Исследователи представляют JAM, фреймворк, который смещает фокус распознавания личности с предопределенных психологических таксономий на обнаружение унифицированных латентных псевдо-граней. Этот подход позволяет моделям напрямую выводить индивидуальные психологические профили из текста, не полагаясь на метки, специфичные для теорий.
JAM использует Attention-Pooled Graph Prototypical Network для обучения структурированных представлений посредством кластеризации в пространстве эмбеддингов. Он применяет Cross-Theory Harmonization для интеграции гетерогенных наборов данных через человеческое руководство связями и машинно-индуцированный консенсус. Система включает механизм LLM-as-a-Judge в двух конфигурациях для выявления неоднозначных образцов и направления адаптивного обучения метрик.
Эксперименты демонстрируют, что JAM улучшает обобщение и производительность между фреймворками, поддерживая теории личности с низким уровнем ресурсов.