[논문 리뷰] Extending the Abstraction of Personality Types based on MBTI with Machine Learning and Natural Language Processing

Carlos Basto|arXiv (Cornell University)|2021. 05. 25.

Data Mining Algorithms and Applications참고 문헌 13인용 수 5

한 줄 요약

이 논문은 감성, 문법적 구조 및 측면 기반 분석을 통한 텍스트 표현 강화를 통해 MBTI 성격 유형 예측을 향상시키는 데이터 중심의 NLP 접근법을 제안한다. 겹쳐진 앙상블 모델과 그리드 서치를 통한 하이퍼파ram터 튜닝을 사용하여, BERT나 LSTMs와 같은 복잡한 아키텍처보다 단순한 아키텍처로도 뛰어난 성능을 달성하며, 모델 복잡성보다는 데이터 품질과 대표성에 초점을 맞춘다.

ABSTRACT

A data-centric approach with Natural Language Processing (NLP) to predict personality types based on the MBTI (an introspective self-assessment questionnaire that indicates different psychological preferences about how people perceive the world and make decisions) through systematic enrichment of text representation, based on the domain of the area, under the generation of features based on three types of analysis: sentimental, grammatical and aspects. The experimentation had a robust baseline of stacked models, with premature optimization of hyperparameters through grid search, with gradual feedback, for each of the four classifiers (dichotomies) of MBTI. The results showed that attention to the data iteration loop focused on quality, explanatory power and representativeness for the abstraction of more relevant/important resources for the studied phenomenon made it possible to improve the evaluation metrics results more quickly and less costly than complex models such as the LSTM or state of the art ones as BERT, as well as the importance of these results by comparisons made from various perspectives. In addition, the study demonstrated a broad spectrum for the evolution and deepening of the task and possible approaches for a greater extension of the abstraction of personality types.

연구 동기 및 목표

• NLP 기법을 체계적으로 활용하여 텍스트 표현을 풍부화시킴으로써 MBTI 성격 유형 예측을 향상시키는 것.
• BERT나 LSTMs와 같은 복잡한 딥러닝 모델보다 데이터 중심적 개선이 MBTI 분류에서 더 우수한 성능을 내는지 평가하는 것.
• 특성 공학—감성, 문법, 측면 분석—이 모델 성능에 미치는 영향을 조사하는 것.
• 반복적인 데이터 정제가 아키텍처 복잡성보다 더 빠르고 저렴하며 효과적인 모델 개선을 이끌 수 있음을 보여주는 것.
• 기존 MBTI를 초월해 더 깊은 언어학적 및 심리학적 특성 추출이 가능한 성격 유형의 추상화를 확장하는 것.

제안 방법

• 연구는 반복적인 훈련 데이터 품질, 대표성, 설명력 향상을 중심으로 하는 데이터 중심 접근법을 사용한다.
• 감성, 문법적 구조, 측면 기반 특성의 세 가지 분석 유형을 활용해 텍스트 표현을 풍부화시킨다.
• MBTI 이원론(예: I/E, S/N, T/F, J/P)에 대해 네 개의 별도 분류기로 구성된 겹쳐진 앙상블 모델을 사용한다.
• 하이퍼파ram터는 점진적인 피드백을 통한 그리드 서치로 최적화하여 모델 성능을 점진적으로 향상시킨다.
• LSTM이나 BERT와 같은 복잡한 아키텍처에 의존하지 않고, 대신 특성 공학과 데이터 품질에 우선순위를 두는 방식이다.
• 다양한 관점에서 평가를 수행하여 최신 모델과의 비교를 통해 정확성과 일반화 능력을 검증한다.

실험 결과

연구 질문

• RQ1 NLP 기반 특성 공학을 통한 체계적 데이터 강화가 복잡한 딥러닝 모델에 의존하지 않고도 MBTI 예측 성능을 향상시킬 수 있는가?
• RQ2 MBTI 유형 예측에서 데이터 품질과 대표성에 중점을 두는 것이 모델 복잡성에 비해 어떻게 비교되는가?
• RQ3 감성, 문법, 측면 기반 특성이 MBTI 이원론 분류 향상에 얼마나 기여하는가?
• RQ4 반복적인 데이터 정제 루프가 아키텍처 혁신보다 더 빠른 수렴과 더 나은 평가 지표를 이끌 수 있는가?
• RQ5 이 NLP 및 머신러닝 프레임워크를 통해 MBTI를 초월한 성격 유형 추상화의 잠재력은 무엇인가?

주요 결과

• 최신 모델인 BERT나 LSTMs를 사용하지 않고도 데이터 중심 접근법이 평가 지표를 크게 향상시켰다.
• 겹쳐진 모델에 점진적 피드백을 통한 그리드 서치가 복잡한 아키텍처보다 더 뛰어난 성능을 달성하여, 데이터 품질이 모델 복잡성보다 더 큰 영향을 미친다는 것을 시사한다.
• 특히 대표성과 설명력에 중점을 두고 데이터 반복 처리를 수행함으로써, 모델 성능 향상이 더 빠르고 저렴하게 이루어졌다.
• 다양한 평가 관점에서 강건성을 입증하여, 이 방법의 효과성과 일반화 능력을 확인했다.
• 이 연구는 더 깊은 언어학적 및 심리학적 특성 공학을 통해 성격 유형 추상화의 광범위한 잠재력을 드러냈다.
• 감성, 문법, 측면 기반 특성이 상호보완적인 역할을 하며 모델 성능을 종합적으로 향상시켰다.