رازگشایی از شخصیت پنهان شما: زبان‌تان، کلید مغزتان است!

آیا می‌دانستید که نحوه نگارش و انتخاب واژه‌ها می‌تواند پرده از رازهای شخصیت شما بردارد؟ پژوهشگران دانشگاه بارسلونا با استفاده از هوش مصنوعی (AI) به این یافته شگفت‌انگیز دست یافته‌اند. آنها نشان داده‌اند که مدل‌های هوش مصنوعی قادرند ویژگی‌های شخصیتی افراد را از روی متون نوشتاری تشخیص دهند و مهم‌تر از آن، اکنون می‌توانند فرآیند تصمیم‌گیری این مدل‌ها را نیز درک کنند.

این دستاورد، دریچه‌ای نو به سوی ارزیابی‌های شفاف و اخلاقی شخصیت در حوزه‌های گوناگون از جمله روانشناسی، منابع انسانی، آموزش و پرورش و پلتفرم‌های دیجیتال می‌گشاید.

هوش مصنوعی چگونه شخصیت شما را رمزگشایی می‌کند؟

محققان برای رمزگشایی از این “جعبه سیاه” تصمیم‌گیری هوش مصنوعی، از تکنیک‌های “هوش مصنوعی توضیح‌پذیر” مانند “گرادیان‌های یکپارچه” (integrated gradients) استفاده کردند. این تکنیک به آنها کمک کرد تا دریابند که چگونه کلمات و الگوهای زبانی خاص، در پیش‌بینی‌های مبتنی بر چارچوب‌های روانشناسی اصلی نقش دارند.

نکات کلیدی این پژوهش:

• هوش مصنوعی توضیح‌پذیر: محققان با استفاده از گرادیان‌های یکپارچه توانستند مشخص کنند که کدام کلمات در پیش‌بینی‌های شخصیتی تاثیرگذار هستند و بدین ترتیب، “جعبه سیاه” تصمیم‌گیری هوش مصنوعی را باز کردند.
• مدل “پنج عامل بزرگ شخصیتی” (Big Five) در برابر “شاخص تیپ مایرز-بریگز” (MBTI): مدل “پنج عامل بزرگ شخصیتی” در تجزیه و تحلیل شخصیتی مبتنی بر هوش مصنوعی، از قابلیت اطمینان و مبنای روانشناختی قوی‌تری نسبت به مدل MBTI برخوردار بود.
• کاربردهای عملی: این یافته‌ها می‌توانند ارزیابی‌های بالینی، شخصی‌سازی آموزش، فرآیندهای منابع انسانی و دستیارهای هوش مصنوعی تطبیقی را بهبود بخشند.

جزئیات پژوهش دانشگاه بارسلونا

تیمی تحقیقاتی در دانشگاه بارسلونا نشان داده‌اند که چگونه مدل‌های هوش مصنوعی (AI) می‌توانند ویژگی‌های شخصیتی را از متون نوشتاری تشخیص دهند و برای اولین بار توانسته‌اند به طور مفصل نحوه تصمیم‌گیری این سیستم‌ها را تجزیه و تحلیل کنند.

نتایج این پژوهش که در مجله PLOS ONE منتشر شده است، دیدگاه‌های جدیدی را برای درک چگونگی بروز شخصیت در زبان طبیعی و همچنین چگونگی ساخت ابزارهای تشخیص خودکار شفاف‌تر و قابل‌اعتمادتر ارائه می‌دهد.

این مقاله توسط سه متخصص دانشگاه UB به نام‌های دیوید سائروس (David Saeteros) و دیوید گالاردو-پوجول (David Gallardo-Pujol)، به ترتیب پژوهشگر و مدیر گروه تحقیقاتی “آزمایشگاه تفاوت‌های فردی” (IDLab) از دانشکده روانشناسی و “موسسه علوم اعصاب” (UBneuro)، و دانیل اورتیز مارتینز (Daniel Ortiz Martínez)، پژوهشگر دانشکده ریاضیات و علوم کامپیوتر، به نگارش درآمده است.

باز کردن “جعبه سیاه” الگوریتم‌ها

در این مطالعه، محققان نحوه پردازش داده‌های متنی توسط دو مدل پیشرفته هوش مصنوعی، BERT و RoBERTa، را برای تشخیص ویژگی‌های شخصیتی بر اساس دو چارچوب روانشناسی اصلی مورد تجزیه و تحلیل قرار دادند: “مدل پنج عامل بزرگ شخصیتی” (شامل گشودگی به تجربه، مسئولیت‌پذیری، برون‌گرایی، سازگاری و ثبات عاطفی) و “شاخص تیپ مایرز-بریگز” (MBTI)، ابزاری که افراد را بر اساس ابعاد برون‌گرا-درون‌گرا، حسی-شهودی، متفکر-احساسی و قضاوت‌کننده-ادراکی طبقه‌بندی می‌کند.

محققان در مورد این دو چارچوب روانشناختی توضیح می‌دهند: «در روانشناسی، یک مدل غالب از شخصیت و سایر مدل‌های کمتر معتبر وجود دارد که ما از آنها برای درک و اندازه‌گیری تفاوت‌های فردی در رفتار، احساسات و تفکر استفاده می‌کنیم.»

متون تجزیه و تحلیل شده در این مطالعه از دو پایگاه داده به دست آمده‌اند که با پرسشنامه‌های هر دو مدل (Big Five و MBTI) تغذیه شده‌اند و قبلاً بر اساس وجود شاخص‌هایی از ویژگی‌ها و انواع شخصیتی مختلف که آنها را تشکیل می‌دهند، طبقه‌بندی شده بودند.

متعاقباً، محققان از تکنیک‌های هوش مصنوعی توضیح‌پذیر برای مشاهده مدل‌های هوش مصنوعی و بررسی الگوهای زبانی که بر شناسایی ویژگی‌های شخصیتی در این نوشته‌ها تأثیر می‌گذارند، استفاده کرده‌اند.

نویسندگان خاطرنشان می‌کنند: «تکنیک‌های توضیح‌پذیری به ما امکان می‌دهند “جعبه سیاه” الگوریتم‌ها را باز کنیم، که تضمین می‌کند پیش‌بینی‌ها بر اساس سیگنال‌های مرتبط از نظر روانشناختی و نه بر اساس مصنوعات موجود در داده‌ها هستند.»

به طور خاص، آنها از تکنیکی به نام گرادیان‌های یکپارچه استفاده کردند که به آنها امکان می‌دهد دقیقاً مشخص کنند کدام کلمات یا عبارات در پیش‌بینی یک ویژگی شخصیتی خاص نقش دارند.

آنها می‌گویند: «این روش به ما این امکان را داده است که اهمیت عناصر زبانی مختلف را در پیش‌بینی‌های مدل تجسم و کمی‌سازی کنیم.» به عنوان مثال، آنها مشاهده کرده‌اند که کلماتی مانند نفرت، که به طور سنتی با ویژگی‌های منفی مرتبط است، می‌توانند در زمینه‌هایی ظاهر شوند که در واقع منعکس‌کننده مهربانی هستند (“من متنفرم از اینکه دیگران رنج بکشند”).

آنها تأکید می‌کنند: «بدون درک اینکه مدل چگونه این کلمات را در بافت معنایی تفسیر می‌کند، ممکن است به نتایج اشتباهی برسیم.»

این رویکرد اعتبار علمی عملکرد مدل‌های هوش مصنوعی را تضمین می‌کند، زیرا به “تأیید اینکه آیا مدل‌ها با نظریه‌های روان‌شناختی تثبیت‌شده همسو هستند یا خیر” اجازه می‌دهد و همچنین “با اطمینان از اینکه آنها بر اساس الگوهای زبانی هستند که واقعاً با سازه‌های روان‌شناختی مرتبط هستند که هدف اندازه‌گیری آنها است، یک مبنای محکم برای بهبود مستمر فراهم می‌کند.”

محدودیت‌های مدل MBTI

این مطالعه همچنین محدودیت‌های مدل MBTI را در مقایسه با مدل “پنج عامل بزرگ شخصیتی” برجسته کرد، که مبنای قوی‌تری هم برای تجزیه و تحلیل خودکار شخصیت و هم برای تجزیه و تحلیل روان‌سنجی کلاسیک نشان می‌دهد.

آنها خاطرنشان می‌کنند: «با وجود استفاده گسترده در علوم کامپیوتر و برخی زمینه‌های کاربردی روانشناسی، مدل MBTI دارای محدودیت‌های جدی برای ارزیابی خودکار شخصیت است، زیرا نتایج ما نشان می‌دهد که مدل‌ها بیشتر به مصنوعات تکیه می‌کنند تا الگوهای واقعی.»

کاربردهای تشخیص خودکار شخصیت

استفاده از تکنیک‌های تشخیص خودکار شخصیت با مدل‌های هوش مصنوعی می‌تواند تأثیر عمده‌ای بر زمینه روانشناسی شخصیت داشته باشد.

محققان خاطرنشان می‌کنند: «با استفاده از این روش‌ها، روانشناسان الگوهای زبانی مرتبط با ویژگی‌های شخصیتی مختلف را شناسایی می‌کنند که ممکن است با روش‌های سنتی مورد توجه قرار نگیرند. این می‌تواند منجر به روش‌های ارزیابی طبیعی‌تر و کم‌تر مزاحم شود، به ویژه برای مطالعه جمعیت‌های بزرگ ارزشمند است.»

نویسندگان در زمینه بالینی اشاره می‌کنند که این روش‌ها می‌توانند در “ارزیابی اولیه و پیگیری بیماران با تمرکز بر تغییرات در زبان یا بیان کلامی به عنوان شاخص‌های عناصر مهم روانشناختی برای درمان” کمک کنند.

آنها همچنین اشاره می‌کنند که این روش‌ها می‌توانند نقش مهمی در زمینه‌های دیگر ایفا کنند: در انتخاب پرسنل، در شخصی‌سازی آموزشی، در تحقیقات اجتماعی – که تجزیه و تحلیل حجم زیادی از داده‌های متنی را تسهیل می‌کند – یا در توسعه دستیارهای مجازی و عوامل مکالمه، زیرا به ایجاد تعاملات طبیعی‌تر و سازگارتر کمک می‌کند.

آنها می‌افزایند: «مهم است تأکید شود که همه چنین کاربردهایی باید بر اساس مدل‌های علمی معتبر باشند و تکنیک‌های توضیح‌پذیری را که ما بررسی کرده‌ایم، برای اطمینان از استفاده اخلاقی و شفاف، در خود جای دهند.»

محققان بر این باورند که با وجود پتانسیل‌های موجود، این مدل‌ها در کوتاه‌مدت جایگزین تست‌های سنتی شخصیت نخواهند شد، بلکه مکمل آنها خواهند بود و دیدگاه اضافی و عمیق‌تری را ارائه می‌دهند.

آنها خاطرنشان می‌کنند: «ما شاهد یک تکامل به سمت یک رویکرد چندوجهی هستیم، جایی که ارزیابی‌های سنتی با تجزیه و تحلیل زبان طبیعی، رفتار دیجیتالی و سایر منابع داده ترکیب می‌شوند تا تصویری کامل‌تر از شخصیت به دست آید.»

به گفته محققان، این رویکرد یکپارچه بر نقاط قوت هر روش تکیه می‌کند و “دیدگاه غنی‌تر و ظریف‌تری از شخصیت انسان” ارائه می‌دهد.

در این راستا، مدل‌های هوش مصنوعی می‌توانند “به ویژه در زمینه‌هایی که جمع‌آوری داده‌های سنتی دشوار است یا زمانی که حجم زیادی از اطلاعات باید به طور کارآمد تجزیه و تحلیل شوند، مفید باشند.”

اعتبارسنجی تحقیقات در سایر زمینه‌ها

مراحل بعدی در این مطالعه شامل گسترش تجزیه و تحلیل به سایر انواع متن، پلتفرم‌ها، زبان‌ها و فرهنگ‌ها برای تأیید این است که آیا الگوهای شناسایی شده در زمینه‌های مختلف سازگار هستند یا خیر. محققان می‌خواهند کاربرد این تکنیک‌ها را برای سایر سازه‌های روانشناختی فراتر از شخصیت، مانند حالات عاطفی یا نگرش‌ها بررسی کنند.

محققان همچنین در تلاشند تا داده‌های چندوجهی را در این تجزیه و تحلیل‌ها ادغام کنند – ترکیب متن با سایر اشکال بیان، مانند صدا یا رفتار غیرکلامی، و استفاده از فناوری‌هایی مانند رونویسی خودکار صدا (Whisper.ai) – و همچنین کاربرد آنها در زمینه‌های زندگی واقعی.

این تیم می‌خواهد “با متخصصان بالینی و منابع انسانی همکاری کند تا اثربخشی این ابزارها را در محیط‌های واقعی ارزیابی کند و اطمینان حاصل کند که تأثیر مثبت و اخلاقی دارند.”