Les chercheurs présentent JAM, un cadre qui fait passer la reconnaissance de personnalité des taxonomies psychologiques prédéfinies à la découverte de pseudo-facettes latentes unifiées. Cette approche permet aux modèles d'inférer directement les profils psychologiques individuels à partir du texte sans dépendre d'étiquettes spécifiques à une théorie.
JAM utilise un Attention-Pooled Graph Prototypical Network pour apprendre des représentations structurées via le clustering dans l'espace d'embedding. Il emploie Cross-Theory Harmonization pour intégrer des ensembles de données hétérogènes grâce à un lien guidé par l'homme et un consensus induit par la machine. Le système intègre un mécanisme LLM-as-a-Judge dans deux configurations pour identifier les échantillons ambigus et guider l'apprentissage adaptatif des métriques.
Les expériences démontrent que JAM améliore la généralisation inter-cadre et les performances, soutenant les théories de personnalité à faible ressource.