論文の概要: Ask, Answer, and Detect: Role-Playing LLMs for Personality Detection with Question-Conditioned Mixture-of-Experts

• arxiv url: http://arxiv.org/abs/2512.08814v1
• Date: Tue, 09 Dec 2025 17:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.05929
• Title: Ask, Answer, and Detect: Role-Playing LLMs for Personality Detection with Question-Conditioned Mixture-of-Experts
• Title（参考訳）: Ask, Answer, Detection: Role-Playing LLMs for Personality Detection with Question-Conditioned Mixture-of-Experts
• Authors: Yifan Lyu, Liang Zhang,
• Abstract要約: ROMEは、心理的知識を人格検出に明示的に注入する新しいフレームワークである。 ROMEは、実世界の2つのデータセットの実験において、最先端のベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 4.618735978506653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding human personality is crucial for web applications such as personalized recommendation and mental health assessment. Existing studies on personality detection predominantly adopt a "posts -> user vector -> labels" modeling paradigm, which encodes social media posts into user representations for predicting personality labels (e.g., MBTI labels). While recent advances in large language models (LLMs) have improved text encoding capacities, these approaches remain constrained by limited supervision signals due to label scarcity, and under-specified semantic mappings between user language and abstract psychological constructs. We address these challenges by proposing ROME, a novel framework that explicitly injects psychological knowledge into personality detection. Inspired by standardized self-assessment tests, ROME leverages LLMs' role-play capability to simulate user responses to validated psychometric questionnaires. These generated question-level answers transform free-form user posts into interpretable, questionnaire-grounded evidence linking linguistic cues to personality labels, thereby providing rich intermediate supervision to mitigate label scarcity while offering a semantic reasoning chain that guides and simplifies the text-to-personality mapping learning. A question-conditioned Mixture-of-Experts module then jointly routes over post and question representations, learning to answer questionnaire items under explicit supervision. The predicted answers are summarized into an interpretable answer vector and fused with the user representation for final prediction within a multi-task learning framework, where question answering serves as a powerful auxiliary task for personality detection. Extensive experiments on two real-world datasets demonstrate that ROME consistently outperforms state-of-the-art baselines, achieving improvements (15.41% on Kaggle dataset).
• Abstract（参考訳）: パーソナライズされたレコメンデーションやメンタルヘルスアセスメントなど,Webアプリケーションにとって人格を理解することが不可欠である。 パーソナリティ検出に関する既存の研究は、主に「ポスト ->ユーザベクター ->ラベル」モデリングパラダイムを採用しており、ソーシャルメディア投稿をユーザ表現にエンコードしてパーソナリティラベル(MBTIラベルなど)を予測する。 近年の大規模言語モデル(LLM)の進歩により文字符号化能力は向上しているが,これらの手法はラベルの不足による限られた監視信号や,ユーザ言語と抽象的心理学的構成とのセマンティックマッピングによって制約されている。 人格検出に心理学的知識を明示的に注入する新たなフレームワークであるROMを提案することにより,これらの課題に対処する。 標準化された自己評価テストにインスパイアされたROMは、LCMのロールプレイ機能を活用し、ユーザーの反応をシミュレートし、評価された心理測定質問紙に回答する。 これらの質問レベルの回答は、自由形式のユーザポストを、言語的手がかりを人格ラベルにリンクする、解釈可能な、アンケートに基づく証拠に変換し、ラベルの不足を軽減するための豊富な中間的監視を提供するとともに、テキスト対人関係マッピング学習をガイドし、単純化する意味論的推論チェーンを提供する。 質問条件のMixture-of-Expertsモジュールは、投稿と質問の表現を共同でルーティングし、明確な監督の下で質問項目に答えることを学ぶ。 予測された回答は、解釈可能な回答ベクトルに要約され、マルチタスク学習フレームワーク内の最終予測のためのユーザ表現と融合し、質問応答はパーソナリティ検出の強力な補助タスクとして機能する。 2つの実世界のデータセットに対する大規模な実験により、ROMEは一貫して最先端のベースラインを上回り、改善(Kaggleデータセットでは15.41%)を達成した。

関連論文リスト

• A Computational Framework for Interpretable Text-Based Personality Assessment from Social Media [0.0]
  この論文では、Redditから収集された2つのデータセット(MBTI9kとPANDORA)を提示する。 PANDORAデータセットには、1万人以上のユーザーからの1700万のコメントが含まれている。 SIMPAフレームワークは人格評価を解釈するための計算フレームワークである。
  論文  参考訳（メタデータ） (2025-10-03T08:36:36Z)
• Traits Run Deep: Enhancing Personality Assessment via Psychology-Guided LLM Representations and Multimodal Apparent Behaviors [46.55948528317124]
  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。
  論文  参考訳（メタデータ） (2025-07-30T04:12:14Z)
• 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)

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。