JAM框架：LLM法官实现理论无关人格识别
速览
传统人格识别依赖预设心理学理论，泛化受限。新框架JAM以理论无关方式，通过注意力池化图原型网络和跨理论协调方法，统一异构数据。引入LLM法官机制（LLM-before/LLM-in-loop）识别模糊样本，引导自适应度量学习。实验证明JAM提升跨框架泛化性能，推动理论无关人格推理，代码已开源。
AI 深度解读
背景
传统的人格识别（Personality Recognition）研究长期依赖理论驱动的范式：模型被训练去拟合预定义的心理分类体系（如大五人格、MBTI等），而非去发现数据中共享的底层行为结构。这种“理论依赖”带来一个根本问题——人格本身更适合被理解为“理论无关”（theory-invariant）的潜在特质，而现有标注数据仅反映了这些潜在特质的部分视角，且不同标注体系之间往往不一致甚至矛盾。因此，模型的泛化能力受到严重限制：一旦脱离训练时所用的特定人格理论，其表现就会大幅下降。
为了突破这一瓶颈，研究人员开始探索“理论无关”（theory-agnostic）的学习方式，即不强制模型适配任何预设人格理论，而是让其自主从文本中学习可迁移的心理表征。然而，如何在没有统一标签的情况下对齐异构数据集、如何识别并处理模糊样本、如何确保学到的表征既保留心理结构又不失真，都是亟待解决的挑战。
核心内容
本文提出 JAM（Judge for Adaptive Metric-Alignment，即“审判者驱动的自适应度量对齐”），一个完全理论无关的人格识别框架。JAM 的核心思想是：不再让模型去适配任何现成的人格理论，而是引导其从文本中“发现”共享的潜在心理结构——这些结构被称作 统一潜在伪侧面（unified latent pseudo-facets）。在训练和推理过程中，模型不受任何人格分类体系的约束，而是直接学习通用、可迁移的心理表征，并能从文本样本中推断出个体的潜在心理轮廓，无需依赖理论特定的标签。
JAM 通过三大技术模块实现这一目标：
-
注意力池化图原型网络（Attention-Pooled Graph Prototypical Network）
该网络利用嵌入空间中的聚类来学习结构化表征。具体地，它通过图神经网络聚合样本的上下文信息，并使用注意力池化机制提取关键特征，从而在潜在空间中形成原型（prototypes），每个原型对应一个潜在伪侧面。这种设计使得模型能够自动发现数据中隐含的心理结构，而非人工预设的类别。 -
跨理论协调（Cross-Theory Harmonization, CTH）
为统一来自不同标注体系（如不同人格理论）的异构数据集，CTH 包含两个互补的协调策略：- 人类引导关联（Human-Guided Linkage）：利用少量人类专家标注的跨理论锚点，建立不同标注模式之间的语义桥梁。
- 机器诱导共识（Machine-Induced Consensus）：通过模型内部的聚类和对比学习，自动在不同数据集之间寻找一致的心理结构，减少对人工标注的依赖。
二者协同工作，使得模型能够从多个异构来源中学习到统一且鲁棒的潜在表征，而无需预设任何全局标签。
-
LLM-as-a-Judge 机制
这是本文的关键创新点之一。通过引入大语言模型（LLM）作为“审判者”，JAM 能够识别并处理数据中的模糊样本，从而指导自适应度量学习。该机制以两种配置运行：- LLM-before-the-loop：在训练循环之前，LLM 对全量数据进行预筛选，标记出那些可能引起歧义或标注不一致的样本，这些样本将在后续训练中被赋予更低权重或单独处理。
- LLM-in-the-loop：在训练循环中，LLM 动态评估当前batch中样本的清晰度，实时调整度量学习的梯度方向，使模型更关注高置信度的样本，避免被噪声干扰。
这种机制显著提升了训练数据的质量与模型的鲁棒性。
实验结果表明，JAM 在跨框架泛化（即在不同人格理论体系间迁移）和整体性能上均优于基线方法，为理论无关的人格推理建立了坚实基础。同时，该方法对低资源人格理论（即仅有少量标注数据的理论方向）也表现出良好的支持能力。作者已公开相关代码仓库、模型权重和工件。
关键要点
- 理论无关框架：JAM 完全摆脱对预设人格理论（如大五、16PF等）的依赖，模型在训练和推理时不再需要理论特定标签，而是自主发现潜在心理结构。
- 统一潜在伪侧面：通过图原型网络在嵌入空间进行聚类，自动生成可解释的潜在侧面，这些侧面跨越不同理论体系，共享底层心理结构。
- 跨理论协调（CTH）：结合人类引导和机器诱导两种机制，有效对齐异构标注数据集，无需统一标签映射。
- LLM-as-a-Judge 双重配置：LLM-before-the-loop 进行数据预筛选，LLM-in-the-loop 进行动态梯度调整，两者共同提升数据质量和模型鲁棒性。
- 性能提升：在跨框架泛化实验中，JAM 显著优于传统理论依赖方法，尤其对低资源人格理论有更好支持。
- 开源资源：论文提供了完整代码仓库、预训练模型权重及相关工具，便于复现与扩展。
意义与影响
JAM 的提出标志人格识别从“理论驱动”迈向“数据发现”的关键一步。其理论无关范式不仅解决了传统方法因标注体系分歧而导致的泛化瓶颈，还为跨文化、跨场景的人格建模提供了统一视角。LLM-as-a-Judge 机制巧妙地将大语言模型的判别能力融入度量学习流程，既提升了训练数据的质量，又降低了人工标注成本，为“AI 辅助的数据治理”提供了可借鉴的模板。
从更广阔的视角看，JAM 的核心技术——图原型网络、跨理论协调与 LLM 作为审判者——具有高度的可迁移性。任何依赖异构标注来源的“潜在特征学习”任务（如情感识别、价值观建模、认知风格分析等）都可能借鉴该框架。此外，JAM 对低资源理论的支持，有望推动心理学中那些缺少大规模标注数据的理论方向获得计算建模的赋能。
当然，该工作仍有待深入之处：例如，LLM 作为审判者的偏见问题如何缓解？潜在伪侧面的可解释性如何进一步提升？图原型网络在超大规模数据上的可扩展性如何？但总体而言，JAM 为理论无关的人格计算开辟了一条清晰而富有前景的路径。