Revealing Personality Traits: A New Benchmark Dataset for Explainable Personality Recognition on Dialogues
作者: Lei Sun, Jinming Zhao, Qin Jin
分类: cs.CL
发布日期: 2024-09-29
备注: Accepted to EMNLP 2024 Main Conference (Long Paper)
🔗 代码/项目: GITHUB
💡 一句话要点
提出CoPE框架与PersonalityEvd数据集，用于可解释的对话人格识别。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 人格识别 可解释性 对话系统 自然语言处理 大型语言模型
📋 核心要点
- 现有的人格识别研究主要将其视为分类任务，缺乏对识别出的人格特质提供支持性证据的能力。
- 论文提出CoPE框架，通过从具体语境推理到短期人格状态，再到长期人格特质，实现可解释的人格识别。
- 论文构建了PersonalityEvd数据集，并在此基础上进行了实验，结果表明可解释的人格识别任务具有挑战性。
📝 摘要（中文）
本文提出了一种新的任务：可解释的人格识别，旨在揭示人格特质的推理过程，并提供支持性证据。受人格理论的启发，论文认为人格特质由稳定的人格状态模式构成，这些状态是特定时刻具体情境下思想、情感和行为的短期特征模式。为此，论文提出了一个名为Chain-of-Personality-Evidence (CoPE) 的可解释人格识别框架，该框架包含从具体语境到短期人格状态再到长期人格特质的推理过程。此外，基于CoPE框架，论文构建了一个来自对话的可解释人格识别数据集PersonalityEvd。论文还提出了两个可解释的人格状态识别和可解释的人格特质识别任务，要求模型识别出人格状态和特质标签及其相应的支持证据。基于大型语言模型的实验表明，揭示人格特质非常具有挑战性，并为未来的研究提供了一些见解。数据和代码可在https://github.com/Lei-Sun-RUC/PersonalityEvd获取。
🔬 方法详解
问题定义：论文旨在解决人格识别任务中缺乏可解释性的问题。现有方法通常将人格识别视为一个简单的分类问题，而忽略了为识别出的人格特质提供支持性证据。这使得人们难以理解模型做出判断的原因，限制了人格识别技术在实际应用中的可信度和可靠性。
核心思路：论文的核心思路是将人格特质的识别分解为多个步骤，从具体的对话语境出发，首先识别出短期的人格状态，然后根据这些状态推断出长期的人格特质。这种分层推理的方式模仿了人类理解他人人格的过程，并为最终的判断提供了可解释的证据。
技术框架：论文提出的Chain-of-Personality-Evidence (CoPE) 框架包含以下主要模块：1) 上下文编码器：用于将对话语境编码成向量表示。2) 人格状态识别器：用于识别给定语境下的人格状态。3) 人格特质推理器：用于根据识别出的人格状态推断出人格特质。框架的整体流程是从对话语境开始，经过上下文编码器得到语境表示，然后通过人格状态识别器识别出人格状态，最后通过人格特质推理器推断出人格特质。
关键创新：论文的关键创新在于提出了CoPE框架，该框架通过分层推理的方式实现了可解释的人格识别。与现有方法相比，CoPE框架不仅能够识别出人格特质，还能够提供支持性证据，解释模型做出判断的原因。此外，论文还构建了PersonalityEvd数据集，为可解释的人格识别研究提供了数据支持。
关键设计：论文中，上下文编码器可以使用预训练的语言模型（如BERT）进行初始化，并根据具体的任务进行微调。人格状态识别器和人格特质推理器可以使用多层感知机或循环神经网络等模型进行构建。损失函数可以采用交叉熵损失函数，用于衡量模型预测结果与真实标签之间的差异。在训练过程中，可以使用梯度下降等优化算法来更新模型的参数。
🖼️ 关键图片
📊 实验亮点
论文在PersonalityEvd数据集上进行了实验，结果表明，即使使用大型语言模型，可解释的人格识别任务仍然具有挑战性。实验结果表明，模型在识别出正确的人格特质的同时，很难提供准确的支持性证据。这表明，现有的模型在理解人类人格方面仍然存在很大的局限性，需要进一步的研究。
🎯 应用场景
该研究成果可应用于人机交互、心理健康评估、招聘面试等领域。通过提供可解释的人格识别结果，可以帮助机器更好地理解人类，从而实现更自然、更有效的交互。此外，该技术还可以用于评估个体的心理健康状况，为心理咨询提供辅助支持。在招聘面试中，可以帮助面试官更全面地了解应聘者的性格特点。
📄 摘要（原文）
Personality recognition aims to identify the personality traits implied in user data such as dialogues and social media posts. Current research predominantly treats personality recognition as a classification task, failing to reveal the supporting evidence for the recognized personality. In this paper, we propose a novel task named Explainable Personality Recognition, aiming to reveal the reasoning process as supporting evidence of the personality trait. Inspired by personality theories, personality traits are made up of stable patterns of personality state, where the states are short-term characteristic patterns of thoughts, feelings, and behaviors in a concrete situation at a specific moment in time. We propose an explainable personality recognition framework called Chain-of-Personality-Evidence (CoPE), which involves a reasoning process from specific contexts to short-term personality states to long-term personality traits. Furthermore, based on the CoPE framework, we construct an explainable personality recognition dataset from dialogues, PersonalityEvd. We introduce two explainable personality state recognition and explainable personality trait recognition tasks, which require models to recognize the personality state and trait labels and their corresponding support evidence. Our extensive experiments based on Large Language Models on the two tasks show that revealing personality traits is very challenging and we present some insights for future research. Our data and code are available at https://github.com/Lei-Sun-RUC/PersonalityEvd.