Onderzoekers hebben een nieuw systeem ontwikkeld dat Large Language Models (LLM's) in staat stelt om gebruikersvoorkeuren beter te begrijpen door deze te koppelen aan psychometrische persoonlijkheidskenmerken.
Het personaliseren van antwoorden door kunstmatige intelligentie gebeurt momenteel vaak op basis van directe voorkeurssignalen van de gebruiker. Echter, zoals beschreven in een recent wetenschappelijk rapport op arxiv.org, kunnen deze signalen in de praktijk onvolledig, inconsistent of zelfs misleidend zijn. Wanneer AI-modellen deze gegevens naïef toepassen, kan dit de kwaliteit van de uiteindelijke antwoorden negatief beïnvloeden.
Om dit probleem aan te pakken, hebben onderzoekers Tianyu Zhao, Siqi Li, Yasser Shoukry en Salma Elmalaki het framework PACIFIC geïntroduceerd. De afkorting staat voor Preference Alignment for Choices Inference via Five-factor Identity Characterization. Het kernidee van dit systeem is dat stabiele persoonlijkheidskenmerken een fundamentele invloed hebben op de dagelijkse voorkeuren van mensen. Door deze kenmerken als een latent signaal te gebruiken, kan het model beter redeneren over de geschiedenis van voorkeuren van een gebruiker.
De rol van de 'Big Five'
Het PACIFIC-framework maakt gebruik van de zogenaamde Big-Five (OCEAN) traits, een breed geaccepteerd psychometrisch model dat persoonlijkheid indeelt in vijf hoofdcategorieën. Volgens de publicatie op dienen deze kenmerken als een gestructureerde basis om gebruikersvoorkeuren te organiseren.
Om de effectiviteit van dit systeem te testen, hebben de onderzoekers een gespecialiseerde dataset samengesteld. Deze dataset bevat 1.200 paren van voorkeuren en vragen die verspreid zijn over diverse domeinen, waaronder onderwijs, films en reizen. De dataset is specifiek ontworpen om zowel hoge als lage scores op de Big-Five-kenmerken te dekken, waardoor de robuustheid van het model breed getest kon worden.
Resultaten en technische knelpunten
De experimenten tonen aan dat wanneer een LLM beschikt over een schone, op persoonlijkheid afgestemde context, de nauwkeurigheid van de gepersonaliseerde antwoorden zeer hoog ligt. In sommige gevallen bereikten de modellen een nauwkeurigheid van bijna 99%. Dit bewijst dat het redeneervermogen van de taalmodellen zelf niet de beperkende factor is bij personalisatie.
De werkelijke uitdaging ligt echter in de praktijk, waar gebruikersgeschiedenissen vaak ongeëtiketteerd zijn en verschillende kenmerken bevatten. De onderzoekers stellen in hun rapport op dat de grootste bottleneck de 'retrieval' is: het proces waarbij het model de juiste relevante informatie uit een grote hoeveelheid data ophaalt.
Om dit op te lossen, hebben de auteurs een persona-bewuste contrastieve retriever ontwikkeld, genaamd PiRAG. De resultaten laten zien dat PiRAG de nauwkeurigheid zonder labels kan verhogen van 30% naar 43% ten opzichte van standaard semantische retrieval. Dit gebeurt zonder dat er tijdens de inferentie (het genereren van het antwoord) specifieke kenmerken hoeven te worden geannoteerd.
Academische erkenning
Het onderzoek naar PACIFIC is opgenomen in de wetenschappelijke gemeenschap en is geaccepteerd voor de 2026 COLM The 2nd Workshop on Lifelong Agents: Learning, Aligning, and Evolving (LLA), zoals vermeld in de metadata van . Het werk valt onder de categorie 'Computation and Language' en draagt bij aan de ontwikkeling van AI-agenten die in staat zijn om over een langere periode te leren en te evolueren met hun gebruiker.
Hoewel de technologie zich richt op complexe psychometrische analyse, is de praktische toepassing breed. Zo kunnen systemen in de toekomst bijvoorbeeld beter anticiperen op reisvoorkeuren, een sector waarin commerciële spelers zoals cathaypacific.com via hun platforms gebruikerservaringen proberen te optimaliseren door middel van accountbeheer en gepersonaliseerde boekingsopties.
De laatste revisie van het onderzoek (versie 4) werd op 10 september 2026 gepubliceerd op , waarmee de meest recente inzichten in persoonlijkheidsgestuurde AI-uitlijning zijn vastgelegd.