JAM introduit un alignement de métrique adaptatif et agnostique à la théorie pour la reconnaissance de personnalité

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.

• Utilise un Attention-Pooled Graph Prototypical Network pour apprendre des représentations structurées via le clustering dans l'espace d'embedding.
• Emploie l'Harmonisation Inter-Théorie (CTH) avec Liage Guidé par l'Humain et Consensus Induit par la Machine pour unifier des ensembles de données hétérogènes.
• Intègre un mécanisme LLM-as-a-Judge dans deux configurations pour identifier les échantillons ambigus et guider l'apprentissage de métrique adaptatif.

La méthode améliore la généralisation inter-cadre et les performances, en soutenant les théories de personnalité à faible ressource.