询问、作答与检测：基于问卷条件混合专家模型的角色扮演大语言人格检测

理解人类人格对于个性化推荐和心理健康评估等 web 应用至关重要。现有人格检测研究主要采用“帖子→用户向量→标签”建模范式，将社交媒体帖子编码为用户表示，以预测人格标签（如 MBTI 标签）。虽然近期大型语言模型（LLM）的进步提升了文本编码能力，但这些方法仍受限于标签稀缺导致的监督信号有限，以及用户语言与抽象心理建构之间未明确的语义映射。我们通过提出 ROME（Role-Playing for Personality detection via question-Conditioned Mixture-of-Experts）框架，显式注入心理学知识来解决这些挑战。灵感来源于标准化自我评估测试，ROME 利用 LLM 的角色扮演能力模拟用户对经过验证的心理测量问卷的响应。这些生成的问卷级答案将自由形式的用户帖子转化为可解释的、以问卷为依据的证据，将语言线索与人格标签关联，从而提供丰富的中间监督以缓解标签稀缺，同时提供指导和简化文本到人格映射学习的语义推理链。随后，问卷条件混合专家模块在帖子和问卷表示上进行联合路由，学习在明确监督下回答问卷题目。预测答案被概括为可解释的答案向量，并与用户表示融合，用于多任务学习框架中的最终预测，其中问卷作答作为人格检测的强大辅助任务。在两个真实数据集上的大量实验表明，ROME 在所有基线方法上均表现出优异，Kaggle 数据集上提升幅度达15.41%。