BIG5-CHAT：通过训练人类 grounding 数据塑造 LLM 人格
计算与语言
2025-07-30 v3
摘要
本文聚焦于将真实的人类性格特征嵌入到大语言模型（LLM）中。以往方法主要关注基于提示的技术，用以描述所需性格特征相关的行为，但存在现实感和有效性问题。为此，我们提出 BIG5-CHAT，一个包含 10 万对话的大规模数据集，旨在将模型 grounding 在人类如何用语言表达性格的方式。借助该数据集，我们探索了监督微调（Supervised Fine-Tuning）和直接偏好优化（Direct Preference Optimization）作为基于训练的方法，以更自然地将 LLM 对齐人类性格模式。我们的方法在性格评估（如 BFI 和 IPIP-NEO）方面优于提示方法，特征相关性更贴近人类数据。此外，我们的实验表明，展现更高 conscientiousness（尽责性）、更高 agreeableness（善良性）、较低 extraversion（外向性）和较低 neuroticism（神经质）的模型，在推理任务中表现更佳，这与心理学发现一致，即这些性格特征如何影响人类认知表现。就本文而言，这是首个系统性地展示基于训练的方法如何通过学习真实人类行为来塑造 LLM 人格的研究。
引用
@article{arxiv.2410.16491,
title = {BIG5-CHAT: Shaping LLM Personalities Through Training on Human-Grounded Data},
author = {Wenkai Li and Jiarui Liu and Andy Liu and Xuhui Zhou and Mona Diab and Maarten Sap},
journal= {arXiv preprint arXiv:2410.16491},
year = {2025}
}