的特徴によるパーソナリティの意味論をモデル化することは困難であり、効果的なクロスモーダル理解を達成することは不可能であった。
これらの課題に対処するため,新しい性格評価フレームワークである「textit{\textbf{Traits Run Deep}}」を提案する。
これは高レベルのパーソナリティ関連セマンティック表現を引き出すために、‘textit{\textbf{psychology-informed prompts}} を使用する。
さらに、リッチテキストセマンティクスをアンロックして、他のモダリティからの非同期信号の整合と統合を行う、 \textit{\textbf{Text-Centric Trait Fusion Network}} も考案されている。
具体的には、寸法を減少させるチャンクワイズプロジェクタと、効率的なモーダル融合を行うクロスモーダルコネクタとテキスト特徴エンハンサと、データスカース状況における一般化を改善するアンサンブル回帰ヘッドとを備える。
我々の知る限り、私たちは人格に特有なプロンプトを初めて適用し、大きな言語モデル(LLM)を、表現の質を向上させるために人格認識のセマンティクスを抽出する。
さらに、音声-視覚的外観特徴の抽出と融合により、精度が向上する。
AVI検証実験の結果,提案手法の有効性,すなわち平均二乗誤差(MSE)の約45倍の低減効果が示された。
AVI Challenge 2025のテストセットの最終的な評価は、パーソナリティアセスメントトラックにおいて、私たちの方法の優位性を確認します。
ソースコードはhttps://github.com/MSA-LMC/TraitsRunDeep.comで入手できる。
関連論文リスト
- LLMvsSmall Model? Large Language Model Based Text Augmentation Enhanced
Personality Detection Model [58.887561071010985]
パーソナリティ検出は、ソーシャルメディア投稿に根ざした性格特性を検出することを目的としている。
既存のほとんどのメソッドは、事前訓練された言語モデルを微調整することで、ポスト機能を直接学習する。
本稿では,大規模言語モデル (LLM) に基づくテキスト拡張強化人格検出モデルを提案する。
論文 参考訳(メタデータ) (2024-03-12T12:10:18Z) - Personality Style Recognition via Machine Learning: Identifying
Anaclitic and Introjective Personality Styles from Patients' Speech [6.3042597209752715]
自然言語処理(NLP)と機械学習ツールを使って分類する。
大うつ病(MDD)と診断された79人の患者を対象に、記録された臨床診断面接(CDI)のデータセットでこれを検証した。
言語由来の特徴(LIWCに基づく)による自動分類は,アンケートに基づく分類モデルよりも有意に優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-07T15:56:19Z) - PsyCoT: Psychological Questionnaire as Powerful Chain-of-Thought for
Personality Detection [50.66968526809069]
PsyCoTと呼ばれる新しい人格検出手法を提案する。これは、個人がマルチターン対話方式で心理的質問を完遂する方法を模倣するものである。
実験の結果,PsyCoTは人格検出におけるGPT-3.5の性能とロバスト性を大幅に向上させることがわかった。
論文 参考訳(メタデータ) (2023-10-31T08:23:33Z) - Editing Personality for Large Language Models [73.59001811199823]
本稿では,Large Language Models (LLMs) の性格特性の編集に焦点をあてた革新的なタスクを紹介する。
このタスクに対処する新しいベンチマークデータセットであるPersonalityEditを構築します。
論文 参考訳(メタデータ) (2023-10-03T16:02:36Z) - Personality Trait Detection Using Bagged SVM over BERT Word Embedding
Ensembles [10.425280599592865]
本稿では,テキストからの人格自動検出のための新しい深層学習手法を提案する。
我々は、自然言語理解における最先端技術、すなわちBERT言語モデルを活用して、文脈化された単語埋め込みを抽出する。
我々のモデルは、従来の最先端技術よりも1.04%優れており、同時に、トレーニングの計算効率も大幅に向上している。
論文 参考訳(メタデータ) (2020-10-03T09:25:51Z)
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。