PTEI框架：用个性特征提升大模型情绪智能

背景

近年来，大型语言模型（LLMs）在情感智能（Emotional Intelligence, EI）方面取得了显著进展，能够识别和生成带有情感色彩的文本。然而，在复杂的情绪推理任务中（例如理解他人为何感到愤怒、悲伤或喜悦，并推断其潜在原因），LLMs 的表现仍远逊于人类。现有研究指出，这一差距部分源于模型缺乏对个体差异的考虑，尤其是人格特质（Personality Traits）——人类在进行情感推断时，通常会基于对方的人格特征来调整理解和归因。而当前大多数 EI 方法要么忽视人格信息，要么仅将其作为静态标签使用，未能深入挖掘人格与情感之间的动态关联。为弥补这一缺陷，研究者提出了 PTEI 框架。

核心内容

PTEI（Personality Traits for Emotional Intelligence）是一种将人格特质系统性地整合到 LLMs 情感智能任务中的新型框架。其核心流程如下：

1. 人格特质提取：首先，从给定的情感场景文本中直接提取 MBTI（Myers-Briggs Type Indicator）和 OCEAN（又称 Big Five，即开放性、尽责性、外向性、宜人性、神经质）两类人格特质特征。这些特征并非由外部工具预设，而是基于场景描述推断而得。

2. 人格感知提示构建：将提取到的人格特质作为情境知识（contextual knowledge）融入提示（prompt）中，形成“人格感知提示”（personality-aware prompts）。这些提示引导 LLMs 更准确地推断出场景中人物的情感状态及其背后的原因。

3. 优化检索系统：为确保提示中的人格和情感背景信息具有最佳的情境支撑（contextual grounding），PTEI 采用对比学习（Contrastive Learning）构建了一个优化检索系统。该系统能够从数据库中召回与当前场景在情感和人格维度上最为匹配的历史示例，从而增强推理质量。

4. 实验验证：在多个公认的 EI 基准测试上的实验表明，PTEI 显著提升了多种 LLMs 的情感理解（Emotional Understanding, EU）能力。其中，GPT 系列模型的提升最为显著。进一步将 PTEI 与思维链（Chain-of-Thought, CoT）推理结合后，准确率额外提升了 4 个百分点。

关键要点

• PTEI 的核心创新在于将人格特质（MBTI 和 OCEAN）显式地建模为情感推理的关键输入，而非仅仅依赖通用情感知识。
• 人格特质直接从输入场景中动态提取，而非使用预定义的静态人格档案，这使得模型能适应不同上下文。
• 对比学习用于检索系统，目的是找到与当前场景在情感和人格上最相似的历史样本，为推理提供更精准的参考。
• 实验效果显著：在多个 EI 基准上，所有测试的 LLMs 在加入 PTEI 后情感理解能力均得到提升，且 GPT 模型提升最大。
• 与 CoT 叠加效果：PTEI 与 Chain-of-Thought 推理结合后，准确率在原有提升基础上再增加 4%。
• 该方法无需对 LLM 进行微调或引入额外参数，仅通过提示工程和检索增强实现，即插即用。

意义与影响

PTEI 的提出为提升 LLMs 的社会智能（social intelligence）和心理学基础提供了可行路径。其重要意义体现在以下几个方面：

• 弥补个体差异空白：首次系统性地将人格特质作为情感理解的必要成分纳入 LLM 推理流程，使 AI 系统在模拟人类情感推理时更贴近真实心理过程。
• 低成本高效益：无需重新训练模型，仅通过改进提示设计和检索机制就能显著提升性能，降低了部署门槛。
• 跨模型通用性：在不同规模、不同架构的 LLMs 上均有效，尤其对 GPT 系列效果最佳，说明该方法具有良好的泛化能力。
• 推动情感计算发展：PTEI 为构建更具同理心、更懂人类社交语境的 AI 助手（如客服、心理健康支持、教育辅导等）提供了技术基础。
• 启发未来研究方向：人格特质的动态提取与使用方式、对比学习检索系统的更优设计、以及如何将人格信息进一步融入多模态情感理解，都是值得深入探索的课题。