Исследователи представляют JAM, фреймворк, который смещает фокус распознавания личности с предопределенных психологических таксономий на обнаружение унифицированных латентных псевдо-граней. Этот подход позволяет моделям выводить индивидуальные психологические профили непосредственно из текста, не опираясь на метки, специфичные для теорий.
- Использует Attention-Pooled Graph Prototypical Network для обучения структурированных представлений через кластеризацию в пространстве эмбеддингов.
- Применяет Cross-Theory Harmonization (CTH) с Human-Guided Linkage и Machine-Induced Consensus для унификации гетерогенных наборов данных.
- Включает механизм LLM-as-a-Judge в двух конфигурациях для выявления неоднозначных образцов и направления адаптивного обучения метрик.
Метод улучшает обобщающую способность и производительность между фреймворками, поддерживая теории личности с низким уровнем ресурсов.