Persona-E$^2$：基于人类 grounding 的人格塑造情感事件响应数据集

大多数情感计算研究将情感视为文本的静态属性，关注作者的情感，忽视读者的视角。这一方法忽略了个人人格导致对同一事件产生多样化情感评估的事实。虽然角色扮演式大语言模型（LLM）试图模拟此类细微反应，但常常出现“人格幻觉”——依赖于表层刻板印象而非真正的认知逻辑。一个关键瓶颈是缺乏将人格特征与情感变化联系起来的真实人类数据。为弥合这一差距，我们引入Persona-E$^2$（Persona-Event2Emotion），一个大规模数据集，基于标注的MBTI和Big Five人格特征，捕捉读者在新闻、社交媒体和生活叙事中的情感差异。广泛的实验表明，最先进的LLM在捕捉精确的评估变化方面存在挑战，尤其是在社交媒体领域。关键的是，我们发现人格信息显著提高了理解能力，Big Five人格特征有助于缓解“人格幻觉”。