分類からランキングへ：MBTI性格診断のためのLLM推論能力の強化

TL;DR（結論）

本研究は、SNSの投稿からMBTI性格タイプを特定するタスクにおいて、従来の独立した4つの二値分類として扱う手法の限界を指摘し、性格を連続的なスペクトラム上の相対的な嗜好として捉える「ランキング学習」へのパラダイムシフトを提案しました。 具体的には、大規模言語モデル（LLM）を用いた二段階の学習フレームワーク「PerDetR1」を開発し、教師モデルからの推論プロセスの蒸留（SFT）と、ランキング指標であるNDCGを活用した報酬関数に基づく強化学習（GRPO）を組み合わせることで、性格特性間の複雑な相互作用を捉えることに成功しました。 検証の結果、KaggleおよびPANDORAという主要なデータセットにおいて、従来手法を上回る最高水準の性能（SOTA）を達成し、専門家によるプロンプト設計への依存を排除しながら、リアルタイムな性格診断を可能にする新しい標準を確立しました。

なぜこの問題か

言語に基づく性格診断は、メンタルヘルスのスクリーニングや対話型エージェントなどのAIアプリケーションにおいて極めて重要な役割を果たしており、特にマイヤーズ・ブリッグス・タイプ指標（MBTI）という心理学的枠組みが広く利用されています。 MBTIは、「外向型（E）対内向型（I）」、「感覚型（S）対直観型（N）」、「思考型（T）対感情型（F）」、「判断型（J）対知覚型（P）」という4つの相互依存する次元に沿って性格を特徴づけますが、これらの次元は独立しているわけではなく、階層的な認知機能によって支配される動的な相互作用を持っています。 例えば、INTJの主機能は内向的直観（Ni）であるのに対し、ENTJの主機能は外向的思考（Te）であり、たとえ1文字しか違わなくても、その認知プロファイルは大きく異なります。 しかし、既存の多くのアプローチは、MBTIの予測を4つの独立した二値分類タスクとして処理しており、心理学的に確立されている次元間の相互作用を無視した「次元の切り離し」や、性格の完全な表現を捉えきれない「静的なラベル付け」という2つの重大な欠陥を抱えています。…

核心：何を提案したのか

本研究では、性格診断をカテゴリ分類タスクではなく「ランキングタスク」として再定義する、先駆的なパラダイムシフトを提案しました。 これは、性格が絶対的なカテゴリの割り当てではなく、相対的な特性の嗜好を通じて現れるという心理測定の実態に即した変革であり、性格診断を連続的なスペクトラムとして概念化することで、次元間の相互依存性のモデリングという核心的な課題に直接対処するものです。 このパラダイムを実現するために、ランキングベースのモデリングを通じてカテゴリの誤謬を排除する二段階のフレームワーク「PerDetR1」を導入しました。…

続きはログイン/プランで閲覧できます。