Предсказание личностных черт на основе речи с использованием глубокого обучения и акустических и лингвистических эмбеддингов

Введение

Это исследование представляет новый метод предсказания личностных черт Большой пятерки через анализ образцов речи, продвигая область компьютерной оценки личности. Используя предобученные конволюционные нейронные сети (CNN) и трансформерные модели, исследователи извлекли эмбеддинги, представляющие как акустические, так и лингвистические характеристики речи. Эти эмбеддинги были объединены и введены в модели градиентного бустинга деревьев для предсказания личностных черт. Результаты показывают, что личностные черты могут быть эффективно предсказаны из речи, с коэффициентами корреляции между предсказанными и самооцененными баллами от 0.26 до 0.39.

Методология

Данные были собраны у 2045 участников, которые заполнили опросник Большой пятерки личностных черт и предоставили образцы свободной речи, представляясь без ограничений по содержанию. Используя предобученные модели, исследователи извлекли эмбеддинги, представляющие акустические и лингвистические характеристики речи. Эти эмбеддинги были объединены и введены в модели градиентного бустинга деревьев для предсказания личностных черт.

Результаты

Коэффициенты корреляции между предсказанными и самооцененными баллами варьировались от 0.26 (экстраверсия) до 0.39 (нейротизм), и от 0.39 до 0.60 для дизаттенюированных корреляций. Внутриклассовые корреляции показывают умеренную до высокой согласованность в предсказаниях модели. Этот подход захватывает тонкие способы, которыми личностные черты выражаются через то, как люди говорят и что они говорят.

Обсуждение

Результаты исследования подчеркивают потенциал оценок на основе речи как дополнительного инструмента в психологических исследованиях, предоставляя новые инсайты в связь между речью и личностью. Однако важно учитывать этические соображения при применении таких методов в реальных условиях.

Заключение

Это исследование вносит вклад в понимание того, как речь отражает личностные черты, и демонстрирует потенциал моделей машинного обучения в этой области. Оно подчеркивает как возможности, так и ограничения, поощряя сбалансированный подход, который признает ценность технологических достижений, одновременно учитывая необходимость этической ответственности.