Onderzoekers hebben een innovatieve techniek ontwikkeld genaamd 'Personality Latents' (PL), waarmee taalmodellen de specifieke persoonlijkheid van een individu kunnen overnemen. In plaats van te vertrouwen op handgeschreven profielen of vooraf gedefinieerde categorieën, leert het systeem de unieke stijl en kenmerken van een persoon direct uit diens eigen geschreven teksten.
Afstappen van vaste profielen en taxonomieën
Traditionele methoden om de persoonlijkheid van een taalmodel te sturen, maken vaak gebruik van geschreven beschrijvingen of vaste eigenschapscategorieën. Volgens een recent onderzoekspapier op arxiv.org beperkt dit de expressie van het model tot datgene wat een auteur expliciet opschrijft of wat binnen een bestaande taxonomie wordt benoemd.
De nieuwe benadering, Personality Latents, omzeilt deze beperkingen. Het systeem leert een 'latent' (een verborgen representatie) voor elke persoon op basis van hun eigen schrijfstijl, zonder dat daarvoor persoonlijkheidslabels of een vooraf opgesteld profiel nodig zijn. Deze latente representatie wordt vervolgens als een zogenaamd 'soft prefix' geïnjecteerd in een bevroren taalmodel.
Technische werking en optimalisatie
Het proces maakt gebruik van generatieve latente optimalisatie. Hierbij krijgt elke persoon in de trainingsset een vrije latent die via het bevroren model zelf wordt geoptimaliseerd. Tegelijkertijd leert een encoder om deze latenten te voorspellen. Dit betekent dat voor een nieuwe persoon slechts één enkele 'forward pass' nodig is om de persoonlijkheid te vatten, waarbij eventuele verfijning tijdens de testfase optioneel is.
Om de effectiviteit van deze methode te testen, hebben de auteurs Gunhee Cho en collega's het model laten antwoorden op neutrale vragen en interviewvragen. De antwoorden werden vervolgens geanalyseerd door scorers die getraind waren op echte menselijke teksten. Volgens de publicatie op behaalde de PL-methode op de MBTI-assen een superieure AUC-score in vergelijking met baselines die gebruikmaken van persona-embeddings of prompts onder identieke omstandigheden.
Overdraagbaarheid tussen modellen
Een opvallend resultaat van het onderzoek is de overdraagbaarheid van deze persoonlijkheidskenmerken. De onderzoekers konden aantonen dat een latent die was geleerd met het model Qwen2.5-3B-Instruct, succesvol kon worden overgedragen naar Llama-3.1-8B-Instruct. Dit gebeurde enkel via een nieuwe adapter, wat suggereert dat de geleerde persoonlijkheidskenmerken losstaan van de specifieke architectuur van één enkel model.
Context van persoonlijkheidsanalyse
De behoefte aan het nauwkeurig vastleggen van persoonlijkheid in AI sluit aan bij een breder psychologisch kader. Platforms zoals psychologytoday.com besteden uitgebreid aandacht aan het analyseren van persoonlijkheidstypes, variërend van introversie en extraversie tot complexere patronen zoals narcisme of perfectionisme. Waar traditionele psychologie vaak gebruikmaakt van zelfrapportage en tests om deze eigenschappen te bepalen, probeert de nieuwe AI-methode deze nuances direct uit gedrag — in dit geval tekstueel gedrag — te extraheren.
De integratie van dergelijke technologieën zou kunnen leiden tot taalmodellen die niet alleen feitelijk correcte antwoorden geven, maar dit doen op een manier die consistent is met de unieke stem en identiteit van een specifiek individu. De resultaten van de studie, zoals beschreven in de documentatie op , tonen aan dat deze rangschikking van persoonlijkheidskenmerken standhoudt in drie verschillende embedding-ruimtes, wat de robuustheid van de methode onderstreept.