Los investigadores presentan JAM, un marco que desplaza el reconocimiento de personalidad desde taxonomías psicológicas predefinidas hacia el descubrimiento de pseudo-facetas latentes unificadas. Este enfoque permite a los modelos inferir perfiles psicológicos individuales directamente del texto sin depender de etiquetas específicas de la teoría.
JAM utiliza una Attention-Pooled Graph Prototypical Network para aprender representaciones estructuradas mediante clustering en el espacio de embeddings. Emplea Cross-Theory Harmonization para integrar conjuntos de datos heterogéneos a través de un enlace guiado por humanos y consenso inducido por máquina. El sistema incorpora un mecanismo LLM-as-a-Judge en dos configuraciones para identificar muestras ambiguas y guiar el aprendizaje adaptativo de métricas.
Los experimentos demuestran que JAM mejora la generalización y el rendimiento entre marcos, apoyando teorías de personalidad con pocos recursos.