该论文介绍了一种从语言模型中提取形容词相似性的方法，这种方法可以应用于几十种语言，涵盖上万个项目，在历史文本中进行分析，成本极低。通过该方法，可以更加接近词汇假设的原始（语义）视觉。

Mar, 2022

本研究使用神经网络和分布式算法来提取文本的隐藏性信息，研究人员从心理学文献定义的五大人格特征（Big Five）的形容词词典开始，并构造了包含文本语义信息的嵌入，证明了个人写作风格与其人格特征密切相关。

Feb, 2023

借助不同输入提示，使用多个参数大小的多个大型语言模型对它们的输出进行了评估，结果显示，大型语言模型普遍表现出高度的开放性和低度的外向性，且参数越多越倾向于开放性和责任心，并且在不同数据集上对细调模型产生了微小的调整

Feb, 2024

研究表明，大规模语言模型虽然可以输出流畅的文本，但它们也捕捉到人类偏见。本文研究了面向开放式文本生成的几种大规模语言模型的人格特征和训练集，使用问卷设计了人格评估，并用零 - shot 分类器将文本回答分类到可量化的特征中，研究了可以改变这些人格特征的方法。

Apr, 2022

通过对文本对话内容识别说话人的个性特征，人格识别对话（PRC）旨在为人机交互（HCI）的各种应用中提供个性化服务，如基于人工智能的心理治疗和老人陪伴机器人。然而，大部分最新研究分析对话内容进行人格分类时忽略了两个主要问题，即忽略反映说话人个性的情感等对话中的关键隐含因素，以及仅关注输入对话内容而忽略对个性本身的语义理解，从而降低结果的可解释性。在本文中，我们提出了一种情感自然语言推理（Affective-NLI）的方法，用于准确且可解释的 PRC。通过针对对话中情感识别的预训练语言模型进行微调，我们能够实时为话语进行情感注释，从而利用对话内容中的情感信息进行准确的个性识别。为了结果的可解释性，我们将个性识别问题形式化为自然语言推理问题，即确定文本描述的个性标签是否被对话内容所包含。在两个每日对话数据集上进行的广泛实验证明了 Affective-NLI 在性能上显著优于其他最先进方法（提升了 6% 至 7%）。此外，我们的流实验证明，通过超越其他最先进方法，Affective-NLI 能够在对话早期准确识别说话人的个性（提升了 22% 至 34%）。

Apr, 2024

通过深度学习方法和文本的原子特征 —— 字符，建立层次化的句向量表示，应用于推文语料库中，有效识别出作者人格特质，与先前基于浅层学习模型的工作相比，在五个特质和三种语言（英语、西班牙语和意大利语）中表现最优，结果鼓舞人心，揭示了检测复杂人类特质的可能性。

Oct, 2016

本文介绍基于语言使用进行人格预测的交叉性研究，报道了用于文本数据的最全面的心理语言学特征和混合模型的两个主要改进，实验结果表明，这些模型优于同一数据集上的现有工作，并通过对心理语言学特征的不同类别进行消融实验来量化其影响。

Apr, 2022

这篇论文提出了 Machine Personality Inventory（MPI）数据集，该数据集以 Big Five Personality Factors 理论和人格评估清单为基础，旨在评估预先培训的语言模型的人格。通过 MPI 评估模型，我们提供了第一个证据，表明预先训练的语言模型中存在人格。我们进一步设计了 Chain Prompting 方法，以可控的方式诱导语言模型具有特定的人格，能够产生多样化的行为。希望通过采用人格作为下游任务的基本心理指导，建立更像人类且在位置对话代理商。

May, 2022

本文探讨了使用心理测量测试来量化和分析大型语言模型输出中的人格特质的可靠性和有效性，并讨论了如何对这些模型进行塑造的潜在应用和伦理影响，特别是关于负责任地使用 LLM。

Jul, 2023

本文研究了语言模型，尤其是 GPT2 和 BERT，如何通过语言生成来表现其所体现的人格特质，以及这些特质是否可以被控制。作者通过提供不同类型的语境可以精准地控制这些模型的表现，最终得出这些模型可以作为识别个性特质和控制人格的强有力的工具。本研究还提供了一份基于” 大五人格模型 “的人品数据集和 Reddit 上的人格数据集。

Dec, 2022