超越固定的心理画像：状态胜于特质，但语言模型对状态视而不见
计算与语言
2026-05-08 v2 人工智能
人机交互
摘要
用户与语言模型的交互因用户的静态属性（特质）和交互的具体情境（状态）而异。然而，现有的画像数据集（如 PersonaChat、PANDORA 等）仅捕捉特质，而忽略了状态的影响。我们引入了 Chameleon，一个包含来自 1,667 名 Reddit 用户的 5,001 个情境心理画像的数据集，每个用户均在多种情境下进行测量。利用 Chameleon 数据集，我们提出了三个关键发现。首先，受潜状态-特质理论启发，我们对方差进行分解，发现 74% 属于个体内（状态），而仅 26% 属于个体间（特质）。其次，我们发现 LLM 对状态视而不见：它们仅关注特质，且无论状态如何均产生相似的响应。第三，我们发现奖励模型会对用户状态做出反应，但并不一致：不同模型对相同用户会朝相反方向给予奖励或惩罚。我们发布 Chameleon 以支持情感计算、个性化对话和 RLHF 对齐方面的研究。
引用
@article{arxiv.2601.15395,
title = {Beyond Fixed Psychological Personas: State Beats Trait, but Language Models are State-Blind},
author = {Tamunotonye Harry and Ivoline Ngong and Chima Nweke and Yuanyuan Feng and Joseph Near},
journal= {arXiv preprint arXiv:2601.15395},
year = {2026}
}
备注
Accepted to Findings of ACL 2026