शोधकर्ताओं ने JAM का परिचय दिया, एक फ्रेमवर्क जो व्यक्तित्व पहचान को पूर्वनिर्धारित मनोवैज्ञानिक वर्गीकरण से हटाकर एकीकृत लीनियट प्सूडो-फेसेट्स की खोज की ओर ले जाता है। यह दृष्टिकोण मॉडलों को सिद्धांत-विशिष्ट लेबल पर निर्भर किए बिना, सीधे पाठ से व्यक्तिगत मनोवैज्ञानिक प्रोफ़ाइल का अनुमान लगाने की अनुमति देता है।
JAM एम्बेडिंग स्पेस में क्लस्टरिंग के माध्यम से संरचित प्रतिनिधित्व सीखने के लिए Attention-Pooled Graph Prototypical Network का उपयोग करता है। यह मानव-मार्गदर्शित लिंकेज और मशीन-प्रेरित सहमति के माध्यम से विषम डेटासेट को एकीकृत करने के लिए Cross-Theory Harmonization को लागू करता है। प्रणाली अस्पष्ट नमूनों की पहचान करने और अनुकूली मीट्रिक सीखने का मार्गदर्शन करने के लिए दो विन्यासों में LLM-as-a-Judge तंत्र को शामिल करती है।
प्रयोगों से पता चलता है कि JAM क्रॉस-फ्रेमवर्क सामान्यीकरण और प्रदर्शन में सुधार करता है, जो कम संसाधन वाले व्यक्तित्व सिद्धांतों का समर्थन करता है।