[论文解读] Enhancing Personality Recognition by Comparing the Predictive Power of Traits, Facets, and Nuances

Amir Ansari, Jana Subirana+4 more|arXiv (Cornell University)|Feb 5, 2026

Personality Traits and Psychology被引用 0

一句话总结

微妙级别的人格模型在视听双人数据中（使用带跨模态和双人感知注意力的变换器，在 UDIVA v0.5 上）优于面板和 trait 模型。

ABSTRACT

Personality is a complex, hierarchical construct typically assessed through item-level questionnaires aggregated into broad trait scores. Personality recognition models aim to infer personality traits from different sources of behavioral data. However, reliance on broad trait scores as ground truth, combined with limited training data, poses challenges for generalization, as similar trait scores can manifest through diverse, context dependent behaviors. In this work, we explore the predictive impact of the more granular hierarchical levels of the Big-Five Personality Model, facets and nuances, to enhance personality recognition from audiovisual interaction data. Using the UDIVA v0.5 dataset, we trained a transformer-based model including cross-modal (audiovisual) and cross-subject (dyad-aware) attention mechanisms. Results show that nuance-level models consistently outperform facet and trait-level models, reducing mean squared error by up to 74% across interaction scenarios.

研究动机与目标

• 推动人格的层级建模，超越粗糙的特质分数，以捕捉情境相关行为。
• 研究大五人格的 facets 与 nuance 在多模态数据中的预测能力，与传统 trait 的对比。
• 评估更细粒度的标签是否能改善双人互动中的自评人格估计。

提出的方法

• 使用 UDIVA v0.5 的多模态数据集，包含 80 小时的双人互动，以及自报的 BFI-2 特质、facet 和 nuance。
• 通过光谱特征表示与多模态 Transformer（基于 MulT 的模型），在任务级、水平特定自评人格回归中应用 intra-与 inter-模态注意力。
• 通过对相关 facets/items 的均值（必要时进行反向编码）将低层次预测聚合到 trait 水平。
• 进行 10 折交叉验证的被试独立划分；通过贝叶斯超参数调优和 Adam 优化器进行训练；以 MSE、MAE、PCC 和 R2 进行评估。

实验结果

研究问题

• RQ1 微妙级模型是否在自报人格预测上比 facet 和 trait 级别模型具有更好的预测性能？
• RQ2 在使用更细粒度标签时，是否在不同的大五人格特质和互动任务上存在一致的性能提升？
• RQ3 从 nuance/facet 聚合到 trait 如何影响预测准确性与可靠性？
• RQ4 跨模态和双人感知注意力在利用细微行为线索进行人格推断中起到怎样的作用？

主要发现

• 微妙级模型在所有任务中始终达到最佳性能，相比基线、trait 及 facet，降低 MSE、MAE，提高 PCC 与 R2（MSE 下降最高可达 87.46%）。
• Facet 模型优于 trait 模型，在 trait 方面的 MSE 最多提高 31.75%。
• 在聚合到 trait 水平后，微妙级仍优于 facet 和 trait，凸显细粒度标签在情境相关人格估计中的价值。
• 在聚合到 trait 时，负向情绪性（Negative Emotionality）获得特别强的收益，表明细微行为更能捕捉此特质。
• 在所有任务中，各层级的任务级可预测性差异较小，表明基于光谱的方法与模型架构有助于稳定性能。