Computational Personality Assessment: A Data- Driven Machine Learning Approach Using Engineered Behavioral Features
Dieses Papier präsentiert eine datengesteuerte Machine-Learning-Pipeline, welche die Genauigkeit der Klassifizierung von Introvertiertheit und Extrovertiertheit durch das Engineering von drei zusammengesetzten Verhaltensmerkmalen und die Evaluierung von 13 Algorithmen signifikant auf 91,90 % verbessert und dabei zeigt, dass K-Nearest Neighbors innerhalb eines statistisch robusten Rahmens am besten abschneidet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu erraten, ob ein neuer Freund ein „Introvertierter“ (jemand, der durch Alleinsein neue Energie tankt) oder ein „Extrovertierter“ (jemand, der Energie durch die Anwesenheit anderer gewinnt) ist. Normalerweise würden Sie ihm Fragen stellen wie: „Magst du Partys?“ oder „Wirst du nach einer großen Menschenmenge müde?“ Aber Menschen sind nicht immer ehrlich, oder sie wissen die Antwort selbst nicht einmal genau. Hier kommt die Computerpsychologie ins Spiel. Dies ist ein Feld, in dem Wissenschaftler Computer und Mathematik nutzen, um Muster darin zu finden, wie Menschen handeln, anstatt nur darauf zu schauen, was sie sagen. Sie nutzen maschinelles Lernen, was im Grunde bedeutet, einen Computer aus Beispielen lernen zu lassen, um verborgene Persönlichkeitsmerkmale aufzuspüren. Die große Frage ist: Können wir ein Computerprogramm bauen, das die täglichen Gewohnheiten eines Menschen betrachtet – wie oft er ausgeht oder wie viel Zeit er allein verbringt – und seinen Persönlichkeitstyp genau errät, ohne dass er einen langweiligen Fragebogen ausfüllen muss?
Dieses Paper ist wie eine Detektivgeschichte, in der die Detektive Computerwissenschaftler sind und die Hinweise digitale Fußabdrücke sind. Die Forscher, Meera Solgama und Zeelkumar Bhavsar, beschlossen, einen superintelligenten Persönlichkeitsdetektor zu bauen. Sie fütterten den Computer nicht einfach nur mit Rohdaten; sie agierten wie Meisterköche, die einfache Zutaten (wie „Zeit allein verbracht“ oder „Lampenfieber“) nahmen und diese zusammenmischten, um drei brandneue, „entwickelte“ Zutaten zu kreieren. Sie nannten diese neuen Mischungen Social Ratio (Sozialrate), Social Engagement (Soziales Engagement) und Recovery Need (Erholungsbedarf). Stellen Sie sich das so vor: Anstatt nur zu messen, wie viel Zucker in einem Kuchen ist, erschufen sie eine neue Geschmacksrichtung namens „Süße-Balance“, die Ihnen genau sagt, wie der Zucker mit dem Mehl interagiert. Sie testeten 13 verschiedene Computer-„Gehirne“ (Algorithmen), um zu sehen, welches den Unterschied zwischen Introvertierten und Extrovertierten am besten herausschmecken konnte.
Die Ergebnisse waren ziemlich aufregend. Das Computer-Gehirn, das das Rennen gewann, hieß K-Nearest Neighbors (K-NN). Es traf die Antwort in 91,90 % der Fälle richtig. Die Forscher fanden heraus, dass ihre speziellen „entwickelten“ Zutaten die Geheimzutat waren. Als sie den Computer nur mit den alten, einfachen Zutaten testeten, lag er bei etwa 79,5 % richtig. Aber sobald sie ihre drei neuen Mischungen hinzufügten, sprang die Genauigkeit um 12,4 % nach oben. Es stellte sich heraus, dass der K-NN-Algorithmus der beste war, weil die neuen Zutaten die Daten wie zwei deutlich unterscheidbare, ordentliche Haufen Murmeln aussehen ließen – einen Haufen für Introvertierte und einen für Extrovertierte –, was es dem Computer leicht machte, sie zu sortieren.
Interessanterweise deutet das Paper darauf hin, dass man nicht immer das komplizierteste, futuristischste Computer-Gehirn braucht, um ein Problem zu lösen. Während einige andere Studien tiefe neuronale Netze (die wie massive, komplexe Netze sind) verwendeten, funktionierte dieses einfachere K-NN-Modell genauso gut, wenn nicht sogar besser, weil die Daten so gut organisiert waren. Die Forscher führten auch strenge mathematische Tests (genannt gepaarte t-Tests) durch, um sicherzustellen, dass der Unterschied zwischen den Top-Modellen nicht bloß Glück war. Sie fanden heraus, dass die drei besten Modelle statistisch gesehen gleichauf lagen, was bedeutet, dass man ein anderes wählen könnte, wenn man Geschwindigkeit oder Einfachheit bevorzugt, ohne viel an Genauigkeit zu verlieren.
Die Autoren sind jedoch vorsichtig damit, dies als magisches Kristallkugel darzustellen. Sie weisen darauf hin, dass ihre Daten aus Selbstauskünften stammten, was bedeutet, dass Menschen etwas voreingenommen gewesen sein könnten. Zudem ist Persönlichkeit nicht nur ein einfacher „Ja oder Nein“-Schalter; sie ist eher wie eine gleitende Skala. Das Paper legt nahe, dass diese Methode zwar für diesen spezifischen Datensatz hervorragend funktioniert, wir aber vorsichtig sein müssen, sie auf jeden Menschen überall anzuwenden, ohne weitere Tests durchzuführen. Aber insgesamt haben sie gezeigt, dass wir, indem wir kreativ darüber nachdenken, wie wir Datenpunkte kombinieren, Werkzeuge bauen können, die das menschliche Verhalten ein wenig besser verstehen als zuvor.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.