屏幕背后的你是谁？利用人工智能进行隐式MBTI和性别检测

在个性化技术和心理学研究中，精确地从数字交互中检测人口统计特征和人格特质变得越来越重要。本研究调查了隐式分类，即直接从Telegram对话数据中的语言模式推断人格和性别变量，而传统的人格预测技术大多依赖于显式自我报告的标签。我们改进了基于Transformer的语言模型（RoBERTa），以利用一个包含138,866条来自1,602名用户的消息的数据集（标注了MBTI类型）和195,016条来自2,598名用户的消息（标注了性别），来捕获指示人格特质和性别差异的复杂语言线索。置信度水平有助于大幅提高模型准确率至86.16%，从而证明了RoBERTa从对话文本数据中一致识别隐式人格类型的能力。我们的结果强调了Transformer拓扑结构在隐式人格和性别分类中的有用性，强调了其效率，并强调了在真实对话环境中准确率和覆盖率之间的重要权衡。在性别分类方面，模型获得了74.4%的准确率，从而捕获了性别特异性的语言模式。人格维度分析表明，具有内向和直觉偏好的人在基于文本的交互中尤其更加活跃。本研究强调了在平衡准确率和数据覆盖率方面的实际挑战，同时Transformer模型展示了其在从对话文本进行隐式人格和性别预测任务中的效率。