Computational Personality Assessment: A Data- Driven Machine Learning Approach Using Engineered Behavioral Features
Cet article présente un pipeline d'apprentissage automatique piloté par les données qui améliore considérablement la précision de la classification introverti-extroverti pour atteindre 91,90 % en concevant trois caractéristiques comportementales composites et en évaluant 13 algorithmes, démontrant que les K plus proches voisins est le plus performant au sein d'un cadre statistiquement robuste.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de deviner si un nouvel ami est un « introverti » (quelqu'un qui recharge ses batteries en étant seul) ou un « extroverti » (quelqu'un qui puise son énergie en étant avec les autres). Habituellement, vous pourriez lui poser des questions comme : « Aimes-tu les fêtes ? » ou « Te fatigues-tu après une grande foule ? ». Mais les gens ne sont pas toujours honnêtes, ou ils ne connaissent même pas forcément la réponse eux-mêmes. C'est là que la psychologie computationnelle entre en jeu. C'est un domaine où les scientifiques utilisent l'informatique et les mathématiques pour trouver des modèles dans la façon dont les gens agissent, plutôt que de se fier uniquement à ce qu'ils disent. Ils étudient l'apprentissage automatique (machine learning), qui consiste essentiellement à apprendre à un ordinateur à apprendre à partir d'exemples, pour repérer ces indices de personnalité cachés. La grande question est la suivante : pouvons-nous construire un programme informatique qui observe les habitudes quotidiennes d'une personne — comme la fréquence à laquelle elle sort ou le temps qu'elle passe seule — et devine avec précision son type de personnalité sans qu'elle ait à remplir un ennuyeux sondage ?
Ce document est comme une histoire de détectives où les détectives sont des informaticiens et les indices sont des empreintes numériques. Les chercheurs, Meera Solgama et Zeelkumar Bhavsar, ont décidé de construire un détecteur de personnalité super intelligent. Ils n'ont pas seulement nourri l'ordinateur de données brutes ; ils ont agi comme des chefs cuisiniers experts, prenant des ingrédients simples (comme le « temps passé seul » ou la « peur de la scène ») et les mélangeant ensemble pour créer trois nouveaux ingrédients « élaborés ». Ils les ont appelés Ratio Social, Engagement Social et Besoin de Récupération. Voyez cela comme ceci : au lieu de simplement mesurer la quantité de sucre dans un gâteau, ils ont créé une nouvelle saveur appelée « Équilibre de Douceur » qui indique exactement comment le sucre interagit avec la farine. Ils ont testé 1ments différents de « cerveaux » informatiques (algorithmes) pour voir lequel pouvait le mieux goûter la différence entre les introvertis et les extrovertis.
Les résultats étaient assez passionnants. Le cerveau informatique qui a gagné la course s'appelait K-Plus Proches Voisins (K-NN). Il a donné la bonne réponse 91,90 % du temps. Les chercheurs ont découvert que leurs ingrédients spéciaux « élaborés » étaient la sauce secrète. Lorsqu'ils ont testé l'ordinateur en utilisant uniquement les anciens ingrédients simples, il a obtenu raison environ 79,5 % du temps. Mais une fois qu'ils ont ajouté leurs trois nouveaux mélanges, la précision a bondi de 12,4 %. Il s'avère que l'algorithme K-NN était le meilleur parce que les nouveaux ingrédients faisaient en sorte que les données ressemblent à deux tas de billes distincts et bien rangés — un tas pour les introvertis et un autre pour les extrovertis — ce qui facilitait le tri pour l'ordinateur.
Il est intéressant de noter que l'article suggère que vous n'avez pas toujours besoin du cerveau informatique le plus complexe ou le plus futuriste pour résoudre ce problème. Bien que d'autres études aient utilisé des réseaux de neurones profonds (qui sont comme des réseaux massifs et complexes), ce modèle K-NN plus simple fonctionnait tout aussi bien, sinon mieux, parce que les données étaient si bien organisées. Les chercheurs ont également effectué des tests mathématiques stricts (appelés tests t appariés) pour s'assurer que la différence entre les meilleurs modèles n'était pas due à la chance. Ils ont constaté que les trois meilleurs modèles étaient en fait statistiquement à égalité, ce qui signifie que si vous vouliez en choisir un autre pour la vitesse ou la simplicité, vous pourriez le faire sans perdre beaucoup de précision.
Cependant, les auteurs prennent garde à ne pas dire qu'il s'agit d'une boule de cristal magique. Ils soulignent que leurs données proviennent de réponses auto-déclarées, ce qui signifie que les gens ont pu être un peu biaisés. De plus, la personnalité n'est pas seulement un interrupteur simple « oui ou non » ; c'est plutôt une échelle graduée. L'article suggère que, bien que cette méthode fonctionne très bien pour cet ensemble de données spécifique, nous devons être prudents avant de l'appliquer à tout le monde partout sans tests supplémentaires. Mais globalement, ils ont montré qu'en réfléchissant de manière créative sur la façon dont nous combinons les points de données, nous pouvons construire des outils qui comprennent le comportement humain un peu mieux qu'auparavant.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.