Big Five personality traits
PulseAugur coverage of Big Five personality traits — every cluster mentioning Big Five personality traits across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
研究论文识别出人工智能辩论中的首位发言者偏见，并提出个性化缓解方法
一篇新研究论文探讨了顺序多主体辩论（MAD）系统中的“首位发言者偏见”，即初始代理人的意见不成比例地影响最终结果。研究表明，当更强的模型在序列中较晚发言时，这种偏见会抵消其推理优势。为了解决这个问题，研究人员研究了基于“大五”人格特质的“个性化提示”的使用，特别是宜人性（agreeableness）和外向性（extraversion）。他们发现，为更强的代理人分配较低的宜人性有助于恢复其影响力并提高准确性，而外向性主要影响代理人的冗长程度。
-
剑桥分析公司数据滥用时间线详述
本次分析详细阐述了导致另类右翼运动兴起的事件按时间顺序的发展和汇合，重点关注社交媒体和数据滥用的作用。它追溯了从SCL到剑桥分析公司的发展历程，强调了如何将源自数字行为（特别是Facebook“点赞”）的心理推断商业化，用于选民画像和微定向。叙述详细介绍了Aleksandr Kogan的Global Science Research公司在2014年创建的一款应用程序，该应用程序利用Facebook的权限收集了数十万用户及其数千万朋友的…
-
大型语言模型在自动化个性化测试生成方面展现出潜力
研究人员开发了一个使用大型语言模型（LLMs）自动生成个性情境判断测试（SJTs）的框架。使用GPT-4和ChatGPT-5进行的研究表明，优化提示和特定的温度设置可以生成具有良好内容效度的项目。该方法显示出跨模型泛化能力，并为“大五”人格特质生成了心理测量学上可靠的SJTs，为传统方法提供了一种高效的替代方案。
-
研究：领先大语言模型在危机情境下话太多，不善倾听
一项发表在arXiv上的新研究评估了四种领先的大语言模型（LLMs）在协助遇困用户方面的能力。研究使用了具有心理测量学指定人格特征的合成求助者，重点关注一位照护者得知亲戚患有痴呆症的诊断情境。研究结果表明，所有四种模型都表现出冗长，话语与倾听的比例超过一，并且在充分探索情况之前倾向于提供问题解决方案，未能有效稳定情绪。
-
LiteraryBigFive 框架使用作者个性特征实现个性化文本生成
研究人员开发了 LiteraryBigFive，一个用于作者个性化文本生成的新框架。该方法将写作特征建模为一个统一的五维空间中的坐标，灵感来自大五人格特质。通过从文本对比中提取可解释的维度，如古典主义和情感性，该系统可以定位作者并将文本生成导向特定的风格目标。实验表明，LiteraryBigFive 增强了作者的表达力和语义保真度，并且提取的分数与文学共识相关。
-
大型语言模型代理可以在不影响任务重点的情况下在对话中采用个性
研究人员开发了一个框架，用于研究大型语言模型（LLMs）如何在面向任务的对话中采用特定个性，同时又不牺牲任务完成度。该研究使用 Schema-Guided Dialogue 数据集评估了 GPT-4o、Qwen3-Next-80B 和 Gemini 2.0 Flash 在各种个性特征方面的表现。研究结果表明，虽然用户代理可以表达个性，但系统代理可以保持强大的任务性能，尽管某些特征的表达不太可靠。将系统代理调整为适应用户的个性可以改善约…
-
新基准评估人生事件后LLM代理的个性演变
研究人员开发了一个新基准BFI-Adapt，用于评估大型语言模型（LLM）代理在经历模拟人生事件后个性的演变情况。研究发现，虽然这些代理表现出可衡量的个性变化，但这些变化的幅度和形态通常与人类心理模式不同。目前的PC-Agents倾向于模拟平均人类的个性动态，而不是人类变化的全部光谱。
-
LLM 代理根据任务刻板印象选择伙伴，而非个性相似性
一篇新的 arXiv 论文探讨了大型语言模型 (LLM) 代理如何根据个性选择伙伴。研究人员发现，与人类行为相反，宿主代理并不偏爱具有相似个性的伙伴。相反，它们倾向于选择其被分配的个性与任务刻板印象相符的代理，偏爱互补特质而非同质性。这对代理市场和编排框架中的偏见有影响。
-
通过神经元操纵诱导语言大模型的个性特征
研究人员开发了一种新颖的方法，可以在无需重新训练模型的情况下，为语言大模型注入特定的个性特征。该方法基于大五人格特质框架，识别出与个性维度相关的语言大模型中的关键神经元。通过操纵这些已识别的神经元，系统可以诱导模型输出所需的个性特征，其效果可与微调模型相媲美，但效率和灵活性更高。
-
REACT 2026 挑战赛为面部反应生成增添个性化
REACT 2026 挑战赛在前几届的基础上，专注于生成对说话者行为的多种恰当面部反应。今年的挑战赛通过纳入个体层面的个性标签和脑电图（EEG）记录，引入了个性化，朝着一对多的个性化面部反应生成设置迈进。为离线和在线的通用及个性化 MAFRG 子挑战提供了新的基线和指南。
-
新基准评估大型语言模型代理的类人心理
研究人员开发了HEART-Bench，这是一个旨在评估大型语言模型（LLM）代理是否能表现出类人心理的新基准。该基准基于大五人格特质构建了11个不同的角色，每个角色拥有1000条自传式记忆。然后，这些代理将接受源自DIAMONDS分类法的64个决策场景测试，以评估其做出行为一致性选择的能力。
-
大型语言模型（LLM）的个性和情商被发现是碎片化且依赖于上下文的
新研究探讨了大型语言模型（LLM）如何表达个性和情商，揭示了这些能力并非铁板一块。研究表明，个性表达受显式特征规范、对话角色和表达风格的组合影响，而非仅依赖于直接提示。此外，LLM中的情商在感知、认知和交互中是碎片化的，目前的对齐方法可能过度优化了肤浅的模仿，而非真正的情感推理。这些发现强调了需要更细致的方法来控制LLM的行为并开发具有社会意识的代理。
-
LLM代理的个性和对齐影响用户在任务中的感知
一篇新发表在arXiv上的研究探讨了大型语言模型驱动的对话代理的个性如何在目标导向任务中影响用户感知。研究人员发现，中等程度的个性表达，而非低或高程度的个性表达，在信任度和好感度等各种指标上带来了最积极的用户评价。此外，将代理的个性与用户的偏好对齐，显著增强了这些积极成果，其中外向性和情绪稳定性等特定特质被证明最具影响力。