个性识别传统上受到理论依赖的限制，现有模型往往被训练以适应预定义的心理分类法，而非揭示共享的潜在行为结构。这种方法限制了模型的泛化能力，因为个性本身更适合被理解为无理论的，而现有的注释仅反映了部分且有时不一致的潜在特征。
在这项工作中，我们引入了 JAM（Judge for Adaptive Metric-Alignment），一个无理论依赖的框架，旨在将学习从适应预定义个性理论转向发现统一的潜在伪特征，捕捉共享的心理结构。该框架不再在训练或推理过程中将模型限制于任何个性分类法，而是学习可泛化的心理表征，能够直接从文本样本中推断个体的潜在心理特征，无需理论特定标签。
JAM 通过一个注意力聚合图原型网络实现结构化表征的学习，该网络通过在嵌入空间中的聚类进行学习。结合跨理论协调（CTH）方法，该方法整合了（i）人类引导链接和（ii）机器生成共识，以统一异构数据集，而不依赖于预定义标签。为了进一步提高鲁棒性和数据质量，我们还引入了 LLM 作为判断机制，运作于两种配置中：（i）LLM-循环前和（ii）LLM-循环中，识别模糊样本以指导自适应度量学习。
实验表明，JAM 提高了跨框架的泛化能力和性能，为无理论依赖的个性推断迈出了重要一步，并支持低资源个性理论。
相关代码库、模型权重和相关材料可在 JAM 研究网站 获取。
博主点评： JAM框架的提出为个性识别领域开辟了新的视角，尤其是在无需依赖传统心理理论的情况下，通过创新的聚类和协调机制，显著提升了模型的泛化能力和实用性，展示了深度学习在心理学研究中的巨大潜力。其代码的开源也将进一步推动该领域的发展。