Personality, Role, and Expressive Style in Large Language Models: An Interactionist Analysis
作者: Moe Nagao, Koichiro Terao, Mikio Nakano, Naoto Iwahashi
分类: cs.CL
发布日期: 2026-05-27
备注: 26 pages
💡 一句话要点
交互视角下的大语言模型人格、角色与表达风格研究
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 人格控制 对话代理 交互主义 Big Five人格特质
📋 核心要点
- 现有基于提示的人格控制方法难以保证LLM在不同社交情境下始终如一地表达预期人格特质。
- 论文从交互主义视角出发，将人格表达视为特质规范与情境因素相互作用的上下文相关结果。
- 实验表明，对话角色和表达风格显著影响LLM表达的人格，且影响程度因人格特质而异。
📝 摘要（中文）
本文从交互主义视角出发，研究了基于提示的大语言模型（LLM）对话代理中，人格特质、对话角色和表达风格对生成语句中感知到的人格表达的影响。通过结合六种人格条件、三种角色和三种表达风格的析因设计，生成了英语和日语的LLM代理对话，并使用LLM-as-a-judge框架评估目标代理语句中表达的Big Five人格特质。结果表明，表达的人格不仅受显式特质规范的影响，还受对话角色和表达风格的影响。这些影响是特定于特质的：对话角色强烈影响开放性，表达风格显著影响尽责性和宜人性，而显式特质规范主导神经质。即使没有显式的人格特质规范，社会和表达条件也会诱导不同的人格印象。跨语言比较显示，英语和日语对话之间存在大致相似的模式，只有在人格、角色和表达风格的特定组合下才存在明显的差异。这些发现表明，LLM代理中的人格控制不应被理解为特质提示的直接结果，而应被理解为涉及人格规范、社会角色和表达风格的上下文相关过程。
🔬 方法详解
问题定义：现有的大语言模型人格控制方法，尤其是基于提示的方法，无法保证模型在不同情境下稳定地表达指定的人格特质。简单地在提示中指定Big Five人格特质（BFTs）并不能确保生成的语句能够准确反映这些特质。因此，需要研究如何更有效地控制LLM的人格表达，使其在各种社交情境中表现出一致且可信的人格。
核心思路：论文的核心思路是将LLM的人格表达视为一个交互过程，即人格表达并非仅仅由提示中的人格特质决定，而是受到情境因素（如对话角色和表达风格）的影响。通过理解这些因素之间的相互作用，可以更有效地控制LLM的人格表达。
技术框架：论文采用析因设计，系统地组合了六种人格条件（基于Big Five人格特质）、三种对话角色和三种表达风格。针对每种组合，生成LLM代理对话，并使用LLM-as-a-judge框架评估目标代理语句中表达的Big Five人格特质。该框架利用另一个LLM来判断生成的文本是否符合预期的人格特质。通过分析这些评估结果，可以了解不同因素对人格表达的影响。
关键创新：论文的关键创新在于从交互主义视角分析LLM的人格表达，强调了情境因素（对话角色和表达风格）的重要性。这与以往主要关注人格特质本身的研究不同，更符合真实的人类社交行为。此外，论文还通过跨语言比较（英语和日语）验证了研究结果的普适性。
关键设计：论文的关键设计包括：1) 析因实验设计，系统地组合不同的人格、角色和风格；2) 使用LLM-as-a-judge框架进行人格评估，避免了人工评估的主观性；3) 跨语言比较，验证结果的普适性。具体的人格条件、角色和风格的选择以及LLM-as-a-judge框架的prompt设计等细节在论文中进行了详细描述（未知）。
🖼️ 关键图片
📊 实验亮点
实验结果表明，对话角色对开放性（Openness）的影响最大，表达风格对尽责性（Conscientiousness）和宜人性（Agreeableness）的影响显著，而显式特质规范主要影响神经质（Neuroticism）。即使没有明确指定人格特质，社会角色和表达风格也能诱导出不同的人格印象。跨语言比较显示，英语和日语对话之间存在相似的模式。
🎯 应用场景
该研究成果可应用于开发更逼真、更具个性化的对话机器人和虚拟助手。通过更精细地控制LLM的人格表达，可以提升用户与AI交互的体验，使其更自然、更具吸引力。此外，该研究也有助于理解人类社交行为中人格表达的复杂性。
📄 摘要（原文）
Prompt-based personality control is a key technique for designing large language model (LLM) dialogue agents that behave consistently across social contexts. However, specifying Big Five personality traits (BFTs) in a prompt does not ensure that the intended traits are expressed in generated utterances. This paper investigates this mismatch from an interactionist perspective, viewing personality expression as a context-dependent outcome shaped by the interplay between trait specification and situational factors. We analyze how perceived BFT expression in LLM-generated dialogue is influenced by three prompt factors: personality traits, dialogue roles, and expressive styles. Using a factorial design that combines six personality conditions, three roles, and three expressive-style conditions, we generate 1,080 LLM-agent dialogues in each of English and Japanese. We then evaluate the target agent's utterances using an LLM-as-a-judge framework to estimate expressed Big Five traits. The results show that expressed personality is shaped not only by explicit trait specification, but also by dialogue role and expressive style. These effects are trait-specific: dialogue role strongly influences Openness, expressive style substantially shapes Conscientiousness and Agreeableness, and explicit trait specification dominates Neuroticism. Even without explicit personality-trait specification, social and expressive conditions induce distinct personality-like impressions. Cross-linguistic comparisons show broadly similar patterns between English and Japanese dialogues, with noticeable differences only under specific combinations of personality, role, and expressive style. These findings suggest that personality control in LLM agents should be understood not as a direct consequence of trait prompting, but as a context-dependent process involving personality specification, social role, and expressive style.