解码大型语言模型中显现的 Big Five 性格特征：温度依赖的表达与架构聚类
计算与语言
2025-11-07 v1 人工智能
摘要
随着大型语言模型（LLM）越来越多地被用于人类中心的应用，理解它们类似人类的行为变得越来越重要，以负责任地开发和部署。本文系统地评估了六种 LLM，采用 Big Five Inventory-2（BFI-2）框架，来评估在不同采样温度下的性格特征表达。我们发现四个性格维度之间存在显著差异，其中神经质（Neuroticism）和外向性（Extraversion）对温度调整较为敏感。进一步的层次聚类揭示了不同的模型簇，表明架构特征可能使某些模型倾向于稳定的性格特征轮廓。总体而言，这些结果为理解 LLM 中性格模式的显现提供了新的见解，并为模型调优、选择以及人工智能系统的伦理治理提供了新的视角。我们在此分享了该分析的数据和代码：https://osf.io/bsvzc/?view_only=6672219bede24b4e875097426dc3fac1
引用
@article{arxiv.2511.04499,
title = {Decoding Emergent Big Five Traits in Large Language Models: Temperature-Dependent Expression and Architectural Clustering},
author = {Christos-Nikolaos Zacharopoulos and Revekka Kyriakoglou},
journal= {arXiv preprint arXiv:2511.04499},
year = {2025}
}
备注
Accepted at IJCNLP-AACL 2025