跳到正文
arXiv cs.AI· Balakrishnan Arumugam, Priyen Parekh, Mehak Gupta, Joshua Oltmanns·· 10 小时前AI 评分20

FACET:从生活叙事文本估计大五人格的分面感知对比嵌入框架

FACET - Facet Aware Contrastive Embeddings for Traits- Big Five Estimation from Life Narratives

AI 导读

FACET 提出三阶段框架,从生活叙事访谈文本估计大五人格各维度分数:分别编码文本与心理语言学特征后拼接或学习加权融合,将每个维度分解为对比学习训练的分面嵌入,再经注意力池化得到维度级预测。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:人格仅由书面语言微弱且不一致地体现,现有的基于文本的方法通常会在输入层或决策层将语言模型表示与心理语言学表示结合起来。将这两种视角进行更审慎的结合,并对预测目标进行分解,能否恢复更多信号,目前仍无定论。我们提出了一个三阶段框架,用于从生活叙事访谈文本中估计大五人格各领域得分。该框架分别对文本和心理语言学特征进行编码,并通过拼接或学习到的加权方式将二者结合;将每个领域分解为经对比训练的分面嵌入,而非直接预测领域;再通过注意力机制将分面嵌入池化为领域级预测。我们比较了端到端训练与分阶段训练,并对输入模态、其组合方式以及分面池化策略进行了消融实验。在来自圣路易斯人格与老龄化网络(SPAN)研究的 1,332 名参与者上,分面嵌入的 AUC 最高达到 0.740,领域级 R2 达到 0.328,其中开放性最高。端到端训练在每个领域上的误差都低于分阶段训练,注意力池化在每个领域上的误差最低。将两种视角结合后,尽责性和宜人性的误差相对于仅使用文本有所降低,而学习到的视角加权相比拼接并未表现出一致优势。该框架提供了仅领域模型无法给出的分面级预测,并且在五个领域中的四个上,相对于原始特征的回归有适度改进。
主题: 人工智能(cs.AI)
引用为: arXiv:2611.23560 [cs.AI]
  (或 arXiv:2611.23560v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.23560

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Balakrishnan Arumugam [查看电子邮件]
[v1] 2026年11月17日星期二 22:08:36 UTC(481 KB)

来源:arXiv cs.AI · arxiv.org